多尺度CNN-LSTM用于船舶电力系统短路故障诊断 陈迅、 游凯凯、 戴晓强

《Sensors》：Multi-Scale CNN-LSTM for Short-Circuit Fault Diagnosis of Shipboard Power System Xun Chen, Kaikai You and Xiaoqiang Dai

　　摘要 船载电力系统对于船舶的安全稳定运行至关重要，而在复杂的船上运行条件下，短路故障可能导致设备损坏和系统中断。为了提高这种环境下的故障诊断性能，本研究提出了一种可解释的短路故障诊断框架，该框架结合了多尺度CNN-LSTM模型和Shapley值分析。通过使用故障前和故障状态下的电气信号之间的相对变化来构建输入表示，有助于更有效地表征与故障相关的变化。多尺度卷积分支提取与不同时间范围相关的模式，LSTM层进一步建模它们的序列依赖性。引入Shapley值分析来量化电压和电流相关特征的贡献，识别最具信息量的输入，并支持特征筛选。在基于Simulink的船载电力系统数据集上的实验表明，所提出的方法与基线模型（包括CNN、LSTM和LightGRU）相比，具有竞争力的故障诊断性能。在多次运行中，所提出的框架平均诊断准确率为99.03 ± 0.20%，同时保持了良好的精确度、召回率和F1分数性能。在测试的噪声条件下，其鲁棒性优于比较方法。这些结果表明，所提出的框架可以为船载电力系统提供准确且可解释的故障诊断。

1. 引言
船载电力系统（SPS）是现代船舶的关键支柱，确保导航、推进和通信模块的可靠运行。然而，SPS的紧凑架构和动态运行环境使它们特别容易受到短路故障的影响，这需要强大的保护策略[1,2,3]。对SPS和微电网架构的全面回顾一再强调了在高度可变的工作条件下快速准确地进行故障诊断的迫切需求[4,5]。为了解决这些诊断挑战，研究人员在电力系统保护中广泛探索了数据驱动和机器学习应用[6,7]。早期的智能方法主要依赖于传统算法，如支持向量机（SVM）用于自适应故障识别[8]、神经模糊推理系统[9]以及结合离散小波变换（DWT）的深度神经网络[10]。此外，包括先进的快速傅里叶变换（FFT）技术在内的频谱分析工具已被广泛用于从瞬态信号中提取频域特征[11,12,13]。虽然这些传统方法为自动化故障检测奠定了基础，但它们通常难以处理船载动态所需的复杂、非平稳的特征提取。
由于对更高诊断准确性的需求，深度学习架构最近在电力系统诊断领域占据了主导地位。包括基于CNN的变换器[14,15]和混合机器学习模型[16]在内的先进框架在提高电网韧性方面显示出巨大潜力。为了有效捕捉电气信号中的时间依赖性，研究人员越来越多地将卷积神经网络（CNN）与门控循环单元（GRU）[17]和长短期记忆（LSTM）网络[18]集成在一起。同样，创新的小波基CNN和图神经网络（GNN）已被引入用于海洋环境中的非侵入式监测和故障检测[19,20]，而独立的LSTM模型仍然广泛用于大规模输电线路分类[21]。尽管这些单尺度深度学习模型在稳态条件下的性能优越，但它们往往缺乏区分微妙瞬态和正常运行变化所需的敏感性。
为了克服单尺度特征提取的局限性，多尺度卷积结构已在各种工业应用中得到深入研究[22]。通过将多尺度CNN与BiLSTM或BiGRU结合，这些架构在识别旋转机械和风力涡轮机在不同噪声条件下的复杂故障特征方面表现出色[23,24,25,26,27]。同时，为了更好地可视化和理解这些复杂模型生成的高维特征空间，邻居嵌入方法（如t-SNE和UMAP）已成为重要的分析工具[28,29,30]。然而，尽管这些深度学习模型具有高准确性和改进的特征表示，但它们固有的“黑箱”性质仍然是一个重大障碍。在像SPS这样的安全关键应用中，工业操作员需要透明的决策过程。因此，可解释的人工智能（XAI）技术最近出现，以弥合能源系统中的高性能和可解释性之间的差距[31,32]。利用XAI驱动框架的开创性方法已成功应用于直流微电网[33]和分散式智能电网[34]，以确保可靠的故障定位和预测。此外，最近结合集成学习和XAI的混合模型在识别复杂可再生能源系统（如风力涡轮机）中的故障方面显示出显著潜力[35]。尽管如此，仍然缺乏一个专门为船载电力系统量身定制的、集成多尺度时间建模与特征级可解释性（如SHAP）的全面框架。
为了清楚地说明研究空白并将我们提出的框架置于当前学术领域中，表1提供了最近最先进的故障诊断方法的比较总结。

2. 问题阐述和数据准备
2.1. 船载电力系统中的短路故障条件
船载电力系统在一个紧凑且强耦合的电气环境中运行，其中发电机、转换器、电缆和负载持续交互。当发生短路故障时，电压和电流波形会突然变化，然后在系统动态、保护装置和控制动作的共同作用下演变。因此，船载电力系统中的短路故障诊断可以自然地被构建为一个具有强烈瞬态和时间特征的多类模式识别问题。
在本研究中，诊断任务被定义为一个五类监督分类问题。五个运行条件分别是NORMAL、LG、LL、LLG和LLL，其中LG表示单线对地故障，LL表示线对线故障，LLG表示双线对地故障，LLL表示三相故障。所提出框架的目标是根据其波形派生的特征表示将每个波形样本分配到这五个运行类别之一。
诊断框架直接从电气测量信号中学习判别模式，而不是依赖于显式的分析故障方程。每个样本包含一个故障前区间和一个故障后区间，模型基于从相应的电压和电流波形中提取的紧凑描述符进行故障类型识别。

2.2. 信号获取和数据描述
本研究使用的数据集来自在Simulink中开发的船载电力系统仿真模型，如图1所示。该仿真系统以三个同步发电机为中心，采用环形连接分布架构。它集成了多个母线、输电线路和负载单元，从而能够以受控和可重复的方式模拟正常运行条件和代表性的短路事件。

2.3. 事件对齐的分割策略
为了分析故障引起的相对变化，使用事件对齐的分割策略将每个波形分为故障前和故障后段。这种方法通过固定比例的时间段来近似故障发生的时刻，确保处理的一致性。通过这种分割方法为后续的特征设计提供一个共同的参考，以便每个样本以一致的方式进行处理。
为了明确演示这一过程，图2展示了A相上典型的单线对地（LG）故障的实际三相电压和电流波形。如t = 0.02秒时的红色虚线所示，故障前段捕获了稳态运行，而故障后段记录了即时的物理响应。实际输入信号清楚地显示了故障相（A相）中的严重电压下降和显著的电流激增，以及健康相中的后续动态变化。通过基于精确的事件时间来分离这两个阶段，特征构建过程可以准确地将故障引起的变化与正常运行基线区分开来。这种处理有效地减少了绝对运行水平的影响，并强调了对于诊断决策最相关的对比行为。

2.4. 特征构建
基于分割的三相电压和电流波形，从Va、Vb、Vc、Ia、Ib和Ic构建了一个紧凑的特征集。
(1)时域对比特征
时域特征旨在表征运行状态的对比以及短路故障引起的干扰强度。首先，分别从故障前和故障状态区间计算了三相电压和电流的RMS值。这些描述符保留了两个阶段的信息，使模型能够学习正常和故障条件之间的电气差异。
为了进一步描述故障后瞬态的严重程度，从电流和电压信号中提取了几种故障状态指标。具体来说，包括了三相电压和电流的峰值，以反映最大干扰幅度。此外，还计算了每个相电流的峰值因子，以描述故障条件下的波形锐度，以及故障状态区间内的电流能量，以测量干扰的累积强度。这些特征共同提供了从稳态到故障变化的紧凑描述以及故障后的瞬态行为。

2.5. 特征选择和规范化
在特征提取之后，通过特征选择和规范化进一步精炼候选特征集，然后将其输入诊断模型。为了保留最具辨别力的变量同时减少冗余，采用了方差分析（ANOVA）作为单变量特征排序方法，并使用SelectKBest策略选择了前15个特征。保留的特征来自时域和频域描述符，涵盖了电压和电流相关的特征。
为了确保公平评估，在数据集分割后进行了特征选择，并且仅在训练集上进行了拟合。然后将相同的变换应用于验证集和测试集。特征选择后，使用标准缩放对保留的特征进行了归一化，使每个特征的均值为零，方差为单位值。缩放器同样在训练集上进行了拟合，然后应用于验证集和测试集。这个预处理工作流程避免了信息泄露，并提高了模型训练的稳定性。最终选定的特征被排列成一维特征序列，作为提出的多尺度CNN-LSTM模型的输入。这种紧凑的表示方式保留了最相关的诊断信息，同时减少了原始特征池中的冗余。3. 提出的多尺度CNN-LSTM故障诊断框架 3.1. 总体框架 提出的船舶电力系统故障诊断方法的总体框架以及多尺度CNN-LSTM模型的架构如图3所示。该框架结合了紧凑的基于特征的输入表示、多尺度卷积特征提取、时间依赖性建模和最终的故障分类。从船舶电力系统的电气测量信号开始，该方法从构建的电压和电流相关特征中学习区分性故障特征，并输出预测的故障类别。图3. 多尺度CNN-LSTM模型的总体框架。模型输入如图4所示，是在预处理后由多通道电压和电流测量构建的有序特征序列。首先使用多尺度卷积特征提取模块在不同感受野下学习与故障相关的模式。具体来说，使用多个并行的一维卷积分支来捕获不同尺度上的特征交互。这种设计使模型能够表示诊断输入中包含的细粒度局部变化和更广泛的特征依赖性。类似的多尺度策略已应用于船舶电网故障诊断和相关时间序列分析任务[36,37]。图4. 提出的特征级可解释故障诊断方法的总体框架。然后通过连接融合不同分支提取的特征图，并由LSTM模块进一步处理。LSTM的作用是建模有序特征表示中的依赖结构，并增强从不同卷积分支学习到的信息的整合。由于短路故障特征通过多个电气描述符的耦合变化反映出来，因此这种依赖性建模有助于提高诊断区分度。相关的循环建模方法在故障诊断和状态监测中也表现出了良好的性能[38,39]。最后，学习到的表示通过全连接层传递，使用SoftMax层输出不同故障类别的概率。通过结合多尺度特征提取和序列依赖性建模，提出的框架为船舶电力系统中的短路故障诊断提供了结构化且有效的解决方案。3.2. 输入表示 在特征构建和选择之后，每个样本被表示为15个选定特征的一维序列。这些保留的特征来自最初手工制作的特征池，包括时域和频域描述符，涵盖了从故障前和故障状态期间提取的电压和电流相关特征。通过这种方式，输入保留了紧凑但与诊断相关的电气信息，以便于短路故障的识别。为了便于后续的卷积和序列建模，选定的特征被按固定顺序排列并以张量形式表示。这种表示方式使网络能够在统一的输入结构中处理具有不同物理意义的特征，并学习它们之间的相关性。模型不是直接操作原始波形，而是以有序特征序列作为输入，这为诊断提供了更紧凑的表示。这种输入设计可以提高训练稳定性，并增强对噪声和冗余信息的容忍度。与原始波形输入相比，使用紧凑的特征序列可以在保留关键故障相关信息的同时降低输入维度。此外，通过结合电压和电流相关描述符，采用的表示方式有助于提高船舶故障诊断的鲁棒性和数据效率。这种设计的目的是不在端到端学习之间进行替换，而是在紧凑性、可解释性和诊断性能之间提供实际平衡。3.3. 多尺度卷积特征提取 为了在不同尺度上表征故障特征，设计了一个多尺度一维卷积特征提取模块。该模块由多个具有不同核大小的不同并行卷积分支组成，这些分支在不同的感受野下学习局部特征模式。通过这种并行结构，模型可以从有序的输入特征序列中捕获互补的故障相关信息。设输入特征序列为X。第i个卷积分支的输出由公式(1)给出。其中表示核大小，表示提取的特征图。由于不同分支使用不同的核大小，每个分支关注不同的特征交互范围。较小的核对细粒度的局部变化更敏感，而较大的核能够捕获输入表示中的更广泛依赖模式。所有分支的输出沿特征维度连接在一起，融合后的特征表示为公式(2)。这种多尺度融合策略使模型能够保留不同卷积分支学习的互补信息，并为后续故障诊断提供更丰富的表示。表示输入特征序列，其中是序列长度，d是特征维度。对于采用的紧凑输入表示，对应于有序选定特征的数量，ki是第i个卷积分支的核大小，Fi表示提取的特征图，[.]表示沿特征通道维度的连接。3.4. 使用LSTM进行时间建模 在多尺度特征融合之后，使用LSTM网络来建模融合特征序列中的依赖性。通过其门控机制，LSTM选择性地保留和更新序列步骤中的信息内容，这使其适合进一步整合多尺度卷积分支提取的互补信息。设融合特征序列为。LSTM在每个时间步长更新其隐藏状态，如公式(3)所示。表示时间步长处的融合特征向量；和分别表示当前和之前的隐藏状态。通过递归更新隐藏状态，LSTM捕获融合特征序列中的依赖结构，并增强从不同卷积尺度学习到的故障相关模式的表示。最后一步的隐藏状态用作后续分类的时间表示，因为它总结了融合特征空间中顺序聚合的故障相关信息[38,39]。3.5. 故障分类和训练配置 在时间建模之后，最终的特征表示被输入到全连接层，然后通过SoftMax分类器生成故障类别概率，如公式(4)所示。模型通过最小化交叉熵损失函数进行训练，如公式(5)所示。和是可训练参数；表示故障类别的数量；和分别表示真实标签向量和预测概率向量。提出的模型的主要架构和训练配置在表2中总结，以确保可重复性。进一步使用特征可视化技术来分析学习到的表示并支持诊断结果的解释。表2. 提出的多尺度CNN-LSTM模型的配置。4. 实验结果和分析 为了验证所提出的故障诊断框架的有效性，我们在构建的数据集上进行了四种类型的实验：1. 性能比较：将提出的框架与基线模型进行比较，以评估其在故障诊断任务中的优势。2. 消融研究：通过消融实验分析框架中关键组件的作用，并探索每个模块对诊断性能的影响。3. 鲁棒性评估：在不同噪声水平下进行实验，以评估模型在变化环境中的鲁棒性和稳定性。4. 收敛性和特征分析：分析模型的收敛性和特征行为，以验证其在实际应用中的可靠性。这些实验全面评估了框架的性能，并揭示了其在不同操作条件下的性能和潜力。4.1. 性能比较 为了确保结果的统计显著性和可靠性，所有模型都使用不同的随机种子独立训练和评估了5次。表3中的结果和随后的消融研究以平均值±标准差的形式呈现。表3展示了提出的多尺度CNN-LSTM模型，其平均准确率为99.03 ± 0.20%，F1分数为99.03 ± 0.19%，经过多次独立运行后获得。尽管标准差相对较高，但这反映了模型在不同噪声水平和故障条件下的鲁棒性。模型即使在噪声干扰（高达10 dB）的情况下也能持续实现高准确率，这证实了其在实际条件下进行船舶电力系统故障诊断的有效性。这表明结合多尺度空间特征提取和时间特征建模的框架可以有效提高船舶电力系统中短路故障诊断的准确性和鲁棒性。重复运行结果提供了更可靠的模型性能估计，并减少了单次运行评估的不确定性。表3. 不同诊断模型的性能比较。实验结果验证了多尺度CNN-LSTM模型的优势，特别是在处理复杂故障信号方面，因为它在捕获时空特征方面表现更好，超过了传统的单结构深度学习模型和轻量级门控循环模型。这证明了多尺度CNN-LSTM模型在船舶电力系统故障诊断中的有效性，为实际应用提供了有力支持。图5中的混淆矩阵结果显示了提出的多尺度CNN-LSTM模型的强对角优势。这一特性表明模型在所有故障类别上的分类准确率都很高。相比之下，基准模型（CNN、LSTM和LightGRU）在具有相似瞬态特征的故障类型上具有更高的误分类率。特别是，多尺度CNN-LSTM模型能够更准确地区分不同的故障模式。其分类性能在具有明显瞬态特征的故障类别（如短路故障）方面尤为突出。图5. 不同诊断模型的混淆矩阵。这种现象的原因是短路故障波形通常具有相似的瞬态特征。尽管传统的CNN、LSTM和LightGRU模型可以提取空间特征，但在处理这些相似特征时容易发生误分类。相比之下，多尺度CNN-LSTM模型可以通过从多个尺度提取特征来有效捕获不同尺度上的动态信息，从而增强区分这些相似故障类型的能力。此外，LSTM模块进一步增强了模型建模时间依赖性和动态特征的能力，使得能够准确捕获故障响应的演变过程。实验结果表明，提出的多尺度CNN-LSTM方法可以实现平衡和可靠的故障分类，有效减少误分类，从而在多类故障诊断中提供更强的区分能力。值得注意的是，尽管保持了高诊断准确率，提出的方法还表现出相对较小的标准差，表明多尺度CNN-LSTM框架在处理训练期间的随机变化时的稳定性和鲁棒性。4.2. 消融研究 图6中的结果显示，带有LSTM模块的多尺度CNN-LSTM模型的诊断准确性有显著提高。这种性能与独立的多尺度CNN模型进行了比较。多尺度CNN模型可以从故障信号中提取静态空间特征并识别一些故障模式。然而，短路故障通常具有明显的瞬态和时间变化。这些变化不能仅通过空间特征来捕获。通过建模信号的时间依赖性，LSTM模块有效地捕获了短路故障响应的动态演变。这进一步提高了模型的诊断准确性。图6. 消融测试：多CNN和多CNN-LSTM的诊断准确性。实验结果表明，结合多尺度空间特征提取和LSTM时间建模的框架可以更全面地表征故障信号的时空特征，从而提高诊断的鲁棒性和准确性。实验结果验证了时间建模在提高诊断性能中的关键作用，并进一步证明了将LSTM模块集成到多尺度CNN模型中的必要性。图7中的结果显示，具有多尺度卷积的CNN-LSTM模型在准确性方面显著优于单尺度卷积版本。单尺度卷积模型可以提取某些故障特征。然而，其有限的感受野阻止了它完全捕获短路故障信号中的所有动态特征。相比之下，多尺度卷积能够在多个尺度上提取特征。它有效地捕获了船舶电力系统中短路故障波形的多样化时间特征。因此，这种设计提高了模型的诊断准确性。图7. 消融测试：单尺度-CNN-LSTM和多尺度-CNN-LSTM的诊断准确性。这项消融实验的结果表明，多尺度卷积特征提取对于提高船舶电力系统故障诊断的性能至关重要。通过整合多尺度空间特征，该模型能够更全面地捕捉短路故障的复杂时间特性，进一步提高诊断准确性。4.3 在噪声干扰下的鲁棒性评估 图8中的结果显示，即使在无噪声条件下，所提出的多尺度CNN-LSTM模型的性能也优于单尺度CNN-LSTM模型。随着噪声的增加和信噪比的降低，两种模型之间的性能差距变得更加明显。在信噪比为0 dB和5 dB时，多尺度CNN-LSTM模型保持了稳定的性能，而单尺度模型的准确性显著下降。当信噪比进一步降至10 dB时，所有模型的准确性都下降了。尽管如此，多尺度CNN-LSTM模型仍然具有明显的优势。图8. 不同噪声水平下的诊断准确性。噪声实验结果表明，所提出的多尺度模型能够有效提取与故障相关的特征并有效抑制噪声干扰，表现出很强的鲁棒性和适应性，适用于实际船舶电力系统的应用。4.4 收敛性和特征分析 图9中的结果显示了模型学习到的二维特征分布。在该图中，每种故障类型和正常状态的特征在空间中形成了紧密的簇群，不同故障类别之间有明显的分离。例如，正常运行状态和故障类型之间几乎没有重叠。相似的故障（如LG、LL和LLG）聚集在一起，显示出它们在特征空间中的相似性。图9. 二维特征提取的可视化。图10中的结果进一步展示了学习到的特征的三维特征分布，使我们能够更清楚地看到这些簇的结构。相似的故障类型聚集在一起，表明模型能够有效识别相似的故障模式。同时，不同类别的故障和正常状态在特征空间中保持明显分离。图10. 三维特征提取的可视化。与基线模型相比，所提出的多尺度CNN-LSTM模型表现出更好的类内紧凑性和类间分离性。相同故障类型的特征形成了更紧密的簇群，不同故障类型以及正常状态也更加清晰地区分开来。传统方法通常由于缺乏捕捉细微故障差异的能力而出现簇群重叠的问题。相比之下，我们的模型通过精细的多尺度特征提取实现了更具区分性的特征嵌入。可视化的实验结果证明了我们方法在故障分类方面的优势，表明该模型能够有效识别不同类型的故障，非常适用于船舶电力系统中的短路故障诊断。图11中的结果显示，训练和验证损失在训练开始时迅速下降，最终稳定在一个较低水平，没有出现发散或反弹。训练和验证的准确性在整个训练过程中保持较小的差距，并且趋势高度一致并逐渐稳定。这种稳定的收敛性归因于两个关键的设计优势。首先，多尺度特征提取模块可以同时捕捉故障的局部细节和全局时间趋势，避免了仅依赖局部特征导致的过拟合。其次，LSTM层的时间建模能力有效减少了噪声干扰，确保了训练和验证之间的一致性能。稳定的训练结果证明了模型结构的合理性，并确保了其在真实船舶短路故障数据集上的故障诊断结果的可靠性。这些实验结果验证了所提出的框架在船舶电力系统短路故障诊断中的有效性。通过结合多尺度卷积特征提取和LSTM的时间建模，该框架成功应对了不同故障信号带来的挑战。此外，特征层面的解释和验证步骤增强了模型的可靠性和可解释性，进一步支持了引言中讨论的创新。5. 特征可解释性和验证 为了确保所提出的多尺度CNN-LSTM框架能够在船舶电力系统中可靠应用，本研究进一步探讨了一个更直观且关键的问题：“为什么模型将某种短路分类为某种类型的故障？”它实际上依赖于哪些电气特征？之前，我们通过消融实验和鲁棒性测试证明了模型结构设计是有效的，并且在噪声和运行条件波动下相对稳定；然而，这些实验主要表明模型是否有用，并没有直接解释模型为何做出这种判断。由于船舶电力系统中的电压和电流信号具有明确的物理意义，本节介绍了一种基于SHAP的特征归因方法，以量化和验证模型的决策基础。可解释性结果进一步用于特征选择和输入优化，这支持了引言中提出的观点，即基于可解释性的模型优化可以提高诊断准确性和鲁棒性。5.1 特征层面可解释性分析的动机 深度学习模型常被称为“黑箱”。它们可以提供分类结果，但读者通常无法看到它们依赖于哪些输入信息。对于故障诊断来说，这导致了两个问题。首先，在工程实践中，很难验证模型是否遵循真实的电气规律。其次，一旦运行条件发生变化（如拓扑变化、负载波动或噪声增加），模型可能会因为依赖于不稳定或不相关的特征而失效。消融和鲁棒性测试可以显示某个模块是否重要以及整个系统是否稳定。然而，它们仍然无法直接回答哪些输入特征驱动了决策。因此，本节在特征层面解释模型，并进一步验证这种解释是否可信。也就是说，如果某些特征很重要，移除它们应该会显著降低性能；相反，仅保留这些特征应该仍然能够保持相对较高的性能。5.2 特征重要性的验证 仅仅提供特征重要性排名是不够的，因为“看起来重要”并不等同于“实际上决定了性能”。因此，我们首先进行忠实性验证：根据SHAP值从高到低对特征进行排名，然后进行两个补充实验。第一个是保留实验：仅保留前k个特征，并观察随着保留特征数量的增加模型准确性的变化。第二个是删除实验：逐步移除前k个特征，并记录由此产生的准确性变化。图12中的结果显示，当仅保留前k个关键特征时，准确性随着k的增加而迅速提高，然后趋于稳定。这表明模型的主要判别信息集中在少数关键特征中。相反，当这些关键特征逐渐被移除时，即使只移除了少量特征，准确性也会显著下降。这表明这些特征在模型的决策过程中起着决定性作用。换句话说，图12中的结果将可解释性从“描述”提升到了“验证”，因为保留关键特征可以保持性能，而删除关键特征则会显著降低性能。这些发现表明，SHAP提供的重要性排名与模型的性能一致，为基于可解释性的优化提供了可靠的基础。图12. 在特征删除和保留测试下的诊断准确性。5.3 物理解释和模型优化 本研究进一步阐明了关键特征的组成及其物理合理性。图13中的结果基于平均绝对SHAP值展示了全局特征重要性分布。贡献较高的特征主要集中在故障后的电压和电流幅度统计中。其中，相位电压RMS值（例如V_rms_fault_a/b/c）和几个与电流幅度相关的特征排名靠前，而基频幅度、能量等特征则贡献较低。这种分布与短路故障的典型电气响应一致：电压下降和电流激增是最直接和稳定的故障特征，使得幅度特征对于区分故障类型及其严重程度非常有效。不同相位中相应特征的相似重要性水平也反映了三相系统在故障条件下的结构对称性和响应一致性。图13. 基于平均绝对SHAP值的全局特征重要性排名。图13中的全局特征排名不仅有助于模型解释，还指导了输入特征的简化和优化。根据图13中的排名，高贡献特征被优先考虑纳入输入集，而低贡献特征被识别出来以减少冗余或弱相关性。这种特征筛选策略通过图12中的保留和删除实验结果得到了进一步验证：仅保留排名靠前的特征可以使模型性能迅速稳定在基线附近，而移除这些关键特征会导致性能显著下降。因此，形成了一个封闭的优化循环：识别和排名关键特征，验证它们对模型性能的因果影响，并据此进行特征选择和输入优化。这一过程表明，可解释性分析直接支持特征选择和模型优化，从而减少了特征冗余和噪声干扰，同时提高了模型的诊断准确性和鲁棒性。6. 结论 本研究提出了一个基于多尺度CNN-LSTM的智能故障诊断框架，用于船舶电力系统中的短路故障。该框架能够有效地从非平稳电气信号中提取故障特征，从而提高诊断准确性并实现稳定可靠的故障识别。与现有方法相比，所提出的方法通过利用故障前后的信号相对变化，更好地捕捉了多尺度瞬态特征和故障动态特性。基于Shapley值的可解释性分析提供了电压和电流特征贡献的定量洞察，使得输入特征的选择更加优化。当前结果表明，所提出的方法在测试的噪声干扰条件下保持了相对稳定的性能。实验结果表明，所提出的方法在准确性、鲁棒性和可解释性方面优于传统的故障诊断方法，显示出在工程应用中的巨大潜力。由于获取真实船舶故障数据的挑战以及现场测试的高风险，当前研究使用模拟数据进行验证，并专注于故障类型分类。未来的工作将集中在收集真实世界数据上，扩展框架以处理复合短路故障，实现故障定位，并开发实时可解释性工具以增强在线应用能力。