第四章：范式落地与智能的边界——“40 元的板子和涨不动 1pp 的 Agent“

0、引言全文约6800 字图 43张先说结论这套方法能装进 40 块钱的板子大模型也能用但搜 18 轮只涨得动 1 个百分点。这两个数字放在一起就是这一章要讲的全部内容。第三章结尾我说过手里还有几个开源仓库可以当素材。这一章用掉两个·vibrolab——回答范式能不能落地。前三章反复在说特征机器学习这条线便宜、可解释、够准但便宜到什么程度、准到什么程度、边界在哪里得把整条链路从头做完才有资格说。这个仓库把 CWRU 跨工况诊断从数据加载一路做到烧进 MCU并且把每一步的边界都摆在明面上——包括哪些是真测出来的、哪些是软件模拟的、哪些是数据集本身的天花板。·diagnosis-agent——回答智能的边界在哪。第二章判了大模型两条路解释器、分类器的死活这一章让它干第三件事当 Agent自己去搜一个比我更好的特征选择方案。结果它没搜到——而没搜到这件事比搜到更值得写。先给刚进来的读者垫一句。我这几章说的特征范式指的是把振动信号翻译成一组物理量——RMS、峭度、频带能量、倒谱这些我攒的 120 维 CFD 特征再用便宜的经典分类器做判断。前三章它一直在赢第一章同域谁都是 100%跨域四招对决里稳住阵脚第二章它活过了 PINN 的对照第三章它扛住了 RUL 的死局。但它始终欠着一个回答赢是偶然还是范式能落到真东西上吗落到多小的东西上这一章不教方法就回答这两个问题。看完之后你应该能带走一个判断故障诊断这条链上谁是主体谁是配角。1、vibrolab把一条链路做完再把每一步的边界摆出来1.1、跨工况78.93% → 98.96%中间只隔了一次选维CWRU 10 类轴承0 HP 训练 → 3 HP 测试严格无重叠切分训练测试不共享 .mat 文件。先看一个糟糕的现场SVM-RBFLinearSVMLRKNN同工况 5-fold CV100.00%100.00%100.00%100.00%同工况留一文件严格99.77%99.93%99.70%99.70%全 120 维直接跨负载78.93%84.66%84.66%85.96%Bot-40 稳定子集98.96%89.34%98.83%99.35%前两行是第一章的老朋友同域数据四平八稳谁都 100%。第三行是第一章反复讲过的碎前提负载一变120 维特征里一部分的分布跟着漂直接跨过去就是 78.93%——对 10 分类来说这个数字不能用。第四行就是这一章的第一个主角。做法一句话能说完逐维统计特征从 0 HP 到 3 HP 的分布漂移量用 Cohens d统计学里衡量两组分布差多远的标准量差得越大越不稳把漂移最大的 80 维扔掉只留最稳的 40 维——这就是 Bot-40。78.93% → 98.96%20 个百分点中间没有任何新算法就是把前提碎掉的维度扔掉。这其实就是第一章那句话的老动作前提不满足处理一下让它满足——创新的动作。只不过这次的处理是减法不满足前提的维度直接不要。顺带交代一个防杠点。有人会问这个 98.96% 是不是挑出来的所以仓库里补了 12 任务全负载矩阵——全部 12 个源工况目标工况组合、四路分类器全跑平均 98.1%–99.2%最差单点约 89%。不是挑数据挑出来的。图1 · 12 任务全负载矩阵: 4 路分类器 × 全部源目标组合, Bot-40 平均 98.1–99.2%, 最差单点约 89% — 非 cherry-picking再防一杠跨工况实验属于标准的 transductive 设定——选维阶段允许看目标域的分布不碰目标域标签。另外流式部署场景有 5% 目标域预热的对照实验1.3 节说。严格 inductive——完全零目标样本——不在这个仓库的作业范围里。最后说明一下为什么精度数字在这章不是重点。CWRU 上刷 99%任何方法都能刷到单看精度说明不了什么——我在仓库里管这个叫数据集工程当数据集本身就易分的时候用什么方法都无所谓。就像小学期末考试小学生能拿满分大学生也能拿满分你能因此说大学生厉害吗题太简单谁都可以。所以 vibrolab 的价值从来不在 98.96% 这个数在它后面那几件事边界、效率、和一块真的能跑的板子。1.2、边界三盆冷水先泼第一盆加噪声。全 120 维特征在信噪比 10 dB 时直接崩到 7.7%——10 类均匀猜测的下限Bot-40 在同一噪声档位保持 94–99%。图2 · 加噪声鲁棒性: 信噪比 10 dB 时全 120 维崩到 7.7% (10 类随机猜下限), Bot-40 保持 94–99% — 扔掉不稳维度的减法动作, 顺手把抗噪也挣到了这个结果我本来没指望选维的初衷是跨工况稳定抗噪是捎带的——漂移大的维度往往也是噪声敏感的维度扔掉它们等于顺手把噪声入口堵了一半。第二盆冷水传感器。算法效率解决了整机成本另一半在传感器。CWRU 数据用的是工业级 IEPE 压电加速度计万元级真部署不可能每台设备都配一支所以拿软件对信号做降级模拟看不同档次的传感器喂进来模型还剩几成传感器档带宽成品单价RMBHeld-out 精度IEPE 基线工业压电6 kHz3000–10000100.00%ADXL1002工业 MEMS11 kHz500–80099.80%ADXL355低带宽高精度 MEMS1.9 kHz700–100038.98%MPU6050消费级 IMU260 Hz50–20010.17%最有信息量的是中间两行。ADXL355 的噪声底不比 ADXL1002 差按噪声越小越好的直觉它应该更好——结果 38.98%直接崩了。原因带宽只有 1.9 kHz把 2–5 kHz 的轴承高频冲击信号整个滤掉了。噪声再低信号没了就是没了。MPU6050 更干脆260 Hz 带宽10.17%不如蒙眼猜。结论一句话带宽是硬约束噪声可以用算法扛带宽扛不了。选传感器先看带宽别看噪声底。这个结论把整机成本打了下来——ADXL1002 级工业 MEMS500–800 元就能撑住算法整机 BOM 约 700–900 元档对比工业 CMS 系统单点上万到十万差 1–2 个数量级。但必须叠甲这一整段是软件模拟不是真机测量。降级是软件做的传感器参数是从各家 datasheet 抄的。真机还有运放前端、ADC 有效位数、安装耦合、温漂、EMI 一堆坑综合下来预期精度会从 99.80% 掉到 90–95% 范围。方向不会错数字要打折。第三盆冷水最狠是我主动公开的阴性结果未见损伤尺寸外推崩了。留一损伤尺寸交叉验证——训练时把某种损伤直径整个藏起来测模型能不能外推到没见过的尺寸。9 组均值只有 37.8%–63.8%内圈中大尺寸IR014、IR021直接崩到 0%。这不是方法的锅是 CWRU 数据集的结构性天花板每类故障只有 3 种损伤直径中间尺寸的连续外推本来就无法完成。第一章四招对决里的直径断崖在这里又一次现形。我把它写进仓库显眼的位置是为了给其他实验里所有的99%一个正确的心理锚点这些 99% 的适用域到未见损伤尺寸为止。1.3、部署2 KB0.6 ms40 块钱三盆冷水泼完剩下的就是把它塞进尽量小的东西里。先看算法效率这一头。和主流迁移方法摆在一起迁移学习方法模型体积能否进 MCU3HP 精度vibrolabBot-40LR3 KB能ESP3298.8%CORAL浅层 DA118 KB能49.21%1D-CNN / DCDAN / AMDA 类深度 DA1–2 MB不能~99%要 GPU这张表其实是个三难困境深度域适应精度高但 1–2 MB 塞不进 MCU还要 GPUCORAL 体积够小但跨工况只有 49.21%本地复测约 41%同一个结论Bot-40 LR 是唯一体积小、精度不掉的格子。能进 MCU 且精度不掉——这是整个技术路线选型的全部理由。PC 端实测单核 CPU100 次采样中位数LR 单窗 0.69 ms部署产物 4.2 KB推理耗时不到窗口时长的 1%一个窗口是 2048 点 12 kHz等效 170.7 ms 的物理时长。四路对照里 LR 综合最优延迟最短、产物最小、12 任务平均精度最高99.17%、方差最小默认选型。然后是真的烧进板子。ESP32-S32 KB 的模型LR 权重 scaler Bot-40 索引板上推理0.6 ms。每窗全链路约 5.6 ms2048 点原始信号 → 120 维 CFD 特征float32 FFT约 5 ms→ Bot-40 选维 标准化约 50 μs→ LR 10 类0.6 ms→ OLED 显示波形、中文故障标签、置信度条串口回传诊断。流式收窗逐窗诊断。图3 · ESP32-S3 0.96 寸 OLED 实时诊断: 波形、外圈007、置信度条、延迟 — 训练用 03HP 双工况合训, 现场流式喂任意工况 (含没见过的 1/2HP) 全泛化 100%这张 100% 和图 1 的 12 任务矩阵不冲突仓库里专门注了一笔矩阵是单工况训→单工况测的最悲观协议给的是下界板子 demo 用 03HP 双工况合训泛化到 1/2HP 属于插值场景——两个数测的是不同的东西。硬件合计 40 元出头ESP32-S3-DevKitC-1 约 24 元0.96 寸 OLED 约 10 元数据线加杜邦线约 6 元。CWRU 数据集公开免费train_export_model.py 十秒出 model.hseed 固定逐字节可复现训练双工况、现场流式喂任意工况含没见过的 1/2HP全泛化 100%。部署这个动作本身没什么玄学——模型小到 2 KB 的时候部署就不再是工程问题。流式部署还剩一个上来要不要先喂数据的问题也测了预热样本比例从 5% 扫到 100%5% 就已足够三路分类器的精度衰减在 0.5 个百分点以内。到这里必须把最重的那块甲叠了不叠这篇文章就成吹牛了1.板子上跑的是特征提取 推理 显示这条链信号是 PC 从 CWRU .mat 流式喂进去的上位机模式PC 相当于数据采集卡。真实传感器 → 运放前端 → ADC 采样这条硬件链路没有闭环——缺一支 IEPE 当金标准参照没有金标准就分不清精度掉了 X% 是传感器的锅还是算法的锅。2. firmware README 里那个领导提需求的小故事是虚构的工作场景写它是为了交代需求逻辑精度数字全部来自软件模拟。3. 甚至传感器成本论断的真机验证是我主动放弃的工业现场对可靠性、防爆认证、EMI、供应商责任的要求决定了 ESP32 廉价 MEMS 不会被现役检测系统采纳——这个逻辑链没有下游出口做完也转化不成决策价值。所以这个仓库的定位是算法可行性 边缘部署可行性的工程报告不是接上就能用的产品。顺手交代仓库末端的另一个部件流水线预留了一个可选的 LLM 接口——把结构化诊断结果故障类型 置信度 关键特征翻译成自然语言维修建议本地小模型或云端 API 都能插示例跑一遍约 0.16 元。注意它跟第二章的关系第二章判死的是让小模型从特征自己推理出为什么——那是能力性问题实测它编造选择题复读手册这里的接口只做把已经算出来的结论翻译成人话是个模板活且是纯可选组件不影响诊断精度。判断不交给模型模型只管把结论说成人话——这句话是第二章和这一节的共同底色也是第 2 节的引子。2、diagnosis-agent让大模型接手一局看它涨多少2.1、先考迁移同一套方法零改动换数据集vibrolab 证明的是这套范式在 CWRU 上能落地。但同一份数据上跑出来的结果只能证明内部一致性不能证明外部有效性——方法是不是 CWRU 专属得换一个数据集才知道。diagnosis-agent 干的第一件事就是这个把 vibrolab 的 Cohens d Bot-40零改动搬到 PU 数据集Paderborn 大学轴承数据和 CWRU 不同机构、不同试验台、不同传感器、不同采样率N09→N15 跨域3 类方法精度说明全 120 维 SVM-Linear0.7518基线Bot-40Cohens d0.8319vibrolab 方法直接迁移未经 Agent 优化Agent 搜索SCA ON18 轮0.8357fisher 80d RFAgent 搜索SCA OFF18 轮0.8407fisher 50d LR两个读法。先读好的一面Cohens d 选维在 PU 上照样比全 120 维高 8 个点——这套统计漂移、扔掉不稳维的范式不是 CWRU 专属是跨数据集有效的。第三章说过分布偏移必须由基线消除这里是同一句话在另一个数据集上应验。再读扎心的一面天花板变了。CWRU 上 98–99% 的成绩在 PU 上平推不过去整套方法的极限就停在 0.83–0.84。数据集一换特征空间的景观就换了——第一章说过特征的判别性换个工况还成立吗这里给的是它的数据集版本换个数据集连能到多少分都换了。2.2、再考智能Agent 上桌然后是正题。写 vibrolab 的时候我在碎碎念里提过一句已经有人在做故障诊断 Agent 了。学术界的创新压力大家都懂我当时就想Bot-40 是人工一刀切——能不能让 LLM 自己找到每个任务的最优解让它用我的方法做到我做不到的事于是有了这个仓库。架构三层LLM Agent决策层── SCA 守卫约束层── 诊断管道特征选择分类▲ │ │└───────── 结果反馈 ───┴──────────────────────┘Agent 每轮从工具箱里挑方案7 种特征选择算法Cohens d / fisher / 互信息 / Lasso / RFE 等、4 种域适应、若干分类器自己组 pipeline跑 evaluate看分数进下一轮。光看架构你可能会觉得这就是个普通的 AutoML 循环。真正的难点在中间那层——SCA守卫。跑起来之后我发现 Agent 有几个毛病它会偷懒不会主动思考只会穷举给它最优解它会原地打转试了一个方向拿了高分就赖着不走。所以 SCA 的工作不是建议它做什么是拦住它不经思考的探索· 消融不足 → 你都不知道哪个模块是噪音· 重复探索 → selectorn_dims 已试过区别· 路径依赖 → 未试 fisher/l1_lasso凭什么更差· 区间盲区 → 只在 low 搜如果最优是 40 维· 停滞 → N 轮未破 X.XXXX极限· 消融发现超优不追 → 硬拦为什么不追这个方向这套东西的设计基因来自我另一个仓库桌面具身机器人的硬件安全层——硬件里它钳舵机软件里它钳探索同一套思路换个战场。2.3、结果18 轮不到 1pp结果就写在 2.1 那张表里Agent 探索 18 轮SCA ON 拿到 0.8357SCA OFF 拿到 0.8407。对照人工 Bot-40 的 0.8319——折腾 18 轮涨了不到 1 个百分点。我原本期待的是LLM 找到比我一刀切更聪明的组合。没找到。原因不在 Agent 笨在Cohens d 建立的基线太强跨工况最该扔的维度逐维统计漂移已经替你扔了剩下 40 维附近的组合优化空间本来就没多大。这不是 LLM 的问题是问题本身没有那么多肉。但 SCA 那组对照里藏着一个比精度有意思的发现。ON 和 OFF 两次最终精度几乎一样0.8357 vs 0.8407过程质量差得很远。SCA ON 的日志里Agent 被追问了 13 次。最有代表性的是第 9–11 轮[9] fisher n108 → KNN-7 0.8334 ← 新高[challenge] 区间盲区只在 low 搜如果最优是 40 维[10] fisher n 80 → RF 0.8357 ← 响应追问下探再创新高[11] fisher n 40 → KNN-3 0.8307没有那声区间盲区的追问Agent 大概率停在 108 维不再下探。SCA 的价值就此看清了它不改变结果精度改变探索路径的完备性。ON 那次分数略低于 OFF0.8357 vs 0.8407但两次各跑 18 轮这个量级的差距谈不上谁真的更强仓库自己的结论也是ON/OFF 最终精度相近。ON 真正赢的是过程把搜索空间走全了——对要知道极限在哪这件事来说走全比碰巧高分重要。还有一层更根本的边界我在日志里看得清清楚楚维度耦合的现象我看得见AI 看不出来。它所有的尝试都在我给的工具箱框架内执行——selector 换一种、维度数变一变、域适应换一个但没有一次跳出在 CFD 特征空间里做选择这个框架本身。它的天花板是框架的天花板。这轮探索里倒是真撞出过一个物理发现跨转速场景下能量类特征和形态类特征的漂移方向可预测能量维随转速升高而涨、形态维反向。这是个物理规律层面的发现——但把它转成工程精度的时候发现另一件事sklearn 的 StandardScaler 本身已经把主要的对齐工作干完了在这个基础上加物理先验增益接近零。物理规律确实存在但已经被标准工程基线吸收掉了。这个发现比我提出了新方法更硬——它精准画出了物理先验的适用边界只有在做不了全量目标域标准化的场景下才有独立价值。更完整的探索留在私有工作簿里这个仓库和这篇博客都不展开算一个明说的留白。2.4、合上第二章的话头大模型到底该站哪现在可以把第二章欠的账结了。两章加起来大模型在故障诊断里试了四个岗位岗位结果出处分类器数值 token同域 99.6%跨域 1-shot 18.8%低于随机第二章解释器生成诊断理由0.5B 编造选择题 复读手册能力性死路第二章特征选择器Agent 搜索18 轮0.9pp基线太强顶住天花板本章决策层搜索工具 过程质量驱动可行框架内搜索、SCA 追问逼出完备路径本章前三行全是死路或者条件性失败,但我不排除用高参数量的大模型可以做到理解故障本质但我觉得它的理解大概不会超出人的理解峭度等信号处理理论第四行是活着的那个。翻译成人话大模型不要碰诊断本体——分类、选维、解释推理这些出结论的活它干不了或干不便宜它该站在决策层在人工方法划好的框架里做搜索、做自动化、被 SCA 拷问着把流程走完备。而且不能本身有两重价值。第一重Agent 搜了 18 轮都顶不过人工 Cohens d反过来证明了这套人工方法的鲁棒性——换数据集、被智能体围攻天花板都还在。第二重它把 LLM 的角色边界画出来了这条边界比任何精度数字都值钱因为拿着它你可以直接判断手头那个大模型 故障诊断的项目靠不靠谱如果它的卖点是大模型替代诊断2.4 节那张表的前三行就是它的下场如果大模型只是决策层的配角那这个项目至少站在了能站的位置上。3、结尾主体与配角两个仓库讲完了可以合题了。这一章的全部证据指向同一个结构故障诊断这条链上主体是传感器 → 物理特征 → 边缘推理这条物理链大模型是站在链条末端的配角。主体这边的证据2 KB 模型、0.6 ms 推理、40 元硬件、98–99% 跨工况精度、94% 抗噪、跨数据集 0.83——每一个数字都便宜、可解释、边界清楚。配角那边的证据18 轮搜索 1pp、四个岗位死活名单、以及一个 2 KB 模型根本不需要大模型就能部署的事实。写 vibrolab 碎碎念的时候我写过一段焦虑所有研究领域最后都会指向大模型我们能做的常态研究是不是只是给大模型加一个 skill这一章算是我的答案传感器、特征、边缘推理这条物理链大模型替代不了——不是因为它是传统方法所以舍不得扔是因为它便宜一到两个数量级、每个数都有物理含义、还塞得进 40 块钱的板子。大模型站在链条末端干它擅长的搜索、自动化、把结构化结论翻译成人话。第二章判它死的是出结论的岗位这一章补上的是不出结论的岗位——合在一起它的位置就画全了。回收一下整个系列这一章其实是三句老话的第三次应验1. 第一章说前提不满足处理一下让它满足——Bot-40 就是那个动作前提碎在 80 个维度上扔掉它们前提就满足了。2. 第二章说特征派活下来是因为只碰出厂定死的数——本章的 120 维 CFD 全是这类数所以它能烧进 MCU、能扛噪声、能跨数据集。3. 第三章说分布偏移必须由基线消除——Cohens d 选维、健康基线 z-score是同一个思想在不同任务上的两次显形。系列写到这大概是故障诊断的全部图景都完全了这章算是水一篇吧毕竟到了该找工作的时候了最近也没时间做新东西了其实要继续写的话我可能就讲一讲神经坍缩NC领域了这个就纯偏理论了我对于NC这个领域的看法就是用几何结构去解释算法的黑箱还是说更喜欢看工程应用的东西也许下一章拆算法两个仓库都在 GitHub 上数据、代码、CSV、阴性结果全部公开欢迎考据[vibrolab](https://github.com/kanglongh/vibrolab)、[diagnosis-agent](https://github.com/kanglongh/diagnosis-agent)。