高速列车轴承智能故障诊断与可解释迁移学习框架产品系统

面向高速列车走行系统轴承状态监测与故障预警场景。高速列车轴承长期处于高转速、交变载荷和复杂工况下，故障会直接影响列车安全与运维效率；而真实在途故障样本稀缺、源域与目标域分布差异明显，传统方法难以在实际运营场景稳定落地。

项目围绕轴承故障诊断构建了四个模块：数据重采样与滑窗预处理、多维物理特征提取、源域故障分类与可解释分析、以及基于 DANN 的跨域迁移诊断。支持从振动信号生成时频谱图、训练分类模型、输出目标域故障标签，并结合 SHAP、Grad-CAM 和包络谱验证模型决策依据。

主要负责数据预处理、特征工程、源域 XGBoost 基线模型、DANN 迁移网络训练及可解释性分析。项目使用 Python、PyTorch、scikit-learn、XGBoost、SciPy 等完成信号重采样、滑窗切片、STFT 时频图生成、SMOTE 过采样、t-SNE 可视化和 Grad-CAM/SHAP 分析，最终实现对目标域 A~P 样本的故障标定，并通过 MMD（0.852→0.127）和平均包络谱验证迁移效果。