《Neurocomputing》：A Time-Frequency Interpretable Framework for Bearing Fault Diagnosis via Global Channel-Region Information Interaction and Weight-CAM
编辑推荐：
本文提出了一种创新的轴承故障诊断框架，通过设计可变带宽滤波模块（Variable Bandwidth Filter）和联合分布式自注意力机制（Joint Distributed Self-Attention），实现了通道级和区域级特征信息的联合优化。该模型在噪声干扰、小样本和跨转速条件下均表现出优越性能，并创新性地提出Weight-CAM方法进行事后解释，通过频谱热图和激活图在时频域交叉定位模型关注点，显著提升了ConvFormer架构的可解释性（Interpretability）和实用性。
亮点
- •
(1) 针对现有预处理模块无法揭示模型对不同故障类型的判别性关注区域这一局限，设计了可变带宽滤波模块（Variable Bandwidth Filter Module）和窄带峰值加权策略，使其能够在训练过程中自适应学习。将学习到的权重与频带组合投影到频域，以识别模型主要关注的频率范围，从而揭示其判别机制。
- •
(2) 为增强模型在噪声和有限样本条件下的鲁棒性（Robustness），引入了联合分布式自注意力分析模块（Joint Distributed Self-Attention Analysis Module）来整合特征，并促进区域间和通道间的信息交互。该注意力机制同时应用区域分布和全局联合加权。利用区域特征增强信息集中度，在保留特征提取能力的同时减少模型参数。
- •
(3) 考虑到现有事后解释方法需要调用整个训练好的模型且涉及复杂计算的问题，开发了一个多头加权链接分类层（Multi-Head Weighted Link Classification Layer）。该层利用通道级特征信息进行故障分类，并嵌入了自解释机制以增强分类输出。基于其权重输出，提出了一种Weight-CAM方法用于模型的事后解释。
- •
(4) 使用三个轴承故障数据集在噪声、有限样本和跨转速迁移条件下评估了所提出的框架，证明了其优越性能。同时，通过可变带宽滤波模块识别了模型的关注频带。通过Weight-CAM方法验证了模型的事后可解释性。
案例研究
本节使用三个轴承故障信号数据集对所提模型进行噪声测试、有限样本测试和跨转速迁移测试，并进行了参数敏感性分析。最后，讨论了所提出模型的可解释性分析。
噪声测试：向训练和测试信号中添加两种类型的噪声（高斯噪声和拉普拉斯噪声），信噪比（SNR）范围从-2 dB到20 dB。每个数据集的每种健康状态包含50个训练样本和50个测试样本。
结论
为解决神经网络可解释性有限以及ConvFormer模型依赖大规模训练数据的问题，提出了一种可解释且高效的故障诊断框架。该框架首先引入了一个可变带宽滤波模块来提取和增强输入信号特征，同时采用一种窄带峰值加权方法来评估通道重要性并生成频谱注意力热图。随后采用了一个联合分布式分析模块，
