首先，对原始振动信号进行滑窗采样与归一化，并提取时域、频域统计特征构成手工特征集。其次，设计并训练一维卷积神经网络作为黑盒分类器，用于识别滚动轴承的不同故障类型及正常状态。然后，分别采用梯度加权类激活映射对卷积层的特征图进行反向传播加权，生成输入信号上的热力图，揭示网络决策的关键时间区域；采用局部可解释模型通过生成扰动样本并拟合线性代理模型，量化各手工特征对预测结果的贡献。最后，演示了基于峭度损失的主动可解释框架（物理信息嵌入的占位实现）。该流程实现了从数据预处理、模型训练到多角度可解释性分析的全链条，为机械诊断模型的“黑箱”透明化提供了可行方案。

算法步骤

数据预处理与样本构建：从凯斯西储大学轴承数据集中读取十类状态的振动信号，对每个信号进行零均值单位方差归一化。采用固定长度滑窗（窗口长度四千零九十六，步长二千零四十八）截取样本，同时为每个样本提取十一个时频域统计特征（均值、标准差、有效值、峭度、偏度、峰度因子、形状因子、脉冲因子、裕度因子、峰值频率、峰值），分别构成深度学习样本集和手工特征样本集，并对每类样本数量进行上限控制以平衡类别。

一维卷积神经网络设计与训练：构建包含三个卷积层（通道数分别为十六、三十二、六十四，卷积核依次为三十二、十六、八，步长分别为四、二、二）、批归一化层、全局平均池化层和全连接层的网络。将数据集按六比二比二划分为训练集、验证集和测试集，采用交叉熵损失和Adam优化器训练三十轮，并保存验证准确率最高的模型参数。

梯度加权类激活映射实现：在前向传播时对最后一个卷积层的输出调用保留梯度方法，计算模型对真实类别得分的梯度后，对该卷积层输出进行全局平均池化获得权重，加权融合各通道特征图并经线性插值上采样至原始信号长度，生成热力图，揭示分类器关注的信号区间。

局部可解释模型解释：基于手工特征集，训练随机森林作为黑盒模型。选取一个测试样本，在其邻域内生成高斯扰动样本，通过黑盒模型获得对真实类别的预测概率，以样本距离计算权重，拟合线性回归代理模型，将回归系数的绝对值作为特征重要性，并绘制前十重要特征的条形图。

主动可解释演示：以峭度损失嵌入为例，给出将物理先验（峭度）作为正则项加入训练损失的框架占位代码，展示主动可解释的方向。