深度学习机械故障诊断中，数据分布很有特点，如何更好的建模？

以旋转机械故障诊断中数据分布特点的建模技巧为例进行说明

数据分布特点	建模技巧	具体操作（案例）	适用场景	核心价值
非平稳性（工况变化）	动态归一化	根据实时转速调整振动信号幅值（如将幅值除以转速平方）	电机在不同转速下运行时振动幅值差异大	消除工况变化对特征的影响，使模型关注故障本质
多频段特征	多尺度卷积	使用不同大小的卷积核（如64ms捕捉低频冲击，16ms捕捉高频共振）	轴承故障同时存在低频冲击和高频共振	同时捕捉不同频率的故障特征
样本不均衡	加权采样+Focal Loss	对罕见故障样本（如转子断裂）设置5倍采样权重，损失函数中增加难样本惩罚	正常样本占90%，故障样本仅10%	缓解模型偏向多数类的问题
跨设备差异	领域自适应（Domain Adaptation）	用对抗训练让模型学习设备无关特征（如齿轮箱A和B的共有故障模式）	不同工厂的同类型风机振动分布不同	实现模型跨设备泛化，减少重复标注
噪声干扰	时频域双重过滤	训练时随机添加高斯噪声，同时在频域滤除50Hz工频干扰	现场采集的振动信号含电磁噪声	提升模型抗噪能力，避免过拟合
时序相关性	因果卷积+注意力机制	用因果卷积提取历史依赖，注意力机制聚焦异常时段（如轴承故障初期的瞬态冲击）	故障发展具有时间连续性（如磨损从轻微到严重）	捕捉故障演化规律，避免漏报早期故障
多传感器耦合	图神经网络（GNN）	将振动、温度、声音传感器构建为图节点，建模物理关联（如温度升高导致振动加剧）	需联合分析多传感器数据（如核电主泵监测）	挖掘传感器间的因果关系，提升复合故障识别率
小样本故障	原型网络（Prototypical Network）	为每类故障构建特征原型（如内圈故障的典型频谱），新样本通过距离原型分类	新型故障仅有个位数样本（如某航天轴承首次出现微裂纹）	实现“见一知百”，解决冷启动问题
物理规律约束	物理信息损失函数	约束模型输出符合故障能量传播规律（如故障特征幅值与转速成正比）	数据量少但已知故障物理特性	防止模型违背物理常识，提升可靠性

知乎学术咨询（哥廷根数学学派）：

担任《Mechanical System and Signal Processing》《中国电机工程学报》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。