算法基于机器学习模型可解释性的研究范式，从数据前处理的特征选择、模型内在稀疏化以及事后可视化3个层面，分别采用排列重要性分析、L1正则化逻辑回归和注意力机制卷积神经网络，实现了对轴承故障诊断模型的全局特征重要性排序、局部权重稀疏化解释以及通道注意力热力图可视化，从而在保证高分类准确率的同时，显著提升了模型的透明度和可信度，为PHM系统中机器学习“黑盒”决策提供了可解释的解决方案。

算法步骤

① 数据采集与预处理：从试验平台获取一维振动信号，进行去直流和标准化处理，采用滑动窗口截取固定长度样本。

② 特征提取（用于方法一、二）：从每个样本中计算时域统计量（均值、方差、峭度、偏度等）和频域特征（谱峰频率、谱质心、谱能量、谱熵），构建14维特征向量。

③ 方法一（排列重要性）：训练随机森林分类器，在测试集上打乱各特征取值并观察准确率下降幅度，降幅越大表示特征越重要，绘制特征重要性条形图。

④ 方法二（稀疏化线性模型）：采用一对多逻辑回归并施加L1正则化，训练后得到各故障类别的特征权重矩阵，计算零权重比例，绘制各类别权重分布图。

⑤ 方法三（注意力CNN）：构建一维卷积网络，在全局平均池化后加入Squeeze‑and‑Excitation通道注意力模块，训练网络至收敛，提取测试样本注意力权重并绘制热力图与条形图。

⑥ 结果评价：输出各方法的分类准确率、混淆矩阵以及相应的可解释性可视化图表，综合判断模型性能与解释质量。