企业官网建设流程全解析

简介：面向旋转机械故障诊断的研究者与Python开发者，压缩包内提供基于多域特征融合与生成对抗网络（GAN）的完整故障诊断方案。核心思路是在传统时域与频域特征基础上引入多域融合框架，借助GAN进行数据增强，并采用并行神经网络集成策略，提升复杂工况下的故障识别准确率，尤其适合处理样本不平衡与泛化性能不足的场景。包内共59个文件，包含28个py脚本（覆盖模型构建、数据预处理、特征提取与训练流程）、2个md说明文档（使用说明与实验记录）、12个log训练日志、10个png结果图像，以及少量txt、pyc和sh辅助文件，整体压缩包约2.21MB。目录结构清晰，包含Transformer、SDAE_RUL等模型实现，并提供PHM2012轴承数据读取、特征提取与可视化脚本，配合训练日志和图像可直观对比实验效果，便于复现、调优与二次开发。目前已有90人学习下载，适合具备一定深度学习基础、希望快速搭建旋转机械故障诊断实验的读者参考。

1. 基于多域特征融合与生成对抗网络的故障诊断方法：这份 zip 到底在解决什么

设备振动信号里，健康样本一天能攒好几个 G，故障样本却往往只有实验室台架上那几十条——「基于多域特征融合与生成对抗网络的故障诊断方法」这类方案，就是冲着这个数据不平衡来的。多域特征融合负责把一维波形的信息榨干，生成对抗网络（也叫对抗生成网络）负责把稀缺的故障样本补齐。这个 zip 解压后，通常就是一套从特征提取到模型训练、再到验证评估的完整故障诊断代码框架，适合正在做滚动轴承、齿轮箱状态监测的硕士生，以及想评估 AI 诊断方法能不能落到车间的设备工程师。它解决的核心问题只有一个：故障样本不够时，模型怎么才能不学偏。

2. 多域特征融合怎么搭才有效：时域、频域、时频域特征提取与拼接参数

2.1 三个域各自能“看”到什么：特征选择的工程理由

故障诊断里有个老经验：只用时域特征，工况一变就翻车；只用频域特征，非平稳冲击又抓不住。所谓多域特征融合，就是把振动信号在三个视角各看一遍，再把结果拼成一条特征向量，交给分类器或 GAN 的判别器。

• 时域特征：均值、均方根值、峭度、峰值因子、峰峰值。它们对幅值变化和瞬时冲击敏感，计算成本几乎为零，但容易受转速、载荷波动干扰。
• 频域特征：对原始波形做 FFT 之后，取频谱质心、频谱标准差、主频带能量占比。它们能把故障的周期性调制规律暴露出来，比如外圈故障的特征频率及其边带，但前提是信号基本平稳。
• 时频域特征：小波包分解、经验模态分解、短时傅里叶变换后的子带能量和熵。它们能同时保留时间位置和频率位置，是捕捉早期微弱冲击的主要手段，缺点是参数选择不当会产生大量冗余。

把三个域的特征拼到一起，目的是让后端的分类器既看得到“幅值变了”，又看得到“哪个频率在跳”，还看得到“冲击发生在哪个时间点”。单域特征更像一个片面描述，故障模式稍微重叠就分不开。

2.2 特征提取最小实现：时域统计量、频谱质心与小波包能量

以下是一段可直接运行的特征提取骨架，输入是一段长度为 N 的一维振动信号，输出是一个约 40 维的特征向量。工程上建议先对原始信号做去直流和带通滤波，再做这步提取。

import numpy as np from scipy.fft import rfft, rfftfreq import pywt def extract_multi_domain_features(x, fs, wavelet='db4', level=3): feats = {} # 时域：对幅值分布和冲击敏感 feats['rms'] = np.sqrt(np.mean(x**2)) feats['peak2peak'] = np.ptp(x) feats['kurtosis'] = ((x - x.mean())**4).mean() / (x.std()**4 + 1e-12) feats['crest_factor'] = np.abs(x).max() / (feats['rms'] + 1e-12) # 频域：频谱质心和频谱标准差描述主频带位置 spec = np.abs(rfft(x)) freqs = rfftfreq(len(x), d=1.0 / fs) spec_sum = spec.sum() + 1e-12 feats['spectral_centroid'] = (freqs * spec).sum() / spec_sum feats['spectral_spread'] = np.sqrt( ((freqs - feats['spectral_centroid'])**2 * spec).sum() / spec_sum ) # 时频域：小波包子带能量占比和熵 wp = pywt.WaveletPacket(data=x, wavelet=wavelet, mode='symmetric') nodes = [wp[node.path] for node in wp.get_level(level)] energies = np.array([np.sum(n.data**2) for n in nodes]) total = energies.sum() + 1e-12 prob = energies / total feats['wavelet_entropy'] = -(prob * np.log2(prob + 1e-12)).sum() for i, e in enumerate(energies / total): feats[f'wp_energy_{i}'] = e return feats

逻辑说明：时域四个统计量用来捕捉振动幅值分布的整体形态；频谱质心和频谱标准差刻画谱能量集中在哪个频率区间；小波包分解把信号按频带切成多个子带，各子带能量占比反映故障冲击分布在哪些频段。参数说明：fs是采样率，决定频率轴刻度；level=3产生 8 个子带，特征向量规模适中；wavelet='db4'是振动信号里最常用的 Daubechies 小波，它具有一定的平滑性，对冲击特征保留较好，换sym5或bior3.5也能跑，但特征分布会略有偏移。

2.3 拼接与降维的四个边界坑

特征拼接不是把三组统计量往 list 里一塞那么简单。这里有几个血泪经验。

第一个坑：不同域特征量纲差异过大，导致分类器隐含地被量级大的特征主导。均方根值可能是 0.5 量级，峭度可能是 30 量级，小波能量占比是 0 到 1 之间的小数。直接拼接会让峭度对距离度量的影响压过其他特征。解决做法是分别做标准化或归一化后再拼接，常用StandardScaler，拟合时只用训练集统计量，防止数据泄漏。

第二个坑：小波包分解层数不是越深越好。level 太高，子带数量指数增长，单子带能量稀疏化，特征维度膨胀，样少量小时极易过拟合。设置level=3是默认底线，特征量大时可提到 4，但训练样本低于数百条时慎用。

第三个坑：拼接后特征高度相关，GAN 判别器会学得更吃力。建议拼接后先做主成分分析降维，保留累计解释方差 95% 以上的主成分，一般 40 维能压到 15 到 20 维。分类器在用生成样本训练时，低维特征更稳。

第四个坑：把多个测点的特征直接拼进同一条向量，会引入相位和安装位置干扰。如果同一设备上有多个加速度计，建议每个测点单独提特征，用一维卷积或注意力层融合，而不是简单拼接。

3. 生成对抗网络补样本：从一维信号到图像化训练的完整路径

3.1 为什么直接用 GAN 生原始波形会失败

很多人拿到这个方案后的第一反应是：把原始振动波形直接丢给 GAN，让它生成新的故障波形。方向没错，但坑非常深。原始振动信号长度通常是几千到几万个采样点，生成器要在这么高的维度上拟合时域波形，需要极其庞大的数据和算力；更麻烦的是，振动信号里真正的故障特征往往隐藏在高频细节或小幅度调制里，GAN 很容易学会输出一个“统计上差不多但故障特征被抹平”的波形，判别器看着像，故障诊断模型却用不了。

常见做法是先把振动信号转成二维表示，再让生成对抗网络在这份表示上补样本。常用变换有三种：短时傅里叶变换谱图、连续小波变换时频图、格拉姆角场图。其中短时傅里叶变换保留时间-频率二维结构，与故障的调制机理对应最直接；连续小波变换对非平稳冲击更敏感，但计算量较大。我自己一般优先做短时傅里叶变换，因为它的超参数简单——窗长、重叠率、FFT 点数——踩坑更容易定位。

把频谱图当作图像样本输入 GAN，生成器输出的就是一张张“假时频图”；训练完成后，再把假时频图逆变换回一维波形，与真实故障样本混合后一起喂给诊断分类器。这个路径绕开了高维波形直接生成的难题，也让 GAN 退化为一个成熟的图像生成任务。

3.2 WGAN-GP 训练配置与判别器损失实现

在故障诊断这种小样本场景里，原始 GAN 很容易出现判别器 loss 归零、生成器梯度消失。WGAN-GP 是更稳的选择：它把判别器换成输出一个实数值的评论器，并用梯度惩罚约束评论器的 Lipschitz 连续性。以下是一段核心逻辑，可以直接替换 GAN 训练脚本里的对应部分。

import torch import torch.nn as nn class Generator(nn.Module): def __init__(self, latent_dim=128, out_len=4096): super().__init__() self.net = nn.Sequential( nn.Linear(latent_dim, 1024), nn.LeakyReLU(0.2), nn.Linear(1024, 2048), nn.LeakyReLU(0.2), nn.Linear(2048, out_len), nn.Tanh() ) def forward(self, z): return self.net(z) class Critic(nn.Module): def __init__(self, in_len=4096): super().__init__() self.net = nn.Sequential( nn.Linear(in_len, 2048), nn.LeakyReLU(0.2), nn.Linear(2048, 1024), nn.LeakyReLU(0.2), nn.Linear(1024, 1) ) def forward(self, x): return self.net(x) def gradient_penalty(critic, real, fake): alpha = torch.rand(real.size(0), 1, device=real.device) interp = (alpha * real + (1 - alpha) * fake).requires_grad_(True) out = critic(interp) grads = torch.autograd.grad( outputs=out, inputs=interp, grad_outputs=torch.ones_like(out), create_graph=True )[0] return ((grads.norm(2, dim=1) - 1) ** 2).mean() def critic_loss_fn(critic, real, fake, gp_lambda=10.0): gp = gradient_penalty(critic, real, fake) return -(critic(real).mean() - critic(fake).mean()) + gp_lambda * gp

逻辑说明：real和fake都是拉平成 4096 维的时频图特征向量或小尺寸图像展平。评论器输出是标量分数，WGAN-GP 用真实样本分数减生成样本分数来衡量分布距离，梯度惩罚让评论器的梯度范数稳定在 1 附近，避免训练震荡。参数说明：gp_lambda=10是经过反复验证的默认值，损失已经包含梯度惩罚项；真实与插值样本的梯度计算必须用create_graph=True，否则反向传播会断掉。

训练节奏上，评论器每更新 5 次，生成器才更新 1 次。学习率统一设1e-4，优化器用 Adam 且betas=(0.5, 0.9)——这两个参数很关键，默认的betas=(0.9, 0.999)在 WGAN-GP 里会让训练更颠簸。批次大小 64，输出长度需要与后续分类器输入尺寸严格对齐。

3.3 数据画法与类别对齐的调参经验

把振动信号转成图，画法不同，GAN 学到的内容也不同。短时傅里叶变换的典型参数是窗长 256、重叠 128、FFT 点数 256，得到约 128×64 的时频图，再缩放成 64×64 或 128×128 供网络使用。

我一般不建议把振动信号直接切成单帧小图。故障诊断里的一个“样本”应当是一段包含多个转轴的连续信号，比如 1 到 3 秒；切得太零碎，单个样本的故障特征被冲淡，生成器更容易投机取巧只学背景噪声。

类别对齐方面，假设原始数据有四类：正常、内圈故障、外圈故障、滚动体故障。生成器应当按类别条件输入标签向量，也就是用条件 GAN 而不是朴素 GAN，否则生成样本的类别分布会与真实数据不一致。实现上就是在生成器输入端拼上one-hot标签向量，在评论器输入端同样拼上标签，迫使生成结果与类别对应。否则会出现生成样本里“外圈故障”和“滚动体故障”长得几乎一样，分类器白训。

4. 故障诊断 + 对抗生成网络的避坑清单：5 个让代码翻车的细节

4.1 判别器 loss 不收敛、生成样本全像白噪声

现象：训练到几百轮后，评论器的 loss 没有下降反而上下乱跳，生成的时频图看不出任何频率结构，全是细碎噪点。

原因：最常见的是评论器更新次数不够，生成器更新太快，评论器始终追不上；其次是学习率偏大，评论器在梯度惩罚和 Wasserstein 距离对抗之间震荡。

解决：先把评论器更新次数提到 5 到 6 次，生成器更新 1 次；学习率降到1e-4以下，必要时用学习率衰减。再检查梯度惩罚的输出量级，打印gradient_penalty的均值，正常应在 1 到 10 之间，如果长期超过 100，说明gp_lambda或学习率需要调整。

4.2 模式坍塌：生成样本“像”但不“广”

现象：生成的样本单看质量很高，时频图纹理清晰，但整体差异很小；把几十张生成图放到一起，眼里全是同一张图片的局部变化。

原因：生成器找到了一个最容易骗过当前评论器的位置，反复输出相似样本。这是朴素 GAN 在低样本故障诊断里最容易暴露的问题。

解决：除使用 WGAN-GP 外，给生成器增加类别条件约束，并每隔 10 轮计算生成样本两两之间的平均余弦相似度。相似度超过 0.9 就触发训练中断或向生成器损失里加入一个多样性惩罚项。另一个有效技巧是让评论器使用谱归一化，替代批归一化。

4.3 数据泄漏：同一段信号同时进了训练集和验证集

现象：训练精度很高，验证精度也意外地高，但拿到另一台设备的数据上测试，精度断崖式下跌。

原因：用滑窗切样本时，相邻窗口重叠严重，切分训练集和验证集之前没有按“设备运转时间段”分组。同一个连续信号的前后窗口高度相关，验证集实际上变成了训练集的复制品。

解决：切分数据集时按原始记录的时间段分组，同一段时间内的窗口只能进同一份数据集；或者干脆按设备 ID、转速工况划分。这是故障诊断代码里最容易忽略、影响却最大的一个坑，也是很多故障诊断方向论文被审稿人质疑数据泄漏的根源。

4.4 生成样本不是越多越好：样本质量度量怎么设

现象：把生成样本数量翻倍后，分类器精度没有提升，反而轻微下降。

原因：生成样本分布与真实样本分布不可能完全重合，数量过大时，低质量样本把决策边界往偏离真实分布的方向推。

解决：不要盲目扩充。先做质量过滤，计算生成样本与真实样本在特征空间的 Frechet 距离，也就是 FID；只有 FID 值低于设定阈值的生成样本才被保留。我在实际项目里通常把生成样本控制在真实样本数量的 1.5 到 2 倍以内，再配合 dropout 和数据增强，比无限堆样本管用得多。

4.5 实验室指标好、现场就翻车：工况迁移的三个切入点

现象：在公开数据集或实验室台架上测试，诊断精度 98% 以上；部署到车间不同负载、不同转速下，精度回落到 80% 甚至更低。

原因：转速和载荷变化导致特征分布偏移，模型学到的决策边界只适配训练工况。

解决：有三个切入点。第一，训练数据里刻意混合多转速多负载样本，让模型见过足够宽的分布；第二，特征提取时优先选对工况变化不敏感的频带能量占比，而不是绝对幅值；第三，若现场标注困难，用无监督域自适应对齐特征分布，把源域和目标域的特征投影到同一个空间。这套方案如果要写故障诊断二区或三区 SCI，工况迁移实验几乎是必做的一环。

5. 验证这套方法有没有用：从混淆矩阵到 T-SNE 分布重叠检查

5.1 三个必须看的验证指标及其判定阈值

单看最终诊断准确率很容易被高样本量的一类带偏，我在验证时重点盯三个指标。第一个是生成样本与真实样本在特征空间的可视化重叠——用 T-SNE 把生成样本和真实样本投影到二维平面，如果两类样本完全混在一起，说明生成器学到了真实分布；如果生成样本聚成一坨或散布在空白区，说明生成器在钻空子。第二个是 FID 值，用于衡量生成时频图与真实时频图的分布距离，FID 越低越好，一般故障诊断任务建议把它控制在训练数据自比对结果的 5 到 8 倍以内，再逐轮对比取最优生成节点。第三个是类别独立召回率，不用总准确率，而是分别计算每一类故障的查准率和查全率，尤其关注故障样本量最小的那一类。

5.2 从“论文可复现”到“现场可用”的中间态做法

如果你只是复现这个方案跑通流程，按第 2 章和第 3 章的步骤就能获得一份可展示的指标；但要往现场推，我建议额外加一个中间态：把生成样本当作扩充训练集的手段，同时保留一个不掺任何生成样本的原始模型作对照组。每次实验报告里同时列出两个模型的指标，而不是只给混合后的结果。这样即使生成样本帮了倒忙，也能一眼发现。

我做这类项目时养成了一个习惯：拿到一份新的故障数据，先花半天做数据质量审计——确认测点、转速、负载、故障程度标注，再跑十分钟特征提取做可视化，然后才敢动 GAN 训练。否则调了一周参数，最后发现数据本身有问题，那才是真正的血泪教训。这个顺序反过来，性能再好的生成对抗网络也救不了错标的数据。希望这篇拆解能帮你少走几段弯路，快速把这个方案跑成自己手里的稳定工具。

本文还有配套的精品资源，点击获取