首先，将原始振动信号通过STFT转换为时频图，保留非平稳信号的局部时频特征；其次，构建带有全局平均池化层的CNN模型，在实现高精度故障分类的同时，利用CAM对模型的决策区域进行可视化；最后，将CAM高亮频带与由轴承几何参数和转速计算得到的理论故障特征频率（如内圈通过频率BPFI、外圈通过频率BPFO）进行对比对齐，验证模型所关注的频带与物理域知识高度吻合，从而赋予黑箱模型以可解释性，提升其在工业故障诊断中的可信度。、

算法步骤

数据采集与预处理：利用加速度传感器采集滚动轴承在不同健康状态（正常、内圈故障、外圈故障、滚动体故障等）下的振动信号，统一采样率并分割为固定时长的样本（例如0.5秒一段，50%重叠）。

时频变换：对每个样本采用短时傅里叶变换（STFT），选取合适的窗函数、窗口长度及重叠率，将一维时域信号转换为二维时频图；为聚焦故障特征频带，截取低频段（如0–500 Hz）并采用对数压缩增强微小幅值信息，最后将图像缩放到固定尺寸（如64×64）作为CNN的输入。

构建CNN分类模型：设计包含3–4个卷积层（每层后接批归一化和ReLU激活）、全局平均池化层（GAP）以及全连接分类层的卷积神经网络。GAP层不仅减少参数量、防止过拟合，同时保留特征图的空间信息，为后续CAM生成提供条件。

模型训练与验证：采用类别平衡采样策略（每类样本数一致）划分训练集和验证集，使用AdamW优化器和交叉熵损失函数训练模型，结合余弦退火学习率调度与早停机制，获得高精度的多分类器。

类激活映射（CAM）生成：提取训练好模型中最后一个卷积层输出的特征图，结合全连接层中对应类别的权重，对特征图进行加权求和并上采样至输入图像尺寸，得到该类别下的CAM热力图，反映模型决策时关注的空间区域（即时频图中的关键频带与时间段）。

物理域知识对比验证：根据轴承的几何参数（滚动体个数、直径、节径、接触角）和转频，计算理论故障特征频率（BPFI、BPFO等）。将CAM热力图中高亮区域的实际频率范围与理论频率进行对比，验证模型关注的频带是否与物理先验一致。

可解释性评估：统计所有验证样本的平均CAM响应沿频率轴的分布曲线，观察不同故障类别在该曲线上的峰值位置是否与对应的理论故障频率相匹配，从而定量说明模型学习的特征具有物理合理性。