基于机器学习的可解释滚动轴承故障诊断方法：解决样本不平衡与决策黑箱问题

针对深度学习轴承故障诊断中数据集不平衡和模型决策过程不可解释的难题，研究人员提出了一种融合聚类密度混合采样(CDBH)、多域特征工程和注意力机制时序卷积网络(STCN)的可解释诊断框架。通过平衡样本分布、优化特征提取及可视化决策贡献度(Grad-CAM)，在CWRU和航空发动机轴承数据集上实现了高精度诊断与物理可解释性，为工业设备智能运维提供了新范式。

　　

在旋转机械系统中，滚动轴承如同人体的关节，其健康状态直接关系到整个设备的运行安全。然而，这些"工业关节"长期在高温、高负荷等恶劣环境下工作，微小故障可能引发连锁反应，导致航天器坠毁或高铁脱轨等灾难性事故。传统基于物理模型的诊断方法面对非线性复杂的轴承系统时往往力不从心，而蓬勃发展的深度学习(DL)技术虽能自动挖掘故障特征，却面临两大"先天缺陷"：一是实际工业场景中正常样本远多于故障样本，导致模型成为"偏科生"；二是神经网络如同黑箱，工程师难以理解其决策依据，严重制约了工业应用的可靠性。

西北工业大学的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，构建了一个革命性的诊断框架。该研究创新性地将聚类密度混合采样(CDBH)方法引入多分类不平衡问题，通过_k-means算法和局部密度策略双管齐下，既减少冗余正常样本又智能生成故障样本。更突破性的是，团队设计了融合三角拓扑聚合优化器(TTAO)和缩放点积注意力(SA)的时序卷积网络(STCN)，使模型能像经验丰富的技师那样自动聚焦关键故障特征。为破解"黑箱"难题，研究另辟蹊径地采用多域特征输入结合梯度加权类激活图(Grad-CAM)技术，首次实现了从物理特征维度解释神经网络决策过程。

关键技术方面，研究采用CWRU公开数据集和自建航空发动机轴承实验平台数据，通过CDBH处理样本不平衡，提取时域、频域和熵特征构建多域特征集，利用TTAO优化STCN超参数，最终通过Grad-CAM可视化特征贡献度。

研究结果

Clustering and density-based hybrid method
CDBH方法将多类不平衡问题分解为多个二分类任务，通过密度聚类识别边界样本，在保持数据分布的前提下使正常样本减少42%，关键故障样本增加35%，显著提升了模型对稀有故障的敏感性。

The proposed fault diagnosis framework
STCN模型在TTAO优化下，卷积核大小和层数等超参数搜索效率提升60%，SA机制使模型对冲击性故障特征的注意力权重提升2.3倍。实验表明该框架在10%噪声环境下仍保持98.7%的准确率。

Experiments and result analysis
在CWRU数据集上，CDBH-STCN对滚动体故障的诊断精度达99.2%，较传统SMOTE方法提升7.5%。航空发动机轴承实验中，对复合故障的早期识别比人工检测提前72小时，且Grad-CAM热图清晰显示熵特征对剥落故障的贡献度达67%。

Conclusion
该研究开创性地建立了可解释性与诊断性能的协同优化机制。CDBH方法突破了多类不平衡样本处理的瓶颈，STCN模型通过SA机制实现了故障特征的"显微镜式"捕捉，而多域特征与Grad-CAM的结合则构建了从数学空间到物理空间的解释桥梁。这种"数据平衡-特征优化-决策透明"的全链条创新，不仅为智能诊断提供了新范式，更将推动深度学习在高端装备运维中的可信应用。正如研究者指出，当神经网络能够用工程师理解的"语言"解释决策时，工业AI才真正走向成熟。