题 目：跨域迁移与可解释性驱动的高速列车轴承智能诊断

摘 要：

本研究聚焦于高速列车轴承智能故障诊断，依托深度学习与迁移学习方法，依次开展了数据分析与特征提取、源域故障诊断、迁移诊断以及迁移诊断可解释性四个核心任务，旨在解决传统方法在复杂工况下诊断精度不足、目标域数据稀缺、迁移过程不透明等难题。

在任务一中，聚焦数据分析与特征提取，首先从源域公开轴承试验台架数据集中筛选了外圈、内圈、滚动体及正常工况样本共124条，涵盖不同缺陷尺寸和0–3HP载荷工况。针对原始信号中的噪声干扰与尺度差异，采用Butterworth带通滤波去除高频电磁干扰与低频背景噪声，通过Z-score标准化将信号转化为零均值、单位方差分布，结合滑窗分段策略将长时序信号划分为多个子序列以扩充样本量。在此基础上，融合提取时域（均值、标准差、峰度、偏度等13项统计量）、频域（FFT变换及BPFO/BPFI/BSF幅值等11项指标）、时频域（STFT、小波变换）及二维图像层面提取了超过30个特征，通过主成分分析（PCA）降维剔除冗余特征，前5主成分累计方差贡献率超80%，最终构建31维核心特征集。箱线图验证显示，外圈故障在BPFO幅值上的中位数超40，正常样本低于10，内圈故障在BPFI幅值上可达200-400区间，各类别机理特征差异显著，验证了“机理驱动+数据驱动”有效剥离了噪声干扰并保留故障关键信息。

在任务二中，开展源域故障诊断，确立性能可靠的基准模型。基于任务一提取的31维特征集，采用70%-30%分层抽样划分训练集（87条）与测试集（37条），确保训练集与测试集中各类别样本比例一致，避免数据划分偏差影响模型评估。分别构建了深度学习模型（CNN、LSTM）与传统机器学习模型（SVM、随机森林、KNN）。深度模型通过端到端建模有效捕捉时序与冲击特征，而传统模型则依赖机理特征与分类器训练。实验结果显示，SVM准确率仅60.4%，因难以拟合特征间的非线性关系，导致内圈与外圈故障误判率较高KNN次之，准确率70.8%；SVM与朴素贝叶斯表现中等，准确率约60%–62%；决策树最差仅为54.2%，在小样本场景下泛化性有限；决策树易出现过拟合且对噪声数据稳定性差。深度模型在泛化性上更优，但传统模型提供了更强的可解释性与稳定性。随机森林模型表现最优，整体准确率达到83.3%、在内圈和外圈故障上的识别率接近90%、0.85的宏平均F1值，90%的内圈/外圈故障召回率确立源域诊断基准。该模型通过集成50棵CART树捕捉特征高阶交互关系，以Gini指数衡量节点纯度实现特征选择，借助OOB误差实时监控泛化趋势，同时通过类权重设置缓解样本不均衡影响，混淆矩阵显示其在四类状态上的分类结果最为均衡，外圈和内圈故障的识别正确率接近90%，显著优于其他模型。

在任务三中，实施迁移诊断，破解目标域数据稀缺难题。针对源域与目标域的分布差异，采用“特征对齐对齐（MMD）-模型微调-半监督增强”复合迁移策略。首先分析了两域的共性与差异：如BPFO、BPFI等机理频率一致，但在均值、方差和分布形态上存在显著偏移。在特征对齐层面，通过最大均值差异最小化与协方差对齐约束，将源域与目标域的特征分布差异从10¹⁴量级降至10²量级，实现跨域特征空间的统一；在模型微调层面，冻结随机森林底层特征提取参数（保留源域学到的通用故障特征），仅微调顶层分类器权重以适配目标域特性；在半监督增强层面，对目标域无标签样本进行高置信伪标签生成（置信度阈值从0.95线性退火至0.80），结合一致性正则稳定伪标签质量，利用无标签数据扩充训练样本。对16个目标域样本的分类结果显示，集成预测在四类故障上分布均衡，避免了单一模型过度偏向某一类别的问题；主成分分析（PCA）可视化显示两域样本重叠度较迁移前提升40%，领域适应性得分达0.9；外圈、内圈、滚动体故障识别率较直接迁移提升20%-30%，并成功完成目标域未知数据的标签预测与可视化标定，有效实现源域知识向目标域的迁移。

在任务四中，开展迁移诊断可解释性分析，针对迁移诊断的“黑箱”问题，从事前、过程和事后三个层面对模型可解释性进行分析。事前通过机理频带约束与PCA降维提高透明度，将BPFO/BPFI/BSF带能量等机理特征占比提升至40%以上，结合决策树规则设计，使特征与故障类型对应关系具备物理意义。事中利用t-SNE与特征相干函数展示了源域与目标域特征对齐的路径和差异缩减过程，监测到源域与目标域的类中心距随训练epoch下降60%，且最大均值差异与协方差对齐损失单调收敛，证实知识从源域向目标域有效迁移，且未丢失关键机理信息事后通过LIME和SHAP解释模型在不同特征上的贡献度，LIME局部解释显示单样本中关键特征贡献度最高达0.3；SHAP全局归因明确特征9（对应BSF二次谐波幅值）的平均SHAP值为0.12，作为决策主导因素，使诊断逻辑可追溯。决策边界与特征交互分析进一步表明，模型的分类依据与实际故障演化特性相符，从而增强了迁移诊断的可信度。

综上所述，本文提出的迁移学习与可解释性诊断框架，所提方法较传统无迁移策略诊断精度提升25%，既在源域上取得了83.3%准确率的优异结果，又在目标域迁移后有效缓解了分布差异，实现跨域诊断精度的提升，并通过多层次可解释性分析确保了模型的透明性与工程可用性，为高速列车轴承的智能故障诊断提供了可行路径与实证依据。

关键词：轴承故障诊断、特征提取、迁移学习、深度学习、传统机器学习、跨域诊断

一、任务背景和重述

1.1 任务背景

高速列车是现代交通运输中的重要组成部分，以其高效、安全、舒适、环保等特点，广泛应用于中国的客运系统。随着交通需求的增加，列车的运行速度和安全要求不断提升，因此，确保列车设备的可靠性和稳定性成为运输系统中的关键问题。作为高速列车走行系统的核心组成部分，轴承扮演着至关重要的角色。由于轴承长期处于高转速、交变载荷以及复杂工况的环境下，容易发生故障，进而影响列车的正常运行。一旦轴承发生故障，不仅可能导致列车延误，严重时还会引发脱轨等重大事故，直接危及乘客安全。

轴承故障通常表现为振动信号中的周期性冲击，这种振动信号能够反映故障的类型、位置和严重程度。由于轴承故障是列车运行中的常见问题，因此，准确及时地诊断轴承故障对于确保列车安全具有极为重要的意义。目前，列车的轴承故障诊断依赖于基于专家经验的传统特征提取方法和信号处理技术，这些方法通过构建故障特征指标来进行诊断。然而，随着列车运行环境的不断变化和故障类型的复杂化，传统方法在诊断精度、适应性、实时性等方面的不足逐渐显现，无法满足高速列车复杂运营环境下的实际需求。

近年来，随着人工智能和大数据技术的发展，数据驱动的智能故障诊断方法逐渐成为研究的热点。基于深度学习的故障诊断方法，特别是卷积神经网络（CNN）、长短时记忆网络（LSTM）等深度学习模型的应用，能够通过海量数据训练模型，实现对故障特征的自动提取和精准诊断。这些方法相比于传统的信号处理技术，具有更强的故障识别能力和更高的诊断精度。

然而，尽管深度学习方法在故障诊断领域取得了显著进展，实际应用中仍面临一系列挑战。首先，现实中轴承故障数据通常存在样本不平衡问题，即故障样本远少于正常样本，这导致模型容易产生偏向正常状态的诊断结果。其次，由于列车运行环境复杂，振动信号常常受到背景噪声、外部干扰等因素的影响，这会削弱故障特征的显著性，从而影响诊断模型的准确性。更为关键的是，在实际应用中，故障数据的获取通常受到限制，尤其是故障数据稀缺的问题更为突出。通常情况下，列车在运行过程中，一旦发生故障，相关设备会被立即检修，导致实际的故障数据较为稀缺。

为了解决这些问题，迁移学习作为一种新兴的机器学习方法，为故障诊断提供了新的解决方案。在本任务中，迁移学习的应用可以有效缓解数据不平衡问题和目标域数据稀缺的问题。通过从轴承试验台架数据中学习并提取特征，再将这些知识迁移到实际列车的故障数据中，可以提升诊断模型在实际运行环境中的表现。

1.2 任务重述

本任务聚焦于通过深度学习和迁移学习技术对高速列车轴承故障进行智能诊断。具体任务分为四个部分：

（1）数据分析与故障特征提取：通过对源域数据（轴承试验台架振动数据）进行分析，提取出具有代表性的故障特征。结合轴承的物理故障机理，选择合适的特征提取方法，为后续的故障诊断任务提供数据支持。

（2）源域故障诊断：在提取的特征基础上，设计并训练故障诊断模型，对源域数据进行分类，评估模型的诊断效果。此步骤需要使用适合的机器学习模型进行训练，并进行性能评估，以确保诊断结果的准确性。

（3）迁移诊断：基于源域模型，设计迁移学习方法，将源域数据中的知识迁移到目标域数据中，从而克服目标域数据稀缺和标签缺失的问题，进行故障诊断。此步骤将通过迁移学习模型，确保源域与目标域之间的知识共享与转移，提升目标域数据的诊断能力。

（4）迁移诊断的可解释性：由于机器学习模型常被视为“黑箱”，其决策过程往往难以理解。为此，本任务将分析迁移诊断模型的可解释性，尤其是在跨域迁移和故障诊断过程中，确保模型能够提供透明的决策逻辑，增强诊断人员对模型结果的信任。

通过完成这些任务，最终目标是提升高速列车轴承故障诊断的准确性与实时性，保证列车的安全性和高效性。同时，迁移学习的引入使得诊断系统能在不同工况和设备中保持较高的适应性和准确性。

1.3 数据集说明

轴承故障诊断的关键在于如何提取出有效的故障特征，这些特征能够准确反映轴承的工作状态和故障类型。轴承的结构由内圈、外圈、滚动体和保持架等部分组成，其中，典型故障多发生在内圈、外圈和滚动体这三个核心承载部件。当轴承出现局部缺陷时，滚动体在接触并通过缺陷点时，会产生突变的冲击脉冲，这种脉冲信号会持续作用，进而形成周期性的冲击分量。通过监测轴承的振动信号，能够检测到这些周期性冲击，并进一步推测故障的发生和发展。

在本研究中，源域数据集的振动信号中包含了外圈故障（Outer Race Fault, OR）、内圈故障（Inner Race Fault, IR）、滚动体故障（Ball Fault, B）以及正常状态（Normal, N）的典型特征，每种故障的特征频率（如BPFO、BPFI、BSF）都有其固有的计算公式，可以通过轴承转速、滚动体数量、滚动体直径等参数进行计算。这些故障特征频率可以帮助从时域、频域和时频域等不同角度对振动信号进行分析，提取出有价值的故障信息。尤其是外圈故障、内圈故障和滚动体故障的振动信号具有显著的周期性特征，能够为深度学习模型提供清晰的输入数据。