企业官网建设流程全解析

滚动轴承故障诊断在工业设备健康管理里是个老话题，但真正落地的时候，很多人会被一个现象折磨到怀疑人生：同一个模型，在实验室数据上准确率高得吓人，一换到现场工况，性能断崖式下跌。这背后的原因不是模型不行，而是训练数据和实际数据之间存在分布偏移。这些年我试过很多办法，最后发现域自适应迁移学习是性价比最高的路子之一——不需要目标域标签，改一改网络结构和损失函数，就能把模型从实验室“搬”到现场。这篇文章就聊一聊我在TensorFlow环境下实现的一个简单可靠的域自适应轴承故障诊断方法，从原理到代码，再到调参踩坑，尽量一次讲透。

这套方法特别适合两类人看：一类是做故障诊断研究的同学，想快速上手迁移学习但又不想一上来就啃复杂的大模型；另一类是工厂里的设备智能运维工程师，手里有大量未标注现场数据，迫切需要一套能落地的模型迁移方案。只要你有Python和TensorFlow的基本功底，完整跑一遍问题不大。我会把网络怎么搭、损失函数怎么设、训练时要注意哪些细节，以及我踩过的那些坑，全部分享出来。

1. 为什么简单的域自适应能解决轴承故障诊断的痛点

1.1 工况漂移让旧模型失效

我在实际项目里遇到的情况很典型。在实验室环境采集轴承振动信号，控制好转速和负载，训练一个深度学习故障分类模型，准确率轻松做到99%。但这个模型拿到现场，面对另一台设备、另一组工况时，准确率直接掉到70%甚至更低。很多人第一反应是数据不够多，或者模型不够强，于是继续加数据、加网络层数，结果改善有限。

问题的本质是数据分布变了。同样是“内圈故障”这个类别，在1500转/分钟下的振动特征，和2200转/分钟下的振动特征，虽然都包含故障相关的冲击成分，但频带能量分布、调制特征、噪声基底都不一样。传统机器学习方法有个隐含假设：训练集和测试集来自同一分布。当这个假设被打破，再先进的模型也白搭。这在迁移学习里叫域偏移，其中训练数据所在的分布叫源域，实际应用时的数据分布叫目标域。

1.2 域适应与传统微调的区别

面对域偏移，很多人第一个想到的是微调。微调的做法是：用源域数据预训练模型，再用少量目标域标注数据对模型进行二次训练。方法本身没问题，但有一个现实障碍——故障诊断场景下的目标域标注数据极其稀缺。一台正常运行的设备，故障样本本来就不多，等你攒够覆盖各类故障的标注样本，设备可能早就出事了。

域自适应想解决的是另一个问题：目标域完全没有标注，或者只有极少量标注时，怎么把模型迁移过去。它的核心思路是学习一个公共特征空间，让源域和目标域在这个空间里的分布尽量一致。这样一来，源域上训练好的分类器就能直接套用到目标域上。对比微调，域自适应不需要目标域标签，这个特性在工业场景里的价值非常大，毕竟绝大多数现场的振动数据都是裸数据。

1.3 简单方案在工业落地中的现实优势

这几年深度学习模型越做越大，动辄几亿参数，但在工业设备健康管理这个场景里，我认为“够用、稳定、可维护”才是第一原则。现场部署环境往往只有一台普通工控机，甚至有些边缘设备连GPU都没有。一个几百万参数的模型已经能很好完成任务，为什么还要上千万参数的大模型？

这套方法采用的是一个非常经典的三模块结构：特征提取器、标签分类器、域判别器。特征提取器负责把原始信号转换成特征向量；标签分类器在源域有监督数据下学会区分故障类别；域判别器则负责判断特征向量来自源域还是目标域。训练过程本质上是一个博弈：域判别器努力分辨特征的来源，特征提取器则努力让两类特征无法被区分。当域判别器分不清特征来自哪个域，说明分布已经对齐，这时候源域的分类知识就能迁移到目标域。

用这种对抗思路，加上一个不算深的卷积网络，我在多个跨工况迁移任务里都能把目标域准确率从60%~70%拉到90%以上。这个方案参数量小、训练时间短、调参空间友好，对工业现场尤其友好。接下来我会把每个环节放大来看。

2. 整体方案设计与TensorFlow环境准备

2.1 网络结构：三模块组合

整个网络结构需要先讲清楚，因为后面所有代码和调参都围绕它展开。特征提取器是主干网络，我采用的是几个一维卷积层加全局池化，再接一个全连接层输出特征向量。一维卷积直接处理振动信号，在时间和频率两个维度上都能提取局部模式，相比直接用全连接网络处理原始波形，参数量更少、归纳偏置更合适。

标签分类器是特征提取器之后的第一个分支，由两层全连接加Softmax输出类别概率。域判别器是第二个分支，接收同样的特征向量，由两层全连接加Sigmoid输出域概率。这个结构的巧妙之处在于，特征提取器是“共享底座”，分类和域判别都在这同一个特征空间上进行。训练时，标签分类器要求特征保留故障类别信息；域判别器则要求特征抹掉域差异信息。两个目标互相牵制，最后收敛到的特征空间，既能分类、又域无关。

不用太花哨的结构，也不用预训练模型，因为轴承振动信号的故障模式本身比较清晰，发掘到足够的判别特征并不难。模型复杂反而容易过拟合，尤其是在目标域无标签、只能依赖源域监督的情况下，过拟合源域会让迁移效果更差。

2.2 输入信号处理：时域还是频域

关于输入特征，我在这套简单方案里推荐用频域特征。具体做法是，对每段振动信号先做快速傅里叶变换，取幅值谱作为模型的输入特征向量。轴承故障在频域上有非常明显的特征：不同的故障位置（内圈、外圈、滚动体）对应不同的故障特征频率及其谐波成分，频域表示把这些信息直接摊在桌面上，模型学起来容易得多。

如果不做频域变换，直接送原始时域波形进一维卷积，理论上也能学出频域信息，但需要更深的网络和更多的数据。在跨工况迁移设定下，目标域没有标签，源域数据量也有限，直接学时域表示的风险是：模型可能学到与工况强相关的浅层特征，而不是与故障本质相关的深层特征。手工做一次快速傅里叶变换相当于给模型注入了一个强先验，让后续的域对齐更容易实现。

当然，频域特征也有代价：它丢掉了信号的相位信息。但在故障诊断中，基于幅值谱的故障识别是被大量工程实践验证可行的。如果想更稳健一些，可以叠加短时傅里叶变换得到的时频图，把一维数组变成二维图，让卷积网络处理。不过本文的核心是“简单”，所以我后面的示例代码都用幅值谱特征。

2.3 环境搭建与依赖版本注意事项

TensorFlow环境我踩过不少版本坑，这里说一套目前稳定可用的组合。Python 3.8到3.10都没问题，TensorFlow建议2.4以上，我用的是2.8。安装命令很简单，但有几个细节要提醒：

• 强烈建议用虚拟环境管理依赖，避免和系统Python环境相互污染。
• GPU版本的TensorFlow需要额外安装对应版本的CUDA和cuDNN。如果你只是跑这种规模不大的网络，CPU也能接受，训练时间会慢一些，但不影响复现。
• Windows环境下，TensorFlow 2.10以上对GPU的支持策略变了，如果不想折腾CUDA，干脆用CPU版本跑，反正这个模型不大。

除了TensorFlow本身，还需要安装numpy、scipy、scikit-learn、matplotlib这几个常用库。scikit-learn主要用来画混淆矩阵和评估指标，不是必选项，但很方便。

在数据层面，有一个容易被忽视的问题：源域和目标域的数据必须走完全相同的预处理流程。比如采样率不一致，就必须先重采样到同一采样率再做快速傅里叶变换；幅值谱需要用同样的归一化方式，而且归一化的统计量（均值和标准差）只能用源域数据计算，再套用到目标域上。这样是为了避免目标域信息通过全局统计量泄漏到模型里。

3. 域对抗训练的数学原理与实现要点

3.1 域判别损失与分类损失如何协同

整套方法的训练目标包含两部分。第一部分是标签分类损失，用的是标准交叉熵，只对源域样本计算，因为源域有标签。第二部分是域判别损失，用的是二分类交叉熵，源域和目标域的样本都参与计算，标签是“这个样本来自哪个域”。

域判别损失可以认为在回答一个问题：给定一个特征向量，它更可能是源域特征还是目标域特征？如果判别器能轻松分辨，说明特征仍然保留了大量域相关的信息，分布没有对齐；如果判别器完全分不清，输出的域概率稳定在0.5左右，说明源域和目标域的特征分布已经高度重合。

特征提取器要同时面对两个相反的压力。分类损失要求特征包含足够的类别判别信息；域判别损失通过梯度反转要求特征不包含域信息。这两个目标看似矛盾，其实是让特征空间达到一种平衡：分类边界清晰，同时源域和目标域在特征空间里交织在一起。所以当训练效果好的时候，你一定能在特征可视化图上看到“红的和蓝的点混在一起，但每个聚类内部的类别标签几乎一致”的场景。

3.2 梯度反转层：手动实现比封装更直观

域对抗网络最初的论文里用了一个梯度反转层，前向传播时原样返回输入，反向传播时把梯度乘以一个负数。这个层在实现上有几种做法，很多库已经提供了现成封装，但我个人推荐在自定义训练循环里手动控制梯度，原因后面会说。

手动实现的逻辑非常直白。拿一段特征向量，同时送入标签分类器和域判别器，各自算损失。然后分别求出分类损失和域损失对特征提取器参数的梯度。更新特征提取器参数的时候，把分类损失的梯度减去一个系数倍的域损失梯度。这个“减去”就等同于梯度反转。用公式表示就是：

g_特征提取器 = g_分类 - λ * g_域

其中λ是权衡系数，控制域对齐的强度。λ太小时，模型只顾着分类，域对齐不足；λ太大时，模型强行抹掉特征里的域差异，但可能把与分类相关的信息也一并抹掉，导致分类性能下降。关于λ怎么取值，第3.3节讲。

用这种方式而不是梯度反转层封装，好处是训练过程完全可控。你可以分别查看三个子网络的梯度情况，方便定位问题。比如单位损失很大确实现场问题很好解决。我在调试时经常打印域判别准确率，如果它一直维持在0.5附近，说明域对齐基本成功；如果它很快冲到1.0，说明判别器太强了，需要减弱它的能力。

3.3 关键超参数与训练策略

这套方法需要调的超参数不多，但每个都很关键。第一个是λ，也就是域对齐强度。我常用的做法是渐进式增大：训练的前几个epoch，λ从0开始线性增加到设定上限1.0。这样做的好处是让网络先学会基本的分类能力，再逐步引入域对齐压力，训练过程更稳定。如果一开始就强加大的域惩罚，特征提取器会乱套，损失曲线上下乱跳。

第二个是学习率。特征提取器和标签分类器可以用同一个优化器，学习率设1e-3。域判别器要单独设置优化器，学习率建议压低到1e-4。为什么？对抗训练的本质是两个网络竞赛，如果域判别器跑太快，特征提取器永远追不上，训练不会收敛。压低判别器的学习率，相当于给竞赛中的一方绑上沙袋，让特征提取器有喘息空间。

第三个是批大小。我一般用128。域对抗训练对批大小比较敏感，太小的batch会导致域判别器的梯度噪声过大，训练不稳定；太大的batch会占用过多显存。如果你的数据量大，可以把batch加到256，记得同时稍微降低学习率。

训练策略上，我倾向于先单独训练特征提取器和标签分类器几个epoch，等源域分类准确率稳定在90%以上，再打开域判别器和对抗训练。这个细节很多人不注意，直接联合训练，结果前期分类和对抗互相干扰，收敛速度慢。分阶段训练本质上是给网络一个“先学会走路，再学跑步”的启动过程。

4. 核心代码实现与逐步解读

4.1 数据加载与预处理代码

先看数据加载和特征提取。假设你手里有一份振动信号数据，每条样本包含一段固定长度的时域波形，我可以把它转换成幅值谱特征。

import numpy as np from scipy.fft import rfft def signal_to_fft_feature(signal, fft_points=256): # 截取前fft_points*2个点做rfft，得到fft_points个幅值谱点 segment = signal[:fft_points * 2] spectrum = np.abs(rfft(segment)) return spectrum[:fft_points] source_features = [] source_labels = [] for signal, label in zip(source_signals, source_labels_raw): feat = signal_to_fft_feature(signal) source_features.append(feat) source_labels.append(label) target_features = [] for signal in target_signals: feat = signal_to_fft_feature(signal) target_features.append(feat) # 用源域数据计算标准化参数 all_source = np.vstack(source_features) mean = all_source.mean(axis=0) std = all_source.std(axis=0) + 1e-6 def normalize(data): return (data - mean) / std source_features = normalize(np.vstack(source_features)) target_features = normalize(np.vstack(target_features))

这段代码有几个关键点。第一，快速傅里叶变换前截取固定长度，保证每条样本的特征维度一致。第二，标准化参数只从源域算，不碰目标域数据。第三，加一个小数值防止除零。实际项目中，我一般还会把幅值谱做一次对数压缩，让数值分布更均衡，模型更容易训练。实现上就是对幅值取log1p。

这里有一个容易踩的坑：如果你的源域和目标域采样率不一样，直接做快速傅里叶变换，同样点数对应的物理频率完全不同，那域对齐就无从谈起。必须先统一采样率，比如都重采样到16千赫兹，再切段、做傅里叶变换。

4.2 模型构建与损失函数代码

接下来是模型定义。我用TensorFlow的Keras接口，但不用它的Sequential，而是自定义三个子模型，方便在训练循环里分别取梯度。

import tensorflow as tf from tensorflow.keras import layers def build_feature_extractor(input_dim, feature_dim=64): inputs = layers.Input(shape=(input_dim,)) x = layers.Dense(128, activation='relu')(inputs) x = layers.Dense(128, activation='relu')(x) x = layers.Dropout(0.3)(x) features = layers.Dense(feature_dim, activation='relu')(x) return tf.keras.Model(inputs, features) def build_label_classifier(num_classes): inputs = layers.Input(shape=(64,)) x = layers.Dense(64, activation='relu')(inputs) x = layers.Dropout(0.2)(x) outputs = layers.Dense(num_classes, activation='softmax')(x) return tf.keras.Model(inputs, outputs) def build_domain_discriminator(): inputs = layers.Input(shape=(64,)) x = layers.Dense(64, activation='relu')(inputs) x = layers.Dropout(0.2)(x) outputs = layers.Dense(1, activation='sigmoid')(x) return tf.keras.Model(inputs, outputs) feature_extractor = build_feature_extractor(256) label_classifier = build_label_classifier(4) domain_discriminator = build_domain_discriminator()

因为输入特征是幅值谱，维度是256维，这个网络用全连接层就够了。如果你的数据量很大，或者信号特征复杂，可以把全连接层换成一维卷积网络，把输入重排成二维的时频图。但在“简单可靠”的定位下，全连接网络是性价比最高的选择。特征维度取64，不高不低，足够表达四类或十类的故障信息，同时避免维度太高导致域对齐困难。

损失函数部分，分类用稀疏交叉熵，域判别用二分类交叉熵。数据加载时，把源域和目标域拼在一起，同时构造域标签：

cls_loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False) domain_loss_fn = tf.keras.losses.BinaryCrossentropy(from_logits=False) # 构造组合数据 all_features = tf.concat([source_features, target_features], axis=0) domain_labels = tf.concat([tf.zeros((len(source_features), 1)), tf.ones((len(target_features), 1))], axis=0)

我的组合方式是：一条batch里同时包含源域和目标域样本，域标签分别为0和1。分类损失只对源域的部分做掩码，这样就避免目标域的无标签样本干扰分类目标。

4.3 训练循环与评估代码

训练循环是整个方法最核心的部分，我直接给出自定义训练的写法。相比于用Keras的fit，自定义循环能手动控制梯度，这在域对抗训练里有不可替代的灵活性。

batch_size = 128 total_batches = (len(source_features) + len(target_features)) // batch_size opt_feat = tf.keras.optimizers.Adam(learning_rate=1e-3) opt_cls = tf.keras.optimizers.Adam(learning_rate=1e-3) opt_dom = tf.keras.optimizers.Adam(learning_rate=1e-4) lambda_adv = 1.0 for epoch in range(50): # 每个epoch重新打乱组合数据的顺序 all_indices = tf.random.shuffle(tf.range(len(all_features))) for step in range(total_batches): idx = all_indices[step * batch_size : (step + 1) * batch_size] x_batch = tf.gather(all_features, idx) d_batch = tf.gather(domain_labels, idx) with tf.GradientTape() as tape: feature = feature_extractor(x_batch, training=True) pred_label = label_classifier(feature, training=True) pred_domain = domain_discriminator(feature, training=True) # 域损失全部参与 domain_loss = domain_loss_fn(d_batch, pred_domain) # 分类损失只有源域部分参与 is_source = tf.equal(d_batch, 0) source_indices = tf.where(is_source)[:, 0] source_label = tf.cast(label_for_domain0[source_indices], tf.int32) cls_loss = cls_loss_fn(source_label, tf.gather(pred_label, source_indices)) # 分别求梯度 grads_feat_cls = tape.gradient(cls_loss, feature_extractor.trainable_variables) grads_feat_dom = tape.gradient(domain_loss, feature_extractor.trainable_variables) grads_cls = tape.gradient(cls_loss, label_classifier.trainable_variables) grads_dom = tape.gradient(domain_loss, domain_discriminator.trainable_variables) # 关键：特征提取器梯度 = 分类梯度 - lambda * 域梯度 grads_feat = [g_c - lambda_adv * g_d for g_c, g_d in zip(grads_feat_cls, grads_feat_dom)] opt_feat.apply_gradients(zip(grads_feat, feature_extractor.trainable_variables)) opt_cls.apply_gradients(zip(grads_cls, label_classifier.trainable_variables)) opt_dom.apply_gradients(zip(grads_dom, domain_discriminator.trainable_variables)) # 每轮结束打印指标 target_pred = label_classifier(feature_extractor(target_features, training=False), training=False) acc = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(target_pred, axis=1), target_real_labels), tf.float32)) print(f"epoch {epoch}, cls_loss {cls_loss:.4f}, domain_loss {domain_loss:.4f}, target_acc {acc:.4f}")

这段代码里，label_for_domain0需要你提前定义：它是源域样本按组合顺序排列的真实标签。我这里为了可读性省略了一些索引细节，真实项目中可以直接维护一个布尔掩码来取源域样本标签。

环境的核心就是那行梯度操作：g_c - lambda_adv * g_d。这个减法把域损失的梯度反向施加到特征提取器上，迫使它往“让域判别器迷惑”的方向更新。每次迭代更新三个子网络，特征提取器承受压力和拉力，标签分类器只关心分类，域判别器只关心分辨来源。这个分工非常干净。

5. 实验效果、常见问题与调参速查

5.1 对比实验：不迁移与迁移差距多大

用这套方法做跨工况迁移，我常用的一个实验设置是：源域用某一负载下的轴承数据，目标域用另一负载下的数据，标签只给源域。对比方案有两个：一是“不迁移”，直接在源域上训练，目标域上测试；二是“域自适应迁移”，也就是本文这套方法。

不迁移的结果往往非常难看。在负载变化明显时，目标域准确率通常在60%~75%之间，有的类别甚至完全识别不出来，比如“滚动体故障”被误判成“内圈故障”。这说明模型学到的特征被工况信息主导了。加上域自适应之后，目标域准确率能提升到90%以上。我印象很深的一次实验中，不迁移准确率为68%，迁移后达到93%，提升25个百分点。而且训练过程只需要50个epoch，跑完不到十分钟。

这里要提醒：不同数据集的提升幅度差异很大。如果源域和目标域之间只差一点点负载变化，那本来准确率就有80%，提升到92%属于锦上添花；如果跨越不同转速和不同负载，不迁移可能只有50%，迁移提升潜力就非常大。

5.2 特征可视化：t-SNE带来的直观感受

很多人问怎么看模型有没有真正对齐域分布。我的经验是两件事：第一看目标域准确率，第二看特征分布的可视化。

具体做法是，训练结束后用特征提取器分别提取源域和目标域的全量特征，拼接起来后用t-SNE降维到二维平面，点按来源域着色。迁移前，你能看到明显的两个簇群，左边红点聚集，右边蓝点聚集，泾渭分明，说明分布差异巨大。迁移后，红点和蓝点交织在一起，但如果按真实故障类别再上一次色，你会看到同一种故障的红蓝点又基本聚成一坨。这个画面就是“域无关、类别可分”的最佳证明。

画t-SNE时有一个小技巧：使用perplexity参数，数据量大时设置高一点，数据量少时设置低一点。默认30往往不够直观，可以调到15或50试试，找到最能反映结构的取值。另外，t-SNE是无监督降维，每次运行结果略有不同，这不是bug，属于正常现象。

5.3 踩坑记录与排查速查表

训练过程中最容易出问题的地方，我整理成一个速查表，都是真实项目中遇到过的。

这些坑里，数据预处理泄漏是个隐蔽问题。如果你在归一化时不小心用了全部数据的均值和标准差，等于提前看到了目标域的整体分布信息，虽然测试准确率看起来不错，但这是伪提升。真正落地时目标域数据是动态流入的，你根本不可能提前算全局统计量。所以必须坚持只用源域统计量。

另一个值得说的是训练轮数。我见过很多人训练3个epoch就急着看结果，域对抗任务和普通分类任务不一样，需要更长的迭代时间才能看到域对齐的收益。一般至少要20个epoch以上。如果数据量很大，还可以配合学习率衰减，在最后几个epoch把学习率降到1e-4，让网络收敛得更细腻。

5.4 适用边界与后续扩展

这套方法并不是万能的。如果源域和目标域包含的故障类别根本不对应，比如源域有内圈故障，目标域只有外圈故障，那域对齐就没有意义，甚至可能把故障类别信息搞混。所以在动手前，先确认两个域的故障类型空间基本一致，只是工况不同。这是域自适应方法成立的前提。

还有一个边界情况是源域和目标域差异过大时，比如一个是实验室台架、一个是复杂现场机组，两者关联性太弱，简单的对抗对齐往往不够。此时可以先做一次微调预热，或者引入更复杂的条件对抗机制。但那些方案复杂度高，不一定适合现场快速落地。

这套方法的扩展方向很多。可以改成半监督模式，把目标域少量有标注样本也加入分类损失，进一步提升上限。也可以把一维幅值谱换成二维时频图，配合二维卷积网络，识别能力更强，代价是计算量上升。如果关心可解释性，可以在特征提取器后面加一层注意力机制，让模型告诉我们它主要关注哪些频段。总体上说，这个框架是开放的，核心的域对抗训练逻辑不变，只换输入或者分支结构，就能适配更多场景。

我在实际使用中还有一个体会：域对抗训练需要耐心，不要一看到损失上升就急着调参。对抗过程本来就是波动的，只要整体趋势向下、目标域准确率在缓慢爬坡，就说明训练在往好的方向走。很多入门者最大的问题不是方法不对，而是中途放弃了。这个方法本身并不复杂，但要把训练节奏把握好，需要一点经验积累。希望我上面这些踩坑记录能帮你少走弯路。