IndustrialMind — IoT 设备故障预测与健康管理
面向工业现场的轴承故障诊断系统，基于深度学习的跨域迁移学习，从算法研究到工程落地的完整链路。
系统截图
t-SNE 可视化：(a) DANN 预训练后源/目标域特征混在一起 → (b) 微调后开始分离 → (c) ResNet1D 从零训练实现完美聚类
问题背景：跨域迁移的核心挑战
工业场景下，不同设备的振动信号来自不同的采集硬件、采样频率、工况条件。在 CWRU→HUST 轴承故障诊断任务中，源域（CWRU）和目标域（HUST）的信号分布存在显著差异——标准 DANN（Domain Adversarial Neural Network）无监督方法仅能达到 41.54% 的准确率，甚至低于随机猜测水平（25%）的两倍。核心原因在于：GRL（Gradient Reversal Layer）只能对齐边缘分布 P(X)，但无法修正标签偏移导致的条件分布差异 P(Y|X)——CWRU 数据集外圈故障占比高达 56%，而 HUST 测试集四类均匀分布（各 25%）。
技术方案：差异架构集成
经过系统性实验，发现同构 Bagging（5 个相同 CNN 软投票）仅提升到 88.18%，方差极低说明模型多样性不足。关键决策：换用 3 种不同容量的架构进行异构集成：
| 架构 | 参数量 | 单模型精度 | 定位 |
|---|---|---|---|
| ResNet1D | 3.9M | 99.78% | 大容量，残差连接 |
| DANN-CNN | 82K | 95.91%（微调） | 小容量，预训练基线 |
| MultiScale-CNN | 27K | 71.86% | 多尺度互补 |
最终三架构软投票达到 99.22%（独立三分离测试集验证：800 标注样本 / 9200 开发集 / 36800 测试集）。核心发现："大模型从零训练"比"小模型微调"更有效——即使只有 800 个标注样本，ResNet1D 的架构优势远超 DANN 微调的预训练权重。
DANN Fine-tune 模型的混淆矩阵（200 样本/类，三分离评估）— 对角线 86%~98% 召回率验证了分类的可靠性
实验体系：4 种域适应方法横向对比
在同一个三分离数据划分下，系统地验证了不同方法的实际效果：
- 标准 DANN 无监督：41.54% —— GRL 达到对抗均衡（Loss≈0.693），但无法解决标签分布偏移
- CDAN 条件对抗：44.23% —— 用 f⊗softmax(p) 作为判别器输入，比 DANN 仅提升 2.7pp
- 线性探针（冻结特征）：86.81% —— DANN 预训练特征有判别力，但冻结层限制了适配能力
- DANN 微调（800 标注）：95.91% —— 少量标注让预训练权重有效适配目标任务
结论：域适应算法在跨设备场景下的天花板有限，架构选择比域适应策略更重要。
工程化落地
将研究成果转化为可部署产品，完整链路覆盖：
- 后端：FastAPI 单例模式封装 ML 模型（全局加载一次、多 worker 共享），支持 GPU/CPU 自适应推理
- 信号处理：4096 点原始振动信号自动切分滑动窗口，实时提取时频域特征（RMS / 峰值 / 波形因子 / 冲击因子）
- 前端：Vue3 实时展示诊断结果和置信度，包含神经网络可视化监控面板
- 边缘部署：STM32 端预留接口，支持嵌入式边缘推理
技术栈
关键决策记录（ADR）
- 同构 Bagging 无效：5 个相同 CNN 软投票仅 88.18%（方差极低），必须用差异架构引入真正的模型多样性
- Paderborn 数据集陷阱：官方 PDF 确认 KB=复合故障而非滚动体，排除复合故障样本后 v2 微调精度提升 12pp
- CDAN 预训练反而拖后腿：epoch 4 早停导致 Arch-A 微调精度从 95.91% 降到 93.31%
- 标签映射必须查官方文档：CSDN 博客猜测的 KB 含义是错误的，只有 PDF Fact Sheet 才是权威来源