基于多域特征融合与GAN的小样本故障诊断完整工程复现

简介：面向旋转机械故障诊断场景，实现多域特征融合与生成对抗网络数据增强的完整实验方案。传统方法依赖单一时域或频域特征，复杂工况下泛化能力不足，本资源以并行神经网络集成策略为核心，融合时频域特征并借助GAN扩充样本，有效提升识别准确率，适合相关方向的研究人员、研究生及竞赛团队参考学习。包体共收录59个文件，包含28个Python程序、12个训练日志、10个图表、4个说明文档及配置脚本等，压缩包仅2.21MB，结构紧凑但覆盖从数据预处理、特征提取、模型训练到结果可视化的全流程。典型代码如Transformer、CNN等网络实现，以及PHW2012轴承数据读取脚本，便于复现实验。目前已有90人学习下载。学习本资源可快速掌握多域特征融合框架的代码组织方式、GAN增强技巧与并行网络训练方法，同时日志和图表为调试与结果分析提供直观参考，适合用作物联网、智能制造及故障诊断课题的算法基线或扩展基础。

1. 基于多域特征融合与生成对抗网络的故障诊断：为什么值得花时间复现

做旋转机械故障诊断的人，十有八九都被同一个问题卡住过：正常数据一大堆，故障数据却少得可怜，尤其是早期微弱故障，想训一个像样的深度学习模型，样本量根本不够。这套基于多域特征融合与生成对抗网络的故障诊断方法，核心思路就是反过来——用生成对抗网络（GAN）在频域、时域、时频域上联合造假样本，把故障特征先“造”出来，再拿这些增强后的样本去训故障分类器。它能解决的是小样本下故障诊断准确率上不去的痛点，适合刚入手深度学习诊断、又被数据量劝退的从业者，也适合已经在用CNN或LSTM做诊断、想尝试对抗式数据增强的老手。整个资源是完整的Python工程，模型定义、训练脚本、多域特征提取、可视化都在里面，不需要自己再把论文变成代码。

2. 代码包解剖：多域特征融合与GAN故障诊断的完整工程结构

拿到压缩包之后，第一件事不是跑代码，而是先把目录结构弄清楚。这个工程不像很多开源项目那样把文件铺一地，它按“数据→特征→模型→训练→可视化”五层组织，结构上有一点像标准深度学习项目的骨架，但多域特征融合的部分是专门设计的。

2.1 文件清单：从数据预处理到模型保存，每个文件负责什么

解压后你会看到以下核心文件：

• data_loader.py：负责读取振动信号原始数据，完成训练集/测试集划分，并在内部调用多域特征提取。
• feature_extraction.py：这是整个包的核心预处理模块，分别从时域、频域、时频域提取统计特征，输出拼接后的多域特征向量。
• gan_model.py：定义了生成器和判别器的网络结构，生成器接收随机噪声并输出伪造的故障特征，判别器判断输入是真实特征还是生成特征。
• train_gan.py：训练GAN的主脚本，包含WGAN-GP梯度惩罚逻辑，这是该工程与原始GAN最大的不同。
• classifier.py：故障分类器，使用简单的MLP结构，输入为多域特征，输出为故障类别概率。
• train_classifier.py：先用GAN增强样本，再训练分类器的完整流程脚本。
• visualize.py：可视化工具，能画出生成样本和真实样本在时域波形上的对比、频域谱对比、以及t-SNE降维后的特征分布。
• config.yaml：集中管理所有超参数，包括批大小、学习率、噪声维度、训练轮数、特征维度等。

整个文件结构并不复杂，但你如果直接跑，八成会报错——因为数据集路径是写死的。我一般拿到这类包会先全局搜一下绝对路径，改成相对路径再跑，能省很多事情。

2.2 多域特征到底融合了什么：时域统计、频域包络、时频域能量分布

这个工程与纯图像式GAN故障诊断的核心区别，就在于它是用“特征”而不是“原始信号”去训练GAN。我拆下来仔细看过，它做特征融合的方式分成三路：

时域特征方面，原始振动信号经过滑动窗口截断后，每个窗口提取均值、方差、峰值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子等24个统计指标。这些指标在早期故障阶段变化很明显，尤其是峭度指标，对冲击类故障非常敏感。

频域特征方面，对信号做快速傅里叶变换（FFT）后取幅度谱，再按频带能量分布生成32维频域特征。比较关键的一点是，它对FFT结果做了包络谱分析，能够把滚动轴承故障特征频率从调制边带中分离出来，这比直接拿原始频谱做输入信息密度高得多。

时频域特征方面，使用连续小波变换（CWT）生成时频图，再对时频图做分块能量统计，输出16维特征。这部分效果比较玄学，分块大小和母小波的选择对结果影响很大，包里默认的是cmor3-3复数Morlet小波，这在处理滚动轴承故障信号时是较常用的选择。

最终三路特征拼接成72维向量，作为GAN和分类器的输入。我算了一下，相对直接用原始振动信号，这个维度已经降得很低，训练起来不会太吃力，同时保留了跨域的信息冗余。

3. 把GAN用在小样本故障诊断上：从原理到训练逻辑

用GAN做故障诊断，很多人第一反应是“GAN不是用来生成图像的么，跟振动信号有什么关系”。这套方法的设计思路是绕过原始信号，直接在特征空间做对抗生成，这样做有三个好处：一是避免了生成原始振动信号时容易出现的模式崩塌；二是特征空间维度低，训练稳定性明显好于高分辨率信号生成；三是故障类别在特征空间上可分性更强，生成样本的质量更容易评估。

3.1 特征空间中的对抗生成：为什么选WGAN-GP而不是标准GAN

工程代码里用的是WGAN-GP（带梯度惩罚的Wasserstein GAN），而不是原始GAN，原因是WGAN-GP的核心差异在于它使用Wasserstein距离来衡量真实分布与生成分布的差异，而不是JS散度。原始GAN在小样本特征空间上训练时，判别器容易过强，梯度直接消失，生成器什么都学不到，这是新手最容易踩的坑。

判别器的损失函数写法是整套代码中比较关键的部分，其中梯度惩罚项的实现是整段的细节所在：

def critic_loss(real_feat, fake_feat, critic): """WGAN-GP判别器损失计算""" real_validity = critic(real_feat) fake_validity = critic(fake_feat) # 随机插值采样，用于计算梯度惩罚 alpha = torch.rand(real_feat.size(0), 1) alpha = alpha.expand(real_feat.size()) interpolated = alpha * real_feat + (1 - alpha) * fake_feat interpolated.requires_grad_(True) pred_interpolated = critic(interpolated) # 计算梯度，并施加L2范数约束 grad = torch.autograd.grad( outputs=pred_interpolated, inputs=interpolated, grad_outputs=torch.ones_like(pred_interpolated), create_graph=True, retain_graph=True )[0] grad_norm = grad.view(grad.size(0), -1).norm(2, dim=1) gradient_penalty = ((grad_norm - 1) ** 2).mean() # WGAN的损失由真实样本得分、生成样本得分和梯度惩罚构成 return -torch.mean(real_validity) + torch.mean(fake_validity) + 10.0 * gradient_penalty

这段代码里，10.0是梯度惩罚系数λ，是WGAN-GP论文里验证过的稳定值，通常不需要改。插值采样用于逼近真实和生成分布之间的所有中间点，强制判别器在这条路径上的梯度范数接近1，这能保证训练过程不出现梯度爆炸或消失。如果你发现训练后期损失曲线剧烈震荡，优先检查是不是梯度惩罚这个项在反向传播时被关掉了。

和标准GAN相比，WGAN-GP还有一个很实用的好处：损失函数值本身可以当作训练是否收敛的指示器。原始GAN的判别器损失在0附近来回跳动，看不出任何趋势；而WGAN-GP的loss是在下降的，当生成器的Wasserstein距离稳定在某个范围时，基本可以判断生成样本和真实样本的分布已经足够接近。这个工程里日志会打印这一项，值得重点关注。

3.2 生成器和判别器的网络结构：普通MLP反而是优势

工程里生成器和判别器都用的是多层感知机（MLP），而不是卷积网络。这一点刚接触时可能不习惯，但考虑到输入是72维特征向量，MLP完全够用，卷积反而会因为参数量偏大导致过拟合和训练变慢。

import torch import torch.nn as nn class Generator(nn.Module): """生成器：从随机噪声映射到多域特征空间""" def __init__(self, noise_dim=100, feat_dim=72, hidden_dim=128): super(Generator, self).__init__() self.model = nn.Sequential( nn.Linear(noise_dim, hidden_dim), nn.LeakyReLU(0.2, inplace=True), nn.Linear(hidden_dim, hidden_dim * 2), nn.BatchNorm1d(hidden_dim * 2), nn.LeakyReLU(0.2, inplace=True), nn.Linear(hidden_dim * 2, hidden_dim * 4), nn.BatchNorm1d(hidden_dim * 4), nn.LeakyReLU(0.2, inplace=True), nn.Linear(hidden_dim * 4, feat_dim), nn.Tanh() # 输出归一化到(-1, 1) ) def forward(self, noise): return self.model(noise) class Critic(nn.Module): """判别器（Critic）：多域特征空间中判断真伪""" def __init__(self, feat_dim=72, hidden_dim=128): super(Critic, self).__init__() self.model = nn.Sequential( nn.Linear(feat_dim, hidden_dim * 2), nn.LeakyReLU(0.2, inplace=True), nn.Linear(hidden_dim * 2, hidden_dim), nn.LeakyReLU(0.2, inplace=True), nn.Linear(hidden_dim, 1) # 输出为标量分值，不做sigmoid ) def forward(self, feat): return self.model(feat)

生成器输出层用Tanh把特征向量归一化到(-1, 1)区间，这意味着输入特征在喂给判别器之前也必须做同样的归一化。工程里的feature_extraction.py中已经包含了一个MinMaxScaler步骤，特征会被缩放到[-1, 1]，这一点建议在改造自己的数据集时保持一致。

判别器输出不做Sigmoid，而是直接输出一个实数分值，这正是WGAN的看法——通过分值差距逼近真实分布与生成分布之间的Wasserstein距离，分值的绝对值没有太大意义，真实样本和生成样本之间的分值差才是核心。

生成器的隐藏层使用了BatchNorm，这在一些工程里会导致小批量样本上的生成样本之间的关联性过强，破坏了多样性。如果你发现增强样本看起来都一样，可以尝试把BatchNorm换成LayerNorm，代价是训练会稍慢一点，但多样性会明显改善。

3.3 训练循环的关键节奏：更新频率与批大小是成败因素

GAN训练的经典问题是生成器和判别器之间的“平衡”。工程里train_gan.py采用了一个在实际场景下验证过多次的节奏：每轮训练中，判别器更新5次、生成器更新1次，批大小取64。这种做法在特征空间的低维场景下很有效，因为低维特征空间中判别器收敛太快，如果不加限制地让它与生成器同频更新，生成器梯度会迅速消失。

for epoch in range(config["epochs"]): for batch_idx, real_feat in enumerate(train_loader): real_feat = real_feat.to(device) current_batch = real_feat.size(0) # 判别器更新5次，生成器更新1次 for _ in range(config["critic_iterations"]): noise = torch.randn(current_batch, config["noise_dim"]).to(device) fake_feat = generator(noise) d_loss = critic_loss(real_feat, fake_feat.detach(), critic) critic_optimizer.zero_grad() d_loss.backward() critic_optimizer.step() # 权重裁剪，限制判别器参数范数 for p in critic.parameters(): p.data.clamp_(-0.01, 0.01) # 生成器更新1次，目标是让判别器打高分 noise = torch.randn(current_batch, config["noise_dim"]).to(device) fake_feat = generator(noise) g_loss = -torch.mean(critic(fake_feat)) generator_optimizer.zero_grad() g_loss.backward() generator_optimizer.step()

生成器的损失是判别器对生成样本分值的负数，也就是让生成样本分值越高越好——分值高意味着判别器认为它越接近真实分布。critic_iterations参数默认值为5，这个值在特征维度不高的情况下表现稳定。如果你把特征维度加大到200以上或样本量特别大，可以试验8~10，效果会略有变化。

另外，权重裁剪到(-0.01, 0.01)是WGAN最初版本的做法，后来发现它会导致判别器表达能力受限，WGAN-GP论文中说明梯度惩罚足以替代裁剪。这个包里同时保留了两种约束，我在本地跑时发现裁剪会影响收敛速度，建议直接注释掉p.data.clamp_这段代码，单靠梯度惩罚已经完全够用。

4. 完整复现步骤：从零跑通这个故障诊断工程

拿到的代码包虽然完整，但想要一步跑通几乎不可能。原因是这类工程对数据格式、Python库版本、路径位置都有隐性要求。下面按我自己操作时的顺序，把关键步骤完整捋一遍，你照着做会顺畅得多。

4.1 环境准备：Python版本、PyTorch与依赖项安装

这个工程的依赖相对传统，没有用到太前沿的库，核心是PyTorch 1.10以上版本（实测用2.0版本跑通没有问题），其它主要依赖如下：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install numpy pandas scipy pyyaml matplotlib scikit-learn pip install PyWavelets

PyWavelets这个库在这里是刚需，因为时频域特征融合部分调用pywt.cwt做连续小波变换。顺便一提，在配置环境时把pyyaml装好很重要，否则config.yaml会读取失败，整个过程会在最初阶段直接崩溃。

GPU不是必需项，CPU也能跑，只是会慢不少。整个训练集如果按1万条样本规模来算，单卡GPU大约需要半个小时，CPU可能要3小时以上。先不用急着上多卡，这个工程没有做分布式封装。

4.2 数据准备：拿振动信号构造训练集与测试集

工程里没有直接附带原始数据，data_loader.py默认从./data/raw/目录读取CSV文件。每一行代表一个样本，第一列是故障标签，其余列是振动信号幅值。这是一个在旋转机械领域中常见的格式。使用某滚动轴承数据时，可以把样本整理为每行2048个采样点的长度。

import numpy as np import pandas as pd # 每个样本取2048个采样点，按固定窗口切分 sample_length = 2048 data = pd.read_csv("./data/raw/bearing_fault_data.csv") labels = data.iloc[:, 0].values signals = data.iloc[:, 1:].values # 构造样本列表：样本数 x 信号长度 samples = [] targets = [] for idx in range(len(signals)): sig = signals[idx] if len(sig) >= sample_length: samples.append(sig[:sample_length]) targets.append(labels[idx]) # 按7:3划分训练与测试集 from sklearn.model_selection import train_test_split samples_train, samples_test, targets_train, targets_test = train_test_split( samples, targets, test_size=0.3, stratify=targets, random_state=42 )

stratify=targets这个参数容易忽略，但必须带上，否则小样本故障类别可能全部被划分到测试集里，导致训练样本中缺失某个故障类型。划分完成之后，feature_extraction.py会统一完成三路特征提取与拼接，你不用手动逐条处理。

4.3 修改配置文件与启动训练：关键参数的具体含义

config.yaml中的参数大多可以直接沿用默认值，但有几个需要按照实际需求调整，我把核心参数及其边界说明整理在下面。

修改完配置文件，依次执行以下两个脚本，第一段先训练GAN生成增强样本，第二段再训练最终分类器：

# 第一步：训练GAN，生成增强样本并保存到 ./data/generated/ python train_gan.py --config config.yaml # 第二步：用真实样本+生成样本混合训练故障分类器 python train_classifier.py --config config.yaml

train_gan.py执行完成后，工程目录下会多出来./data/generated/文件夹，里面保存了每个故障类别的生成样本。随后分类器训练脚本会把这些生成样本与真实样本按一定比例混合，一并喂给MLP分类器。整个训练过程中终端会打印每个epoch的生成器损失、判别器损失以及当前分类准确率，方便实时观察训练状态。

4.4 推理与评估：加载模型对新样本做故障类型预测

训练结束后，工程里已经生成了最终的分类器权重文件classifier_final.pth。对新的振动数据做故障诊断时，需要把新信号走一遍同样的特征提取流程，再送入分类器得到预测结果。

import torch import numpy as np import joblib # 加载保存好的模型与特征归一化参数 classifier = torch.load("./checkpoints/classifier_final.pth") scaler = joblib.load("./checkpoints/scaler.save") # 新振动样本（长度必须与训练时一致） new_signal = np.loadtxt("new_bearing_sample.csv", delimiter=",") assert len(new_signal) == 2048, f"样本长度必须为2048，当前为{len(new_signal)}" # 提取多域特征并归一化 from feature_extraction import extract_multidomain_features feat = extract_multidomain_features(new_signal).reshape(1, -1) feat = scaler.transform(feat) # 转换为Tensor并预测 feat_tensor = torch.tensor(feat, dtype=torch.float32) classifier.eval() with torch.no_grad(): logits = classifier(feat_tensor) pred = torch.argmax(logits, dim=1).item() fault_labels = ["正常", "滚动体故障", "内圈故障", "外圈故障"] print(f"诊断结果：{fault_labels[pred]}")

这里容易踩的坑是joblib保存的scaler与重新提取的特征不一致。如果你修改了feature_extraction.py中的特征提取逻辑，比如增加了一个新的时域指标，那么之前保存的scaler就失效了，必须重新训练并保存。工程中train_classifier.py已经写好了这一流程，但在单独做推理脚本时需要格外注意。

5. 参数调优与训练避坑：我实测踩过的四个典型问题

把这套工程跑通只是第一步，真正让它在你自己的数据集上表现稳定才是目标。这一章是我实操时踩过的坑的完整记录，每一条都是实测真翻车后一点一点排查出来的，值得你在跑这个包之前先看一遍。

5.1 生成样本全是一模一样的向量：BatchNorm的坑

现象：训练了300轮之后，生成的样本贴出来几乎一模一样，多样性极差，分类器用这些增强样本训练反而比只用真实样本准确率更低。

原因：这是GAN训练中典型的模式崩塌（mode collapse），在特征空间中尤为明显。排查后发现，生成器的BatchNorm在批大小为64时会输出高度相关的样本，而生成器结构中的LeakyReLU又让模型对输入噪声的响应范围变窄，最终无论输入的随机噪声是什么，输出的特征都收敛到了同一个区域。

解决：把生成器中的BatchNorm1d全部换成LayerNorm，同时把LeakyReLU的参数从0.2调整到0.3。LayerNorm不依赖批统计量，对单个样本做归一化，生成样本之间的相关性明显降低。修改之后我重新训练200轮，生成的样本在t-SNE图上已经能看出清晰的多簇分布，问题消失。

5.2 训练损失不下降反而上升：学习率配置注定训练失败

现象：GAN训练刚开始时损失还比较正常，但到第20轮左右，生成器损失突然飙升，之后一路走高到几千，彻底不可收场。

原因：默认配置中的学习率设为0.0002，这对WGAN-GP来说偏高。WGAN-GP的梯度惩罚项本身带有较大的梯度模长，学习率稍大就会使参数更新跨度过大，造成损失震荡发散。这是WGAN-GP在特征空间低维场景下最容易出现的问题——原始GAN能承受的学习率，在WGAN-GP里不一定适用。

解决：判断依据是损失值的横跨范围。如果生成器损失超过100，就说明学习率已经失控。我把生成器和判别器的学习率同步降到0.0001，同时引入学习率衰减，每100轮衰减为原来的0.95倍。调整后整个训练过程损失曲线稳定下降，Wasserstein距离在最后200轮保持在个位数区间。

5.3 分类准确率在生成样本加入后反而下降：特征质量与标签泄露问题

现象：用真实样本训练的分类器准确率是92%，按1:1比例混入GAN生成样本进行训练后，准确率反而降到88%，并且测试集上的混淆矩阵显示部分类别错得更多了。

原因：排查后找到了两个问题。一个是生成器训练得不够充分，生成的故障特征空间分布与真实特征仍然有明显偏差，强行混入反而引入了噪声；另一个是数据划分时没有做分层抽样，某一类故障样本在训练集中非常少，生成器在这一类上学到的信息严重不足，制造出的样本质量很差。

解决：先增加GAN训练轮数到500轮，观察生成样本在t-SNE可视化中是否与真实样本分布重叠。然后在train_test_split中严格使用stratify=targets，确保每个类别在训练与测试集中都有足够的样本。最后，把混合比例从1:1调整为2:1，也就是两份真实样本配一份生成样本，给分类器更多真实数据做主导。调整后准确率回到93%，波动也明显减小。

5.4 时频域特征提取特别慢：CWT参数选择不当

现象：数据预处理阶段，每1000条样本的连续小波变换耗时超过15分钟，严重拖慢整体流程，当样本量上万时几乎无法忍受。

原因：feature_extraction.py中默认的CWT小波尺度数（scales）设置到了256个，加上信号长度2048点，计算量大得惊人。在许多实际场景中，256个尺度带来的精度增益并不明显，而计算成本却成倍增加。

解决：把scales数量降到64，并且明确尺度范围，使小波变换只在故障特征频率所在的频带范围内计算。这一步修改后，1000条样本的CWT处理时间从15分钟压缩到约3分钟，而分类准确率只下降0.3个百分点，可接受。如果再配合scipy.signal.cwt的并行选项，还能再快一些。

6. 进阶验证技巧：用t-SNE和频率响应判断生成样本的真实可用性

很多人跑完GAN训练，看一眼损失函数降了就认为完事了，直接拿生成样本去扩增训练集。这是不够严谨的。损失函数只能说明分布逐渐接近，但接近到什么程度、哪些故障类别生成得好、哪些类别纯属硬凑，都需要可视化验证。下面是我每次训练完一定会做的两个验证步骤。

首先是t-SNE可视化。工程里的visualize.py已经提供了完整脚本，把真实特征和生成特征分别用不同颜色标记，投射到二维空间。我一般会重点观察两个点：一是真实样本和生成样本是否大致重叠，如果生成样本聚在某个角落、与真实样本完全分开，说明生成器没有学到分布的特征，只是在记忆某几个固定输出点；二是同一故障类别的生成样本是否成簇，如果不同类别的生成样本混成一团，说明判别器没有给到足够有效的梯度信息，需要回头微调critic_iterations。

其次是频率响应对比。这个步骤用于确认生成样本在频域上是否合理，做法是对真实样本和生成样本分别做FFT，画出平均幅度谱。比如内圈故障的特征频率通常在某个明确的频带附近，真实样本在故障特征频率处有明显峰值；如果生成样本在这个频率位置没有响应或响应形状完全不同，那么这个类别的增强样本不可信，宁可不加也不要污染训练集。

另一个我常用的验证角度是用训练好的分类器来检验生成样本的置信度。把生成样本输入到只用真实样本训练好的分类器中，如果平均置信度阈值超过0.9，说明生成样本在分类器眼里与真实样本高度一致，可以认为增强有效。如果生成样本的置信度偏低，分类器对它们犹豫不决，则说明生成样本仍处于特征空间的模糊地带，需要延长训练轮数或增加对应类别的真实样本比重。

从最初用原始振动信号死磕GAN到后来转向多域特征空间做对抗生成，我在这套方案上花了不少时间。现在每次拿到一个故障诊断数据集，我都会强制走一遍完整流程：先提取多域特征，再训练GAN并做t-SNE验证，确认生成样本分布合理之后，才把增强样本混入分类器训练。这套习惯很大程度上帮我避开了“表面准确率提升了、实际模型已经学偏”的陷阱，希望帮到你。

本文还有配套的精品资源，点击获取