简介：这份资源围绕一维生成对抗网络（GAN-1D）展开，采用WGAN结构生成故障轴承振动信号，面向具备Python基础、从事机械故障诊断或数据增强方向的学习者与研究人员。它可用于缓解故障样本稀缺问题，为轴承状态监测与深度学习模型训练提供扩充数据。压缩包共19个文件，约22.03MB，包含2个Python脚本（训练与测试入口）、2个mat数据文件、9张png可视化结果图，以及TensorFlow检查点相关文件（meta、index、data与checkpoint），并附有README说明文档，便于快速理解项目结构与运行方式。资源要求Python 3.5以上、TensorFlow GPU及numpy、scipy等依赖，训练脚本支持通过命令行调整学习率、训练轮数、采样间隔，并可在9类信号中选择训练数据。目前已有3386人学习下载，适合希望复现WGAN信号生成流程、研究数据增强策略的读者参考。
1. 当你的轴承数据不够用：一个用 WGAN 造振动信号的 Python 项目
做故障诊断的同行大概都遇到过这种局面：实验台上采到的正常样本一大堆，可故障样本——尤其是早期微弱故障——少得可怜，训练集里正负样本比例能到几十比一。模型在训练集上看着还行，一换到真实工况就翻车，本质上是判别器没见过几回真正的故障长什么样。这个项目就是冲着这个痛点来的：用一维 Wasserstein GAN（WGAN）去生成故障轴承的振动信号，把稀缺的故障样本补起来，给后面的分类、检测模型当数据增强用。整套代码是纯 Python 写的，基于 PyTorch，输入输出都是一维时序信号，不涉及图像，所以叫 GAN-1D。它适合两类人：一类是手里有轴承振动数据、想扩样本但不想手工造假的算法工程师；另一类是想拿一个干净的一维 GAN 骨架练手、再迁移到自己时序任务上的开发者。下面我按「它怎么搭的 → 怎么跑起来 → 怎么改」的顺序拆一遍。
2. 架构拆解：一维卷积堆出来的生成器和判别器
2.1 为什么是 WGAN 而不是原始 GAN
原始 GAN 用 JS 散度衡量生成分布和真实分布的距离，一旦两个分布几乎不重叠（高维信号里这是常态），梯度就消失，生成器学不动。WGAN 换成 Wasserstein 距离，即使分布不重叠也能给出有意义的梯度，训练稳定得多。代价是判别器（WGAN 里叫 Critic）不能再输出概率，最后一层要去掉 Sigmoid，而且每次更新生成器之前要把 Critic 多训几次。这个项目里 Critic 每轮迭代更新 5 次，生成器更新 1 次，这是 WGAN 的标配节奏。另外 WGAN 要求 Critic 满足 Lipschitz 连续，原版用权重裁剪（weight clipping）实现，这个项目也是这么做的，裁剪阈值一般设 0.01。权重裁剪有个副作用——容易把参数压到边界上导致生成质量下降，所以后来有人提出 WGAN-GP 用梯度惩罚替代裁剪。这个项目保留裁剪版本，好处是实现简单、依赖少，跑起来不容易出玄学问题。
2.2 生成器网络结构
生成器负责把一段随机噪声映射成和真实振动信号等长的一维序列。振动信号采样率高，一段样本动辄几千个点，所以生成器用「全连接升维 + 多层一维转置卷积」的结构，逐级把长度放大到目标长度。
import torch import torch.nn as nn class Generator(nn.Module): def __init__(self, noise_dim=100, signal_len=1024, base_channels=64): super().__init__() self.signal_len = signal_len # 噪声先升维到 128 * (signal_len // 16) 的长度 self.fc = nn.Linear(noise_dim, 128 * (signal_len // 16)) self.net = nn.Sequential( # 输入通道 128，输出 64，长度翻倍 nn.ConvTranspose1d(128, 64, kernel_size=4, stride=2, padding=1), nn.BatchNorm1d(64), nn.ReLU(True), # 64 -> 32 nn.ConvTranspose1d(64, 32, kernel_size=4, stride=2, padding=1), nn.BatchNorm1d(32), nn.ReLU(True), # 32 -> 16 nn.ConvTranspose1d(32, 16, kernel_size=4, stride=2, padding=1), nn.BatchNorm1d(16), nn.ReLU(True), # 16 -> 1，输出单通道一维信号 nn.ConvTranspose1d(16, 1, kernel_size=4, stride=2, padding=1), nn.Tanh() # 把输出压到 [-1, 1]，和归一化后的真实信号对齐 ) def forward(self, z): x = self.fc(z) x = x.view(x.size(0), 128, self.signal_len // 16) return self.net(x)逻辑说明：noise_dim是输入噪声维度，默认 100；signal_len是目标信号长度，默认 1024，如果你的数据每段是 2048 点，把它改成 2048，同时signal_len // 16会自动跟着变。四层转置卷积每层长度翻倍，16 倍正好还原到signal_len。kernel_size=4, stride=2, padding=1是转置卷积里最常用的「刚好翻倍」组合，记不住就背下来。最后一层用Tanh而不是 ReLU，是因为真实信号在预处理阶段被归一化到了 [-1, 1]，生成器输出必须落在同一区间，否则判别器一眼就能靠数值范围区分真假。BatchNorm1d在生成器里很关键，它让每层输入分布稳定，训练初期不至于直接崩掉。
2.3 判别器网络结构
判别器（Critic）干的是相反的事：把一维信号逐层降采样，最后输出一个标量分数，分数越高说明越像真实信号。注意它没有 Sigmoid，这是 WGAN 的硬性要求。
class Critic(nn.Module): def __init__(self, signal_len=1024): super().__init__() self.net = nn.Sequential( nn.Conv1d(1, 16, kernel_size=4, stride=2, padding=1), nn.LeakyReLU(0.2, inplace=True), nn.Conv1d(16, 32, kernel_size=4, stride=2, padding=1), nn.LeakyReLU(0.2, inplace=True), nn.Conv1d(32, 64, kernel_size=4, stride=2, padding=1), nn.LeakyReLU(0.2, inplace=True), nn.Conv1d(64, 128, kernel_size=4, stride=2, padding=1), nn.LeakyReLU(0.2, inplace=True), ) self.fc = nn.Linear(128 * (signal_len // 16), 1) def forward(self, x): feat = self.net(x) feat = feat.view(feat.size(0), -1) return self.fc(feat)逻辑说明：判别器里用LeakyReLU(0.2)而不是 ReLU，是为了避免负半轴梯度全为零导致训练停滞，这是 GAN 判别器的常规选择。判别器不加 BatchNorm，因为 WGAN 原论文建议判别器不用批归一化，用了反而可能破坏 Lipschitz 约束。最后接一个全连接到标量输出，没有激活函数。signal_len必须和生成器保持一致，两边对不上会在 reshape 时报维度错误，这是新手最常踩的坑之一。
2.4 训练循环与损失函数
WGAN 的损失函数很简洁，没有对数、没有 min-max 博弈的绕弯，就是两个期望之差。
def train_step(real_signal, netG, netC, optG, optC, noise_dim, clip_value=0.01): batch_size = real_signal.size(0) # ---- 训练 Critic ---- optC.zero_grad() z = torch.randn(batch_size, noise_dim, device=real_signal.device) fake_signal = netG(z).detach() # detach 防止梯度传到生成器 loss_c = netC(fake_signal).mean() - netC(real_signal).mean() loss_c.backward() optC.step() # 权重裁剪，强制 Lipschitz 约束 for p in netC.parameters(): p.data.clamp_(-clip_value, clip_value) # ---- 训练 Generator ---- optG.zero_grad() z = torch.randn(batch_size, noise_dim, device=real_signal.device) fake_signal = netG(z) loss_g = -netC(fake_signal).mean() # 生成器想让 Critic 给假样本打高分 loss_g.backward() optG.step() return loss_c.item(), loss_g.item()逻辑说明：loss_c是「假样本分数均值 - 真样本分数均值」，Critic 想把这个差值拉大，所以它越小说明 Critic 越分得开真假。loss_g取负号，是因为生成器想让 Critic 给假样本打高分，也就是让netC(fake).mean()越大越好，取负之后就是最小化。detach()那一步千万别漏，漏了梯度会顺着假样本回流到生成器，等于在训 Critic 的时候偷偷动了生成器，训练会乱套。权重裁剪用clamp_原地操作，每个 batch 训完 Critic 都要裁一次。实际训练时外层循环里 Critic 更新 5 次、生成器更新 1 次，这个比例在train.py里控制。
3. 跑起来：数据准备、环境配置与训练启动
3.1 数据格式与预处理
项目吃的是一维振动信号，常见来源是轴承实验台采集的加速度传感器数据，格式一般是 CSV 或 MAT。不管原始格式是什么，喂进网络前都要统一成「每行一个样本、每列一个时间点」的二维数组，形状是(样本数, signal_len)。预处理三步走：先按signal_len切窗，比如原始长信号每 1024 点切一段，段与段之间可以重叠 50% 增加样本量；再做归一化，把每段信号线性映射到 [-1, 1]，这一步必须和生成器最后一层的Tanh对应；最后转成 PyTorch 的Tensor并封装成DataLoader。
import numpy as np import torch from torch.utils.data import TensorDataset, DataLoader def load_and_preprocess(csv_path, signal_len=1024, overlap=0.5): raw = np.loadtxt(csv_path, delimiter=',') # 假设单列长信号 raw = raw.flatten() step = int(signal_len * (1 - overlap)) segments = [] for start in range(0, len(raw) - signal_len + 1, step): seg = raw[start:start + signal_len] # 逐段归一化到 [-1, 1] seg = 2 * (seg - seg.min()) / (seg.max() - seg.min() + 1e-8) - 1 segments.append(seg) data = np.stack(segments).astype(np.float32) tensor = torch.from_numpy(data).unsqueeze(1) # 加通道维 -> (N, 1, L) return TensorDataset(tensor) dataset = load_and_preprocess('bearing_fault.csv', signal_len=1024) loader = DataLoader(dataset, batch_size=64, shuffle=True, drop_last=True)逻辑说明：overlap=0.5表示相邻窗重叠一半，能在样本少的时候多榨出一些数据。unsqueeze(1)是给数据加一个通道维度，因为Conv1d要求输入形状是(batch, channels, length)，振动信号是单通道所以 channels=1。drop_last=True是为了丢掉最后一个不满 batch 的批次，避免 BatchNorm 在 batch_size=1 时报错。归一化里加1e-8是防止某段信号幅值恒定导致除零。
3.2 环境依赖与目录结构
项目依赖很轻，核心就三样：Python 3.8 以上、PyTorch 1.10 以上、NumPy。如果要画训练曲线再加个 Matplotlib。常见做法是用 conda 建个独立环境，避免和系统里的包打架。
conda create -n gan1d python=3.9 conda activate gan1d pip install torch numpy matplotlib目录结构大致是这样，不同版本可能略有出入，但核心文件跑不掉：
GAN-1D/ ├── models/ │ ├── generator.py # 生成器定义 │ └── critic.py # 判别器定义 ├── data/ │ └── bearing_fault.csv # 原始振动信号 ├── utils/ │ ├── data_loader.py # 切窗、归一化、DataLoader │ └── visualize.py # 时域/频域绘图 ├── train.py # 训练主入口 ├── generate.py # 加载权重生成新样本 └── config.py # 超参数集中管理config.py把noise_dim、signal_len、batch_size、n_critic、clip_value、epochs这些超参集中放一起，改的时候不用满项目找。这是我在多个项目里养成的习惯，超参散落在各个文件里，过两周自己都记不清哪个是哪个。
3.3 启动训练与观察指标
训练入口一般长这样，核心是把 Critic 多训几次的逻辑写进循环。
import torch from config import cfg from models.generator import Generator from models.critic import Critic from utils.data_loader import load_and_preprocess from torch.utils.data import DataLoader device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') netG = Generator(cfg.noise_dim, cfg.signal_len).to(device) netC = Critic(cfg.signal_len).to(device) optG = torch.optim.RMSprop(netG.parameters(), lr=cfg.lr) optC = torch.optim.RMSprop(netC.parameters(), lr=cfg.lr) dataset = load_and_preprocess(cfg.data_path, cfg.signal_len) loader = DataLoader(dataset, batch_size=cfg.batch_size, shuffle=True, drop_last=True) for epoch in range(cfg.epochs): for i, (real,) in enumerate(loader): real = real.to(device) # Critic 更新 n_critic 次 for _ in range(cfg.n_critic): loss_c, _ = train_step(real, netG, netC, optG, optC, cfg.noise_dim, cfg.clip_value) # Generator 更新 1 次 _, loss_g = train_step(real, netG, netC, optG, optC, cfg.noise_dim, cfg.clip_value) print(f'epoch {epoch} | loss_c {loss_c:.4f} | loss_g {loss_g:.4f}') if epoch % 50 == 0: torch.save(netG.state_dict(), f'checkpoints/netG_{epoch}.pth')逻辑说明：优化器用RMSprop而不是 Adam，这是 WGAN 原论文的推荐，Adam 的动量项和权重裁剪配合起来容易让训练不稳定。学习率一般设 5e-5 到 1e-4 之间，太大 Critic 会震荡。n_critic就是前面说的 5。观察指标主要看loss_c，它应该在一个范围内波动而不是持续下降或持续上升——持续下降说明 Critic 太强、生成器学不动，持续上升说明 Critic 太弱。生成质量最终还是要靠肉眼看时域波形和频谱，光看 loss 数值会被骗。
4. 避坑与排查：训练 WGAN 时最容易翻车的几件事
4.1 生成信号全是噪声或一条直线
现象：训练几十轮后，生成器输出的信号要么是高频杂乱噪声，要么是一条几乎不变的直线。原因通常是 Critic 和生成器失衡。如果 Critic 太强，生成器拿到的梯度信号很弱，学不出结构；如果 Critic 太弱，生成器随便输出什么都能骗过它，就退化成噪声。解决办法是先看loss_c的量级，正常应该在 0.1 到 1 之间波动。偏大就减小n_critic或降低 Critic 学习率，偏小就增大n_critic。另一个常见原因是权重裁剪阈值设得不对，clip_value=0.01是默认值，但如果你的信号幅值范围特殊，可以试着调到 0.05 或 0.005 看效果。
4.2 训练中途 loss 突然变成 NaN
现象：前几十轮正常，某一轮loss_c或loss_g突然变成 NaN，之后再也回不来。原因多半是梯度爆炸。WGAN 虽然比原始 GAN 稳，但权重裁剪本身不保证梯度有界。解决办法有三条：一是把学习率调小，从 1e-4 降到 5e-5；二是在优化器里加梯度裁剪，torch.nn.utils.clip_grad_norm_(netC.parameters(), max_norm=1.0)；三是检查数据里有没有 NaN 或 Inf，归一化时除零会产生 Inf，前面加1e-8就是防这个。我一般会在训练循环里加一句if torch.isnan(loss_c): break，早停比硬跑到底强。
4.3 生成样本和真实样本在频域上对不上
现象：时域波形看着挺像，但一做 FFT 就露馅，生成信号的频谱里缺少真实故障信号的特征频率成分。原因是判别器只看时域，对频域特征不敏感。解决办法是在判别器输入里拼接频域特征，或者干脆在损失函数里加一项频域距离。更简单的做法是加深判别器，让它有足够容量去隐式捕捉频域模式。如果数据量允许，把signal_len从 1024 加到 2048 或 4096，让判别器看到更长的上下文，频域分辨率也会跟着提高。
4.4 显存不够或训练速度慢得离谱
现象：batch_size 设 64 就 OOM，或者一个 epoch 要跑半小时。原因通常是signal_len太大加上 batch_size 太大，显存是两者乘积。解决办法：先把 batch_size 降到 16 或 32，WGAN 对 batch_size 不敏感，小 batch 也能训；再检查有没有在 GPU 上跑，torch.cuda.is_available()返回 False 的话就是 CPU 在硬扛。另外DataLoader的num_workers设成 4 或 8 能明显加快数据加载，但 Windows 上设太大反而会卡，设 0 或 2 比较稳。
4.5 保存的模型加载后生成结果完全不对
现象：训练时看着好好的，generate.py加载权重后生成的信号面目全非。原因通常是加载时网络结构参数和保存时不一致，比如signal_len或noise_dim对不上。解决办法是加载前先打印state_dict的 key 和形状，和当前网络对比。另一个坑是保存时用了torch.save(netG, path)保存整个模型，加载时如果代码结构变了会直接报错，建议只保存state_dict()。还有别忘了加载后调netG.eval()，BatchNorm 在训练和推理模式下的行为不一样，不切 eval 模式生成结果会带随机性。
5. 二次开发：把生成器接到你的故障诊断流水线里
跑通之后，真正有价值的是把这个生成器用起来。最直接的用法是数据增强：训练好 WGAN 后，用generate.py批量生成故障样本，和真实正常样本混在一起，喂给下游的分类器或异常检测模型。我一般会生成和真实故障样本等量的合成样本，比如真实故障有 200 段，就生成 200 段，比例控制在 1:1 左右，生成太多反而会引入噪声。生成时记得把netG切到eval()模式，并且用torch.no_grad()包起来，省显存也省时间。
import torch from models.generator import Generator def generate_samples(ckpt_path, n_samples=200, noise_dim=100, signal_len=1024): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') netG = Generator(noise_dim, signal_len).to(device) netG.load_state_dict(torch.load(ckpt_path, map_location=device)) netG.eval() # 切推理模式，BatchNorm 用滑动统计量 with torch.no_grad(): z = torch.randn(n_samples, noise_dim, device=device) fake = netG(z).cpu().numpy() # (n_samples, 1, signal_len) return fake.squeeze(1) # 去掉通道维，变成 (n_samples, signal_len)逻辑说明：map_location=device保证在 CPU 上也能加载 GPU 训出来的权重。eval()那一步是血泪经验，忘了切模式生成结果每次都不一样，排查半天才发现是 BatchNorm 在作怪。返回时squeeze(1)把通道维去掉，方便直接存成 CSV 或喂给 sklearn 的模型。
改造方向有几个。一是换损失约束，把权重裁剪换成 WGAN-GP 的梯度惩罚，生成质量通常更好，代价是每个 batch 多算一次梯度惩罚项，训练慢一些。二是做条件生成，把故障类别标签作为条件输入拼到噪声里，这样一个生成器就能按类别生成不同故障类型的信号，不用每类训一个模型。三是迁移到其他时序任务，比如生成心电图、机械振动、语音片段，只要把signal_len和归一化范围调一下，网络结构基本不用动。
验证生成质量别只看 loss，我习惯做三件事：一是把生成信号和真实信号叠在同一张时域图上，看包络和冲击成分对不对；二是做 FFT 对比频谱，重点看故障特征频率处有没有峰；三是把合成样本混进训练集，看下游分类器的准确率有没有提升——如果加了合成样本反而掉点，说明生成质量不行，得回去调 Critic 和生成器的平衡。从那以后我每次训完 GAN 都强制走一遍这三步验证，再也不敢只看 loss 曲线就下结论。希望帮到你。
本文还有配套的精品资源，点击获取
