格拉姆角场(GAF)原理与实战：时序信号转图像用于轴承故障诊断-开发者社区

1. 项目概述：从时序信号到图像识别的故障诊断新思路

格拉姆角场（Gramian Angular Field， GAF）结合轴承故障诊断，这个组合在工业预测性维护领域已经不算新鲜，但对于刚接触的同学来说，看到东南大学相关的代码和数据集，第一反应可能还是有点懵：好好的振动信号，为什么要费劲转换成图像？直接用深度学习模型处理一维时序数据不行吗？

我最初也有这个疑问。直到在实际项目中，面对来自不同工况、带有强噪声的轴承振动数据，传统时频分析方法（比如FFT、小波变换）的特征提取稳定性遇到了瓶颈，而基于GAF的方法展现出了独特的优势。简单来说，GAF的核心思想是将一维时间序列通过坐标变换映射到极坐标系，再通过三角运算构造出一种类图像（矩阵）表示。这种表示方法巧妙地将时间序列的时序依赖性和数值关系“凝固”在一张图上，使得后续可以借助在图像识别领域非常成熟的卷积神经网络（CNN）来进行特征学习和分类。这对于轴承故障诊断而言，相当于开辟了一条“降维打击”的新路径——我们不再需要手工设计复杂的时域、频域、时频域特征，而是让CNN从这种“翻译”过来的图像中自动学习故障的视觉模式。

东南大学在机械故障诊断领域的研究一直走在前列，其公开的代码和数据集为初学者和研究者提供了极佳的学习范本。本次解读聚焦于“数据集解读”部分，因为这是整个流程的基石。如果数据都理解错了，后面的模型构建、训练调参都是空中楼阁。我们将深入拆解代码中数据加载、预处理、以及最关键的一步——如何将原始的振动信号样本转换为GAF图像的全过程，并分享我在复现和扩展过程中踩过的坑和总结的经验。

2. 核心思路与方案选型：为什么是GAF？

在深入代码之前，我们必须先搞清楚方案选型背后的逻辑。轴承故障诊断本质上是一个模式识别问题：我们需要从传感器采集的振动信号中，区分出“正常”、“内圈故障”、“外圈故障”、“滚动体故障”等不同状态。传统方法流程固定：原始信号 -> 数字滤波降噪 -> 特征提取（如均方根、峭度、频谱峰值） -> 特征选择/降维 -> 输入分类器（如SVM、随机森林）。

这个流程的瓶颈在于“特征提取”环节。手工设计的特征严重依赖专家经验，且对于变工况、变负载、强噪声的场景，泛化能力往往不足。深度学习提供了一种端到端的解决方案，但直接将一维振动信号喂给1D-CNN或RNN，有时难以充分捕捉复杂的时序动态和长期依赖。

这时，GAF的优势就体现出来了。它的转换过程可以概括为两个核心步骤：

归一化与极坐标映射：将一维时间序列的数值归一化到[-1, 1]或[0, 1]区间，然后将每个数据点视为在单位圆上的一个点，其角度由归一化后的值（通过反余弦函数）决定，半径固定为1（或由时间戳决定）。这一步将时序信息编码到了极角中。
生成格拉姆矩阵：通过计算每两个点之间的三角和（或差）的余弦值，生成一个格拉姆矩阵。这个矩阵是一个对称矩阵，其元素反映了原始序列中任意两点之间的时序关系。这个矩阵就可以被视作一张灰度图像。

为什么选择这个方案？

保留时序信息：与直接将序列排列成图像不同，GAF的转换过程本质上是时序相关的，矩阵中的每个点都包含了两个原始时间点之间的关系。
适合CNN处理：生成的GAF图像是结构化的、局域相关的二维数据，这与CNN擅长的处理对象（如图像）完美契合。CNN可以高效地从中提取空间层次化特征。
对幅度缩放具有不变性：由于先进行了归一化，GAF对信号的整体幅度变化不敏感，更关注信号的形状和相对变化，这在工业环境中非常实用，因为设备负载变化会导致信号幅度整体漂移。

在东南大学的代码实现中，通常采用GAF的两种变体：格拉姆角和场（GASF）和格拉姆角差场（GADF）。简单理解，GASF使用余弦和，图像更强调序列的整体趋势；GADF使用正弦差，对序列的局部变化和梯度更敏感。代码中往往会同时生成这两种图像，或者选择其中一种作为输入，这需要根据具体数据特性进行实验。

3. 数据集深度解读与预处理实战

拿到一个故障诊断数据集，绝不能直接扔进模型。正确的打开方式是先像侦探一样审视它。东南大学常用的数据集包括经典的CWRU（凯斯西储大学）轴承数据中心的数据，也可能是其自有实验台的数据。我们以CWRU数据集为例进行深度解读，因为它的结构清晰，应用广泛。

3.1 数据集结构与物理意义剖析

CWRU数据集的目录结构通常按驱动端风扇端、故障直径、负载工况来组织。例如：

CWRU/ ├── 12k Drive End Bearing Fault Data/ # 12kHz采样，驱动端数据 │ ├── Ball007/ # 滚动体故障，直径0.007英寸 │ ├── IR007/ # 内圈故障 │ ├── OR007/ # 外圈故障 │ └── Normal/ # 正常状态 └── 48k Drive End Bearing Fault Data/ # 48kHz采样数据

每个子文件夹里是多个.mat文件，每个文件对应一次采样记录，通常包含一个名为DE（驱动端加速度）的变量，也可能包含FE（风扇端）和BA（基座）加速度数据。

关键参数解读：

采样频率（Fs）：常见12kHz和48kHz。这决定了信号的最高分析频率（根据奈奎斯特定理，为Fs/2）。对于轴承故障特征频率（通常几百Hz到几千Hz），12kHz通常足够。
故障直径：如0.007、0.014、0.021英寸。故障尺寸直接影响振动信号的冲击强度和调制现象。
负载：如0HP、1HP、2HP、3HP。电机负载不同，轴承的受力状态不同，故障特征频率的幅值会受负载调制，这是模型泛化能力的重要考验。

代码中的数据加载环节，通常使用scipy.io.loadmat来读取.mat文件。这里第一个注意事项就来了：一定要确认加载后数据的维度和变量名。有时数据会被多层嵌套，需要用.item()或索引来取出真正的振动信号数组。

import numpy as np from scipy.io import loadmat # 示例：加载一个.mat文件 file_path = ‘path/to/your/data/Normal_0.mat‘ mat_data = loadmat(file_path) # 关键：查看mat文件中所有变量名 print(mat_data.keys()) # 通常振动数据存储在 ‘DE‘ 这个键下 vibration_signal = mat_data[‘DE‘].flatten() # 确保是一维数组 print(f“信号长度：{len(vibration_signal)}， 采样频率假设为 12kHz“)

3.2 数据切片与样本构建策略

原始数据文件往往很长（比如12kHz采样下10秒就是12万个点），我们需要将其切割成多个固定长度的样本，用于训练和测试。样本长度（segment_length）的选择是一个需要权衡的参数：

太短（如1024点）：可能无法包含一个完整的故障冲击周期，信息不充分。
太长（如8192点或更长）：计算GAF图像时矩阵尺寸过大（n x n），计算和存储开销剧增，且可能包含过多的冗余信息或多种状态的混合。

经验值：对于CWRU的12kHz数据，我通常选择2048或4096个点作为一个样本。这对应约0.17秒或0.34秒的数据，足以捕捉到几次故障冲击，同时矩阵尺寸可控（2048x2048的图像已经需要约33MB内存存储为float64，通常需要下采样或使用更小的切片）。

代码中的切片操作需要注意重叠问题。为了增加样本数量，可以采用重叠切片。例如，步长（stride）设为segment_length//2，即50%的重叠率。

def create_samples(signal, segment_length=2048, stride=1024): “”“将长序列切割成固定长度的样本。 Args: signal: 一维振动信号数组。 segment_length: 每个样本的长度。 stride: 滑动步长。 Returns: samples: 形状为 (n_samples, segment_length) 的二维数组。 ”“” n_samples = (len(signal) - segment_length) // stride + 1 samples = np.zeros((n_samples, segment_length)) for i in range(n_samples): start = i * stride end = start + segment_length samples[i] = signal[start:end] return samples

注意：务必确保每个样本的标签是正确的。如果从一个“内圈故障”的数据文件中切出100个样本，那么这100个样本的标签都应该是“内圈故障”。在构建最终数据集时，需要将不同故障类型、不同工况的样本和标签分别堆叠起来，并记得打乱顺序（在划分训练集和测试集之后打乱，而不是之前）。

3.3 数据标准化：被忽视的关键一步

在将样本送入GAF转换之前，对每个样本进行独立的标准化至关重要。这是因为GAF的第一步——归一化到[-1,1]区间，对输入数据的尺度非常敏感。如果不同样本的绝对幅值差异很大（这在变工况数据中很常见），直接使用全局的归一化参数会导致部分样本的信息被压缩。

正确的做法是对每个样本进行局部标准化，常用方法是减去均值除以标准差（Z-score标准化），或者最小-最大归一化到[-1,1]。这样能保证每个样本自身都被规范到相同的尺度，突出了其内部的相对变化模式，这正是GAF想要捕捉的。

def normalize_sample(sample, method=‘zscore‘): “”“标准化单个样本。 Args: sample: 一维数组，一个振动信号样本。 method: ‘zscore‘ 或 ‘minmax‘。 ”“” if method == ‘zscore‘: mean = np.mean(sample) std = np.std(sample) if std < 1e-10: # 防止除零 std = 1.0 return (sample - mean) / std elif method == ‘minmax‘: min_val, max_val = np.min(sample), np.max(sample) if max_val - min_val < 1e-10: return sample * 0 return 2 * (sample - min_val) / (max_val - min_val) - 1 else: raise ValueError(“Method must be ‘zscore‘ or ‘minmax‘“)

4. GAF图像生成：核心代码逐行解读

这是整个流程的技术核心。我们将结合代码，详细解释每一步的数学含义和实现细节。

4.1 极坐标映射：从数值到角度

假设我们有一个已经标准化到[-1, 1]区间的样本X = {x1, x2, ..., xn}。GAF映射的第一步是计算每个点对应的角度φ。公式为：φ_i = arccos(x_i), 其中x_i ∈ [-1, 1]，因此φ_i ∈ [0, π]。

为什么用反余弦？因为它是一个在[-1,1]区间上单调递减的函数，能将数值唯一地映射到[0, π]的角度空间。同时，由于余弦函数在[0, π]上是单调的，这个映射是可逆的。

import numpy as np def to_polar_coordinates(normalized_sample): “”“将归一化后的样本转换为极坐标角度。 Args: normalized_sample: 归一化到[-1,1]的一维数组。 Returns: phi: 对应的角度数组，范围[0, pi]。 ”“” # 防止数值误差导致归一化值略微超出[-1,1]范围 normalized_sample = np.clip(normalized_sample, -1, 1) phi = np.arccos(normalized_sample) return phi

4.2 生成格拉姆矩阵：GASF与GADF

得到角度数组φ后，我们计算格拉姆矩阵。这里以**格拉姆角和场（GASF）**为例，其元素定义为：GASF_ij = cos(φ_i + φ_j)

这个定义可以展开为cos(φ_i)cos(φ_j) - sin(φ_i)sin(φ_j)。注意，cos(φ_i)就是我们的原始归一化值x_i。因此，GASF矩阵可以直接通过原始归一化数据计算，无需显式计算角度，效率更高：GASF = X^T · X - sqrt(1 - X^2)^T · sqrt(1 - X^2)其中X是归一化样本向量，sqrt(1 - X^2)即sin(φ)。

格拉姆角差场（GADF）的定义为：GADF_ij = sin(φ_i - φ_j)其高效计算方式为：GADF = sqrt(1 - X^2)^T · X - X^T · sqrt(1 - X^2)

def gramian_angular_field(sample, method=‘sum‘, scale=None): “”“计算样本的格拉姆角场。 Args: sample: 一维数组，一个振动信号样本（建议已归一化）。 method: ‘sum‘ 对应 GASF， ‘difference‘ 对应 GADF。 scale: 是否缩放图像到[0, 255]区间，用于可视化。默认不缩放。 Returns: GAF: 二维矩阵，即GAF图像。 ”“” # 确保输入是一维且为浮点型 sample = sample.astype(np.float64).flatten() n = len(sample) # 方法1：通过角度计算（直观但稍慢） # phi = np.arccos(np.clip(sample, -1, 1)) # if method == ‘sum‘: # # GASF # cos_sum = np.cos(np.add.outer(phi, phi)) # return cos_sum # else: # # GADF # sin_diff = np.sin(np.subtract.outer(phi, phi)) # return sin_diff # 方法2：通过三角恒等式高效计算（推荐） sample_clipped = np.clip(sample, -1, 1) # 计算 sin(phi) sin_phi = np.sqrt(1 - sample_clipped ** 2) # 注意：这里隐含假设phi在[0, pi]，sin(phi)>=0 if method == ‘sum‘: # GASF = cos(phi_i + phi_j) = x_i * x_j - sqrt(1-x_i^2)*sqrt(1-x_j^2) outer_prod = np.outer(sample_clipped, sample_clipped) sin_outer = np.outer(sin_phi, sin_phi) gaf = outer_prod - sin_outer elif method == ‘difference‘: # GADF = sin(phi_i - phi_j) = sqrt(1-x_j^2)*x_i - x_j*sqrt(1-x_i^2) # 利用外积计算： sin_phi^T * X - X^T * sin_phi term1 = np.outer(sin_phi, sample_clipped) term2 = np.outer(sample_clipped, sin_phi) gaf = term1 - term2 else: raise ValueError(“Method must be ‘sum‘ or ‘difference‘“) if scale is not None: # 将GAF值线性缩放到[0, scale]区间，便于保存为图像 gaf_min, gaf_max = gaf.min(), gaf.max() if gaf_max - gaf_min > 1e-10: gaf = (gaf - gaf_min) * scale / (gaf_max - gaf_min) else: gaf = np.zeros_like(gaf) return gaf

4.3 图像下采样与存储优化

直接生成2048x2048的GAF图像，对于大批量训练来说是巨大的内存和计算负担。一个常见的优化技巧是在生成GAF之前，先对一维样本进行下采样。例如，将2048点的样本通过滑动平均或直接每隔N个点采样的方式，降到更短的序列长度M（如64， 128， 256）。这样生成的GAF图像尺寸就是M x M，大大减少了计算量。

from scipy import signal def downsample_sample(sample, target_length=256): “”“下采样样本到目标长度。 Args: sample: 一维样本。 target_length: 下采样后的目标长度。 Returns: 下采样后的一维数组。 ”“” original_length = len(sample) if original_length <= target_length: return sample # 方法1：简单的线性插值重采样 # return np.interp(np.linspace(0, original_length-1, target_length), # np.arange(original_length), sample) # 方法2：使用scipy.signal.resample（基于FFT，更适用于带限信号） return signal.resample(sample, target_length)

存储格式：生成的GAF矩阵是浮点型二维数组。如果直接保存为.npy文件，体积较大。通常有两种处理方式：

实时生成：在模型训练的数据加载器（DataLoader）中，实时将一批一维样本转换为GAF图像。这种方式灵活，不占用额外磁盘空间，但会增加每个epoch的训练时间。
预处理保存：将所有训练集和测试集的样本预先转换为GAF图像，并保存为图像文件（如.png，.jpg）或压缩的数组文件（如.npz）。这种方式训练速度快，但需要大量的磁盘空间。对于256x256的灰度图，保存为uint8的PNG格式，每张图约65KB，1万张图就是650MB，尚可接受。

在东南大学的代码中，为了流程清晰和实验可复现，通常采用第二种方式，即先预处理生成一个完整的图像数据集。

5. 完整数据处理管道构建与经验分享

将上述所有步骤串联起来，就构成了从原始.mat文件到最终GAF图像数据集的数据处理管道（Pipeline）。这个管道的健壮性和效率直接影响后续实验的顺利进行。

5.1 管道构建示例

下面是一个简化的端到端管道示例，它遍历指定目录下的所有.mat文件，生成对应标签的GAF图像，并保存到以故障类别命名的文件夹中。

import os import numpy as np from scipy.io import loadmat import cv2 # 用于保存图像 import argparse def build_gaf_dataset(data_root_dir, output_img_dir, segment_len=2048, stride=1024, downsampled_len=256, gaf_method=‘sum‘): “”“构建GAF图像数据集。 Args: data_root_dir: 原始.mat数据根目录，子文件夹为不同故障类别。 output_img_dir: 输出图像目录，内部会按类别创建子文件夹。 segment_len: 样本切片长度。 stride: 切片步长。 downsampled_len: 下采样目标长度。 gaf_method: ‘sum‘ (GASF) 或 ‘difference‘ (GADF)。 ”“” # 获取故障类别（子文件夹名） fault_classes = [d for d in os.listdir(data_root_dir) if os.path.isdir(os.path.join(data_root_dir, d))] fault_classes.sort() print(f“发现故障类别：{fault_classes}“) for class_idx, class_name in enumerate(fault_classes): class_dir = os.path.join(data_root_dir, class_name) output_class_dir = os.path.join(output_img_dir, class_name) os.makedirs(output_class_dir, exist_ok=True) mat_files = [f for f in os.listdir(class_dir) if f.endswith(‘.mat‘)] print(f“处理类别 ‘{class_name}‘， 共 {len(mat_files)} 个文件。“) sample_count = 0 for mat_file in mat_files: file_path = os.path.join(class_dir, mat_file) try: mat_data = loadmat(file_path) # **关键：确认数据键名，这里假设为 ‘DE‘** vibration_signal = mat_data[‘DE‘].flatten() except Exception as e: print(f“加载文件 {file_path} 失败：{e}“) continue # 1. 创建样本切片 samples = create_samples(vibration_signal, segment_len, stride) # 2. 对每个样本进行处理 for i, sample in enumerate(samples): # 2.1 样本标准化 (Z-score) norm_sample = normalize_sample(sample, method=‘zscore‘) # 2.2 下采样 (可选，但强烈推荐) if downsampled_len and len(norm_sample) > downsampled_len: norm_sample = downsample_sample(norm_sample, target_length=downsampled_len) # 2.3 生成GAF图像 gaf_matrix = gramian_angular_field(norm_sample, method=gaf_method) # 2.4 缩放到[0, 255]并转换为uint8，以便保存为图像 gaf_img = ((gaf_matrix + 1) / 2 * 255).astype(np.uint8) # 假设GAF值在[-1,1] # 2.5 保存图像，文件名包含类别和索引信息 img_filename = f“{class_name}_{sample_count:06d}.png“ img_path = os.path.join(output_class_dir, img_filename) cv2.imwrite(img_path, gaf_img) sample_count += 1 print(f“ 类别 ‘{class_name}‘ 处理完成，生成 {sample_count} 张图像。“)

5.2 实操心得与避坑指南

数据平衡问题：不同故障类别的原始数据文件可能数量不等，切片后样本数差异可能更大。务必在构建最终数据集时检查各类别的样本数量。如果严重不平衡，需要考虑过采样（如对少数类样本进行随机滑动窗口的多次切片）、欠采样或使用类别权重。
GAF图像的可视化检查：在管道运行后，一定要随机抽查几张生成的GAF图像，用matplotlib显示出来看看。正常的、不同故障的GAF图像应该呈现出不同的纹理模式。如果所有图像看起来都是模糊一片或噪声，很可能是在数据标准化或GAF计算环节出了问题。
下采样参数的权衡：downsampled_len是核心超参数。太小（如32）会丢失过多细节；太大（如512）则计算成本高。建议从128或256开始尝试。下采样方法也会影响效果，scipy.signal.resample比简单的线性插值更能保留频域信息。
内存管理：处理大规模数据时，避免一次性将所有数据加载到内存。上述管道是“流式”处理，处理一个文件保存一批图像，是更安全的方式。如果使用实时生成策略，在DataLoader中要确保转换函数足够高效。
标签编码：保存图像时，最好将类别标签也单独保存为一个.npy文件或csv文件，与图像路径对应。更常见的做法是使用深度学习框架（如PyTorch的ImageFolder）能识别的目录结构，即每个类别的图像放在一个子文件夹下，框架会自动推断标签。
GASF vs GADF：没有绝对的好坏。我的经验是，对于冲击特征明显的故障（如点蚀），GADF有时能提供更清晰的边缘信息。可以尝试将两者作为两个通道，构建一个“2通道图像”输入CNN，或者分别训练模型然后集成。

6. 常见问题与排查技巧实录

在实际复现和实验过程中，你几乎一定会遇到下面这些问题。这里记录了我的排查思路和解决方法。

6.1 生成的GAF图像全是灰色，没有纹理

现象：保存的PNG图像看起来是均匀的灰色，或者纹理非常微弱。
可能原因与排查：
1. 数据标准化错误：检查normalize_sample函数。如果输入信号本身非常平缓（方差很小），Z-score标准化后数值范围可能仍然很窄（比如在[-0.1, 0.1]），导致arccos计算后角度变化不大，生成的GAF矩阵元素值非常接近。解决：打印几个样本标准化后的最大值和最小值。也可以尝试改用最小-最大归一化到[-1,1]，看看是否改善。
2. GAF值缩放错误：在保存为图像前，需要将GAF矩阵的值线性映射到[0, 255]。如果映射前的GAF矩阵动态范围很小，映射后就会集中在中灰值附近。解决：打印GAF矩阵的min()和max()。对于GASF，理论范围是[-1,1]，但实际可能集中在某个小区间。可以尝试使用对比度拉伸，例如用(gaf_matrix - gaf_matrix.min()) / (gaf_matrix.max() - gaf_matrix.min()) * 255。
3. 下采样过于激进：如果downsampled_len设得太小，原始信号的特征模式在下采样过程中被严重平滑掉了。解决：增大下采样长度，或者先不做下采样，生成大图看看是否有纹理。

6.2 模型训练准确率始终在“瞎猜”水平（比如四分类准确率25%左右）

现象：CNN模型训练损失不下降，验证准确率徘徊在随机猜测水平。
可能原因与排查：
1. 标签错乱：这是最致命也最隐蔽的错误。检查数据加载环节，确保图像路径和标签的对应关系绝对正确。一个快速验证的方法是：取出训练集中每个类别的几张图像，显示出来，并打印其标签，人工判断是否匹配。
2. 数据泄露：确保在切片生成样本时，没有使用跨越不同.mat文件的连续索引。例如，文件A的末尾和文件B的开头被切到了一个样本里，这个样本的标签就无法定义。确保每个样本完全来源于同一个数据文件。
3. 训练/测试集划分不当：如果按文件顺序划分，可能导致训练集和测试集来自完全不同的工况（比如训练集全是0HP负载，测试集全是3HP负载），模型无法泛化。必须在样本级别进行随机打乱和分层划分，确保每个集合中各类别、各工况的数据比例大致相同。
4. GAF转换函数有数值错误：使用一个小型人造信号测试你的gramian_angular_field函数。例如，输入一个简单的正弦波，观察生成的GAF图像是否具有预期的周期性结构。与公开的GAF实现（如pyts库）的结果进行对比。

6.3 处理速度太慢，特别是实时生成GAF时

现象：数据预处理或训练时的数据加载成为瓶颈。
优化技巧：
1. 向量化操作：确保gramian_angular_field函数中使用了NumPy的向量化操作（如np.outer），避免Python层面的for循环。
2. 预处理与缓存：如非必要，不要在每个epoch实时生成GAF。花费一些时间和磁盘空间进行预处理是值得的。
3. 使用更高效的数据加载：如果使用PyTorch，将预处理好的图像数据集放在SSD硬盘上，并使用torch.utils.data.DataLoader的多个工作进程（num_workers）和内存固定（pin_memory=True）来加速数据从磁盘到GPU的传输。
4. 降低图像分辨率：这是最有效的提速方法。尝试128x128甚至64x64的图像，很多情况下对分类精度影响不大，但计算量和内存占用呈平方级下降。

6.4 不同故障类型的GAF图像看起来区别不大

现象：人眼难以区分正常和故障的GAF图像。
可能原因与对策：
1. 故障特征微弱：早期微弱故障或故障尺寸很小时，振动信号中的冲击成分可能被强烈的背景噪声淹没。GAF转换并不能创造信息，它只是换了一种表示方式。对策：考虑在GAF转换前，先对信号进行降噪处理，例如使用小波阈值去噪、自适应滤波等。
2. 需要更强大的特征提取器：人眼难以区分，不代表CNN学不到特征。可以继续训练模型，并利用Grad-CAM等可视化工具，查看CNN到底关注图像的哪些区域。如果CNN能学到区分性特征，那就没问题。
3. 尝试其他时频图像表示：如果GAF效果确实不佳，可以对比其他方法，如连续小波变换（CWT）生成的时频谱图、短时傅里叶变换（STFT）谱图、马尔可夫变迁场（MTF）等。有时，不同的数据适合不同的表示方法。

轴承故障诊断是一个理论与实践紧密结合的领域。读懂东南大学的这份代码，不仅仅是理解几行Python，更是要理解其背后将时序问题转化为视觉问题的思想，以及数据预处理中每一步的工程考量。从数据集的解读、清洗、切片，到GAF图像的生成和优化，每一步都藏着影响最终模型效果的细节。希望这份超详细的解读和实录的经验，能帮你避开我当年踩过的那些坑，更顺畅地踏上基于GAF和深度学习的智能诊断研究之路。在实际项目中，多可视化、多对比、从小规模实验开始迭代，是最高效的策略。