基于ICEEMDAN-CMBE与贝叶斯优化TCN-BiLSTM的故障诊断方法

机械设备的状态监测，最难的地方不在于传感器好不好，而在于你怎么从一段混着噪声、非平稳、非线性的振动信号里，把真正代表故障的信息捞出来。这也是为什么故障诊断这个方向，到现在还是数据处理和机器学习算法的演练场。比如我这套东西，名字很长，但干的事情其实很直接：用ICEEMDAN把原始振动信号拆成若干个有物理含义的分量，再用CMBE把每个分量的复杂度变成一组数字特征，然后把特征喂给贝叶斯优化过的TCN-BiLSTM混合网络去分类，最后用SHAP告诉你模型到底看了什么、凭什么下结论。完整代码在MATLAB环境下运行，不用额外装太多工具箱，适合正在做旋转机械故障诊断、轴承齿轮箱数据分析，或者想给深度学习分类模型补上可解释性的同学参考。

1. 先看懂整体链路：从振动信号到故障结论

1.1 这条流水线解决的核心矛盾

故障诊断中最常见的一种情况是：故障信号非常微弱，正常振动和故障振动之间的差异，可能只有千分之几的幅值差别。你直接拿原始信号丢给分类器，效果一般不会太好，因为原始信号里包含大量的噪声、干扰谐波和工况波动，真正有用的故障特征被淹没在里面。

所以先要做分解。分解的目的不是让信号变好看，而是把叠加在一起的不同频率成分按物理特性拆开。比如轴承外圈故障，它会产生周期性的冲击成分，这个成分在原始信号里可能只占很小的比例，但拆开以后就变得非常明显。ICEEMDAN干的就是这个事。

然后做特征提取。拆出来的分量归根到底还是一堆时间序列，你不能直接把这堆序列都丢给分类器——数据维度太高，而且每个样本长度还不一样。于是用CMBE把这些分量的复杂度压缩成一组熵值。熵这个东西，本质上是在衡量一段信号的规律性和随机性。故障状态下的信号，往往和正常状态的复杂度不一样，这个差异就能变成分类依据。

1.2 三个模块各自的作用和取舍

这套代码的三个模块其实可以拆开用。你完全可以用ICEEMDAN加CMBE做特征提取，然后随便用一个传统分类器（比如SVM、随机森林）去分类，效果也不错。也可以不做特征提取，直接用归一化后的原始信号喂给TCN-BiLSTM。为什么这套代码坚持三段式？

因为我实测过，纯深度学习的方案对样本量要求很高，而很多故障诊断场景下，故障样本本来就稀缺。特征工程加深度学习的混合方案，相当于先用信号处理的方法把有用信息浓缩了，再让深度学习在浓缩后的特征上做更精细的分类。这样做有几个好处：训练更快、收敛更稳定、样本需求更少。坏处也很明显——特征提取会丢掉一部分信息，如果分解或者熵的参数没选好，效果可能不如端到端学习。所以这套代码在参数上做了不少实验，后面我会专门讲。

2. ICEEMDAN信号分解：改进在哪里，参数怎么设

2.1 从EMD到ICEEMDAN：路径演进

EMD（经验模态分解）是老前辈了，它的核心思想非常直观：不管什么信号，直接根据信号本身的极值点包络，把信号拆成一组固有模态函数（IMF）。这个方法不需要先验知识，但有一个著名的短板——模态混叠。所谓模态混叠，就是一个IMF里混进了不同时间尺度的成分，或者同一个时间尺度的成分被拆到了多个IMF里，这样分解结果就不符合"每个IMF代表一个单一振荡模式"的初衷了。

EEMD（集合经验模态分解）想了个办法：往原始信号里加均匀分布的白噪声，让噪声把不同时间尺度的信号"扰动"到不同频带上去，然后再通过多次平均消除噪声影响。这个方法有效，但计算量大，而且加噪声过多会带来残余噪声和模态分裂的问题。

CEEMDAN在EEMD基础上做了一次"确定性"升级：它不是在原始信号上加噪声，而是在每一阶IMF残差上加自适应噪声，从根本上抑制了模态混叠，也减少了残余噪声。到了ICEEMDAN，方法更进一步：每次分解的时候，噪声不是加在IMF上，而是加在残差上；而且噪声幅值会利用先前分解的信息进行自适应调整。说得直白一些，ICEEMDAN分解出来的分量更干净、物理意义更清楚，残余噪声也更少，特别适合处理振动数据这种信噪比不高的信号。

理解这段演进，你就能明白为什么代码里不选EMD而是选ICEEMDAN：我们不是追求"能用"，而是追求在噪声很大的振动数据下，分解结果足够稳定、可重复。有一次我把同样一段信号用EMD和ICEEMDAN各跑了10次，EMD分解出的IMF个数在9到14之间波动，而ICEEMDAN基本稳定在10到11个。这种稳定性对后续特征提取来说太重要了，因为特征向量维度不统一，后面的网络就没法训练。

2.2 ICEEMDAN的核心参数和MATLAB实现

用MATLAB做ICEEMDAN，通常需要设置这几个参数：

• 噪声幅值（Nstd）：相当于每次迭代加入的噪声强度，默认0.2。太小的话模态混叠抑制效果不好，太大会把真实信号成分冲掉。一般先0.2起步，看分解结果。
• 噪声添加次数（NR）：默认100左右。次数越多，分解越稳定，但计算时间线性增长。
• 最大迭代次数（MaxIter）：默认500，用于确定每个IMF的筛选过程。

调参的时候我一般会观察两个东西：一是分解出的IMF数量是否合理，二是前几阶IMF的波形是否还存在明显的模态混叠（比如一个IMF里同时出现高频冲击和低频振荡）。如果还有混叠痕迹，就把Nstd往上调一档，或者把NR加大到200。

代码调用起来是这样的：

% 加载一段振动信号，data是行向量 x = data; fs = 25600; % 采样率，单位Hz % ICEEMDAN分解参数 Nstd = 0.2; % 噪声标准差比例 NR = 100; % 噪声重复次数 MaxIter = 500; % 最大筛选迭代次数 % 调用ICEEMDAN（函数在iceemdan.m中实现） [imfs, residual] = iceemdan(x, Nstd, NR, MaxIter); % 查看分解结果 numIMF = size(imfs, 1); disp(['分解得到IMF数量: ', num2str(numIMF)]);

这里有个很关键的地方：分解出来的IMF数量不是固定不变的。同一段信号，参数不同，IMFs数量可能从6个到12个不等。后面的特征提取是把全部IMFs都拿去算还是只取前几阶？我的经验是取前8~10阶，因为后面几阶通常是残余分量和低频趋势项，含有用的故障信息非常少。如果你希望控制特征维度，直接保留前8阶就行。

2.3 分解之后怎么用

分解完不等于完事，你要决定到底把IMF当作特征提取的输入，还是用它们做信号重构。信号重构的思路是：把能反映故障特征的前几阶IMF加回来，把噪声主导的后面几阶丢掉，然后在高信噪比的信号上继续做分析。这个思路简单粗暴，但有一个隐患——你可能丢掉了一部分真实故障信息。因为故障信息不一定只集中在前面几阶IMF里，有些调制成分可能会落在中间阶次。

我自己更习惯的做法是：直接把每一阶IMF作为CMBE的输入，分别计算熵值，然后把各阶熵值串联成一个特征向量。这样做的好处是尽量保留各频段的信息，缺点是特征维度会多一些。在后面的代码结构里也能看到，特征向量的长度基本就是IMF个数乘以每个IMF的熵值个数。

3. 特征提取：CMBE是怎么把复杂信号变成一组数字的

3.1 从"熵"说起

"熵"这个字听起来玄乎，其实就是一种对信号复杂度的量化。比如一段恒定的正弦波，规律性强，熵值就低；一段随机白噪声，毫无规律，熵值就高。机械设备在不同健康状态下，振动信号的复杂度通常有明显差异——正常状态下的振动相对平稳规律，故障状态下的振动往往包含更多冲击、调制成分，复杂度会发生变化。这个差异，用熵来捕捉是再合适不过的。

常用的熵有很多种：样本熵、近似熵、模糊熵、散布熵。其中散布熵是这几年故障诊断里用得比较多的，因为它计算速度快，对短信号也稳定。这里代码里写的CMBE，指的是复合多尺度散布熵，不同文献对缩写叫法略有差异，但核心思路一致：先把多个尺度的复杂度信息分别算出来，然后拼成一个特征向量。具体实现以代码里computeCMBE函数为准，不影响理解。

3.2 粗粒化和多尺度的意义

这一步的关键是：实际故障信号里的信息不是只存在于单一时间尺度上的。轴承故障的冲击成分频率很高，但故障引起的调制成分可能分布在较慢的尺度上。如果你只算单个尺度的熵，相当于只从一个角度观察信号，会漏掉很多分类信息。多尺度化以后，特征向量里既有快速成分的信息，也有慢速成分的信息，分类器能看到的信息面就宽多了。

打个比方。年轻人看一个陌生人，可能只看一眼长相；但如果你想知道这个人是否可靠，你最好观察他一天的行为，在不同时间尺度上获取信息。多尺度熵就是这个逻辑——在不同尺度上观察信号，把每个尺度上看到的"规律程度"记录下来，然后综合判断。粗粒化操作就是把原始信号按不同尺度因子进行平均平滑，尺度因子为2时，每两个点平均成一个点；尺度因子为3时，每三个点平均成一个点。点越少，反映的就越偏向低频、慢变的信息。

3.3 CMBE参数设置与实战建议

CMBE里需要设置的参数主要有四个：

• 嵌入维度m：一般取2或3。取太大，熵值对微弱幅值变化过于敏感，计算量也会上去。
• 类别数c：一般取3~6，表示把数据映射到几类离散状态，c越大熵分辨率越高，但容易受噪声影响。
• 时间延迟d：通常取1，因为振动信号一般不需要做延迟嵌入。
• 最大尺度因子tau：一般取10~20。尺度越大，特征越多，但粗粒化后的信号越来越短，熵估计的稳定性会下降。

我实测下来，m=3、c=6、d=1、tau=15这组参数，在轴承和齿轮数据集上表现都不错。当然这个参数要结合你的采样率和数据长度来看，没有万能配置。一个基本原则是：数据长度至少要能支持最大尺度因子的粗粒化操作。比如你的样本只有1024个点，最大尺度取20的话，粗粒化后最短的序列只有51个点，熵值估计的可靠性就大打折扣了。所以如果数据短，就适度减少tau，比如取10。

3.4 CMBE特征向量的拼接方式

这里有一个容易忽略的细节：特征向量的拼接顺序。如果你分解出8个IMF，每个IMF算15个尺度的熵，那你的特征向量长度就是8×15=120。这时候要注意，是按"每个IMF内尺度递增"来排，还是按"同一个尺度下各个IMF顺次排列"来排，会直接影响后面模型的输入组织形式。

我习惯的做法是：每个IMF内部把多尺度熵值排成一列，然后把所有IMF的熵值横向拼接。这样每个样本最终是一个120维的行向量，后续送入深度学习模型时，直接把它当作单步输入来处理。如果你改一下拼接方式，把120维特征当作120个时间步输入TCN-BiLSTM，效果可能不一样——有些数据集上这种"伪时序"的建模方式反而更好，因为网络能学到特征之间的局部相关性。本套代码默认用第一种拼接，你在featureMatrix那段改一行就能切换。

4. Bayes-TCN-BiLSTM：特征向量做判决，混合网络做分类

4.1 TCN和BiLSTM到底分工做什么

先说TCN（时间卷积网络）。别看它叫"卷积"，但它的核心设计是膨胀因果卷积。因果的意思是，输出只依赖过去的信息，不会偷看未来；膨胀的意思是，卷积核的视野可以指数级扩大，一层卷积就能覆盖很远的时间范围。对于故障诊断这种时序任务，TCN的优势是能一口气提取大量局部时序模式，而且训练速度比LSTM快很多，因为它可以并行计算。卷积核在时间轴上滑动，把相邻特征之间的关系提取出来，这个过程非常适合捕捉故障信号中那些短时、重复出现的模式。

再说BiLSTM（双向长短期记忆网络）。LSTM大家都知道，擅长处理长序列的依赖，但单向LSTM只能看历史信息。BiLSTM则把正向和反向两条LSTM拼在一起，不仅看过去，也看未来，这样抓取上下文的能力更强。在故障诊断里，故障冲击往往是局部事件，但它的前后波形会携带大量上下文，双向结构能更好地捕获这种联系。

为什么要把两者拼起来？因为TCN擅长抓局部特征但不太擅长建模非常长时间的全局依赖；LSTM擅长长依赖但训练慢、容易丢局部细节。混合结构的思路是：先用TCN层快速提取局部特征，再把TCN的输出交给BiLSTM做全局依赖建模，最后经过全连接层输出类别概率。这套结构能把局部和全局的信息都利用上，在不少时间序列分类任务上比单独用TCN或LSTM都要好。

4.2 网络参数的默认配置

代码里的网络结构大致是这样：

numClasses = 4; % 正常、外圈故障、内圈故障、滚动体故障 layers = [ sequenceInputLayer(120) % CMBE特征维度 convolution1dLayer(3, 32, 'Padding', 'causal') batchNormalizationLayer reluLayer dropoutLayer(0.2) convolution1dLayer(3, 32, 'Padding', 'causal', 'DilationFactor', 2) batchNormalizationLayer reluLayer dropoutLayer(0.2) bilstmLayer(64, 'OutputMode', 'last') fullyConnectedLayer(64) reluLayer fullyConnectedLayer(numClasses) softmaxLayer classificationLayer ];

这里TCN的膨胀因子我用了1和2，如果想覆盖更长的时序范围，可以继续加膨胀因子为4、8的卷积层。卷积核数量从16到128不等，取决于你的数据量和特征维度。BiLSTM的隐单元数我通常取32到128之间。要注意的是，TCN部分卷积核对的是120维特征向量里的"特征位置"，而不是时间步——也就是说，它把120个特征位置当作一个时间序列来卷积，学习的是特征之间的局部组合模式。这是这套代码一个很巧妙的处理方式。

4.3 贝叶斯优化的作用

手动调参在深度学习里是很让人头疼的事情。网格搜索虽然简单，但参数组合一多，计算量就爆炸了。这套代码用贝叶斯优化来自动搜参。贝叶斯优化的核心思想是：在参数空间上建立一个"代理模型"（通常是高斯过程），根据已有的试验结果去预测哪些参数组合可能更好，然后在最有潜力的点上做下一次试验。它不是盲目地把参数空间全部扫一遍，而是有选择地试，所以效率高得多。

代码里的优化变量通常包括这几项：

• 初始学习率：范围 [0.0005, 0.01]，一般用对数尺度
• TCN卷积核数量（numFilters）：[16, 128]
• TCN膨胀因子组合：可选 [1,2,4,8] 或 [1,2,4,8,16]
• BiLSTM隐单元数（numHiddenUnits）：[32, 128]
• MiniBatchSize：[32, 256]
• 丢弃率（dropout）：[0, 0.5]

优化目标是验证集的分类准确率，或者为了避免过拟合，可以用验证集损失作为目标函数。这里有个细节：优化目标不要直接用测试集准确率，否则你做的贝叶斯优化本身就等于在用测试集调参数，最后评估结果会虚高。正确做法是留一部分验证集用于调参，测试集只在最终评估时用一次。

vars = [ optimizableVariable('InitialLearnRate', [1e-3, 1e-2], 'Transform', 'log') optimizableVariable('numFilters', [16, 128], 'Type', 'integer') optimizableVariable('numHiddenUnits', [32, 128], 'Type', 'integer') optimizableVariable('MiniBatchSize', [32, 256], 'Type', 'integer') optimizableVariable('Dropout', [0, 0.5]) ]; % bayesopt执行参数搜索 results = bayesopt(@(params) trainAndEvaluate(params, XTrain, YTrain, XVal, YVal), vars, ... 'MaxObjectiveEvaluations', 30, 'UseParallel', true);

这里有个值得注意的点：每次参数搜索都要完整训练一次网络，如果数据量大，耗时很长。所以建议先在少量训练数据上跑通流程，确认代码没问题，再启用完整数据集做贝叶斯优化。我自己的经验是，30次评估是个不错的起点，60次左右能得到更稳的结果，但时间要多花一倍，看你等不等得起。

5. SHAP可解释性分析：模型凭什么这么判断

5.1 为什么要加这一步

很多做故障诊断的工程师拿到一个深度学习模型，看到准确率98%，就觉得很满意了。但实际到现场部署的时候，问题来了：现场运维人员会问，你这个模型说轴承坏了，依据是什么？是哪个频段、哪个特征起的作用？如果模型给不出解释，它就很难被信任，更难以被实际工程部门采纳。这就是为什么越来越多人开始关注可解释性。

SHAP（Shapley Additive Explanations）就是把模型的决策"翻译"成人能读懂的语言。它基于博弈论中的沙普利值，给每个输入特征分配一个数值，代表该特征对这个预测结果的贡献。值是正数说明该特征推动了模型往这个类别方向走，负数则相反。在故障诊断场景里，这个数值可以直接对应到某个IMF的第几个尺度熵，你能知道究竟是哪个频段、哪个复杂度指标在关键时刻起了决定性作用。

5.2 SHAP在故障诊断里怎么算

具体到代码实现里，要用SHAP解释一个深度学习分类模型，通常的做法是：取一部分测试样本，计算每个样本中每个特征维度的SHAP值，然后做几种可视化。

代码里常见的输出包括：

• 蜂群图（Summy plot）：横轴是SHAP值的大小，纵轴是特征维度，图中的每个点代表一个样本，颜色代表特征值的大小。这张图能一眼看出来哪些特征维度对分类结果影响最大。
• 条形图（Bar plot）：把所有特征按全局SHAP绝对值的平均排序，从上到下依次展示，最顶上的就是对模型影响最大的特征。

在故障诊断场景中，SHAP结果往往指向熵特征中某几个特定的尺度或特定的IMF阶数。这时候你可以反推：比如发现第3阶IMF的第8个尺度熵对"外圈故障"贡献特别大，那说明外圈故障的信息主要集中在这个频段的特定时间尺度上。这对后续人工核验故障机理非常有帮助，也让整个方法有了工程说服力。

5.3 MATLAB中实现SHAP的注意事项

MATLAB深度学习工具箱对SHAP的内置支持比较有限，一般需要自己写SHAP计算逻辑。常见做法有两种：一是调用外部Python包（SHAP库）做解释，MATLAB负责数据导入和导出；二是在MATLAB里自己实现一个简化版的SHAP——对每个特征维度做排列组合，用蒙特卡洛采样估计沙普利值。

第二种做法的核心思路是这样：

function shapValues = computeSHAP(net, sample, backgroundData, numSamples) % net: 训练好的分类网络 % sample: 需要解释的单个样本，1 x featureDim % backgroundData: 参考数据集合，用于计算条件期望 % numSamples: 蒙特卡洛采样次数 featureDim = size(sample, 2); shapValues = zeros(1, featureDim); for i = 1:numSamples % 随机选取一个背景样本，并随机决定替换哪些特征 bg = backgroundData(randi(size(backgroundData,1)), :); perm = randperm(featureDim); % 在每个排列位置上计算边际贡献 for j = 1:featureDim % 构造两个样本：一个含特征j，一个不含特征j ... end end shapValues = shapValues / numSamples; end

当然，这是简化版，真正的SHAP算法比这复杂得多，但核心思想就是：把一个特征拿出来，对比它在场和缺席的时候模型预测结果的差异，把差异多次平均之后就成了SHAP值。全量精确计算在特征维度高的情况下不可行，所以用采样近似。这里要提醒一句：蒙特卡洛样本数不要少于500，否则SHAP值的方差会很大，解释结果不可靠。

6. MATLAB完整代码实践：结构、运行与避坑

6.1 代码的整体结构和运行流程

这套代码不是单一脚本，而是大约6到8个文件组成的一个小项目。我按功能模块拆的，方便后续改动：

• main.m：主脚本，控制整个流程的顺序
• dataPrepare.m：负责读取原始振动信号，划分训练集、验证集、测试集
• featureExtract.m：调用ICEEMDAN分解和CMBE特征提取
• createTCNBiLSTM.m：构建混合网络
• bayesOptTrain.m：贝叶斯优化训练入口
• trainAndEvaluate.m：网络训练函数，返回验证准确率
• classifyTest.m：用最优参数重新训练模型并测试
• shapExplain.m：SHAP计算和绘图

主流程大概是：加载数据 -> 分割样本 -> 特征提取（可并行） -> 构建模型 -> 贝叶斯优化搜参 -> 用最优参数重新训练 -> 测试集评估 -> SHAP解释。整个流程跑完一轮，中等规模的数据集大概需要30到60分钟，其中贝叶斯优化占了大头。所以强烈建议先用小数据集把整个流程跑通，确认每个环节的输出维度都正确，再正式启动全量实验。

6.2 几个容易踩的坑

我在这套代码上踩过的坑不少，挑几个印象最深的拿出来说。

第一个坑是数据长度不统一。有的样本12800个点，有的样本因为采集时间不一样变成了12000个点，如果直接丢给特征提取，粗粒化和熵值的结果就会对不齐。解决方案是在进入特征提取之前统一截取或补零，并且保证每个样本点数一致。这个看起来是小事，但不注意的话后面维度对不上，报错会非常难查。

第二个坑是IMF的阶数不一致。ICEEMDAN分解不同样本时，如果信号差异大，分解出来的IMF数量也可能不一样。这会导致特征向量长度不一致，没法直接拼成一个矩阵喂给网络。解决办法有两种：一是固定保留前K阶IMF，后面的丢弃；二是如果某样本分解出来的IMF不足K阶，就补零。我推荐用第一种，因为补零会影响熵值的物理含义。假如一段信号明明只有8阶IMF，你硬把第9阶填成零，算出来的熵值就会很奇怪，等于人为引入了一个不存在的低复杂度成分。

第三个坑是贝叶斯优化过程中的随机性。深度学习训练本身有随机性，比如权重初始化、mini batch的顺序，都会导致同样参数跑两次结果不一样。这会干扰贝叶斯优化的判断，因为它会把你因为随机性带来的波动当成参数变化带来的差异。解决办法是：在训练函数里固定随机种子（rng(1)），至少保证同一轮搜索中，相同参数的两次试验结果近似。还有一个办法是每次试验多次运行取平均，但这样计算成本高，我只在数据量小的时候用。

6.3 结果复现与性能评估

代码最后会输出测试集准确率、分类混淆矩阵，以及每个类别的精确率和召回率。强烈不建议只看准确率一个指标。在故障诊断里，如果正常样本和故障样本数量不均匀，准确率高也可能是因为模型把所有样本都猜成了正常。所以一定要看混淆矩阵，确认每个故障类别都被正确识别了。

我跑的一组测试结果大概是这样的（数据来自某实验室轴承模拟故障台）：

类别	精确率	召回率	样本数
正常状态	100%	99.2%	120
外圈故障	98.3%	97.5%	120
内圈故障	96.7%	97.5%	120
滚动体故障	95.0%	94.2%	120

整体准确率约97.8%。对比只用原始信号直接丢给TCN-BiLSTM的基线模型，准确率大约提高了6个百分点；对比没有做贝叶斯优化的固定参数模型，又提高了1到2个百分点。这说明特征提取加自动调参的组合，确实有实实在在的收益。不过要注意，这个结果是在单一工况的数据下得到的，跨工况的效果还需要单独验证。

6.4 常见问题速查表

问题现象	可能原因	解决办法
分解出来的IMF数量不稳定	ICEEMDAN参数或信号差异大	固定保留前K阶，或增大NR
训练时维度对不上	特征向量长度不一致	检查数据长度、IMF个数、熵尺度参数
贝叶斯优化训练很慢	每次评估都要完整训练	缩小搜索范围，或减少训练数据
测试准确率虚高	用测试集参与了调参	重新划分数据，测试集只用一次
SHAP值波动大	蒙特卡洛采样次数太少	增加采样次数，或增多背景样本
训练集过拟合	网络容量太大、数据太少	加dropout、增大数据增强、减小网络

7. 一点实操体会

奔着"完整代码可以复现"这个目标去的话，最值得花时间的是前两步：ICEEMDAN的参数和CMBE的尺度数。原因很简单，后面的网络结构再变，你喂进去的特征质量直接决定了上限。我调参的时候发现，EMD类方法最大的坑在于计算时间——数据一长，分解速度很慢，所以建议在代码里先做下采样或截取一段有代表性的信号来测试，跑顺了再上全量数据。

再说SHAP这块。你别看它只是最后一步"锦上添花"，在工程汇报和写论文的时候，它往往比98%的准确率更能打动你的听众。有一次项目汇报，现场负责人直接问"你这个模型为什么认为这台设备会坏"，我把SHAP的蜂群图往屏幕上一放，指着一个特征说"振动信号在这个尺度上的复杂度偏离了正常范围，模型主要依据这个信号作出判断"，说服力完全不一样了。

最后想提醒一个边界情况：这套流程目前只针对单工况、单传感器的数据。如果你的数据包含多个转速、多个负载工况，简单地把所有数据混在一起训练，效果会明显变差。你可以考虑把工况信息作为额外条件输入网络，或者按工况分别训练和部署模型，这个方向后续优化空间很大。我现在正在做的一个扩展版本，就把工况相关特征也加了进去，初步效果比当前版本上的基线又有明显提升。