来源：期刊VIP网 时间：
作者：程迎松;陈清华;季家东;彭白雪;
单位：安徽理工大学机电工程学院;
摘要：针对环境试验箱制冷系统故障诊断模型可解释性不足的问题，本研究基于极限梯度提升算法(Extreme Gradient Boosting, XGBoost)构建高精度诊断模型，并采用沙普利解释方法(Shapley Additive Explanations, SHAP)揭示诊断结果的内在机制。首先，基于制冷剂泄漏故障、冷凝器风机故障、压缩机故障和正常运行数据建立XGBoost故障诊断模型；其次，利用贝叶斯优化(Bayesian Optimization, BO)算法对XGBoost故障诊断模型超参数进行优化，搜寻最优超参数组合；最终，利用SHAP方法对各故障诊断模型进行解释分析。结果表明，通过BO-XGBoost构建高精度故障诊断模型，结合SHAP解释方法发现：对制冷剂泄漏故障、压缩机故障以及冷凝器风机故障诊断贡献最大的特征包括Pco和Peo、Tevo和Tevi以及Tcdo和Tcdi,该方法在提升故障识别性能的同时，实现了诊断依据的可视化解释。
关键词：制冷系统;;故障诊断模型;;极限梯度提升;;沙普利解释方法;;可解释性
基金资助：国家自然科学基金(52175070);; 安徽省教育厅高等学校省级质量工程项目(13230325);; 安徽理工大学机械工业矿山装备智能化实验室开放基金(2022KLMI107)资助
