传统的断路器故障诊断模型往往像一个 " 黑盒 "，不仅严重依赖大量带有故障标签的数据，而且决策过程难以解释，限制了其在实际工程中的应用。如何让故障诊断不仅 " 准 "，而且 " 透明 "？中国电力科学研究院有限公司王昊晴科研团队提出了一种基于可解释人工智能（XAI）框架的新方法，在缺乏故障标签的情况下实现了高精度的故障检测与诊断。

研究背景

断路器故障中，操动机构的故障占大多数。近年来，深度学习等人工智能技术在断路器故障诊断中取得了良好效果。然而，收集大量带有明确标签的故障数据极其困难。同时，现有的基于深度学习的诊断模型往往缺乏可解释性，决策过程难以理解。

在对安全性要求极高的电力系统中，如果不能解释模型 " 为什么 " 做出某个诊断，其结果的可信度就会大打折扣。因此，研究一种不依赖大量标注数据且可解释性强的故障诊断算法，对于提升电力系统的运维效率和保障供电可靠性具有重要意义。

论文所解决的问题及意义

本论文主要解决了传统断路器故障诊断面临的两个核心痛点：

1、数据标签缺失问题：在实际运行中，断路器绝大多数时间处于正常状态，故障数据稀缺且难以标注。

2、模型 " 黑盒 " 问题：传统深度学习模型无法清晰揭示故障类型与信号特征之间的映射关系，诊断结果缺乏透明度和可信度。

本研究的意义在于，提出了一种全新的无监督故障诊断框架，不仅在缺乏故障标签的条件下实现了极高的诊断准确率，还通过 XAI 技术清晰地展示了模型的决策依据，显著提升了诊断系统的鲁棒性和工程实用价值。

图 1 本文的故障诊断流程

图 2 不同聚类簇下的 IG 计算结果

论文方法及创新点

本研究提出了一种基于振动和声学信号融合的 XAI 故障诊断框架，主要创新点和方法包括：

1、声振信号融合与特征提取

将采集到的声信号和振动信号进行加权融合，构建出混合特征的对数梅尔频谱图。这种方法充分利用了声信号对高频异常敏感、振动信号对低频机械故障敏感的互补优势。

2、基于改进卷积自编码器（CAE）的无监督故障检测

模型仅使用正常状态下的样本进行训练。引入 Huber 损失函数改进 CAE 模型，使其在处理异常值时更具鲁棒性。通过计算实际数据与模型重构数据之间的误差，并与动态阈值对比，实现对未知故障的精准检测。

3、基于 DBSCAN 的故障分割与伪标签生成

对 CAE 提取的潜在空间特征使用基于密度的聚类算法（DBSCAN）进行聚类。该算法无需预先知道故障类型的数量，能够自动发现潜在的故障模式并生成伪标签。

4、基于集成梯度法（IG）的归因解释：这是本研究的核心亮点

利用 I 法量化不同特征对模型输出的贡献，生成可视化的归因图。通过归因图，可以清晰地看到是哪个频段、哪个时间点的信号特征导致了特定的故障。揭示了模型的决策依据的同时，还通过特征反推确定了伪标签对应的真实故障类型。

结论

实验结果表明，在磁控机构断路器的 6 种常见状态下，本方法表现优异：

1、在缺失故障标签的条件下，故障检测准确率达 99.2%。

2、结合伪标签和潜在空间特征训练分类器后，故障诊断准确率达 100%。

3、与 K-means、GMM 等传统聚类算法以及 CBAM、DRSN 等先进深度学习模型相比，本方法在聚类效果和诊断精度上均具有显著优势。

本研究通过自动化特征识别和模型驱动的定量分析，不仅摆脱了对大量故障标签的依赖，还通过可视化归因图增强了诊断的可解释性和透明度，为电力系统设备的安全稳定运行提供了有力的技术支撑。

团队介绍

王昊晴（第一作者 / 通信作者），博士，中国电力科学研究院有限公司教授级高级工程师。主要研究方向为交直流开关、变压器等配电主设备及其智能化，运行管理和试验检测技术。

沙广林，博士，中国电力科学研究院有限公司教授级高级工程师。主要研究方向为智能配电系统规划、运行控制、设备研制以及电力电子技术与综合能源融合等。

本工作成果发表在 2025 年第 2 期《电工技术学报》，论文标题为 " 基于可解释人工智能框架下的磁控机构断路器故障诊断方法 "。本课题为中国电力科学研究院学科建设基金资助项目。