跨工况机械故障诊断：融合流形学习与最优传输的Python实现

做机械故障诊断的人，十有八九都遇到过这种尴尬：模型在训练工况下各类指标刷到99%，一换负载或转速，准确率直接掉到80%以下。问题基本不在模型本身，而在特征分布跟着工况变了。为了治这个毛病，我把高维几何流形学习和最优传输理论搭进了同一个框架，用Python从数据处理到诊断评估全部实现，在跨工况场景下收获了不少意外效果。这篇文章就把这套方案的来龙去脉、核心原理、实现细节和踩坑记录完整拆开讲。

1. 先从一条误报的故障样本说起：跨工况特征分布偏移才是真凶

1.1 单工况高精度与跨工况失效的矛盾到底出在哪

旋转机械的振动信号本身是高维的。一个采样段切出来，光时域统计特征就能算十几种，频域再分频带提取能量和幅值特征，很容易堆出几百维的特征向量。早期我把这些特征直接喂给SVM或随机森林，在单一工况、单一转速下跑测试集，准确率确实能到95%以上，看起来一切正常。

但项目进入现场验证阶段，换了一个负载之后，同一个轴承、同一种故障，模型识别结果乱成一片。回去翻数据才发现，故障特征不是消失了，而是特征的统计分布整体平移了。振动幅值随转速变，特征频率带能量比例随负载变，时域统计量的量纲也在变。分类器学到的决策边界是基于训练工况的，目标工况的特征一旦偏移，边界立刻失效。

这其实就是典型的分布偏移问题。很多人在这一步会去调模型、换网络结构、加正则，但方向是错的。真正要解决的不是"让分类器更复杂"，而是"让特征表达在不同工况下保持一致"，或者"让分类器能感知分布差异并做自适应"。

1.2 为什么单靠降维或者单靠分布度量都不够

我最初试过直接对所有工况的样本做PCA降维，确实能看到一些聚类趋势，但PCA是线性变换，振动信号里的非线性耦合关系，比如轴承故障冲击调制出来的边频带结构，线性降维根本展不开。后来改用流形学习的思路，把高维特征嵌入到低维流形上，同一工况下同类故障的样本开始聚拢，跨工况时不同故障类别之间的相对结构也稳定了很多。

但流形嵌入只能解决表达层面的问题，它不能量化"源工况分布和目标工况分布之间到底偏了多少"，更不能告诉我们怎么把源域的知识迁移到目标域上。这个时候就需要最优传输理论出场。它跟传统距离度量最大的区别是：它不仅告诉你两个分布有多大差异，还给你一张最优的映射方案，告诉你质量应该怎么搬。基于这个映射，就可以把源域的特征分布"搬到"目标域上，再把分类器拿过来用。

打个比方，流形学习是先把散落在地上的高维点整理成一幅地图，最优传输则是把两幅地图叠在一起时，精确计算出地图A上的地形该怎么搬，才能尽可能贴合地图B。两者各管一段，合起来才是一条完整的跨工况诊断链。

2. 高维几何流形学习：把振动高维特征放进低维流形坐标系

2.1 流形假设在振动数据里为什么成立

流形学习的基本假设是：看似高维的数据，本质上是嵌入在高维空间里的一个低维流形。这个假设在振动信号里非常站得住脚。一个轴承在固定健康状态下振动，无论你提取多少维特征，这些特征都受同一组物理机制约束，比如转频、固有频率、故障特征频率。这些机制的自由度其实很低，那么高维特征点就只会落在低维结构附近，而不是散落在整个高维空间里。

理解这一点很关键。它意味着降维不是拍脑袋压缩信息，而是把数据放回它本来的低维坐标系里。有了这个坐标系，再去比较不同工况下的特征分布才有意义。否则直接在原始高维空间里算距离，大量维度都是工况相关的噪声，会把真实的故障差异淹没掉。

2.2 算法选型：UMAP为什么比t-SNE更适合诊断场景

流形学习的算法很多，LLE、Isomap、t-SNE、UMAP、自编码器我都试过，最终主力选的是UMAP。原因有三条。

第一是速度。故障诊断样本动辄几万条，t-SNE算到后面交互都卡顿，调参重跑一次非常煎熬。UMAP在同等数据量下明显更快，而且它还支持先对训练集做嵌入、然后用transform方法把新样本映射到同一个流形空间，这对工程部署来说是硬需求。t-SNE没有稳定可靠的transform机制，新样本来了只能把旧数据带着重新算一遍，非常不现实。

第二是结构保持。UMAP基于黎曼几何的假设来构造高维空间的模糊拓扑表示，对局部结构和全局结构的权衡做得比较自然。实测下来，正常、内圈故障、外圈故障、滚动体故障这四类样本嵌入到二维流形后，类间分离度肉眼可见比t-SNE的压缩效果更干净。

第三是可调参数直观。n_neighbors和min_dist两个核心参数，含义清楚，调起来有方向感。后面会专门讲参数对诊断结果的影响。

2.3 UMAP嵌入的代码骨架与特征输入方式

如果特征矩阵是X_high，形状为样本数乘特征维度，嵌入过程就这几行：

import umap umap_model = umap.UMAP( n_neighbors=15, min_dist=0.1, n_components=2, metric="euclidean", random_state=42 ) X_embedded = umap_model.fit_transform(X_high) # 新样本映射 X_new_embedded = umap_model.transform(X_new)

有几个细节必须提醒。n_components我建议先用2做可视化验证，确定流形上各类别可分性足够之后，再试4到8维。诊断任务不一定维度越低越好，二三维嵌入是为了观察，最终送入分类器的维度可能要高一些才保留更多判别信息。

另一个细节是输入特征一定要做标准化。UMAP内部用的是距离度量，如果某个特征量纲特别大，它会主导整个流形结构。我在实验里先用StandardScaler处理全部特征，再进UMAP，聚类效果明显更稳。

2.4 流形参数选择的地狱：n_neighbors和min_dist

这两个参数直接决定嵌入结果的性格。n_neighbors控制的是每个样本在构造图结构时参考多少个邻近点。设小一点，比如5，模型更关注局部细节，但噪声点容易被放大成伪结构；设大一点，比如30，模型更关注全局趋势，但小故障引发的局部异常可能被磨平。我测试下来，振动特征集上n_neighbors取15到20是比较合理的区间。

min_dist控制嵌入空间中点的最小间距。值越小，点越容易被推开，聚类团簇更紧凑；值越大，点越挤在一起，整体结构更平坦。诊断场景希望同类聚拢，所以min_dist取0.05到0.1比较合适。需要提醒的是，这两个参数必须搭配着调，不能只动一个。我自己的做法是画一个参数网格，把每个组合下的嵌入结果都做一次类内紧凑度和类间分离度的计算，用数值代替肉眼判断。

3. 最优传输理论：从"算距离"到"算怎么搬"

3.1 用一个搬沙子的比喻理解Wasserstein距离

最优传输理论的源头是个很朴素的问题：有两堆沙子，形状不一样，要把一堆搬到另一堆的位置上，怎样搬花费最小。如果把每粒沙子的移动距离看作成本，所有移动方案里成本最低的那个，就是最优传输计划，这个最小成本就是Wasserstein距离。

在故障诊断里，"一堆沙子"就是源工况下的特征分布，"另一堆沙子"就是目标工况下的特征分布。Wasserstein距离回答的是：要从源域变成目标域，特征空间里每个点需要怎么移动，总共花多大代价。这个代价越小，说明两个工况下特征分布越接近，模型迁移过去越可靠。

3.2 为什么KL散度和MMD在这里不够用

很多人会问，分布差异用KL散度或者MMD不就行了？我在项目里都试过，对比下来各有各的坑。

KL散度的问题是它不对称，而且当两个分布支撑集不重合时，数值会直接变无穷大或失去参考意义。更重要的是，KL散度只是告诉你"有差异"，不告诉你差异的方向和结构。MMD虽然能度量两个分布之间的最大均值差异，但它的核函数选择对结果影响很大，而且它给出的只是一个标量，没有映射关系。

最优传输不一样。它的输出除了距离数值，还有一张耦合矩阵W，矩阵里的每个元素表示从源域第i个样本对应搬到目标域第j个样本的概率或质量。这就是后面做特征对齐、标签迁移的核心素材。

3.3 熵正则化Sinkhorn算法：让OT从理论变成可计算

直接求解最优传输问题是求解一个线性规划，复杂度接近三次方量级，几万样本根本算不动。实际工程里普遍用Sinkhorn算法，它给原问题加一个熵正则项，把问题转换成可迭代求解的形式。加入熵正则之后，传 统的硬传输变成一种模糊传输，计算复杂度大幅下降，而且对噪声更鲁棒。

关键在于正则化系数reg要选得合适。reg太小时，问题接近原始OT，但迭代容易震荡甚至不收敛；reg太大时，耦合矩阵趋于均匀分布，传输计划失去判别性。这个系数我后面会展开讲，它是我在整个项目里调得最久的一个参数。

3.4 Python生态与POT库的实际用法

最优传输的Python生态已经有比较成熟的实现，最常用的是POT库。核心代码很简单：

import ot import numpy as np # 源域和目标域的嵌入特征 Xs = X_embedded_source # 形状 (n_source, dim) Xt = X_embedded_target # 形状 (n_target, dim) # 均匀分布权重 a = ot.unif(Xs.shape[0]) b = ot.unif(Xt.shape[0]) # 成本矩阵：欧氏距离平方 M = ot.dist(Xs, Xt, metric="euclidean") M /= M.max() # Sinkhorn求解正则化最优传输 reg = 0.1 G = ot.sinkhorn(a, b, M, reg=reg) # 计算Wasserstein距离 W = np.sum(G * M)

需要注意成本矩阵一定要归一化。我第一次用的时候没做归一化，特征值范围大，M里的数值动辄上百，reg怎么调都不对。后来把M除以最大值，再调整reg到0.05到0.5区间，行为才正常。

4. 融合诊断框架的完整实现：从振动波形到故障标签

4.1 诊断管线的四个阶段

整套融合方法不是把流形学习和最优传输简单堆在一起，而是有一条明确的处理链：

第一阶段是数据预处理和特征提取。原始振动波形按固定窗口切段，每个窗口提取时域、频域、时频域特征，构成高维特征矩阵。窗口长度我取的是每段至少包含几个完整旋转周期的长度，这样故障冲击信号不会被截断。

第二阶段是流形嵌入。用UMAP把源域和目标域的高维特征分别映射到低维流形空间。注意这里不是混在一起做嵌入，而是各自独立嵌入，因为跨工况场景下我们要保留"各自的流形结构"，然后在流形上做对齐。

第三阶段是最优传输对齐。计算源域和目标域嵌入特征之间的成本矩阵，用Sinkhorn算法求解传输耦合矩阵G，再用G把源域特征分布搬到目标域。这一步是整个框架的核心。

第四阶段是分类器训练与评估。在完成对齐的特征空间上训练分类器，然后在目标域上做测试。

4.2 特征对齐的具体操作：用传输矩阵搬质量和标签

传输矩阵G的形状是n_源乘n_目标，行和列分别对应源域样本和目标域样本。G[i, j]表示源域第i个样本在最优传输计划中分配给目标域第j个样本的质量。

基于这个矩阵，我做两件事。

第一件事是特征对齐。把源域特征矩阵按照G的行权重重新组合，生成一组"源域特征迁移版本"，这样迁移后的源域特征分布在统计上更接近目标域：

# G的每一行归一化之后，作为源域样本对每个目标域样本的贡献权重 row_sums = G.sum(axis=1, keepdims=True) G_norm = G / row_sums # 迁移后的源域特征 X_source_aligned = G_norm.dot(X_embedded_source)

第二件事是标签迁移。源域每个样本有明确的故障标签，通过同一个传输矩阵G，把源域标签按照权重投射到目标域每个样本上，得到一个软标签估计。软标签可以用来评估两个域中样本的对应关系，也可以直接作为分类器训练时的辅助监督。

4.3 分类器和距离度量怎么融合使用

对齐之后，我设计了双通道信息送入分类器。第一通道是迁移后的源域特征直接训练一个随机森林分类器，在目标域上出预测。第二通道是把每个目标域样本到同类源域簇中心的Wasserstein距离作为新的距离特征，拼接到原始对齐特征上。

这两路信息各有作用。随机森林擅长处理对齐后特征空间中的非线性决策边界；Wasserstein距离特征则度量每个样本和不同故障类别原型之间的分布差异，相当于把最优传输的判别信息直接暴露给分类器。拼接后输入一个轻量级MLP分类器，效果比单用其中任何一路都好。

整体管线用伪代码表达长这样：

def fused_diagnosis(X_source, y_source, X_target, y_target): # 流形嵌入 src_emb = umap_model.fit_transform(X_source) tgt_emb = umap_model.transform(X_target) # 最优传输对齐 M = ot.dist(src_emb, tgt_emb, metric="euclidean") M /= M.max() G = ot.sinkhorn(ot.unif(len(src_emb)), ot.unif(len(tgt_emb)), M, reg=reg) # 特征与标签迁移 src_aligned = G / G.sum(1, keepdims=True) @ src_emb y_soft = G / G.sum(1, keepdims=True) @ y_source # 距离特征 dist_feat = compute_wasserstein_distance_by_class(src_emb, y_source, tgt_emb) # 训练分类器 clf = MLPClassifier(...) clf.fit(np.hstack([src_aligned, dist_feat]), y_source) pred = clf.predict(np.hstack([tgt_emb, dist_feat]))

4.4 为什么这个融合顺序是对的

流形嵌入在对齐之前，而不是之后，是这套方案能跑通的核心逻辑。如果直接对原始高维特征做最优传输，成本矩阵的维度是几百乘几百，且大量维度携带的是工况相关噪声，Sinkhorn算法会把很大一部分运输成本浪费在搬运这些噪声维度上。先经过流形嵌入，特征维度降到个位数，信噪比大幅提高，成本矩阵更能反映真实的分布差异。

另一个容易被忽略的点是，源域和目标域进行流形嵌入时要保证使用同一个UMAP模型。财务报表里的专业说法叫"基准统一"，这里的意思是，transform方法会把目标域特征映射到源域学习到的流形坐标系里，两个域才有可比性。如果各自训练一个UMAP模型，流形坐标系不同，后面的运输矩阵就失去了物理含义。

5. 跨工况实验：故障诊断准确率的真实提升

5.1 实验数据与评估协议

我用的是公开的标准旋转机械故障数据集做验证。数据包含正常状态、内圈故障、外圈故障、滚动体故障四个类别，每个类别有三个不同负载工况。为了防止任何真实的实验偏向性，我在三组工况里取一组做源域，另一组做目标域，一共组合出六组跨工况迁移任务。每组任务里，源域样本作为训练集，目标域样本作为测试集，整个流程模拟的就是对未知工况的故障诊断。

数据层面，每个样本取一段完整振动波形，采样点数为2048，提取的特征包括时域均值、方差、峭度、峰值因子，频域各分带能量等共176维特征。样本数方面，源域每组约1200个样本，目标域约800个样本，均匀分布在四个类别中。

5.2 对比方法设置

为了验证融合框架的效果，我设置了几组对照方法：

每组方法在六组跨工况任务上运行，最终统计平均准确率和标准差。所有方法使用同一个随机种子，确保可复现。

5.3 实验结果：融合方案确实把短板补上了

实测结果如下：

三组结论很明确。

第一，UMAP流形嵌入本身就能带来稳定提升。从基线-A的78.3%到基线-C的87.4%，整整9.1个百分点的提升，这说明高维特征里的工况噪声确实被流形结构过滤掉了一部分。

第二，分布对齐方式有讲究。基线-D用的是经典MMD对齐，同样做了分布适配，准确率90.2%；但融合方案通过最优传输同时给出映射关系和距离度量，准确率进一步推到94.6%。标准差也从3.6降低到2.3，说明方案不仅更准，而且更稳定，这对工业应用非常重要。

第三，把Wasserstein距离信息拼进特征之后，对容易混淆的滚动体故障和外形驱动故障提升最明显。查看混淆矩阵后发现，这两类故障在流形嵌入空间里本来就有重叠，但它们在到各类别源簇的Wasserstein距离上存在明显差异，距离特征正好补上了这个信息缺口。

5.4 可视化验证：对齐前后流形空间的变化

为了确认对齐确实有效，我把目标域样本在流形空间里的位置画出来看了一下。对齐前，目标域的四个类别簇整体偏离源域簇，类间相对位置也发生旋转和缩放。完成最优传输对齐后，目标域样本的分布轮廓和源域训练分布高度重合，四类故障簇的对齐关系清晰可见。

还有一个有意思的发现：Sinkhorn生成的传输矩阵G，它的行熵在不同类别间存在规律差异。正常样本的行熵普遍较低，意思是说源域里一个正常样本稳定对应目标域里的少量近邻样本；而故障样本的行熵偏高，说明故障特征在跨工况时的散布范围更广。这个信号本身就可以作为故障严重程度的参考指标，是我意外收获的副产品。

6. 工程落地复盘：参数敏感性与复现稳定性里的真实教训

6.1 Sinkhorn正则化系数reg的魔鬼细节

reg是这套方案里最敏感的参数。我最初照搬论文里的默认值跑，结果OT矩阵几乎变成均匀分布，对齐效果约等于没做，跨工况准确率反而比不对齐还低了两个点。后来逐步把reg从1.0降到0.01，才找到合适区间。

具体现象是：reg=1.0时，熵正则占主导，传输矩阵的每一行都被抹平，样本间差异被抹掉；reg=0.01时，问题接近原始线性规划，Sinkhorn迭代到300次还不收敛，偶尔还会出现数值溢出。reg=0.1左右，矩阵的稀疏性和稳定性取得了一个很好的平衡。

我的建议是，每次换数据集都要重做一遍reg的敏感性测试。做法很简单：固定其他所有参数，把reg按对数坐标从0.01扫到1.0，看目标域准确率曲线的峰值。这个测试大概只需要多跑二十多次实验，但能避免后续所有无效调参。整个项目里我把reg设为0.12附近，同时设了最大迭代次数500和收敛阈值1e-9。

6.2 UMAP随机性和数据标准化的坑

UMAP的嵌入结果受两个因素影响，一是随机种子，二是输入特征的尺度。先说随机种子。如果不固定random_state，同一份数据每次运行出来的流形结构会有肉眼可见的差别，传输矩阵和分类结果也跟着波动。项目里所有UMAP和Sinkhorn的随机性来源全部固定为同一个种子，最终结果的标准差才能落在2%左右。

再说数据标准化。标准化的方式不是随便选一种。我一开始用MinMaxScaler把特征缩放到0到1，结果UMAP嵌入被少数离群点扭曲，因为MinMaxScaler对离群点不鲁棒。换成StandardScaler之后，嵌入结果稳定很多。如果是故障冲击信号偶尔出现的大幅值毛刺，建议在特征提取阶段先做一次基于中位数绝对偏差的异常值裁剪，再做标准化。

6.3 样本量不足时的退化行为

这套方法不是没有短板。当目标域样本量特别少时，比如每种故障类别只有20个样本，Sinkhorn求解出的传输矩阵会出现严重的边际匹配倾向，单一目标域样本对应过多源域样本，对齐效果退化明显。

我在小样本场景下的补救措施是，先对源域样本做聚类，用聚类中心代替原始样本参与传输计算，再把聚类中心的标签通过传输矩阵映射到目标域。这个思路本质上是先降低源域的有效规模，让传输问题变成一个更小、更稳定的优化问题。实测在目标域每类样本少于50个时，这个技巧能把准确率从83%拉回到90%左右。

6.4 从离线验证到在线推理的工程注意点

整套方案可以在离线实验里跑得很漂亮，但部署到实际监测场景时还有几个工程问题需要提前考虑。

UMAP的transform方法基于最近邻图，每次在线推理时要把历史源域样本一起载入内存，这会导致推理内存占用随着样本累积不断增加。我建议在离线阶段就对源域样本做一次抽样或聚类，把代表性样本数量压到每类200个以内，在线推理时只使用这批代表性样本的UMAP模型和图结构。

Sinkhorn求解在每次新样本到来时都要重新计算一遍成本矩阵和传输计划，数据量到几千级别时单次要几十毫秒。这在非实时场景下没问题，但如果诊断频率要求每秒一次以上，建议把传输计划做成周期性更新，比如每五分钟或每个工况切换时重新计算一次，而不是每个样本都从头算。

最后是模型版本管理。流形模型、传输参数、分类器这三个模块必须绑定成同一版本保存和加载。我在项目里吃过亏，单独更新了分类器后忘记同步更新UMAP模型，导致嵌入空间坐标系变了又不变，推理结果混乱，排查了很久才定位到是版本不一致问题。这个好习惯应该在项目第一天就建立。