企业官网建设流程全解析

简介：面向污水处理异常工况识别与深度学习实践需求，这套MATLAB资源包将数据集、迁移学习模型、训练测试脚本与文献材料整合在一起，适合环境工程、自动化及人工智能方向的学习者开展工况分类实验与算法复现，对课程设计、科研入门和论文方法复现较为友好。压缩包共约2000个文件、425.65MB，主体为1871张jpg图像数据，另含21个m脚本、17个mat模型或数据文件、12个fig图表、64篇pdf及少量docx、txt、caj等文献与说明，覆盖从样本组织、模型加载到结果可视化的完整链路。已有473人学习下载。读者可依据目录说明定位数据与代码，直接运行train.m完成测试并输出测试集图片结果，也可参考best1.mat中的迁移学习网络结构、PRC/ROC等fig图及约50篇论文，理解异常工况诊断的实验设计、评价指标与调参思路，便于在此基础上开展复现、对比与二次开发。

1. 凌晨三点的溶解氧曲线：这套 MATLAB 异常工况识别程序在拦什么

凌晨三点，好氧池的溶解氧曲线开始有规律地上下抖，值班的人两小时后才发现——那时污泥膨胀已经成型，后面两周都在调回流比。这套用 MATLAB 写的污水处理异常工况识别程序，干的就是把这件盯曲线的活交给网络：11 路传感器时序进，6 类工况标签出。人工智能在这里不是噱头，是把老师傅“看曲线不对”的直觉固化成一个可复现的推理过程。

资源里给的是完整一套：现场导出的原始数据、打好标签的事件记录、滑窗切分的预处理脚本、CNN 加双向 LSTM 的训练脚本，以及几个专门负责出图的 .m 文件。适合三类人：做环境工程方向课题、需要拿出混淆矩阵和训练曲线的人；做工业过程监测、想先跑通一个可用的基线再谈优化的人；手里有现场数据但不知道从哪下手切窗、怎么打标签的开发者。代码结构是“一个 .m 管一件事”，改参数不用翻整个工程。

2. 技术栈与工程骨架：一个 .m 文件管一件事的目录设计

拿到一份 MATLAB 工程，最怕的是所有逻辑塞进一个 main.m，两千行里找不着归一化在哪。这套程序的骨架是刻意拆开的：每个脚本只负责一个阶段，中间产物落到磁盘上，跑挂了能从任意一步接着来。

2.1 为什么这条流水线放在 MATLAB 里而不是 Python

先说结论：这条链路的规模撑不起上 PyTorch 的复杂度。按 5 分钟采样算，一天 288 个点，一年不到 11 万行，切完窗也就几万个样本，特征 11 路。这个体量在 MATLAB 的 Deep Learning Toolbox 里单机跑，一张消费级显卡几个小时能出结果，而现场工程师能自己改脚本这件事，价值比多几个百分点的精度大得多。

具体到工具箱能力，sequenceInputLayer加lstmLayer从 R2018a 就有了，一维卷积convolution1dLayer也是老面孔，配套的maxPooling1dLayer要到 R2021b 才补齐。所以这套程序的运行下限卡在 R2021b，不是随便写的。如果手头只有更早的版本，替代方案是用convolution2dLayer配1×k的卷积核，把输入摆成1×T×C，能跑但网络定义要重写一遍，不划算。

MATLAB 在这条链路上的真实优势有三个。第一是数据不落地：readtable读进来就是 table，summary一眼看缺失，画图的时候直接plot(T.time, T.DO)，不用在 pandas 和 matplotlib 之间来回倒。第二是出图：confusionchart、tiledlayout、exportgraphics三个函数能把论文和汇报要的图全部搞定，300 dpi 一行参数。第三是部署：MATLAB Compiler打包成独立 exe 扔给中控室，或者MATLAB Coder生成 C++ 嵌进组态软件，这条路在现场是走得通的。

劣势也得说清楚：数据量上到几十 GB、需要多卡并行、或者要做自定义损失函数的高级变体时，MATLAB 的datastore加parfor就不如 PyTorch 生态顺手。我一般的判断线是——窗口数量在 10⁴ 到 10⁶ 之间、特征不到 100 路，MATLAB 单机足够；超过这个量级，训练挪到 Python，MATLAB 只负责预处理和结果可视化，两边用 .mat 或 csv 交接。

2.2 目录结构：从原始数据到出图一共 7 个入口

工程目录长这样，多看一眼就知道每个文件干嘛：

wwtp-anomaly-matlab/ ├─ data/ │ ├─ raw/ % 现场导出的原始 csv，一天一个文件 │ │ ├─ d0301.csv │ │ └─ ... │ ├─ labels/ │ │ └─ event_log.csv % 工况记录：起止时间 + 工况编码 + 备注 │ └─ processed/ │ └─ dataset.mat % 切好窗的 X/Y + 归一化参数，训练直接 load ├─ src/ │ ├─ s01_build_dataset.m % 清洗 + 打标 + 滑窗 + 划分 │ ├─ s02_train.m % 网络定义 + trainingOptions + trainNetwork │ ├─ s03_evaluate.m % 混淆矩阵 / 逐类召回 / ROC │ ├─ s04_plot_signals.m % 原始曲线 + 工况色块 │ └─ +wwtp/ % 包目录，公共函数 │ ├─ cleanTable.m │ ├─ makeWindows.m │ └─ buildNet.m ├─ models/ │ └─ cnn_bilstm_v3.mat % 训好的 net + mu/sg + 类别顺序，一起存 └─ figs/

几个设计上的取舍值得说。+wwtp用包目录而不是散装函数，好处是s02_train.m里直接wwtp.buildNet(...)，名字不冲突，也不怕路径。models/*.mat里存的不只是net，还有归一化的mu、sg和类别顺序——这三样不跟着模型走，部署那天必然出事，这是踩过坑之后的规矩。data/processed/dataset.mat作为中间产物，意味着调网络结构的时候不用每次重跑清洗，省下的时间很可观。

s01到s04的编号不是装饰，它规定了执行顺序，也暗示了依赖关系：s02依赖s01的输出，s03依赖s02的模型，s04只依赖原始数据、可以随时单独跑。

2.3 数据集字段：11 路传感器信号与 6 类工况标签

原始 csv 一行是一个时刻，列是各路信号。这套程序覆盖的字段如下，实际用的时候按现场点位增删，但至少要有进水、生化池、出水三段的信息，否则很多工况区分不开：

标签来自event_log.csv，一行是一个事件的起止时间和工况编码，一共 6 类：

采样周期 5 分钟，一天 288 个点。窗口长度取 60 个点，也就是 5 小时的过程上下文——短于 30 个点看不到膨胀这类慢过程的趋势，长于 120 个点又会把工况切换前后的数据混进同一个窗口里。步长取 10，相邻窗口有重叠，既扩了样本量又不至于完全重复。

2.4 环境准备与一键跑通的顺序

需要的工具箱就三个：Deep Learning Toolbox、Signal Processing Toolbox（medfilt1用得上，没有的话换movmedian）、Statistics and Machine Learning Toolbox（perfcurve和分层抽样用）。有 GPU 的话 Parallel Computing Toolbox 也装上，trainingOptions里ExecutionEnvironment设成'auto'就会自己挑。

跑通顺序就四行：

addpath(genpath(pwd)); % 让 +wwtp 包装载进来 s01_build_dataset % 清洗 + 打标 + 切窗，产出 dataset.mat s02_train % 训练，产出 models/cnn_bilstm_v3.mat s03_evaluate % 出混淆矩阵和逐类指标

在一台八核、16 GB 内存、带一张 8 GB 显卡的机器上，s01处理一年数据大概两三分钟，s02三十个 epoch、几万个窗口，二十分钟左右，s03秒出。如果s02卡在第一个 epoch 超过十分钟，多半是MiniBatchSize太大或者数据还在内存和显存的搬迁上打转，先降到 32 试试。

s04_plot_signals可以随时单独跑，它只读data/raw和data/labels，用来在动手建模型之前先肉眼看一遍数据——这一步别省，很多标签错位的问题肉眼一看曲线和色块对不上就露馅了。

3. 数据链路：从原始 CSV 到能喂进网络的 C×T 张量

模型效果的上限基本由这一段决定。实际项目里，调网络的收益远不如把清洗和标签对齐做对。这一章按清洗、切窗、划分三步走，每步都落到具体代码。

3.1 清洗：缺失值、毛刺和停机段的处理

原始数据有四种脏法：时间列格式不统一、有重复行、传感器掉线留下连续 NaN、检修停机时所有值接近零。这四种要分开处理，用一套逻辑糊过去会出问题。

function T = cleanTable(T, featIdx, lo, hi) % 输入 T 至少含 time 列和 featIdx 指定的特征列 % lo/hi 是与 featIdx 等长的物理量程上下限 % 1) 时间轴统一、去重、升序 T.time = datetime(T.time, 'InputFormat', 'yyyy-MM-dd HH:mm:ss'); T = sortrows(T, 'time'); [~, ia] = unique(T.time, 'stable'); T = T(ia, :); % 2) 停机段整段剔除：30 分钟内最大进水流量仍低于 20 m3/h q = T.Q_in; off = movmax(q, 6) < 20; T(off, :) = []; % 3) 量程外的点先置 NaN，再线性插补，最多连补 3 个点 for c = featIdx v = T{:, c}; v(v < lo(c) | v > hi(c)) = NaN; T{:, c} = fillmissing(v, 'linear', 'MaxGap', 3); end % 4) 毛刺：中值滤波对比，偏离 3 倍标准差就替换 for c = featIdx v = T{:, c}; vm = medfilt1(v, 5, 'omitnan'); d = v - vm; sd = std(d(~isnan(d))); bad = abs(d) > 3 * sd; v(bad) = vm(bad); T{:, c} = v; end end

第 1 步去重用的是'stable'，保留第一次出现的行，因为现场导出的重复行通常是补传的历史点，值不如第一次准。第 2 步是关键：movmax(q, 6)取的是 30 分钟滑动窗口内的最大值，只有这个最大值都低于 20 才判定为停机，这样单点流量抖动不会误杀正常数据。停机段必须整段删掉而不是补零，原因在避坑那章会展开讲。

第 3 步里MaxGap设成 3，意思是连续缺失超过 3 个点（15 分钟）就保留 NaN，不硬插值。传感器掉线一小时的段，插值出来的平滑直线会被网络当成真实趋势学进去。这些残留 NaN 的窗口在切窗那一步整窗丢弃。

第 4 步的medfilt1窗口取 5，对应 25 分钟，比工艺过程的时间常数小得多，不会把真实的过程变化当毛刺抹掉。判据用 3 倍标准差而不是固定阈值，是因为各路信号量纲差太多，DO 的波动是零点几，流量的波动是几十。

3.2 滑窗切分：窗口长度、步长和标签众数

时序分类和图像分类最大的不同在于样本要自己造。切窗这一步有三个参数要想清楚：窗口长度、步长、以及窗口内标签怎么定。

function [X, Y] = makeWindows(T, featIdx, winLen, stride) % T 为清洗后的 table，label 列存工况编码 % 返回 X: numWin×1 cell，每个元素是 numFeat×winLen 的 double % Y: numWin×1 categorical F = table2array(T(:, featIdx)); % n × numFeat L = categorical(T.label); % 与 F 行对齐 cats = categories(L); n = size(F, 1); numWin = floor((n - winLen) / stride) + 1; X = cell(numWin, 1); Y = repmat(L(1), numWin, 1); % 预分配，类别集合与 L 一致 keep = true(numWin, 1); for k = 1:numWin idx = (k-1)*stride + (1:winLen); if any(isnan(F(idx, :)), 'all') % 含未插补的缺口，整窗丢弃 keep(k) = false; continue end X{k} = F(idx, :)'; % 转置成 numFeat×winLen cnt = countcats(L(idx)); [~, ci] = max(cnt); Y(k) = categorical(cats(ci), cats); % 窗口标签取众数 end X = X(keep); Y = Y(keep); end

转置那一步是新手最容易翻车的地方：MATLAB 的序列输入约定是C×T（通道在前），也就是numFeat×winLen，而不是 numpy 习惯的T×C。喂反了不会报错，网络照样训，只是把时间轴当成通道轴，准确率卡在随机猜附近，查半天查不出来。

标签取众数而不是取最后一个点，是因为标注的事件起止时间通常有一两个采样点的抖动，末尾那个点可能刚好落在事件外面。取众数的前提是一个窗口内工况基本不变——这也是窗口不能设太长的原因。如果某个窗口内众数占比不到 60%，说明这个窗口跨越了工况切换，实际项目里我一般直接丢掉，让模型只在干净的样本上学。

步长取 10 意味着相邻窗口共享 50 个点，重叠率 83%。这个重叠是为了扩样本，但也带来一个问题：训练集里的两个窗口可能几乎是同一段数据，划分的时候必须把重叠考虑进去，这就是下一节的事。

3.3 归一化与划分：把数据泄漏挡在门外

这两件事写在一节里，因为它们是同一个决定的两面：归一化的统计量只能来自训练集，划分又必须保证训练集里的信息不流到验证集和测试集。

% 按时间切三刀，不随机打乱 n = height(T); iTr = 1 : floor(0.70*n); iVa = floor(0.70*n)+1 : floor(0.85*n); iTe = floor(0.85*n)+1 : n; % 归一化参数只用训练段算，然后冻结 mu = mean(T{iTr, featIdx}, 1, 'omitnan'); sg = std(T{iTr, featIdx}, 0, 1, 'omitnan'); sg(sg < 1e-6) = 1; % 常数列保护，避免除零 T{:, featIdx} = (T{:, featIdx} - mu) ./ sg; % 全表用同一组参数 % 三段各自切窗，窗口不跨段 [Xtr, Ytr] = wwtp.makeWindows(T(iTr,:), featIdx, 60, 10); [Xva, Yva] = wwtp.makeWindows(T(iVa,:), featIdx, 60, 10); [Xte, Yte] = wwtp.makeWindows(T(iTe,:), featIdx, 60, 10); save('data/processed/dataset.mat', ... 'Xtr','Ytr','Xva','Yva','Xte','Yte', ... 'mu','sg','featIdx','-v7.3');

按时间切而不是随机切，这是时序问题的铁律。随机切会让 3 月 1 日的窗口进训练、3 月 2 日的相邻窗口进测试，两段数据高度相关，测试准确率虚高十几个点，上线就原形毕露。'omitnan'用在mean和std的对应参数位上，缺失值不参与统计。

sg(sg < 1e-6) = 1这一行看着不起眼，但现场确实会有整月不变的列（比如某路泵频一直没调过），标准差是 0，除下去整列变 Inf 或 NaN，训练直接崩。这个保护必须有。

三段各自切窗是另一个细节：如果先切窗再按索引划分，位于划分边界上的窗口会同时含训练段和验证段的数据，等于把验证集的信息漏给了模型。按段切完再拼，边界上会损失几十个窗口，这点代价换来的是干净的评估。

mu、sg和featIdx一起存进dataset.mat，后面训练脚本把它们原样存进模型文件。部署的时候如果忘了用同一组参数归一化，输入分布和训练分布差一个量级，网络输出全是同一类，现场表现就是“一直报同一个警”。

4. 模型与训练：Conv1D + BiLSTM 的搭建与调参

网络结构这块没什么花活，一维卷积提局部形态，双向 LSTM 抓长程依赖，最后接一个分类头。真正决定效果的是维度对齐和那几个训练参数。

4.1 网络层结构与维度对齐

选这个结构的原因：卷积负责识别“溶解氧在 2 小时内连续下探”这类局部形态，LSTM 负责记住“这已经是第三天 MLSS 缓慢上升”，两者互补。膨胀这类慢过程靠卷积看不出来，冲击负荷那种突变靠 LSTM 又太慢。

function lgraph = buildNet(numFeat, numClass, winLen) lgraph = layerGraph(); layers = [ sequenceInputLayer(numFeat, 'Name','in', 'MinLength', winLen) convolution1dLayer(5, 32, 'Padding','same', 'Name','conv1') batchNormalizationLayer('Name','bn1') reluLayer('Name','relu1') maxPooling1dLayer(2, 'Stride',2, 'Name','pool1') convolution1dLayer(3, 64, 'Padding','same', 'Name','conv2') batchNormalizationLayer('Name','bn2') reluLayer('Name','relu2') maxPooling1dLayer(2, 'Stride',2, 'Name','pool2') bilstmLayer(64, 'OutputMode','last', 'Name','bilstm') dropoutLayer(0.3, 'Name','drop') fullyConnectedLayer(numClass, 'Name','fc') softmaxLayer('Name','softmax') classificationLayer('Name','out') ]; lgraph = addLayers(lgraph, layers); end

维度走一遍心里就有数了：输入11×60→ 第一层卷积核 5、32 个滤波器、'same'填充 →32×60→ 池化 2 →32×30→ 第二层卷积核 3、64 个滤波器 →64×30→ 池化 →64×15→ 双向 LSTM 64 单元 →128×1（'OutputMode','last'只取最后时刻）→ dropout → 全连接 6 → softmax。

几个参数的选择理由。第一层卷积核 5 对应 25 分钟的形态窗口，够抓冲击负荷的上升沿；第二层 3 是为了在降采样后再提一层组合特征。'same'填充保证卷积不缩短序列，长度变化全部交给池化层控制，这样调层数的时候不用重算MinLength。bilstmLayer的输出维度是 128 不是 64，因为双向各 64 后拼接，这一点在接全连接层时最容易写错。

dropoutLayer(0.3)放在 LSTM 之后而不是每个卷积之后，是因为卷积层后面已经有 BN 在做正则，再叠 dropout 会让收敛变慢。0.3 这个值不是拍的，训练集和验证集的 loss 曲线张开超过 15% 就往上加，两条曲线贴太近就往下减。

如果手头是 R2021a 或更早的版本，maxPooling1dLayer不存在，替代写法是把输入摆成1×T×C，用convolution2dLayer([1 5], 32, 'Padding','same')和maxPooling2dLayer([1 2], 'Stride',[1 2])，其余照抄。能跑，但要多写一层reshapeLayer，不优雅。

4.2 trainingOptions 里真正影响结果的六个参数

trainingOptions有几十个可选项，实际会动的就那么几个。下面这份配置是调过若干轮之后稳定下来的：

opts = trainingOptions('adam', ... 'MaxEpochs', 30, ... 'MiniBatchSize', 64, ... 'InitialLearnRate', 1e-3, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod', 10, ... 'LearnRateDropFactor', 0.3, ... 'GradientThreshold', 1, ... 'L2Regularization', 1e-4, ... 'Shuffle', 'every-epoch', ... 'ValidationData', {Xva, Yva}, ... 'ValidationFrequency', 50, ... 'ValidationPatience', 8, ... 'Plots', 'training-progress', ... 'Verbose', false, ... 'ExecutionEnvironment', 'auto'); net = trainNetwork(Xtr, Ytr, wwtp.buildNet(11, 6, 60), opts);

参数说明按重要性排：

MiniBatchSize设 64。样本是 cell 数组，每个元素11×60的 double，64 个一批大概 340 KB，显存压力很小，梯度也够稳。样本总量上万之后可以往上提到 128，但超过 256 收敛会变慢。

InitialLearnRate1e-3 配 Adam 是标准起点。判断依据看训练曲线前 200 次迭代：loss 抖动剧烈说明太大，降到 3e-4；loss 下降太慢说明太小，往上试 3e-3。

LearnRateSchedule用'piecewise'，每 10 个 epoch 乘 0.3。工况数据的不平衡会让模型在后半程一直在边界上打转，分段衰减比余弦退火更好控。

GradientThreshold设 1，这个是 LSTM 的必需品。时序里偶发的极端值（比如一次仪表跳变）会产生很大的梯度，不裁剪的话一次就把权重打飞，表现出来就是训练到一半 loss 突然变成 NaN。

L2Regularization1e-4 是弱正则，主要配合 dropout 用。如果验证集准确率在第 5 个 epoch 就到顶然后往下掉，先试着提到 1e-3，别急着改网络。

ValidationPatience设 8，连续 8 次验证没改善就停。30 个 epoch 的上限配合这个早停，实际跑下来通常在第 18 到 22 个 epoch 停下，省下的时间够多试几组超参。

Shuffle必须设成'every-epoch'。默认值'once'会让每个 epoch 的批次顺序完全一样，模型对批次内的样本顺序产生依赖，验证指标会有明显的周期性波动——这个现象很玄学，但原因就这么简单。

4.3 训练、验证与四张结果图

训练完不是看一个准确率就完事。这套程序的s03_evaluate.m出四张图：混淆矩阵、逐类召回柱状图、某一类的 ROC、以及一条实际时序上的预测叠加。

YPred = classify(net, Xte, 'MiniBatchSize', 64); acc = mean(YPred == Yte); figure('Name','混淆矩阵'); cm = confusionchart(Yte, YPred, ... 'RowSummary', 'row-normalized', ... 'ColumnSummary', 'column-normalized', ... 'Title', '测试集工况混淆矩阵'); cm.FontSize = 10; % 逐类召回：高危工况的漏报比总体准确率更重要 cats = categories(Yte); recall = zeros(numel(cats), 1); for i = 1:numel(cats) recall(i) = sum(YPred == cats{i} & Yte == cats{i}) / sum(Yte == cats{i}); end figure('Name','逐类召回'); bar(categorical(cats), recall); ylim([0 1]); ylabel('召回率'); grid on;

'RowSummary','row-normalized'这个设置很重要：默认的行汇总给的是样本数，不平衡数据下正常类有上千个样本、毒性抑制只有几十个，看绝对数完全看不出问题，归一化之后每一行加起来是 1，哪一类漏得多一目了然。

逐类召回那段循环别嫌土，它比confusionmat返回的矩阵好读。重点看两个数：BULK（污泥膨胀）和TOX（毒性抑制）的召回。前者漏了意味着提前两周的干预窗口没了，后者漏了可能直接导致出水超标。正常类的精确率反而可以放宽一点，误报一次的代价是值班人员多看两眼曲线。

ROC 用perfcurve一对其余地画：

for i = 1:numel(cats) yTrue = (Yte == cats{i}); scores = predict(net, Xte, 'MiniBatchSize', 64); [fpr, tpr, ~, auc] = perfcurve(yTrue, scores(:, i), true); plot(fpr, tpr, 'DisplayName', sprintf('%s AUC=%.3f', cats{i}, auc)); hold on; end legend('Location','southeast'); xlabel('假正率'); ylabel('真正率');

scores(:, i)取的是第 i 类的 softmax 概率，perfcurve的第三个参数true指定正类标签。六个类别画在一张图上会有点挤，实际报告里通常只画高危的两三类。

第四张图是时序叠加，把测试段某一天的曲线画出来，底下用色块标真实工况，上面用散点标预测结果，时间错位一眼就能看见。这张图比任何指标都更能说服现场的人——他们看得懂曲线。

5. 避坑与排查：这套程序最容易翻车的六个地方

下面六条全部来自实际跑这个工程时踩出来的，按“现象 → 原因 → 解决”写，碰到对应症状直接对号入座。

5.1 数据与标签层面的三个坑

坑一：验证集准确率 98%，现场部署后满屏误报。

现象是离线评估漂亮得不像话，一上线就发现几乎所有时段都在报警。原因在划分方式：用了cvpartition或者randperm做随机划分，而切窗时步长只有 10、相邻窗口重叠 50 个点，随机划分必然让高度重叠的窗口分别落进训练集和测试集，模型等于在背答案。改成按时间顺序切三段的做法（3.3 节那段代码），准确率会掉到 85% 左右，但那个数才是真的。如果想更严格，按“事件”划分：同一个工况事件产生的所有窗口只能进同一个集合，这样连事件内部的相似性也隔离掉了。

坑二：训练 loss 一直不降，准确率卡在 0.78 不动。

现象是每个 epoch 结束的准确率都稳定在 0.78 附近，一点不动。原因是类别极度不平衡——正常工况占 78%，模型学会了全猜 NORM，梯度就躺平了。先看countcats(Ytr)确认分布，然后两条路一起走：一是用'Shuffle'配合分层采样，让每个 batch 里各类都有；二是给分类层加权。加权在 MATLAB 里要自定义一层：

classdef weightedClassificationLayer < nnet.layer.ClassificationLayer properties ClassWeights end methods function layer = weightedClassificationLayer(weights, name) layer.ClassWeights = weights; layer.Name = name; end function loss = forwardLoss(layer, Y, T) w = layer.ClassWeights(:); w = w / sum(w); loss = -sum(w .* sum(T .* log(Y + eps), 1), 'all') / size(Y, 4); end end end

ClassWeights一般按类频率的倒数设，正常类给 0.3，稀有类给 3 到 5。这个权重别调太狠，超过 10 倍会让模型把正常工况也全报成异常，精确率崩到没法用。

坑三：模型把停机段也判成污泥膨胀。

现象是检修期间（进水流量为 0）曲线平直，模型却输出 BULK 且置信度很高。原因有两个叠加：停机时所有传感器读数接近零，归一化后变成远离均值的极端值；而训练集里几乎没有停机样本，模型没见过这个分布，就归到了特征最接近的那一类。解法在清洗阶段，movmax(q, 6) < 20那段整段剔除。如果停机样本本身有分析价值，另一种做法是在标签体系里单独加一个OFFLINE类，让模型学着区分“没水”和“水质异常”——但要注意，这个类的样本不能太多，否则会稀释其他类的学习信号。

5.2 训练与推理层面的三个坑

坑四：换了一批数据，模型全线失灵。

现象是同一套模型，换季或者换批次的数据进来，所有样本都被判成同一类。原因基本锁定在归一化参数：要么部署时忘了归一化，要么归一化用了新数据自己的均值和标准差。后一种更隐蔽，因为代码能跑、不报错，只是输入分布和训练时差了十几倍。规矩是：mu和sg在训练阶段算完就冻结，存进models/*.mat，推理时从模型文件里读，绝不用现场数据重新算。这条听起来简单，但我见过不止一个项目栽在这。如果现场工况本身发生了长期漂移（比如工艺改造后 MLSS 基准值变了），正确做法是重新采集一段带标签的数据做微调，而不是偷偷改归一化参数。

坑五：同一个窗口连续预测，结果每次都不一样。

现象是拿同一条样本反复喂给网络，输出的类别会跳。原因在batchNormalizationLayer和dropoutLayer的推理/训练模式。用classify(net, X)时 MATLAB 会自动切到推理模式，BN 用滑动统计量、dropout 关闭，不会出这个问题；但如果自己用predict或者activations手动做前向，又没指定'Acceleration'和 batch 维度，就可能走进训练模式。另一个更常见的原因是维度摆错：样本是T×C而不是C×T，classify不报错，但卷积是在时间轴上滑，结果自然乱。防御写法是在推理函数开头加一行断言：

assert(size(X{1}, 1) == numFeat, '输入维度应为 C×T，当前是 %d×%d', ... size(X{1},1), size(X{1},2));

坑六：训练跑一晚上，内存爆了。

现象是s01跑完好好的，s02一加载dataset.mat就 OOM。原因是把所有窗口一次性cat成了四维数组numWin×C×1×T，几万个窗口乘起来就是几个 GB。正确做法是保持 cell 数组，trainNetwork接受 cell 输入并按 batch 内部分配，内存占用只有单个 batch 的量级。如果样本量继续涨到几十万，就上arrayDatastore或自定义minibatchqueue，让数据从磁盘按批读。另外save的时候记得加'-v7.3'，默认格式存不下超过 2 GB 的变量，会在保存那一刻报错——这个错报在训练之后，一晚上的计算白费。

6. 二次开发：换工艺段、加工况、接在线数据的三条改造路径

这套代码最容易被问的问题是“我厂里的点位和它不一样，能用吗”。答案是能，但要改的地方得心里有数。下面三条路径按改动量从小到大排。

6.1 换一套传感器：改三个地方就够

改动集中在三处，漏一处就白改。第一处是featIdx和归一化，在s01_build_dataset.m顶部把列名列表换掉，同时给lo和hi两个量程向量重新赋值——长度必须和新特征数一致，否则cleanTable里的循环会越界。第二处是buildNet的第一个参数numFeat，在s02_train.m里调用时同步改掉。第三处是sequenceInputLayer的MinLength，如果你也想改窗口长度，winLen要同时改s01的切窗调用和buildNet的入参，两边不一致时trainNetwork报的错很难懂。

改完先别急着训练，跑s04_plot_signals把新点位的数据画出来看一眼。我一般会重点确认两件事：新加的点位在时间轴上有没有大片缺口（这会让有效窗口数骤减），以及它的量程是不是覆盖了现场的极端值（量程设窄了，正常波动会被当成毛刺抹平）。

6.2 增量工况：从分类头到代价敏感损失

要加一个新工况，比如“进水含油”，动的地方是标签表、numClass、分类层的Classes顺序。第三点最容易出错：classificationLayer的类别顺序由训练标签的categories决定，如果训练集里没出现过这个新类，网络输出维度对不上，classify返回的 categorical 类别集合也会跟测试集不匹配，混淆矩阵直接报错。稳妥做法是在s01里显式指定类别全集：

cats = {'NORM','SHOCK','BULK','FOAM','TOX','DO_LOW','OIL'}; Ytr = setcats(Ytr, cats); Yva = setcats(Yva, cats); Yte = setcats(Yte, cats);

新类的样本通常很少，配合 5.1 里的加权分类层，权重先按1/frequency给，再人工压一压。这里有个取舍：新类权重给高了，误报率会上升；给低了，新类根本学不出来。判断标准看验证集上新类的召回，能到 0.7 以上就算可用，剩下的靠连续确认机制（下一节）压误报。

6.3 上线前的离线验证清单

在线推理的骨架就是一个环形缓冲加连续确认，抖动靠“连续 N 次同结论才报警”压住：

buf = zeros(numFeat, winLen); % C×T 环形缓冲 hit = 0; confirmN = 3; while isRunning x = readOneSample(); <p> <a href="https://download.csdn.net/download/qq_43158059/84242536" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>