基于变分因果解耦联盟博弈的可解释故障诊断网络及其在工业泛化场景中的应用

本文提出了一种创新的可解释故障诊断框架VCN（Variational causal disentanglement-based Coalitional game attribution network），通过融合变分因果解耦（VCD）与联盟博弈理论，实现了工业场景下诊断模型的可控性与可解释性。该模型通过分离独立因果因子（Independent Causal Factors）并建立特征与模型权重的联盟博弈关系，使诊断结论符合专家经验逻辑（Logical Axioms），在实验室和真实数据中均展现出优异的泛化性能（DG）和快速解释计算能力。

　　

Highlight

本文亮点在于提出VCN框架，通过因果机制与联盟博弈理论的结合，为工业故障诊断提供了兼具可解释性（Interpretability）和泛化性（Generalization）的创新解决方案。

Causal disentanglement in causal learning

因果解耦旨在从观测数据中提取由多重因果生成因子（Generative Factors）构成的低维表征。因果解耦学习通过增强模型泛化能力，在计算机视觉、语音处理等领域至关重要。例如Causal-VAE框架通过结构化因果模型（SCM）从观测数据中分离独立因子。

Causal learning domain generalization diagnosis

设数据D_S={(x_i,y_i)}^N_i=1代表单一源域，待诊断设备为未见目标域D_T。如图1所示，领域泛化方法（DG）可通过学习不同源域D_S泛化至未知目标工况D_T，更契合工业实际需求。

The introduction of network structure

针对传统因果学习方法仅依赖损失惩罚提取不变特征的局限，VCN框架包含两大核心组件：1）变分因果解耦模块（VCD），通过do操作和变分推断生成独立因果因子训练数据；2）训练集成归因机制，建立特征与模型权重的联盟博弈关系。

Datasets description

旋转机械故障诊断数据集涵盖深沟球轴承、圆柱滚子轴承等多元工况，包含不同故障类型（内圈剥落、外圈裂纹等）和转速载荷条件，充分验证模型在Non-IID数据下的泛化能力。

Conclusion

VCN通过：1）变分因果解耦实现数据内独立因果因子分离；2）联盟博弈归因确保特征与模型权重的公平分配，最终形成符合专家逻辑的可解释诊断框架，在实验室与工业场景中均展现稳定性能。