首先加载包含23个时域和频域特征的模拟振动数据集，这些特征模拟了真实轴承在健康、内圈故障、外圈故障和滚动体故障等不同状态下的振动特性。算法通过t-SNE降维技术可视化高维特征空间的数据分布，展示不同故障类型在二维空间的聚类情况。接着，算法构建并优化两个分类模型——支持向量机（SVM）和K近邻（kNN），采用网格搜索交叉验证方法分别寻找最优的超参数组合（如SVM的核函数与正则化参数C，kNN的邻居数K），确保模型在训练集上达到最佳分类性能。然后，算法利用SHAP（Shapley Additive exPlanations）可解释性框架，通过核解释器计算每个特征对模型预测的贡献值，从合作博弈论的角度量化各特征在故障分类决策中的重要性。最后，算法生成两类可视化结果：一是SHAP特征重要性汇总图，以点云分布形式展示每个特征值大小与SHAP值的关系；二是特征重要性条形图，按平均绝对SHAP值排序显示前10个关键特征，从而直观揭示SVM和kNN模型在不同故障类别分类决策中依赖的核心特征及其影响方向。
详细算法步骤
数据准备与特征选择：加载模拟轴承振动数据集，从中提取23个预先定义的时域和频域特征作为模型输入，这些特征包括偏度、峭度、形状因子等关键诊断指标，对应文献中所述的轴承故障敏感特征。
数据可视化与探索：对标准化后的特征数据应用t-SNE降维算法，将高维特征空间映射到二维平面，生成散点图以观察不同故障类型（健康、内圈故障、外圈故障、滚动体故障）的数据分布与聚类情况，初步评估特征的可分性。
分类模型构建与训练：分别建立支持向量机（SVM）和K近邻（kNN）分类模型，采用流水线方式整合数据标准化与分类器。使用网格搜索结合5折交叉验证，在训练集上优化SVM的核函数类型、正则化参数C以及kNN的邻居数K，以准确率为评价指标选择最优超参数组合。
模型可解释性分析：利用SHAP（Shapley加性解释）框架，基于合作博弈论原理，通过核解释器分别计算SVM和kNN模型中每个特征对各类别预测结果的贡献值（SHAP值）。SHAP值量化了特征对单个样本预测结果相对于基线（平均预测）的影响大小与方向。
特征重要性可视化：生成两类可视化图表：一是SHAP汇总图，用散点展示每个样本的特征值（颜色）与对应SHAP值（水平位置）的关系，揭示特征如何影响各类别的预测概率；二是特征重要性条形图，按平均绝对SHAP值排序展示前10个最重要的特征，直观比较不同特征对SVM和kNN模型决策的总体贡献程度。
诊断结果解读与应用：基于SHAP分析结果，识别对轴承故障分类最具判别力的关键特征（如偏度、形状因子等），解释这些特征在物理意义上如何反映不同故障类型的振动特性，从而为工业现场轴承状态监测提供可解释的故障诊断依据，并指导特征工程的优化方向。
参考文章：
基于SHAP可解释性AI的支持向量机和K近邻工业轴承故障诊断特征贡献分析（Python，jupyter nootbook文件） - 哥廷根数学学派的文章
https://zhuanlan.zhihu.com/p/1998401433163294662
