绝缘纸是高压电力设备（如变压器、电抗器和套管）中的关键组件，既作为绝缘介质也作为结构支撑[1]。在长期使用过程中，基于纤维素的绝缘材料会因热应力、电应力和化学应力而逐渐降解，导致介电强度和机械完整性降低，最终缩短设备寿命[2]、[3]、[4]。因此，可靠地评估绝缘纸的老化状况对于基于状态的维护和电力系统的安全运行至关重要。
纤维素占绝缘纸质量的90%以上，其老化主要与β-1,4-糖苷键通过水解和氧化反应的断裂有关[5]。这些过程导致聚合度（DP）的降低，而聚合度的降低被广泛认为是绝缘材料老化的可靠指标。传统的DP测定方法依赖于粘度测量，这需要破坏性取样和漫长的实验室程序。这些限制使得它们不适合在役监测[6]、[7]。
近红外（NIR）光谱因其快速响应、最小的样品制备需求和环境兼容性而在工业分析中得到广泛应用[8]、[9]、[10]。近年来，它越来越多地被用于绝缘纸老化的无损评估[11]、[12]、[13]、[14]、[15]、[16]、[17]、[18]。Ali等人的早期工作表明，NIR光谱与纤维素纸的老化时间相关，证明了这种方法的可行性[11]。后续的发展，如Baird等人提出的TRANSPEC测量系统和TRANSCHEM光谱-DP分析软件，使得在现场应用成为可能[12]、[13]。基于这些研究，之前的工作探索了基于NIR的绝缘纸DP评估，并研究了使用机器学习方法来建模光谱与DP之间的非线性关系[16]、[17]、[18]。
然而，使用NIR光谱进行DP的稳健预测仍然是一项具有挑战性的任务。这些挑战并非DP估计所独有，而是涉及复杂材料的一类基于NIR的定量分析所固有的问题。NIR光谱主要由 overtone和组合带主导，这些带本质上宽度较宽且高度重叠，这限制了化学可解释性，并在光谱特征之间引入了严重的共线性[19]、[20]。此外，材料成分、老化路径和环境条件的变化引入了显著的样品依赖性矩阵效应，导致光谱-属性关系变得异质和非线性。这些问题在聚合物[21]、生物质[21]和土壤系统[23]的光谱研究中被广泛报道，在同一数据集中可能存在多种潜在的相关结构。
从化学计量学的角度来看，这种多样性意味着没有单一的回归模型能够完全表征潜在的老化行为。这种现象与“罗生门效应”密切相关，即结构不同的模型在依赖不同的特征归因模式时能够获得相似的预测性能[24]。在这种情况下，每个模型只能部分表示高维的光谱-化学交互空间。然而，大多数现有的基于NIR的老化评估研究采用单一模型范式，这限制了充分利用光谱-属性相关多样性的能力[25]、[26]。需要注意的是，本研究中考虑的多样性是指特征归因模式（即相关结构）的差异，而不是预测误差的多样性。
集成建模提供了一种有效的方法来利用这种多样性。在各种集成策略中，堆叠通过二次训练整合了多个基础学习器，并在光谱分析中显示出提高预测鲁棒性的潜力[27]、[28]、[29]、[30]。然而，堆叠的成功在很大程度上取决于基础学习器的选择。实际上，基础模型的选择往往是经验性的，具有相似特征归因模式的模型可能会引入冗余而不是互补性，从而限制了集成的有效性并降低了可解释性[31]、[32]。
这些观察结果突出了两个关键的研究空白。首先，缺乏系统的方法来表征和利用NIR分析中模型依赖的特征归因异质性。其次，现有的集成方法很少将可解释性纳入模型选择过程，这限制了它们利用互补相关结构的能力。解决这些空白需要一个同时考虑预测性能和可解释性的框架。
基于特征归因的分析提供了一种理解和比较模型行为的原则性方法。SHapley加性解释（SHAP）量化了单个光谱变量对模型预测的贡献，使得可以直接比较不同模型之间的特征利用情况[33]。通过分析平均绝对SHAP（MA-SHAP）模式，可以识别出捕捉不同光谱-DP相关结构的互补模型，从而为在“罗生门效应”下构建集成提供了合理的依据。
在这项研究中，提出了一种基于SHAP的堆叠集成框架，使用NIR光谱进行绝缘纸的稳健DP预测。通过Savitzky-Golay滤波和MPA-CARS波长选择减少光谱噪声和冗余。采用多种机器学习模型来捕捉多样的光谱-DP相关模式，并使用SHAP分析来识别互补的基础学习器。然后通过堆叠将这些模型集成在一起，构建一个具有增强稳定性和泛化能力的元模型。所提出的方法使用实验室老化样品和退役变压器绝缘材料进行了验证。结果表明，该方法对于非侵入性的原位老化评估是有效的。
