企业官网建设流程全解析

工业故障诊断这几年有个很明显的趋势：光靠纯数据驱动已经不够用了，特别是在样本稀缺、工况多变的真实产线上，模型动不动就"训练时漂亮、上线即翻车"。我们团队最近做完了一个把物理约束、不平衡样本处理和实时部署串起来的工业故障诊断框架，踩了不少坑，也沉淀了一些能直接复用的经验。这篇文章就把整个项目的设计思路、核心技术点、落地细节和排查过程完整拆开来讲，希望能给正在做类似方向的朋友一些参考。

1. 项目背景与整体设计思路

1.1 为什么必须引入物理约束

先说说背景。我们面对的生产场景是旋转机械设备的状态监测，核心任务是从振动信号、电流信号和温度信号中识别轴承、齿轮箱等关键部件的故障类型。这类问题在工业现场极其常见，但有一个致命难点：故障样本极其稀少，且故障机理复杂，纯数据驱动的模型很难学到真正有泛化能力的特征。

纯数据驱动的问题在哪里？我举一个很典型的例子。训练集里如果只有几种特定转速、特定负载下的故障数据，模型学到的往往是"这个转速下的频谱长这样"，而不是"这种故障的物理本质是这个"。一旦现场工况变化，特征分布一偏移，准确率立刻崩盘。这就是工业场景里"实验室模型"和"可上线模型"之间的鸿沟。

引入物理约束的核心思路，就是把设备运行的先验知识——比如轴承故障特征频率公式、转子动力学方程、热力学平衡关系——编码进模型的训练过程中，让模型在拟合数据的同时，也必须满足物理规律。这样一来，模型学到的特征就被"锚定"在了真实的故障机理上，而不是数据里的偶然相关性。

我们项目里用的物理约束方式不是那种复杂的PINN（物理信息神经网络）做偏微分方程求解，而是更务实的做法：把物理特征频率作为先验信息注入特征提取层，同时在损失函数里加入基于物理关系的正则化项。这样既能控制实现复杂度，又能真正约束模型的行为，工程上落地性远好于端到端的物理方程耦合方案。

1.2 不平衡样本问题为什么绕不开

接着说样本不平衡。任何做过工业数据的人都知道，正常样本可能采集了几十万条，而某一种故障样本可能只有几十条甚至几条。这种极端不平衡下，模型很容易陷入"全都预测正常"的懒惰解——因为准确率照样能到99%以上，但实际上一旦故障发生，模型完全失灵。

我们调研过几种常见的处理思路，包括SMOTE过采样、焦点损失（Focal Loss）、代价敏感学习、异常检测思路等。最后没有只选一种，而是做了一个分层组合方案：

• 对样本量稍多的故障类型，用改进的SMOTE变体做边界过采样；
• 对样本极少的故障类型，用物理约束特征空间里的数据增强，而不是原始信号空间直接做变换；
• 损失函数层面统一用带类别权重的Focal Loss，压制易分类样本的梯度贡献。

这个组合方案看起来简单，但实际调起来有一堆细节。比如SMOTE如果直接在原始振动信号上做插值，插出来的样本经常违反物理规律——两个不同转速下的信号插值之后，频谱特征完全是乱的，不仅没有增加有效信息，反而污染了边界。我们最后把SMOTE挪到了物理特征空间去做，效果才真正好起来。

1.3 实时部署框架的硬约束

再聊聊部署侧。工业现场的实时诊断和实验室跑个离线推理是完全不同的逻辑。现场的要求大致是：单条样本从采集到输出诊断结果，延迟必须控制在100毫秒以内；推理节点用普通的工业网关或边缘盒子，没有GPU；系统要能长时间稳定运行，不能动不动就重启。

这个"实时部署框架"其实包含几个层面：模型本身的推理速度优化、前后处理流程的流水线设计、模型更新与版本管理、以及诊断结果与现场告警系统的对接。每一个层面都有坑，后面我会详细展开。

整体设计上，我们最终选择了"边缘推理 + 中心训练 + 增量更新"的架构。中心服务器负责模型的离线训练和物理约束校验，边缘节点负责实时特征提取和推理。模型不是训完一次就固定不变了，而是通过增量学习机制，利用现场新采集到的样本持续做小步更新。至于为什么不直接在边缘训练——后面会在部署章节细说。

2. 关键技术与方案选型解析

2.1 物理约束的两种注入方式与取舍

物理约束怎么进模型？我们对比过两种主流做法，这里把经验和教训都写出来。

第一种：物理特征作为输入特征（硬注入）

这种方式比较直接。以轴承故障诊断为例，滚动轴承的内圈、外圈、滚动体故障都有对应的特征频率计算公式。我们可以把理论计算出的特征频率及其倍频、边带信息，和原始信号的频谱特征拼接在一起，作为模型的输入特征。

这样做的好处是模型从一开始就能"看到"物理先验，收敛快、可解释性好。缺点是如果工况变化剧烈，理论特征频率和实际频谱特征会有偏差，反而可能误导模型。

第二种：物理关系作为损失函数约束（软注入）

这种方式是把物理关系写成损失函数的一part。比如我们可以根据设备转速实时计算理论故障特征频率，然后约束模型输出的特征表示中，在对应频率位置必须产生足够的激活响应。用公式表示就是：

L_physics = λ * || f_model(x) - f_physics(rpm) ||²

其中 f_model(x) 是模型从输入信号中提取的频谱特征，f_physics(rpm) 是根据实时转速计算的物理先验特征。这个约束会迫使模型学到的内部表示和物理机理保持一致。

我们最终选择的是以软注入为主、硬注入为辅的混合方案。核心考虑是：硬注入对输入拼接的维度要求高，而且故障特征频率随转速变化时，固定维度的拼接特征很难灵活调整；软注入则天然适应变转速工况，约束强度还可以通过 λ 系数灵活调节。

这里有一个非常关键的实操细节：λ 系数的设置不能全程固定。训练初期 λ 应该大一点，让模型尽快收敛到物理上合理的区域；训练后期要逐步减小，给数据拟合留出空间。我们用的是余弦退火式的 λ 调度，效果比固定 λ 好很多。

2.2 不平衡样本处理策略的横向对比

说到不平衡样本，我先把我们对比过的方案列个表，然后一个个讲坑。

先说原始空间SMOTE。我们在振动信号上直接做过实验，效果非常差。原因我在前面说过：两条不同工况的振动波形做线性插值，生成的新波形在频谱上是"四不像"，既不属于A类故障也不属于B类故障，模型反而学会了错误的决策边界。这个教训很重要——SMOTE不是不能用，而是要看在什么空间里用。

特征空间SMOTE是我们目前的主力方案。具体做法是：先用一个预训练的编码器把振动信号映射到低维特征空间，在特征空间里找到少数类的近邻样本做插值，再把插值后的特征解码回信号空间。因为特征空间里近邻样本之间的语义距离更有意义，插值出来的样本在物理上通常也是合理的。

再说Focal Loss。公式网上到处都是，我这里只说调参经验。核心超参是 γ（聚焦参数）和 α（类别权重）。γ 太小起不到压制易分类样本的作用，γ 太大又会让模型在训练早期完全学不动——因为连正常样本都被压得太狠了。我们试下来 γ=2.0、α 取各类别样本量的倒数做归一化，是比较稳的起点。另外提醒一句：Focal Loss 只控制损失计算方式，该做的数据层面处理还是得做，不能指望一个损失函数包打天下。

代价敏感学习我们的定位是辅助手段。具体做法是在分类层输出后乘一个代价矩阵，让"把故障判成正常"的代价远大于"把正常判成故障"的代价。这个工作在工业场景里其实很自然——漏报一次故障可能造成整条产线停机，误报一次最多就是停机检查。代价矩阵的设置应该和现场的实际损失挂钩，而不是拍脑袋定数字。

2.3 模型架构选择：1D-CNN还是Transformer

模型骨架我们对比过1D-CNN、LSTM、Transformer 和它们各自的变体。最终选的是1D-CNN + 注意力机制的混合结构，原因有三个方面。

第一是推理延迟。Transformer 的推理速度在CPU上不够稳定，特别是在序列长度较长时，自注意力的计算量随序列长度平方增长。工业现场用的是普通工控机，算力有限，1D-CNN 在这种场景下的推理延迟可以稳定在个位数毫秒级别，这是硬优势。

第二是局部特征敏感度。振动信号的故障特征往往是某个频率区域的局部峰值、边带结构，1D-CNN 的卷积核天然擅长捕捉这种局部模式。Transformer 的全局注意力反而容易被大量无关的频谱区域干扰。

第三是数据量适配。故障样本本来就少，Transformer 这种大参数模型在小样本下极容易过拟合。1D-CNN 参数量小，配合物理约束正则化，在小样本下反而能学到更稳的特征。

混合结构的具体形态是：前面三层1D卷积做多尺度特征提取，中间插入一个轻量化的通道注意力模块（类似SE-Net的思路）做特征重标定，最后接全局平均池化和分类头。这个结构在精度和速度之间取得了比较好的平衡。

3. 核心实现过程与实操细节

3.1 数据采集与预处理管线

数据采集阶段没有太多可讲的，重点在预处理管线的设计。我们的原始数据是三轴振动加速度信号，采样率25.6kHz，每次采集时长10秒。预处理管线按以下顺序处理：

1. 去直流分量：减掉信号均值，消除传感器零漂的影响。
2. 带通滤波：保留1Hz到10kHz的有效频段，滤掉高频噪声和低频干扰。这里滤波器的阶数选择很关键，阶数太低滤波不干净，阶数太高会引入相位畸变。我们用的是4阶巴特沃斯滤波器，带通波纹和相位特性比较均衡。
3. 重采样对齐：把不同传感器通道的信号重采样到统一长度，保证后续特征提取时各通道维度一致。
4. 滑窗切分：每段10秒的信号按2秒窗长、50%重叠切分成9个子样本。这样做有两个好处：一是相当于做了9倍的数据扩充，二是保留了信号的非平稳变化信息——同一段信号里不同窗口的频谱特征是有差异的，模型能看到更丰富的模式。
5. 归一化：按窗口做z-score标准化。注意必须按窗口独立做，不能在整个数据集上做全局归一化，否则现场信号幅值分布一变，归一化参数就失效了。

预处理管线的代码框架类似这样：

def preprocess_signal(raw_signal, fs=25600): # 去直流 signal = raw_signal - np.mean(raw_signal) # 带通滤波 b, a = butter(4, [1, 10000], btype='bandpass', fs=fs) signal = filtfilt(b, a, signal) # 滑窗切分 window_len = int(2 * fs) stride = int(1 * fs) windows = [] for start in range(0, len(signal) - window_len + 1, stride): windows.append(signal[start:start+window_len]) return np.stack(windows)

注意这里用了filtfilt而不是lfilter。原因在于filtfilt是零相位滤波，不会引入相位偏移。对于振动信号分析，相位信息直接关系到故障特征的定位精度，这个细节不能省。

3.2 物理特征频率的计算与编码

以轴承故障诊断为例，物理约束的根基是特征频率计算公式。对于滚动轴承，内圈故障、外圈故障、滚动体故障的特征频率分别由以下公式给出：

外圈故障特征频率 BPFO = (n/60) × (1 - d/D × cos(α)) × f_r 内圈故障特征频率 BPFI = (n/60) × (1 + d/D × cos(α)) × f_r 滚动体故障特征频率 BSF = (D/(2d)) × f_r × (1 - (d/D × cos(α))²)

其中 n 是滚动体个数，d 是滚动体直径，D 是节圆直径，α 是接触角，f_r 是转频。

这些参数在轴承型号确定后就是已知量。实际生产中，设备铭牌上就能查到这些参数，不需要额外测量。算出来的特征频率就是物理先验的核心内容。

在实现时，我们把理论特征频率、转频、以及它们的前三阶倍频组成一个"物理先验向量"。这个向量一方面拼接进模型输入，另一方面用于构造物理约束损失函数。为了适应变转速工况，转频 f_r 用当前转速传感器实测值实时计算，而不是用固定值。这个细节直接决定了框架在变速工况下能不能用。

3.3 物理约束损失函数的实现

物理约束损失函数是这一节的核心。我们的实现分三个部分：

第一部分：特征频率对齐损失

模型提取的频谱特征在每个频率位置上都有对应的幅值响应。物理约束要求：理论故障特征频率对应的频谱位置，模型特征必须有显著响应；非特征频率区域，响应应该被抑制。形式化表达为：

def physics_alignment_loss(feature_map, fault_freqs, bandwidth=0.02): loss = 0.0 for freq in fault_freqs: # 取理论频率附近的频带 f_low = int((freq * (1 - bandwidth)) / freq_resolution) f_high = int((freq * (1 + bandwidth)) / freq_resolution) # 该频带内的平均能量 band_energy = torch.mean(feature_map[:, :, f_low:f_high], dim=2) # 全频带平均能量 global_energy = torch.mean(feature_map, dim=2) # 约束：故障频带能量应显著高于全局平均 loss += torch.relu(global_energy - band_energy + margin) return loss

这里面的 margin 是容差参数，控制约束的强弱。太大会让模型学不出来，太小又约束不住。我们建议初始值设在0.1到0.3之间（特征幅值已归一化到0-1的前提下），通过验证集表现微调。

第二部分：物理一致性正则化

这个部分约束的是"模型在相似物理条件下的输出应该相似"。具体来说，如果两条样本的转速、负载接近，那么它们的特征表示应该也接近。我们用对比学习的思想实现：

def physics_consistency_loss(features, rpm_values, temperature=0.5): # 根据转速差值构建相似度矩阵 rpm_diff = torch.abs(rpm_values[:, None] - rpm_values[None, :]) similarity_target = torch.exp(-rpm_diff / temperature) # 特征余弦相似度 feat_norm = torch.nn.functional.normalize(features, dim=1) feat_sim = torch.mm(feat_norm, feat_norm.T) return torch.mean((feat_sim - similarity_target) ** 2)

这个损失的意思是：两条转速很接近的样本，模型特征应该非常相似；两条转速差异很大的样本，模型特征可以不同，但不会强制它们相同。这个约束极大地提升了模型在变速工况下的泛化能力。

第三部分：温度-振动耦合约束

如果是涉及热力学的设备，我们可以加入温度与振动之间的物理耦合关系。比如轴承温度升高时，润滑脂粘度会下降，振动幅值特征会有可预测的变化趋势。这部分约束属于领域定制内容，这里不展开公式，只强调一个原则：物理约束的设计必须基于真实的物理机制，不能为了加约束而加约束——一个错误的物理假设比没有约束更有害。

3.4 混合采样策略与训练流程

数据加载器是训练流程里最容易被低估的部分。我们的训练数据流水线设计成"先动态过采样、再批内平衡采样"的两级结构。

第一级：物理约束数据增强

对于每个训练epoch，以一定概率对少数类样本做增强。增强方式不是简单的加噪声，而是基于物理模型的扰动：

• 转速扰动：在真实转速附近做小幅随机偏移，模拟工况波动；
• 幅值扰动：按真实故障的物理幅值模型做随机缩放；
• 频率微扰：在理论特征频率附近做微小偏移，模拟实际工况下特征频率的漂移。

这种增强方式之所以有效，是因为它不是在盲目地制造随机扰动，而是沿着物理允许的方向扩展样本分布。

第二级：批内重采样

每个训练批次内，强制保证每个类别的样本数量基本均衡。具体做法是先按类别分组，每组内部随机采样相同数量的样本，再合并打乱组成一个批次。这样每个batch模型都能看到各个类别的样本，不会出现某个batch全是正常样本、下一个batch全是故障样本的极端情况。

训练流程的完整链路是：数据加载 → 特征提取 → 分类预测 → 计算分类损失 + 物理约束损失 → 反向传播更新 → 周期性在验证集上检查物理约束的满足度。我们用早停法控制训练轮数，早停的监控指标不是单纯的总损失，而是"分类准确率 + 物理约束损失"的双指标——只盯着分类损失容易选到物理约束失效的模型。

3.5 训练后的物理一致性校验

这个环节很多人不做，但我觉得一定要做。模型训练完之后，不能只看测试集准确率就收工，还要额外做一轮"物理一致性校验"。

具体做法是：构造一组覆盖不同转速、不同负载的验证工况，把同一故障的各种工况样本都跑一遍，检查模型对同一故障的诊断结果是否稳定。如果同一个故障在转速A下被识别出来，在转速B下却大面积漏报，说明模型仍然依赖的是数据相关特征而不是物理本质特征，这时候需要检查物理约束是否真正生效了。

我们遇到过一种情况：物理约束损失确实在下降，但模型依然没学到物理特征。排查后发现，问题出在特征提取网络的中高层特征图上，物理约束只作用在了最后一层，前面几层仍然可以自由地"记住"无关特征。解决办法是在多个特征层分别加约束，而不是只在输出端加。这个经验对做物理信息深度学习的同行应该很有参考价值。

4. 实时部署框架的构建与落地

4.1 部署架构选型：边缘推理与中心训练的分离

部署架构的设计原则是"训练与推理解耦，模型与数据同源"。整体分三层：

边缘推理层：部署在现场的工业网关或边缘计算盒子上，负责实时数据采集、预处理、特征提取、模型推理、结果上报。这一层追求的是低延迟和高稳定性，不做重计算任务。

中心训练层：部署在工厂机房或云端，负责模型的离线训练、物理约束校验、版本发布。这一层有完整的GPU资源，可以跑重负载的训练任务。

增量更新通道：边缘层把推理过程中收集到的高置信度新样本定期回传中心，中心用它做增量学习，更新后的模型推送回边缘层替换旧版本。

这个架构的好处是：边缘推理不会因为训练任务而受影响，模型更新可以通过版本管理机制灰度发布，现场数据持续回流形成数据闭环。

4.2 模型压缩与推理加速

模型本身不大，参数量大约在120万左右，但要在工控机的CPU上稳定跑进100毫秒，必须做推理优化。我们用了几个手段，按投入产出比排序：

第一个是模型量化。用INT8量化把模型权重的浮点精度压下来，推理速度提升约4倍。量化过程中最容易出问题的是一些激活值分布很宽的层——比如物理约束模块中的频率特征层。这类层我们做量化校准时要专门多放一些接近实际工况的校准数据，否则量化误差会放大。

第二个是算子融合。把卷积层后面的批归一化和激活函数融合进卷积算子，减少计算图里的节点数和内存搬运开销。PyTorch的torch.jit.script加torch.jit.optimize_for_inference就能完成大部分算子融合，不需要手动改算子实现。

第三个是计算图优化与缓存。输入信号的预处理结果做策略缓存——转速变化不大时，某些中间特征可以复用，不必重复计算。这个优化在大批量连续推理时效果显著。

经过这些优化后，单条样本的端到端推理延迟从原始的80毫秒左右压到了15毫秒以下，加上数据采集和预处理，整体延迟稳定在30到40毫秒，给现场告警系统留出了充裕的时间余量。

4.3 流式推理管线设计

流式推理是实时系统的核心。我们的推理管线是典型的"生产者-消费者"模型，用有界队列连接各个处理阶段：

数据采集线程 → 预处理线程 → 推理线程 → 结果发布线程

每个线程之间用环形缓冲区做数据交换，缓冲区的容量要精心设计。太大导致延迟增大，太小遇到瞬时数据高峰会丢数。我们的经验是缓冲区大小设为处理时延的10到20倍比较合适。

还有一个容易被坑的点：Python多线程的GIL问题。我们用的是PyTorch的C++部署接口，把推理部分放到C++线程里跑，Python侧只做数据搬运和结果解析，这样才能真正利用多核CPU的并行能力。纯Python线程做推理会有明显的性能瓶颈。

4.4 模型版本管理与灰度发布

模型不是训完一次就固定了。现场工况会变化，新故障类型会涌现，模型必须持续更新。我们做了三个层次的保障：

版本管理：每个版本的模型都记录训练数据范围、物理约束参数、验证集表现、发布时间等元信息。出问题的时候，可以快速定位是哪个版本的哪个环节出了问题，回滚到之前稳定的版本。

灰度发布：新版本模型先部署到一台边缘节点上跑一段时间，和其他节点上的旧版本做并行对比。只有当新版本的诊断准确率、误报率都优于旧版本时，才逐步扩大部署范围。这个机制避免了"一夜回滚"的惨剧。

置信度门控：模型输出的置信度低于设定阈值时不下判断，而是标记为"待确认"，由云端的高精度模型复核。这个设计在实际运行中非常有用——不确定的时候不要瞎报，比强行给出一个答案要安全得多。

5. 常见问题与排查经验实录

5.1 物理约束为什么训着训着就失效了

这是我们在开发过程中遇到的最头疼的问题。物理约束损失明明在下降，但测试集的故障识别率反而越来越差。后来定位到两个原因：

第一个原因是多个损失项量纲不一致。分类损失和物理约束损失的数值量级差太多，导致物理约束项在优化过程中被完全忽略。解决办法很简单：把物理约束损失做归一化，让它在训练初期和分类损失的数值在同一量级。具体做法是计算物理约束损失的前几个batch的均值，然后把它缩放到和当前分类损失相近的水平。

第二个原因是特征层选择不当。前面说过，只在最后一层加物理约束，前面的特征层学不到物理相关的表示。解决方案是选择性地把物理约束加到多个特征层。注意不是所有层都加——低层的局部模式特征和物理规律的关联方式不直接，强行加约束反而破坏特征提取能力。

5.2 极端不平衡下的训练崩溃问题

另一种典型问题是训练初期模型直接崩溃，所有类别都预测成样本量最大的那一类。这种情况多半是正负样本梯度极端不均衡导致的。

排查步骤一般是这样的：

1. 检查初始化后各类别的预测概率分布，如果某一类初始概率异常高，可能是分类层的bias初始化问题，把bias初始化为各类别样本占比的对数；
2. 检查训练初期的梯度范数，如果少数类的梯度被多数类淹没，说明Focal Loss的γ参数需要调大或α权重需要重新设置；
3. 检查数据增强策略是否在某些类别上过于激进，导致模型学到增强伪影而不是真实特征。

我们的最终方案是：分类层bias用对数先验初始化，α权重按有效样本数（有效样本数的定义参考Class-Balanced Loss论文的做法）计算，γ从1.0开始逐步退火到2.5。这样训练从头到尾都保持了稳定。

5.3 实时部署后精度为什么低于离线测试

模型部署到现场后精度下降是一个几乎必然遇到的问题，原因不外乎以下几点：

• 数据分布漂移：现场的噪声水平、设备负载、环境温度都和训练数据不同，尤其要警惕的是传感器安装位置的差异。轻微松动就会改变信号的传递路径，频谱特征随之变化。我们给这个专门设计了传感器健康自检机制，定期对比传感器信号统计特性，发现异常自动标记该通道数据不可信。
• 预处理参数不一致：训练时用的滤波参数和部署时不一致，会引入系统偏差。这个问题在代码复用不当的时候极容易发生，必须确保训练和部署共用同一份预处理代码，不允许分别实现。
• 量化误差：INT8量化带来的精度损失在少数类样本上特别明显。解决思路是量化感知训练，在训练阶段就模拟量化的舍入误差，让模型适应低精度表达。

5.4 误报率偏高怎么治

工业现场对误报的容忍度很低，频繁误报会导致维护人员对系统失去信任。误报率偏高的排查思路需要按"数据-特征-模型-阈值"四个层面逐一排查：

数据层面，优先排查传感器信号是否受到干扰，比如附近的大型电机启动造成的电磁干扰会引入高频噪声，这种噪声和某些故障特征在频率上很接近，极其容易误判。特征层面，检查特征分布是否存在工况之间的混叠。模型层面，用测试集的误报样本做错误分析，聚类看是否有集中的模式。阈值层面，检查置信度门限是否设置过低——在工业场景里，宁可漏报优先级低的轻微故障，也不要把每条可疑信号都报出来。这个平衡关系要在现场反复调整。

5.5 常见问题速查表

个人体会与经验总结

最后说几句实在话。

做物理约束下的工业故障诊断，最大的体会是：物理约束不是用来替代数据驱动模型的，它是用来给数据驱动模型划定边界、引导方向的。完全丢掉物理先验，纯数据模型在工况一变的现场就是裸奔；完全依赖物理模型，又会在复杂故障模式下力不从心。两者的结合方式、结合力度，都需要根据实际场景反复调优。

第二点体会是：不平衡样本问题千万不要指望一个技巧就解决。数据层面、损失函数层面、网络结构层面，每个层面都要做工作，组合起来才能在小样本故障诊断上真正站住脚。而且每一步都要在验证集上验证，不能想当然地套用论文里的结论。

第三点体会是：实时部署工作从项目第一天就要考虑。不要等模型在实验室里刷完点再想部署的事，那时候很多设计已经被锁死，改起来代价极高。最好的做法是拿部署环境的算力指标、延迟要求去反向约束模型设计，从一开始就在约束下做方案。

这个框架后续还可以往两个方向扩展：一是引入更多类型的传感器做多模态融合，比如把电流信号、声发射信号和振动信号联合建模，让物理约束关系更丰富；二是把增量学习做得更完善，让模型真正实现在线持续进化，而不是定期人工离线更新。每一步都有得折腾，但也正因如此，这个方向才值得持续投入。