简介这是一份基于迁移学习DANN模型的跨工况轴承故障诊断Python项目面向计算机、机械或自动化相关专业的学生、教师及企业工程师适用于毕业设计、课程设计、作业或项目初期验证。项目代码均经测试运行成功答辩评价较高可帮助读者掌握域对抗网络在故障诊断中的建模思路与数据处理流程。压缩包共35个文件核心为18个Python源码文件覆盖模型构建、数据读取、特征归一化、训练测试及可视化等模块另有5个zbak备份文件、4个xml配置、YAML环境配置、说明文档与附赠内容整体仅23KB目录分层清晰便于快速定位。随附的模型与数据相关内容可支持直接复现DANN跨工况诊断实验适合希望在已有框架上修改拓展、深入理解变工况场景应用的初学者与进阶者。目前已有147人学习下载。1. 基于迁移学习的DANN轴承故障诊断跨工况识别到底解决什么问题轴承故障诊断里有一个很现实的困境你在 600 rpm 工况下训练好的模型换到 800 rpm 的机器上准确率直接掉到没法看。不是模型不行是训练数据和测试数据来自不同分布——传统深度学习假设训练集和测试集同分布而工业现场恰恰不满足这个假设。DANNDomain-Adversarial Neural Network域对抗神经网络就是冲着这个问题来的它通过对抗训练让特征提取器学到“跨工况通用”的特征而不是只记住某个转速下的特征。这份资源是一个完整的 Python 实现包含源码、文档、数据集和训练好的模型代码已经跑通适合做毕业设计、课程设计或者工业场景的迁移学习预研。如果你正在纠结“怎么让模型在没见过的工况下也能诊断”这篇文章会把原理、代码结构、训练流程和踩过的坑一次讲透。2. DANN 核心机制与源码结构梯度反转层、域判别器和三个关键文件2.1 DANN 在做什么从特征分布对齐说起传统监督学习的目标是让模型在训练集上分类准确但跨工况时训练集和测试集的特征分布会漂移。DANN 的思路是训练一个特征提取器让它提取出的特征既能完成故障分类任务又能“骗过”一个域判别器。域判别器负责判断特征来自源域训练工况还是目标域测试工况而特征提取器通过梯度反转层GRL反向更新让域判别器无法区分特征来自哪个域。两边对抗的结果就是特征提取器被迫丢掉与工况相关的信息只保留与故障类型相关的信息。DANN 的损失函数由两部分组成分类损失加上带权重的域判别损失。训练时最小化分类损失同时通过 GRL 最大化域判别损失——GRL 在前向传播时原样传递特征反向传播时将梯度取反再回传。这个设计的巧妙之处在于它不需要目标域的任何标签只需要目标域的原始振动信号就能完成域对齐。对于轴承故障诊断这种标注成本高的场景这是很实用的特性。2.2 源码文件清单与职责划分拿到 fd-dann-master.zip 解压后先看 README.md里面写清了整体结构和运行步骤。然后按下面这个表去对应文件心里就有数了。文件职责model.pyDANN 主模型定义包含特征提取器、标签分类器、域判别器functions.py梯度反转层GRL实现data_loader.py加载源域和目标域数据生成 batchdata_reader.py读取原始振动信号文件负责底层 I/Odata_conf.py数据路径、工况列表、故障类型等配置data_normalize.py数据归一化处理main.py训练入口跑完整训练流程test.py测试入口加载模型评估精度run_test.py批量测试脚本一次跑多个模型文件_config.yml训练超参数配置文件这个项目的核心逻辑在 model.py 和 functions.py 里。functions.py 里的 GRL 是 DANN 的发动机能不能跑对全靠它。2.3 梯度反转层代码解读梯度反转层的实现很精简核心就是重写 autograd 的 forward 和 backward。常见做法是这样import torch from torch.autograd import Function class GradientReversalLayer(Function): staticmethod def forward(ctx, x, lambda_): ctx.lambda_ lambda_ return x.view_as(x) staticmethod def backward(ctx, grad_output): return grad_output.neg() * ctx.lambda_, Noneforward 阶段原样返回输入backward 阶段把梯度取反并乘以系数 lambda_。lambda_ 是域判别损失的权重训练中通常从 0 慢慢涨到 1。训练初期 lambda 小模型先学好分类任务后期 lambda 增大对抗强度上来特征开始对齐。2.4 模型三件套特征提取器、标签分类器、域判别器model.py 里 DANN 的主体结构是三个子网络串起来。特征提取器一般用两层卷积加全连接把一维振动信号映射成特征向量。标签分类器接在特征后面输出故障类别概率。域判别器结构上可以是简单的两层全连接输入是特征向量输出是域标签的二分概率。训练逻辑在 main.py 里核心循环分为三步前向传播计算分类 loss 和域判别 loss反向传播更新分类器参数再通过 GRL 反向更新特征提取器参数。域判别器和特征提取器是博弈关系域判别器要努力区分源域和目标域特征提取器要努力让域判别器区分不了。有一点要注意两个 loss 的权重关系。域判别 loss 乘上 lambda 后和分类 loss 相加lambda 的调度策略直接决定训练效果。建议先用固定的小 lambda比如 0.1跑一轮确认代码能通再上动态调度。3. 数据集准备与加载从原始振动信号到模型输入的完整链路3.1 数据集结构源域、目标域和故障类型怎么组织这个项目的数据集以 PHM2012 这类公开轴承数据集的组织方式为参考。训练时的“源域”是 A 工况比如 1800 rpm 负载 0目标是让模型能迁移到 B 工况比如 1200 rpm 负载 0。但 DANN 训练时目标工况的数据也会参与——只是不提供标签。典型的目录结构长这样dataset/ ├── source/ │ ├── fault_1/ │ ├── fault_2/ │ └── normal/ ├── target/ │ ├── unlabeled/data_conf.py 里通常配置这样几个字段源域数据根目录、目标域数据根目录、工况编号、采样频率、窗口长度、故障类型列表。实际修改时只需要把路径指到你本机的数据目录把故障类型列表改成你自己的标签顺序。3.2 数据加载与预处理切窗、归一化、分 batchdata_loader.py 干的事情可以拆成四步。第一步用 data_reader.py 读取每个样本的原始振动信号文件。第二步按固定窗口长度切分——每个样本切出多个小窗口相当于数据增强。窗口长度一般取 1024 或 2048步长取窗口的一半这样相邻窗口有重叠能缓解边界效应。第三步对每个窗口做归一化。这里有两种常见策略全局归一化用整个数据集的均值和方差和样本归一化每个窗口独立做DANN 场景下建议用样本归一化因为不同工况的振动幅值差异可能很大全局统计会把这种差异带进特征。第四步把源域和目标域的数据分别包装成 DataLoader一个迭代器返回 source batch另一个返回 target batch。# data_conf.py 中常见的关键配置 source_domain condition_A target_domain condition_B window_size 1024 stride 512 batch_size 64 num_workers 4batch_size 取 32 到 64 之间比较合适太小梯度噪声大训练不稳太大显存吃紧而且域判别器太容易区分源域和目标域对抗梯度会变得很猛模型不容易收敛。num_workers 根据 CPU 核数调整Windows 上经常会因为 num_workers 大于 0 报错遇到就直接设为 0。3.3 data_normalize.py 的归一化细节data_normalize.py 里实现了两种归一化方法一种是 z-score 标准化减去均值除以标准差另一种是 min-max 缩放到 [0,1]。对轴承振动信号我建议用 z-score因为振动信号近似服从高斯分布z-score 能保留信号的形态特征。min-max 对离群点太敏感某个传感器瞬时冲击就会把整个缩放比例带偏。训练时源域和目标域要分别做归一化不要混在一起算统计量否则等于把工况差异提前泄露给模型DANN 就失去意义了。3.4 数据加载的验证方法数据加载是第一步也是最容易出错的一步。建议先写一个简单的检查脚本打印每个 batch 的形状和标签分布for batch_idx, (source_data, source_label) in enumerate(source_loader): print(batch_idx, source_data.shape, source_label.shape) if batch_idx 2: break如果 source batch 的第二个维度是 1说明数据是单通道的一维信号模型输入层要按(batch, 1, window_size)接收。如果打印出来的标签不是从 0 开始连续排列说明 data_conf.py 里的故障类型列表顺序和文件夹对应关系有问题需要改配置。这一步跑通了再进训练后面会省很多事。4. 训练与测试跑通 DANN 的完整流程与参数设置4.1 训练入口 main.py 的主循环main.py 是完整的训练脚本。核心训练循环大致是这样的for epoch in range(num_epochs): for (source_x, source_y), (target_x, _) in zip(source_loader, target_loader): p (epoch batch_idx / total_batches) / num_epochs lambda_ 2.0 / (1.0 torch.exp(-10.0 * p)) - 1.0 source_feat feature_extractor(source_x) class_loss criterion(classifier(source_feat), source_y) target_feat feature_extractor(target_x) domain_pred_source domain_classifier(source_feat) domain_pred_target domain_classifier(target_feat) domain_labels_source torch.ones_like(domain_pred_source) domain_labels_target torch.zeros_like(domain_pred_target) domain_loss domain_criterion(domain_pred_source, domain_labels_source) domain_loss domain_criterion(domain_pred_target, domain_labels_target) total_loss class_loss lambda_ * domain_loss optimizer.zero_grad() total_loss.backward() optimizer.step()这里最关键的参数是 lambda 的调度。Ganin 论文里推荐的公式是 2 / (1 exp(-10p)) - 1p 是训练进度比例从 0 到 1 递增。前 20% 的训练轮次里 lambda 接近 0模型专注学分类中后期 lambda 逐渐升高对抗力度加大。建议 num_epochs 设 50 到 100太少特征还没对齐就结束了太多容易过拟合源域。4.2 训练参数速查表下面这组参数是我在类似项目上验证过能稳定收敛的配置直接抄即可。参数推荐值说明优化器Adam默认 lr 即可不需要太多调参学习率1e-3如果 loss 震荡明显降到 5e-4批量大小64显存不足时降到 32特征提取器CNN 2~3 层每层后加 BN 和 ReLU分类器全连接 2 层中间加 Dropout 0.3域判别器全连接 2 层和分类器结构保持对称epoch80观察 loss 曲线决定是否提前停止4.3 测试流程test.py 和 run_test.py 的区别训练完成后模型权重保存在 .pth 文件里。test.py 是单模型测试加载指定权重文件后在目标工况的测试集上跑一遍输出准确率、精确率、召回率。run_test.py 是批量测试脚本如果你训练过程中保存了多个轮次的模型它可以一次性全部跑完生成一张对比表方便挑最优模型。测试时有一个容易踩的坑测试集也要走一遍和训练相同的预处理流程。窗口切分长度要一致归一化方式要一致如果训练时用的是样本归一化测试时也要对每个窗口独立做归一化不能拿训练集的统计量去套测试数据。4.4 训练日志怎么看loss 曲线和域判别准确率训练过程中要盯着两个指标总 loss 和域判别器的准确率。域判别准确率如果始终在 0.5 附近说明特征提取器已经成功骗过了域判别器这是好事。如果域判别准确率一直很高比如 0.9 以上说明 GRL 没起作用或者 lambda 太小对抗强度不够。如果总 loss 里分类部分不断下降但域判别 loss 上升这是正常的博弈过程不用慌。我一般会在每个 epoch 结束时打印三条信息分类 loss、域判别 loss、目标域测试集上的临时准确率。如果训到一半发现目标域准确率不升反降优先检查 lambda 是不是增长太快把 10 换成 6 或 8放缓调度速度。5. 跨工况诊断避坑五个最常见的翻车现场与排查方法5.1 训练 loss 不降域判别准确率恒为 0.5现象总 loss 几乎不变化域判别器的准确率从一开始就在 0.5 附近徘徊分类准确率也不动。原因模型没有真正学习。最常见的情况是数据加载环节出了问题源域和目标域输入了同一份数据或者标签和数据没有对齐导致模型学到的是噪声。另一种可能性是学习率过大梯度在震荡中抵消。解决先写一个简单的过拟合测试只取 10 个样本训练 20 个 epoch如果 loss 能降到接近 0说明代码逻辑没问题问题出在数据或者超参数上。如果 loss 依然不降检查数据加载器里有没有 shuffle没有 shuffle 会导致每个 batch 内样本过于相似。5.2 域判别准确率很高0.85 以上但目标域测试精度很低现象域判别器轻松区分源域和目标域说明特征提取器输出还带着明显的工况信息迁移效果差。原因lambda 调度太慢或者训练轮次不足。模型还在以分类为主对抗力度太小特征没有对齐。解决把 lambda 调度曲线调陡一些比如把公式里的 10 改成 12。同时适当增加 epoch 数到 100给对抗训练留足时间。另外检查域判别器的容量是不是太小了——如果域判别器只有一层全连接它的判别能力有限对抗压力不够特征提取器不会有动力去对齐特征。5.3 训练正常但测试时精度骤降源域高、目标域低现象训练过程中源域分类准确率接近 100%目标域测试准确率却只有 40% 左右。原因这是 DANN 训练不充分的典型表现——模型只是学到了源域的分类边界但没有真正完成域对齐。可能是因为 lambda 太小或者目标域数据没有参与训练。解决确认 target_loader 真的加载了数据打印一下 target_loader 的长度确认非空。然后检查 lambda 的最终值有没有到 1 附近——如果最终值只有 0.2对抗强度不够特征是不可能对齐的。在实际项目中这种问题很常见我一般会额外保存每个 epoch 结束时的模型权重用 run_test.py 批量测试看目标域精度有没有随着训练推进而上升。5.4 训练内存不足或 OOM现象跑到中途程序崩溃报 CUDA out of memory。原因窗口长度设置过大加上 batch_size 过大。振动信号窗口长度 4096 以上时特征提取器的中间特征图会占大量显存。解决把 batch_size 从 64 降到 32或者把窗口长度从 4096 减到 2048。如果两个都不能动可以临时把模型里的第一层卷积步长调大比如从 1 改成 2降低特征图尺寸。这个属于常规手段不影响 DANN 本身的效果。5.5 结果不可复现每次跑出来的精度不一样现象同一份代码、同一份数据两次训练得到的最终精度差了 2 到 3 个百分点。原因没有固定随机种子。PyTorch 的模型初始化、数据加载器的 shuffle、数据增强操作都会引入随机性。解决在 main.py 开头固定三个随机源import torch import numpy as np import random def set_seed(seed42): torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) np.random.seed(seed) random.seed(seed) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark Falseset_seed(42) 之后基本上能保证每次训练结果在千分位范围内浮动。如果固定了种子依然有波动检查代码里有没有使用 DataLoader 的 num_workers 大于 0——多进程数据加载会引入额外的随机性测试时把 num_workers 设为 0 再对比。6. 进阶玩法EMD 特征输入端到端调试与诊断精度验证6.1 为什么要有 EMD 版本代码包里带了两套完整的实现一套直接吃原始振动信号model.py另一套吃 EMD 分解后的特征model_emd.py、main_emd.py。EMD经验模态分解的作用是把非平稳的振动信号拆成若干个本征模态函数IMF每个 IMF 是一个窄带信号对应不同物理振动源。轴承故障冲击往往隐藏在某个 IMF 分量里直接让模型从原始信号学容易被噪声淹没先做 EMD 再让模型学相当于提前做了一次特征清洗。代价是 EMD 分解很慢而且分解结果不稳定——同一个信号加一个微小扰动IMF 顺序可能变。所以在工业实时诊断里 EMD 用得少但在学术实验和竞赛里它是很好的特征工程手段经常能把 DANN 的精度再往上拉 2 到 3 个百分点。6.2 EMD 版本代码结构和差异点model_emd.py 的模型结构和 model.py 基本一致区别在输入层原始信号版本输入长度 1024EMD 版本输入变成 IMF 分量数乘以每个 IMF 的长度。main_emd.py 的训练循环里多了一步 EMD 预处理每个 batch 在送入模型前先经过 scipy.signal 的 EMD 接口或者 PyEMD 库做分解。跑 EMD 版本前先确认你的虚拟环境里装了 PyEMD 库否则会卡在 import 报错上。具体操作时训练 EMD 版本建议把 batch_size 减小一半。因为 EMD 分解极耗 CPU大 batch 会让数据加载成为瓶颈训练速度断崖式下降。我一般会把 EMD 作为离线预处理先把所有训练数据的 IMF 分量存成 npz 文件训练时直接加载已分解好的结果不经实时分解。6.3 验证 DANN 是否真的学到了域无关特征最后一步也是最重要的一步验证模型的迁移能力。很多同学只看目标域测试精度这个还不够有说服力。推荐两个额外的验证手段。第一个是 t-SNE 可视化。用训练好的特征提取器提取源域和目标域样本的特征降维到 2 维后画散点图。如果 DANN 真的生效源域和目标域的同一种故障在图上应该聚在一起两种不同故障之间有明显分界。如果图上源域和目标域分成两大簇说明特征没对齐模型是失败的。from sklearn.manifold import TSNE source_feat feature_extractor(source_loader) target_feat feature_extractor(target_loader) feat_all torch.cat([source_feat, target_feat], dim0).cpu().numpy() feat_tsne TSNE(n_components2).fit_transform(feat_all)第二种是构造 ablation 对比只训练分类器不做域对抗得到一个 baseline 精度再用完整 DANN 训练得到迁移精度。两者相减就是 DANN 带来的真实增益。如果增益只有 0.5 个百分点说明这个跨工况难度不高考加不加 DANN 无所谓如果增益超过 5 个百分点说明域偏移很严重DANN 确实解决了核心问题。这个数字写进论文里很有说服力答辩时评审也喜欢听到这种对比数据。从那以后我每跑一个跨工况实验都强制自己走一遍这条链路先跑 baseline 得到参考精度再加载 DANN 训练每个 epoch 记录域判别准确率最后用 t-SNE 确认特征对齐效果。三道检查全过了我才敢说“迁移学习生效了”而不是仅仅因为目标域精度看着还行就下结论。这套流程在毕设、课程设计和项目预研里都适用希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/5 5:24:20 · 阅读 1.2k 基于DANN的轴承故障诊断跨工况迁移学习实战
简介这是一份基于迁移学习DANN模型的跨工况轴承故障诊断Python项目面向计算机、机械或自动化相关专业的学生、教师及企业工程师适用于毕业设计、课程设计、作业或项目初期验证。项目代码均经测试运行成功答辩评价较高可帮助读者掌握域对抗网络在故障诊断中的建模思路与数据处理流程。压缩包共35个文件核心为18个Python源码文件覆盖模型构建、数据读取、特征归一化、训练测试及可视化等模块另有5个zbak备份文件、4个xml配置、YAML环境配置、说明文档与附赠内容整体仅23KB目录分层清晰便于快速定位。随附的模型与数据相关内容可支持直接复现DANN跨工况诊断实验适合希望在已有框架上修改拓展、深入理解变工况场景应用的初学者与进阶者。目前已有147人学习下载。1. 基于迁移学习的DANN轴承故障诊断跨工况识别到底解决什么问题轴承故障诊断里有一个很现实的困境你在 600 rpm 工况下训练好的模型换到 800 rpm 的机器上准确率直接掉到没法看。不是模型不行是训练数据和测试数据来自不同分布——传统深度学习假设训练集和测试集同分布而工业现场恰恰不满足这个假设。DANNDomain-Adversarial Neural Network域对抗神经网络就是冲着这个问题来的它通过对抗训练让特征提取器学到“跨工况通用”的特征而不是只记住某个转速下的特征。这份资源是一个完整的 Python 实现包含源码、文档、数据集和训练好的模型代码已经跑通适合做毕业设计、课程设计或者工业场景的迁移学习预研。如果你正在纠结“怎么让模型在没见过的工况下也能诊断”这篇文章会把原理、代码结构、训练流程和踩过的坑一次讲透。2. DANN 核心机制与源码结构梯度反转层、域判别器和三个关键文件2.1 DANN 在做什么从特征分布对齐说起传统监督学习的目标是让模型在训练集上分类准确但跨工况时训练集和测试集的特征分布会漂移。DANN 的思路是训练一个特征提取器让它提取出的特征既能完成故障分类任务又能“骗过”一个域判别器。域判别器负责判断特征来自源域训练工况还是目标域测试工况而特征提取器通过梯度反转层GRL反向更新让域判别器无法区分特征来自哪个域。两边对抗的结果就是特征提取器被迫丢掉与工况相关的信息只保留与故障类型相关的信息。DANN 的损失函数由两部分组成分类损失加上带权重的域判别损失。训练时最小化分类损失同时通过 GRL 最大化域判别损失——GRL 在前向传播时原样传递特征反向传播时将梯度取反再回传。这个设计的巧妙之处在于它不需要目标域的任何标签只需要目标域的原始振动信号就能完成域对齐。对于轴承故障诊断这种标注成本高的场景这是很实用的特性。2.2 源码文件清单与职责划分拿到 fd-dann-master.zip 解压后先看 README.md里面写清了整体结构和运行步骤。然后按下面这个表去对应文件心里就有数了。文件职责model.pyDANN 主模型定义包含特征提取器、标签分类器、域判别器functions.py梯度反转层GRL实现data_loader.py加载源域和目标域数据生成 batchdata_reader.py读取原始振动信号文件负责底层 I/Odata_conf.py数据路径、工况列表、故障类型等配置data_normalize.py数据归一化处理main.py训练入口跑完整训练流程test.py测试入口加载模型评估精度run_test.py批量测试脚本一次跑多个模型文件_config.yml训练超参数配置文件这个项目的核心逻辑在 model.py 和 functions.py 里。functions.py 里的 GRL 是 DANN 的发动机能不能跑对全靠它。2.3 梯度反转层代码解读梯度反转层的实现很精简核心就是重写 autograd 的 forward 和 backward。常见做法是这样import torch from torch.autograd import Function class GradientReversalLayer(Function): staticmethod def forward(ctx, x, lambda_): ctx.lambda_ lambda_ return x.view_as(x) staticmethod def backward(ctx, grad_output): return grad_output.neg() * ctx.lambda_, Noneforward 阶段原样返回输入backward 阶段把梯度取反并乘以系数 lambda_。lambda_ 是域判别损失的权重训练中通常从 0 慢慢涨到 1。训练初期 lambda 小模型先学好分类任务后期 lambda 增大对抗强度上来特征开始对齐。2.4 模型三件套特征提取器、标签分类器、域判别器model.py 里 DANN 的主体结构是三个子网络串起来。特征提取器一般用两层卷积加全连接把一维振动信号映射成特征向量。标签分类器接在特征后面输出故障类别概率。域判别器结构上可以是简单的两层全连接输入是特征向量输出是域标签的二分概率。训练逻辑在 main.py 里核心循环分为三步前向传播计算分类 loss 和域判别 loss反向传播更新分类器参数再通过 GRL 反向更新特征提取器参数。域判别器和特征提取器是博弈关系域判别器要努力区分源域和目标域特征提取器要努力让域判别器区分不了。有一点要注意两个 loss 的权重关系。域判别 loss 乘上 lambda 后和分类 loss 相加lambda 的调度策略直接决定训练效果。建议先用固定的小 lambda比如 0.1跑一轮确认代码能通再上动态调度。3. 数据集准备与加载从原始振动信号到模型输入的完整链路3.1 数据集结构源域、目标域和故障类型怎么组织这个项目的数据集以 PHM2012 这类公开轴承数据集的组织方式为参考。训练时的“源域”是 A 工况比如 1800 rpm 负载 0目标是让模型能迁移到 B 工况比如 1200 rpm 负载 0。但 DANN 训练时目标工况的数据也会参与——只是不提供标签。典型的目录结构长这样dataset/ ├── source/ │ ├── fault_1/ │ ├── fault_2/ │ └── normal/ ├── target/ │ ├── unlabeled/data_conf.py 里通常配置这样几个字段源域数据根目录、目标域数据根目录、工况编号、采样频率、窗口长度、故障类型列表。实际修改时只需要把路径指到你本机的数据目录把故障类型列表改成你自己的标签顺序。3.2 数据加载与预处理切窗、归一化、分 batchdata_loader.py 干的事情可以拆成四步。第一步用 data_reader.py 读取每个样本的原始振动信号文件。第二步按固定窗口长度切分——每个样本切出多个小窗口相当于数据增强。窗口长度一般取 1024 或 2048步长取窗口的一半这样相邻窗口有重叠能缓解边界效应。第三步对每个窗口做归一化。这里有两种常见策略全局归一化用整个数据集的均值和方差和样本归一化每个窗口独立做DANN 场景下建议用样本归一化因为不同工况的振动幅值差异可能很大全局统计会把这种差异带进特征。第四步把源域和目标域的数据分别包装成 DataLoader一个迭代器返回 source batch另一个返回 target batch。# data_conf.py 中常见的关键配置 source_domain condition_A target_domain condition_B window_size 1024 stride 512 batch_size 64 num_workers 4batch_size 取 32 到 64 之间比较合适太小梯度噪声大训练不稳太大显存吃紧而且域判别器太容易区分源域和目标域对抗梯度会变得很猛模型不容易收敛。num_workers 根据 CPU 核数调整Windows 上经常会因为 num_workers 大于 0 报错遇到就直接设为 0。3.3 data_normalize.py 的归一化细节data_normalize.py 里实现了两种归一化方法一种是 z-score 标准化减去均值除以标准差另一种是 min-max 缩放到 [0,1]。对轴承振动信号我建议用 z-score因为振动信号近似服从高斯分布z-score 能保留信号的形态特征。min-max 对离群点太敏感某个传感器瞬时冲击就会把整个缩放比例带偏。训练时源域和目标域要分别做归一化不要混在一起算统计量否则等于把工况差异提前泄露给模型DANN 就失去意义了。3.4 数据加载的验证方法数据加载是第一步也是最容易出错的一步。建议先写一个简单的检查脚本打印每个 batch 的形状和标签分布for batch_idx, (source_data, source_label) in enumerate(source_loader): print(batch_idx, source_data.shape, source_label.shape) if batch_idx 2: break如果 source batch 的第二个维度是 1说明数据是单通道的一维信号模型输入层要按(batch, 1, window_size)接收。如果打印出来的标签不是从 0 开始连续排列说明 data_conf.py 里的故障类型列表顺序和文件夹对应关系有问题需要改配置。这一步跑通了再进训练后面会省很多事。4. 训练与测试跑通 DANN 的完整流程与参数设置4.1 训练入口 main.py 的主循环main.py 是完整的训练脚本。核心训练循环大致是这样的for epoch in range(num_epochs): for (source_x, source_y), (target_x, _) in zip(source_loader, target_loader): p (epoch batch_idx / total_batches) / num_epochs lambda_ 2.0 / (1.0 torch.exp(-10.0 * p)) - 1.0 source_feat feature_extractor(source_x) class_loss criterion(classifier(source_feat), source_y) target_feat feature_extractor(target_x) domain_pred_source domain_classifier(source_feat) domain_pred_target domain_classifier(target_feat) domain_labels_source torch.ones_like(domain_pred_source) domain_labels_target torch.zeros_like(domain_pred_target) domain_loss domain_criterion(domain_pred_source, domain_labels_source) domain_loss domain_criterion(domain_pred_target, domain_labels_target) total_loss class_loss lambda_ * domain_loss optimizer.zero_grad() total_loss.backward() optimizer.step()这里最关键的参数是 lambda 的调度。Ganin 论文里推荐的公式是 2 / (1 exp(-10p)) - 1p 是训练进度比例从 0 到 1 递增。前 20% 的训练轮次里 lambda 接近 0模型专注学分类中后期 lambda 逐渐升高对抗力度加大。建议 num_epochs 设 50 到 100太少特征还没对齐就结束了太多容易过拟合源域。4.2 训练参数速查表下面这组参数是我在类似项目上验证过能稳定收敛的配置直接抄即可。参数推荐值说明优化器Adam默认 lr 即可不需要太多调参学习率1e-3如果 loss 震荡明显降到 5e-4批量大小64显存不足时降到 32特征提取器CNN 2~3 层每层后加 BN 和 ReLU分类器全连接 2 层中间加 Dropout 0.3域判别器全连接 2 层和分类器结构保持对称epoch80观察 loss 曲线决定是否提前停止4.3 测试流程test.py 和 run_test.py 的区别训练完成后模型权重保存在 .pth 文件里。test.py 是单模型测试加载指定权重文件后在目标工况的测试集上跑一遍输出准确率、精确率、召回率。run_test.py 是批量测试脚本如果你训练过程中保存了多个轮次的模型它可以一次性全部跑完生成一张对比表方便挑最优模型。测试时有一个容易踩的坑测试集也要走一遍和训练相同的预处理流程。窗口切分长度要一致归一化方式要一致如果训练时用的是样本归一化测试时也要对每个窗口独立做归一化不能拿训练集的统计量去套测试数据。4.4 训练日志怎么看loss 曲线和域判别准确率训练过程中要盯着两个指标总 loss 和域判别器的准确率。域判别准确率如果始终在 0.5 附近说明特征提取器已经成功骗过了域判别器这是好事。如果域判别准确率一直很高比如 0.9 以上说明 GRL 没起作用或者 lambda 太小对抗强度不够。如果总 loss 里分类部分不断下降但域判别 loss 上升这是正常的博弈过程不用慌。我一般会在每个 epoch 结束时打印三条信息分类 loss、域判别 loss、目标域测试集上的临时准确率。如果训到一半发现目标域准确率不升反降优先检查 lambda 是不是增长太快把 10 换成 6 或 8放缓调度速度。5. 跨工况诊断避坑五个最常见的翻车现场与排查方法5.1 训练 loss 不降域判别准确率恒为 0.5现象总 loss 几乎不变化域判别器的准确率从一开始就在 0.5 附近徘徊分类准确率也不动。原因模型没有真正学习。最常见的情况是数据加载环节出了问题源域和目标域输入了同一份数据或者标签和数据没有对齐导致模型学到的是噪声。另一种可能性是学习率过大梯度在震荡中抵消。解决先写一个简单的过拟合测试只取 10 个样本训练 20 个 epoch如果 loss 能降到接近 0说明代码逻辑没问题问题出在数据或者超参数上。如果 loss 依然不降检查数据加载器里有没有 shuffle没有 shuffle 会导致每个 batch 内样本过于相似。5.2 域判别准确率很高0.85 以上但目标域测试精度很低现象域判别器轻松区分源域和目标域说明特征提取器输出还带着明显的工况信息迁移效果差。原因lambda 调度太慢或者训练轮次不足。模型还在以分类为主对抗力度太小特征没有对齐。解决把 lambda 调度曲线调陡一些比如把公式里的 10 改成 12。同时适当增加 epoch 数到 100给对抗训练留足时间。另外检查域判别器的容量是不是太小了——如果域判别器只有一层全连接它的判别能力有限对抗压力不够特征提取器不会有动力去对齐特征。5.3 训练正常但测试时精度骤降源域高、目标域低现象训练过程中源域分类准确率接近 100%目标域测试准确率却只有 40% 左右。原因这是 DANN 训练不充分的典型表现——模型只是学到了源域的分类边界但没有真正完成域对齐。可能是因为 lambda 太小或者目标域数据没有参与训练。解决确认 target_loader 真的加载了数据打印一下 target_loader 的长度确认非空。然后检查 lambda 的最终值有没有到 1 附近——如果最终值只有 0.2对抗强度不够特征是不可能对齐的。在实际项目中这种问题很常见我一般会额外保存每个 epoch 结束时的模型权重用 run_test.py 批量测试看目标域精度有没有随着训练推进而上升。5.4 训练内存不足或 OOM现象跑到中途程序崩溃报 CUDA out of memory。原因窗口长度设置过大加上 batch_size 过大。振动信号窗口长度 4096 以上时特征提取器的中间特征图会占大量显存。解决把 batch_size 从 64 降到 32或者把窗口长度从 4096 减到 2048。如果两个都不能动可以临时把模型里的第一层卷积步长调大比如从 1 改成 2降低特征图尺寸。这个属于常规手段不影响 DANN 本身的效果。5.5 结果不可复现每次跑出来的精度不一样现象同一份代码、同一份数据两次训练得到的最终精度差了 2 到 3 个百分点。原因没有固定随机种子。PyTorch 的模型初始化、数据加载器的 shuffle、数据增强操作都会引入随机性。解决在 main.py 开头固定三个随机源import torch import numpy as np import random def set_seed(seed42): torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) np.random.seed(seed) random.seed(seed) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark Falseset_seed(42) 之后基本上能保证每次训练结果在千分位范围内浮动。如果固定了种子依然有波动检查代码里有没有使用 DataLoader 的 num_workers 大于 0——多进程数据加载会引入额外的随机性测试时把 num_workers 设为 0 再对比。6. 进阶玩法EMD 特征输入端到端调试与诊断精度验证6.1 为什么要有 EMD 版本代码包里带了两套完整的实现一套直接吃原始振动信号model.py另一套吃 EMD 分解后的特征model_emd.py、main_emd.py。EMD经验模态分解的作用是把非平稳的振动信号拆成若干个本征模态函数IMF每个 IMF 是一个窄带信号对应不同物理振动源。轴承故障冲击往往隐藏在某个 IMF 分量里直接让模型从原始信号学容易被噪声淹没先做 EMD 再让模型学相当于提前做了一次特征清洗。代价是 EMD 分解很慢而且分解结果不稳定——同一个信号加一个微小扰动IMF 顺序可能变。所以在工业实时诊断里 EMD 用得少但在学术实验和竞赛里它是很好的特征工程手段经常能把 DANN 的精度再往上拉 2 到 3 个百分点。6.2 EMD 版本代码结构和差异点model_emd.py 的模型结构和 model.py 基本一致区别在输入层原始信号版本输入长度 1024EMD 版本输入变成 IMF 分量数乘以每个 IMF 的长度。main_emd.py 的训练循环里多了一步 EMD 预处理每个 batch 在送入模型前先经过 scipy.signal 的 EMD 接口或者 PyEMD 库做分解。跑 EMD 版本前先确认你的虚拟环境里装了 PyEMD 库否则会卡在 import 报错上。具体操作时训练 EMD 版本建议把 batch_size 减小一半。因为 EMD 分解极耗 CPU大 batch 会让数据加载成为瓶颈训练速度断崖式下降。我一般会把 EMD 作为离线预处理先把所有训练数据的 IMF 分量存成 npz 文件训练时直接加载已分解好的结果不经实时分解。6.3 验证 DANN 是否真的学到了域无关特征最后一步也是最重要的一步验证模型的迁移能力。很多同学只看目标域测试精度这个还不够有说服力。推荐两个额外的验证手段。第一个是 t-SNE 可视化。用训练好的特征提取器提取源域和目标域样本的特征降维到 2 维后画散点图。如果 DANN 真的生效源域和目标域的同一种故障在图上应该聚在一起两种不同故障之间有明显分界。如果图上源域和目标域分成两大簇说明特征没对齐模型是失败的。from sklearn.manifold import TSNE source_feat feature_extractor(source_loader) target_feat feature_extractor(target_loader) feat_all torch.cat([source_feat, target_feat], dim0).cpu().numpy() feat_tsne TSNE(n_components2).fit_transform(feat_all)第二种是构造 ablation 对比只训练分类器不做域对抗得到一个 baseline 精度再用完整 DANN 训练得到迁移精度。两者相减就是 DANN 带来的真实增益。如果增益只有 0.5 个百分点说明这个跨工况难度不高考加不加 DANN 无所谓如果增益超过 5 个百分点说明域偏移很严重DANN 确实解决了核心问题。这个数字写进论文里很有说服力答辩时评审也喜欢听到这种对比数据。从那以后我每跑一个跨工况实验都强制自己走一遍这条链路先跑 baseline 得到参考精度再加载 DANN 训练每个 epoch 记录域判别准确率最后用 t-SNE 确认特征对齐效果。三道检查全过了我才敢说“迁移学习生效了”而不是仅仅因为目标域精度看着还行就下结论。这套流程在毕设、课程设计和项目预研里都适用希望帮到你。本文还有配套的精品资源点击获取