每个做预测性维护的团队，早晚都会撞上同一堵墙：新产线没有数据。
我自己的经历是这样的。前年我们在一条包装产线上做轴承故障检测，数据攒了八个月，模型调到准确率不错，老板很高兴，大手一挥："厂里还有六条产线，都推过去！"然后现实就给了我一巴掌——那六条产线要么是不同厂家的设备，要么转速、载荷不一样，传感器装的位置也不同。新产线的数据积累得从零开始，等八个月，黄花菜都凉了。
这就是迁移学习要解决的问题：把A产线学到的"故障知识"，搬运到B产线。
为什么不能直接拿去用
有人会问：故障模式不是差不多吗？轴承内圈故障、外圈故障、齿轮断齿，物理机理一样，模型直接用不行吗？
不行，或者说不完全行。原因在于模型学的从来不是纯物理机理，而是"机理+数据分布"的混合体。换个产线：
- 转速从1200rpm变成1800rpm，故障特征频率全变了；
- 传感器从轴承座正上方挪到了侧面，传递路径不同，幅值和相位都漂移；
- 负载谱不同，正常状态的振动基线就不在一个水平上。
模型见过的"正常"和新的"正常"对不上，输出的故障概率基本是随机数。我们直接搬过去试过，A产线95%准确率的模型，到B产线直接掉到50%多——还不如掷硬币。
迁移学习怎么搬
实践中我用过的路子，按见效快慢排序：
路子一：特征对齐（域自适应）。核心思想是让两个产线的特征分布尽量对齐。经典方法如DANN（域对抗神经网络）：特征提取器后面挂两个头，一个做故障分类，一个做"这个样本来自哪条产线"的域判别，训练时故意让域判别分不出来——逼着特征提取器学到产线无关的故障特征。
# 域对抗的核心损失（伪代码，PyTorch风格） loss = loss_cls(pred, label) \ - loss_domain(domain_pred, domain_label) * 0.3 # 分类损失要降，域判别损失要"升"（梯度反转实现） # 效果：特征里保留"是不是故障"，抹掉"是哪条产线"路子二：只迁冻结部分，微调末端。更朴素的办法：把A产线模型的前几层（学通用特征的卷积层）冻住，只重新训练最后几层。B产线只需要少量标注数据——几百个样本往往就够。上线快，风险低，我的第一推荐。
路子三：物理量归一化。严格说这不算机器学习意义的迁移，但特别实用：把所有振动信号按转速做阶次归一化，按载荷做幅值归一化，让不同产线的特征落在同一坐标系里。做了这一步，迁移的难度直接降一半。这个步骤便宜到没理由不做。
实际效果和坑
去年那六条产线，我们最终是"物理归一化+冻结迁移+末端微调"的组合拳。每条产线只人工标注了大概两周的数据，模型收敛后准确率能到88%-91%。跟从零训练的八个月比，这个性价比没法拒绝。
坑也有三个，都是钱换来的经验：
- 负迁移。如果两条产线设备原理差异太大（比如滚珠轴承换成滑动轴承），硬迁移反而把模型带偏。判断标准很简单：微调后的效果还不如B产线从零训练的小模型，就是负迁移，果断放弃迁移路线；
- 标签体系要统一。A产线的"轻微磨损"和B产线的"轻微磨损"标准可能不是一回事，迁移前先把标签定义对齐，不然学的是错的；
- 别指望一劳永逸。迁移过去的模型照样会漂移，在线监控和定期重训一个都不能少。
写在最后
我现在越来越觉得，预测性维护项目的瓶颈早就不是算法了，是数据冷启动。迁移学习配合少样本标注，是打破"每条产线重干一遍"这个魔咒的最现实路径。
如果你正在被"新产线没数据"折磨，建议从路子三+路子二开始，成本最低，两周内能看到结果。
你们厂几条产线是各自为战还是统一建模？搬过模型的朋友，评论区交流下战果。
