企业官网建设流程全解析

简介：面向故障诊断与深度学习研究者的GAN-1D项目资源，应用WGAN（Wasserstein生成对抗网络）生成故障轴承振动信号，主要用于解决实际工程中轴承故障样本稀缺、类别不平衡等问题，为数据增强和智能诊断提供实验基础。压缩包内共19个文件，包含Python训练与测试脚本（train.py、test.py）、预处理后的.mat数据集、可用于继续训练的TensorFlow检查点文件（.ckpt），以及9张不同状态信号生成效果对比图，整体大小约22.03MB，结构清晰，便于快速复现。资源提供完整的WGAN训练流程，支持自定义学习率、训练轮数和采样频率，并内置9类信号数据可选，读者可基于此调整网络结构或损失函数，适配自身故障诊断场景。目前已有3387人学习下载，适合具备Python与TensorFlow基础、希望运用生成对抗网络扩充故障样本的研究者参考使用。

1. 用 WGAN 生成故障轴承振动信号：小样本问题的一条可行出路

做故障诊断的工程师基本都撞过同一堵墙：正常工况的振动数据要多少有多少，但故障状态的数据——尤其是早期故障、罕见工况下的样本——少得可怜。拿这些样本去训练 CNN 或 LSTM，模型要么过拟合，要么对故障特征根本不敏感。与其到处找数据或者靠人工造样本，不如用生成式模型直接补数据。这份资源做的就是这件事：用 WGAN（Wasserstein GAN）的改进版本 WGAN-GP，在一维振动信号上做生成，把故障轴承的时域波形“造”出来。它解决的是故障诊断里最实际的痛点——样本不平衡，适合正在做故障诊断、设备健康管理、PHM 相关课题的工程师和学生，前提是你对 Python 和 PyTorch 有基本操作能力，不需要懂太深的数学也能跟着把流程跑通。

2. 为什么是 WGAN 而不是原始 GAN：一维信号生成的选型逻辑

2.1 原始 GAN 在振动信号上的两个典型失效场景

先看原始 GAN 的结构：生成器把随机噪声映射成假样本，判别器判断输入是真实振动信号还是生成信号，两者对抗训练。理论上这个机制能收敛，但实际跑一维振动信号时，问题非常具体。第一是JS 散度在低维流形上的不连续性。振动信号本质上落在高维空间里的低维流形上，真实分布和生成分布的支撑集几乎不重叠，JS 散度在这些位置是常数，梯度传不回去，生成器收不到有效反馈。第二是判别器太容易饱和。信号数据不像图像那样有丰富的纹理梯度，判别器可能在几百步内就达到接近零的分类误差，之后梯度消失，生成器永远学不到故障冲击的周期性特征。

这两个问题在图像生成里还能靠调参硬扛，但在振动信号这种一维时序数据上几乎是致命的。我见过不少项目用原始 GAN 生成振动波形，训练到后面生成器输出的全是正弦波，甚至连故障频率都淹没在噪声里，这就是典型的 mode collapse 和梯度消失叠加的结果。

2.2 Wasserstein 距离改了什么：从“判断真假”到“度量差距”

WGAN 的核心改动是把判别器换成Critic（评论家），输出不再是一个“真/假”概率，而是一个实数，用来估计真实分布和生成分布之间的 Wasserstein 距离。这个距离的好处是：即使两个分布的支撑集不重叠，它依然能给出一个平滑且有意义的梯度信号。换句话说，原始 GAN 告诉你“你错了”，WGAN 告诉你“你离目标还有多远、往哪个方向走”。

这个改动在代码层面非常小。原始 GAN 的判别器最后一层是 Sigmoid，WGAN 的 Critic 去掉 Sigmoid 直接输出一个标量。训练时，Critic 的损失是真实样本输出均值减去生成样本输出均值，生成器的损失是生成样本输出均值的负值。具体到 PyTorch 里，改动只有几行，但收敛行为的差异是质变。

2.3 WGAN-GP 的梯度惩罚：把权重裁剪换掉

WGAN 原始论文用权重裁剪（weight clipping）来保证 Lipschitz 约束，把 Critic 的权重限制在一个小范围内。这个做法有个副作用：权重全被推到边界值，模型容量损失严重，训练后期容易出现振荡。WGAN-GP（Gradient Penalty）换了一种思路——在真实分布和生成分布之间的采样点上强制梯度范数接近 1，用软约束替代硬裁剪。

梯度惩罚的实现有几个细节值得注意：惩罚项要加在 Critic 的损失上，采样点是在真实样本和生成样本连线上随机插值得到的；惩罚系数一般取 10；训练时 Critic 每更新 5 次，生成器更新 1 次。这套配置是实践中验证过的稳定组合，后续章节的代码也按这个来。

提示：如果你用的是 WGAN 原始版本，务必检查是否做了权重裁剪；如果用了 WGAN-GP，检查 Critic 权重是否被错误地裁剪了。两者混用会直接破坏梯度惩罚的意义。

3. 数据准备与预处理：把轴承振动信号转换成模型能吃的格式

3.1 数据来源与故障类型的组织

这份资源没有自带原始数据，需要你自己准备轴承振动信号。常见来源是公开的轴承故障数据集，或者实验室台架采集的数据。不管哪种来源，都需要按故障类型组织目录结构。我一般这样组织：

data/ normal/ normal_0001.csv normal_0002.csv inner_race/ inner_race_0001.csv outer_race/ ball/

每个 CSV 文件是一段连续的振动信号，采样频率可能不同，但每段信号内部是等间隔采样的。如果数据结构是像某些平台那样一个文件里包含多列（比如同时包含驱动端和风扇端的数据），需要先做通道提取，只保留你要用的那一列。

故障类型建议至少准备两种：内圈故障和外圈故障。这两种故障的振动特征差异明显，生成模型学到的特征更有区分度。球故障（滚动体故障）由于特征较弱，生成难度大，不建议作为第一个试验对象。

3.2 滑窗采样：固定长度切分与重叠率设定

原始信号是长序列，不能直接喂给模型。需要按固定长度做滑窗切分。窗口长度的选择直接影响生成效果。常见做法是取一个包含多圈旋转信号的窗口长度——比如转速 1800 转/分钟（即 30 转/秒），采样率 12kHz 时，每转对应 400 个采样点，取 1024 个点大约覆盖 2.5 个旋转周期，足以包含 2 到 3 次故障冲击。

滑窗切分代码如下：

import numpy as np import pandas as pd def sliding_window(data, window_size=1024, step=512): """将一维信号切分为固定长度窗口。 参数: data: 一维 numpy 数组或 pandas Series window_size: 窗口长度，建议 1024 或 2048 step: 滑窗步长，建议 window_size // 2 返回: 二维数组，形状为 (样本数, window_size) """ if isinstance(data, pd.Series): data = data.values samples = [] for start in range(0, len(data) - window_size + 1, step): samples.append(data[start:start + window_size]) return np.array(samples)

这里有两处参数值得注意。window_size决定了生成信号的时间跨度：太小（比如 256）时故障冲击可能只有一个脉冲，模型学到的“故障特征”对位置极其敏感；太大（比如 4096）时模型参数量需要增加，收敛变慢。step控制重叠率，50% 重叠（step = window_size // 2）是数据增强的常见做法，能有效扩大样本量。

切分完成后，对每个窗口做归一化。振动信号的幅值范围不固定，直接用原始幅值训练会让生成器输出范围飘移。最简单的做法是每个窗口独立做零均值单位方差归一化：

def normalize_windows(samples, eps=1e-8): """窗口级归一化：每个窗口减均值除标准差。""" mean = samples.mean(axis=1, keepdims=True) std = samples.std(axis=1, keepdims=True) return (samples - mean) / (std + eps)

为什么要窗口级归一化而不是全局归一化？因为振动信号在不同时段的有效值差异很大——机器启动阶段和稳态阶段的幅值能差好几倍。全局归一化会把启动阶段的信号压成一条直线，等于把有用信息抹掉了。

3.3 训练集与测试集的划分：不要源自私心

划分数据集时有个容易踩的坑：同一个长信号切出来的窗口之间存在高度相关性（因为滑窗有重叠），如果这些窗口同时出现在训练集和验证集中，模型评估的“泛化能力”是虚高的。我一般这样处理：先按连续段切分，把一整段信号分为训练段和测试段，然后在训练段内做滑窗，测试段最后作为独立的真实样本评估集。

# 假设 segments 是一个列表，每个元素是一段完整信号 train_segments = segments[:int(len(segments) * 0.8)] test_segments = segments[int(len(segments) * 0.8):] train_windows = np.concatenate( [sliding_window(seg, 1024, 512) for seg in train_segments] )

这样划分后，训练窗口和测试窗口之间没有重叠覆盖的原始时间点，评估结果才能反映真实生成质量。

4. 搭建 WGAN-1D 模型：从生成器到训练循环的完整实现

4.1 生成器结构：转置卷积还是一维上采样？

生成器的输入是低维噪声（常见是 100 维），输出是 1024 点的一维信号。从 100 维映射到 1024 维，有两种常见方案：全连接层直接展开，或者用转置卷积（ConvTranspose1d）逐步上采样。全连接展开的优点是结构简单、前期收敛快，缺点是对局部特征的建模能力弱，生成信号容易出现高频毛刺；转置卷积的优点是能学习到多尺度的局部结构，但需要精心设计各层通道数。

我建议用转置卷积方案，因为它对振动信号这种包含周期性脉冲的模式更友好。一个参考结构如下：

import torch import torch.nn as nn class Generator(nn.Module): """WGAN-GP 生成器：从 128 维噪声生成 1024 点一维信号。""" def __init__(self, noise_dim=128, base_channels=64): super(Generator, self).__init__() self.noise_dim = noise_dim # 先把噪声投影到 128 * 8 的向量，再用转置卷积逐步上采样 self.fc = nn.Linear(noise_dim, base_channels * 8 * 8, bias=False) self.deconv = nn.Sequential( # 输入形状: (batch, 64*8, 8) nn.ConvTranspose1d(base_channels * 8, base_channels * 4, kernel_size=16, stride=2, padding=7, output_padding=1), nn.BatchNorm1d(base_channels * 4), nn.ReLU(True), # (batch, 64*4, 16) nn.ConvTranspose1d(base_channels * 4, base_channels * 2, kernel_size=16, stride=2, padding=7, output_padding=1), nn.BatchNorm1d(base_channels * 2), nn.ReLU(True), # (batch, 64*2, 32) nn.ConvTranspose1d(base_channels * 2, base_channels, kernel_size=16, stride=2, padding=7, output_padding=1), nn.BatchNorm1d(base_channels), nn.ReLU(True), # (batch, 64, 64) nn.ConvTranspose1d(base_channels, 1, kernel_size=16, stride=2, padding=7, output_padding=1), # (batch, 1, 128) nn.Tanh() ) def forward(self, z): x = self.fc(z) x = x.view(-1, self.noise_dim if False else 512, 8) # 注意调整维度 x = self.deconv(x) return x.squeeze(1)

这里有个小坑：fc的输出维度和deconv的输入形状要跟通道数严格对齐。base_channels=64时，fc输出 512 个特征，reshape 成 64*8 个通道、每通道 8 个点。如果你改大base_channels，必须同步调整fc的out_features和reshape的维度。这地方不报错但训练会乱套，是典型的隐蔽问题。

最后一层用Tanh做激活，把输出限制在 [-1, 1]，对应第 3 章归一化后的数据范围。如果数据归一化时用的是别的范围（比如 [0, 1]），这里的激活函数也要改。

4.2 Critic（判别器）结构：带梯度惩罚的容量控制

Critic 的结构和生成器镜像对称：输入 1024 点信号，输出一个标量。用一维卷积逐步下采样，最后做全局平均池化再接全连接层输出标量。关键是不要用 BatchNorm——梯度惩罚要求在样本维度上独立计算梯度范数，BatchNorm 会引入样本间的统计依赖，破坏这个约束。我一般用 InstanceNorm 或者干脆不用归一化。

class Critic(nn.Module): """WGAN-GP 的 Critic：输出一个实数，评估分布距离。""" def __init__(self, base_channels=64): super(Critic, self).__init__() self.conv = nn.Sequential( nn.Conv1d(1, base_channels, kernel_size=8, stride=2, padding=3), nn.LeakyReLU(0.2, inplace=True), nn.Conv1d(base_channels, base_channels * 2, kernel_size=8, stride=2, padding=3), nn.LeakyReLU(0.2, inplace=True), nn.Conv1d(base_channels * 2, base_channels * 4, kernel_size=8, stride=2, padding=3), nn.LeakyReLU(0.2, inplace=True), nn.Conv1d(base_channels * 4, base_channels * 8, kernel_size=8, stride=2, padding=3), nn.LeakyReLU(0.2, inplace=True), ) self.fc = nn.Linear(base_channels * 8 * 8, 1) def forward(self, x): x = x.unsqueeze(1) # (batch, 1, 1024) x = self.conv(x) x = x.view(x.size(0), -1) return self.fc(x)

x.unsqueeze(1)是把输入从(batch, 1024)变成(batch, 1, 1024)，适配 Conv1d 的通道维。LeakyReLU 的负斜率 0.2 是经验值，太小会让负区间的梯度几乎消失，太大则逼近线性，我一般固定在 0.2 不动。

4.3 训练循环：梯度惩罚的计算与两步交替

WGAN-GP 的训练循环有三件事和普通 GAN 不同：Critic 的梯度要裁剪（等等，是梯度惩罚，不是权重裁剪）、Critic 要训练好多次生成器才训一次、损失函数不加 log。完整训练循环如下：

def train_wgan_gp(generator, critic, train_loader, epochs=200, lr=1e-4, lambda_gp=10, n_critic=5): """WGAN-GP 训练主循环。 参数: generator: 生成器模型 critic: Critic 模型 train_loader: 真实信号的数据加载器 epochs: 训练轮数 lr: 学习率，WGAN-GP 通常用 1e-4，比普通 GAN 低 lambda_gp: 梯度惩罚系数，固定为 10 是稳定经验值 n_critic: Critic 每训练几次，生成器训练一次 """ g_optim = torch.optim.Adam(generator.parameters(), lr=lr, betas=(0.5, 0.9)) c_optim = torch.optim.Adam(critic.parameters(), lr=lr, betas=(0.5, 0.9)) for epoch in range(epochs): for i, real_samples in enumerate(train_loader): batch_size = real_samples.size(0) real_samples = real_samples.float() # 训练 Critic n_critic 次 for _ in range(n_critic): c_optim.zero_grad() z = torch.randn(batch_size, generator.noise_dim) fake_samples = generator(z).detach() # 生成器梯度不需要回传 c_loss_real = critic(real_samples).mean() c_loss_fake = critic(fake_samples).mean() c_loss = c_loss_fake - c_loss_real # 梯度惩罚 alpha = torch.rand(batch_size, 1) interp = (alpha * real_samples + (1 - alpha) * fake_samples).requires_grad_(True) interp_outs = critic(interp) grads = torch.autograd.grad( outputs=interp_outs, inputs=interp, grad_outputs=torch.ones_like(interp_outs), create_graph=True, retain_graph=True )[0] grad_norm = grads.view(batch_size, -1).norm(2, dim=1) gp = ((grad_norm - 1) ** 2).mean() c_loss_total = c_loss + lambda_gp * gp c_loss_total.backward() c_optim.step() # 训练生成器 1 次 g_optim.zero_grad() z = torch.randn(batch_size, generator.noise_dim) fake_samples = generator(z) g_loss = -critic(fake_samples).mean() g_loss.backward() g_optim.step() if (epoch + 1) % 10 == 0: print(f"Epoch {epoch+1}/{epochs} | C Loss: {c_loss.item():.4f} | G Loss: {g_loss.item():.4f}")

逐块拆开说明。c_loss = c_loss_fake - c_loss_real对应的是 Wasserstein 距离的估计值：Critic 想让真实样本得分更高、生成样本得分更低，所以这个损失越小越好。fake_samples.detach()是关键——Critic 反向传播时不能让梯度流到生成器，否则生成器的参数会被 Critic 的更新连带改动。

梯度惩罚部分是最容易写错的位置。alpha = torch.rand(batch_size, 1)生成每个样本独立的插值系数，interp是真实样本和生成样本的随机插值点——这些点理论上在真实分布与生成分布的“中间地带”，对它们施加梯度范数约束能保证整个空间的 Lipschitz 连续。torch.autograd.grad里务必加上create_graph=True，因为后面c_loss_total.backward()需要对这个梯度再求一次梯度（即梯度惩罚本身要参与 Critic 的反向传播）。

关于超参：lr=1e-4是 WGAN-GP 论文和实践中验证过的稳定值，比 GAN 常用的 1e-3 低一个量级，因为 Wasserstein 损失的梯度量纲和交叉熵不同，学习率太大会直接震荡。lambda_gp=10是原论文推荐的，我测试过 5 和 20，效果不如 10 稳定。n_critic=5保证 Critic 有足够的训练量来估计分布距离，如果你发现 Critic 的损失掉得很快而生成器跟不上，可以改成 10。

5. 训练遇坑排查：四个高频问题的现象与解决路径

5.1 Critic 损失持续下降但生成信号全是噪声

这是最典型的现象：训练日志显示 Critic 损失一路走低，但每 50 轮保存一次生成的信号，听感（或频谱）上全是白噪声，没有明显的周期性脉冲。原因是生成器进入了退化状态——生成器输出的方差极小，集中在某个点附近，Critic 很容易区分真假，所以损失一直在降，但生成器没有学到任何故障特征。

排查路径：先看生成信号的均值方差。如果标准差接近 0.01 甚至更低，基本是生成器退化。解决方法是降低学习率到 5e-5，同时把n_critic增加到 10，让 Critic 更快地跟上生成器的变化；如果还不行，检查生成器最后一层的Tanh输出范围和输入信号的实际范围是否一致——如果输入信号归一化后范围是[-1.5, 1.5]而你用了Tanh，模型永远学不到超出范围的部分。

5.2 生成信号存在周期性但故障频率不对

生成信号看得出有明显的周期性波动，但频谱峰值对应的频率和真实故障特征频率对不上。最常见的原因是滑窗切分时窗口长度小于一个旋转周期。比如转速 3000 转/分钟（50 转/秒）、采样率 12kHz 时，一个周期 240 采样点，如果窗口只有 256 点，模型看到的波形里故障冲击的出现位置每次都不同，它学到的“周期性”是窗口内的伪周期。

解决方法是把窗口长度扩大到至少包含 4 个旋转周期（本例即 960 点以上），或者在做滑窗之前先用转速信号做角域重采样（把时域信号变成角度域信号）。如果不想改窗口长度，降低转速波动的影响也可以——但这是治标不治本，故障特征频率还是乱的。

5.3 梯度惩罚值异常大或变成 NaN

训练开始时gp项的数值在几十到几百之间是正常的（因为初始模型输出不满足 Lipschitz 约束），但正常应该在 100 轮内逐渐下降到 10 以下。如果gp一直大于 50 或者直接变成 NaN，大概率是Critic 的输入数据范围问题。梯度惩罚要求插值点的梯度范数接近 1，但如果你输入信号的幅值范围过大（比如归一化前直接喂原始信号），插值点上的梯度会被放大很多倍，惩罚项剧烈震荡。

另外，检查torch.autograd.grad里的grad_outputs是否设置正确：它必须和interp_outs形状一致。torch.ones_like(interp_outs)表示对输出向量的每个分量都计算梯度，如果你忘了这个参数，Pytorch 会报错但不会提示原因，指向的方向很奇怪。

5.4 不同故障类别的生成信号无法区分

模型对正常信号和故障信号都能生成，但生成的内圈故障信号和外圈故障信号放在频谱图上几乎一样。这不是模型能力问题，是类别数据量不均衡导致的。假设内圈故障样本有 1000 个窗口，外圈故障只有 200 个，Critic 会优先拟合样本量大的那个分布，生成器自然也更偏向生成内圈故障特征。

解决思路有三种：一是对外圈故障做更多滑窗采样（减小step），二是对少样本类别做信号增广（加噪声、时间偏移、幅值扰动），三是先单独训练两个类别的模型，再混合训练做迁移。我一般优先用第一种，因为实现成本最低且问题往往就出在窗口数量差一个数量级。

注意：如果你同时生成多个故障类别，一定要在保存模型和评估时按类别分别保存生成样本，不要混在一个文件夹里。否则后续做故障分类模型训练时，类别标签对不上，等于白做。

6. 进阶技巧：用频域指标量化生成质量，调整超参数的落点

训练完模型后，光看损失曲线不能说明生成质量。我习惯用三步验证：时域波形目视、频域特征对比、时频图观察冲击特征。

第一步是频域对比。把真实故障信号和生成信号分别做 FFT，得到频谱后比对主要的故障特征频率（内圈故障特征频率、外圈故障特征频率、转频及其谐波）处的幅值比例。用代码实现很简单：

import numpy as np import torch def spectral_similarity(real, fake, fs=12000): """计算真实信号与生成信号的频谱相似度（基于功率谱的余弦相似度）。""" real_p = np.abs(np.fft.rfft(real))**2 fake_p = np.abs(np.fft.rfft(fake))**2 real_p = real_p / (np.linalg.norm(real_p) + 1e-8) fake_p = fake_p / (np.linalg.norm(fake_p) + 1e-8) return float(np.dot(real_p, fake_p))

这个数值通常在 0.7 到 0.9 之间说明频谱能量分布较为接近，低于 0.5 说明生成信号失去了大部分故障特征。注意这里用的功率谱是对整段信号做的，如果故障冲击是瞬态的（比如内圈早期故障），还应该配合短时傅里叶变换看时频图，看冲击出现的周期是否对齐。

第二步是诊断应用验证——把生成样本混入真实样本中，训练一个简单的故障分类器。比如用 50% 真实 + 50% 生成样本训练一个两层 CNN，然后单独用真实样本做测试。如果分类准确率比纯真实样本训练时下降不超过 3%，说明生成样本基本可用。这套流程能同时验证生成样本的信息量和多样性。

最后是超参数微调的落点。lr的敏感度最高，建议先固定 1e-4；不收敛就降 1e-5，收敛太慢就升到 5e-4 但警惕振荡。n_critic在数据量偏小时可以提高——样本少、Critic 容易过拟合时，n_critic=10能稳定不少。window_size决定了模型看到的信号跨度，通常不要在训练中频繁调整，但可以从 1024 换到 2048 观察频谱覆盖范围是否更完整。还有一个容易忽略的参数是batch_size，振动信号数据往往较大，但 batch 太大（比如 256）会导致梯度惩罚计算开销暴涨，训练速度显著变慢，我一般取 64。

整套流程跑完之后，我习惯做一件事：每 50 轮保存一次生成器的权重和噪声向量（保证固定种子），训练结束后把每个 check point 的生成样本做成一个频谱动画，观察模型从噪声到故障特征的收敛过程。这个方法帮我定位过好几次 mode collapse 的发生节点。从那以后，我每次训练生成模型都强制走一遍这套验证流程——先频谱相似度，再分类器评估，最后看收敛动画，三关过了才敢把数据交给下游模型。希望帮到你。

本文还有配套的精品资源，点击获取