企业官网建设流程全解析

简介：一套基于Python实现的神经网络工具包，面向希望快速上手模型训练与预测的开发者，也兼顾疲劳分析场景下的数据建模需求。项目围绕“网络定义—数据加载—训练—预测”主线组织代码，包含NeuralNetwork.py核心模块、MNIST手写数字识别、曲线拟合、逻辑回归三组可运行Demo，以及mnist_data.py数据加载与tools.py辅助工具。既能作为入门教程，也可参照其网络结构和训练流程，将“疲劳子程序”中的载荷历史转化为输入特征进行剩余寿命预测。压缩包共32个文件、15.96MB，以22个txt权重/日志、6个py脚本和4个idx格式MNIST数据文件为主，目录清晰，便于按模型目录和演示脚本分别阅读。txt文件记录了各层权重与偏置，可配合演示脚本复盘完整训练过程；idx格式数据直接来自MNIST标准数据集，下载后即可运行。目前已有183人学习。压缩包内附训练好的权重文件，可直观对比不同层参数变化，适合初学者理解反向传播与模型保存格式，也适合工程人员借用这套流程构建自己的疲劳预测模型。

1. 疲劳预测为什么要把神经网络算法包成子程序

很多工程师手里都有一份“NeuralNetwork-master”的仓库，里面跑通了 MNIST、房价预测或者某个示例数据，但当现场设备正在做疲劳寿命预测时，这些代码就完全不够用。疲劳预测不是分类问题，也不是普通回归：样本量小、真实寿命跨几个数量级、失效模式复杂，传统 S-N 曲线和 Miner 线性累积损伤在变幅载荷下误差很常见。标题里的“神经网络NNA”我按 Neural Network Algorithm 理解，它落到工程上的做法，就是训练一个能输入载荷和结构参数、输出寿命的回归模型，并把预测逻辑封装成可反复调用的“疲劳子程序”。这篇文章把这条路径讲透：从训练样本构造、模型参数选择，到子程序接口和验证方法，你完全可以照着搭一套用于疲劳故障诊断和寿命预测的最小系统。

2. 疲劳训练样本怎么构造：特征、标签与数据完整性

2.1 疲劳预测的输入特征要覆盖“载荷-结构-环境”三类变量

疲劳寿命不是单一应力能决定的。做数据驱动模型时，我一般会把特征分成三类，这比先跑一堆相关性分析更符合力学逻辑。

不要一开始就把几十个特征全扔进网络。疲劳机理里最重要的变量是应力幅值和平均应力，Goodman 修正曲线就是基于这两个量描述疲劳极限的，所以模型至少要有它们。Kt 和表面加工系数决定局部应力，温度与腐蚀介质决定环境修正。加特征前先画散点图，看寿命是否随特征单调变化或分段变化。相关系数低不代表没有用，因为寿命与应力之间是对数关系，线性相关系数天然不高。

2.2 寿命标签取 log10，不然神经网络学不动

疲劳寿命的典型范围是从 10³ 到 10⁷ 循环，跨了四个数量级。如果直接把“循环次数”作为回归目标，损失函数会被高寿命样本主导，模型训练时会只顾着把 10⁶ 以上的样本预测准，而 10⁴ 以下的低寿命样本几乎学不到。常见做法是先把标签取对数：

import numpy as np df["log_life"] = np.log10(df["life_cycles"])

这样原始寿命 1000 次变成 3.0，1000 万次变成 7.0，数值范围收窄到可以放心用 MSE 训练的程度。预测完成后反变换即可：

pred_life = 10 ** pred_log_life

这里有一个疲劳数据特有的坑：试验中很多样本在达到预设循环次数后仍未断裂，这种样本叫 runout，它的标签不是“真实寿命”，而是“截止寿命”。直接把它当成精确寿命喂给模型，会让模型认为材料在这个应力水平下只能活到截止次数。我一般会先剔除 runout，或者单独建一个分类器判断“是否失效”，再对失效样本做回归。

2.3 清洗和剔除异常样本的实用脚本

疲劳试验数据的脏主要体现在单位不统一、手填数据里混入字符串、寿命列出现 0 或负数。这些样本不能参与训练，写一个最小的清洗流程：

import pandas as pd df = pd.read_csv("fatigue_data.csv") print(df.info()) print(df.describe()) df = df.dropna(subset=["stress_amplitude", "mean_stress", "life_cycles"]) df = df[df["life_cycles"] > 0] df = df[df["stress_amplitude"] > 0] df = df[df["stress_amplitude"] < df["ultimate_strength"]]

这段代码的作用是：先看每一列的非空数量和类型；然后只删除三个核心字段缺失的行，避免把其他可用特征一起删掉；再剔除寿命小于等于 0 的记录；最后剔除应力幅值超过材料极限强度的记录，这类数据通常是人工录入单位错误或试件异常。

2.4 先归一化再做数据集拆分，防止数据泄漏

神经网络对输入量纲很敏感，应力幅值可能是 300，应力比只有 0.1，归一化是必须的。但很多人在归一化上犯过一个隐蔽错误：先对整个数据集做 fit_transform，再切训练集和验证集。这样验证集的均值和标准差已经进入了缩放参数，模型效果看起来很好，实际上测试时完全不是那回事。

from sklearn.model_selection import train_test_split from sklearn.preprocessing import MinMaxScaler feature_cols = ["stress_amplitude", "mean_stress", "stress_ratio", "kt", "temp"] X = df[feature_cols].values y = df["log_life"].values # 先拆分，再对训练集 fit，验证集只 transform X_train, X_val, y_train, y_val = train_test_split( X, y, test_size=0.2, random_state=42 ) scaler = MinMaxScaler() X_train_scaled = scaler.fit_transform(X_train) X_val_scaled = scaler.transform(X_val)

注意验证集使用的是训练集的缩放参数。如果是变幅载荷谱数据，不想随机打乱，因为疲劳损伤有顺序效应，前面一段载荷会影响后面的剩余寿命。这时候把数据集按时间或试验批次切分，前 80% 做训练，后 20% 做验证，才能反映真实场景。

提示：疲劳数据集里 runout 样本是截尾数据，不要和正常寿命混在一起回归；把它先剔掉，等主模型建好后再单独处理。

3. 用 Python 搭建神经网络疲劳寿命预测模型

3.1 疲劳样本是时间序列时，选 LSTM 还是 MLP

很多疲劳数据不是一条静态记录，而是一整段载荷谱。比如风力发电机叶片在不同风速下承受随机载荷，轴承在变转速下振动信号不断变化。这时候特征不是一个数，而是一段时间窗口。网络选型可以按这张表来定：

如果你看到“lstm 时间序列预测 python”这个话题，别急着把疲劳数据也直接套进去。疲劳寿命预测和时间序列预测不一样：时间序列预测是逐点外推下一时刻的值，疲劳预测是给一整段输入序列，输出一个剩余寿命标量。只有在载荷谱存在明显顺序效应时，LSTM 才明显优于 MLP。如果样本本来就是按试验条件汇总后的静态表，强行上 LSTM 反而过拟合。

3.2 最小可用的神经网络疲劳预测代码

下面这个网络结构是我用来跑疲劳寿命预测的起点：输入层接两个全连接层和一个 dropout，输出层不加激活函数，因为回归任务需要输出任意实数。

import pandas as pd import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout from tensorflow.keras.callbacks import EarlyStopping model = Sequential() model.add(Dense(64, activation="relu", input_dim=X_train_scaled.shape[1])) model.add(Dropout(0.2)) model.add(Dense(32, activation="relu")) model.add(Dense(1)) model.compile(optimizer="adam", loss="mse", metrics=["mae"]) model.summary() history = model.fit( X_train_scaled, y_train, validation_data=(X_val_scaled, y_val), epochs=200, batch_size=32, callbacks=[EarlyStopping(patience=10, restore_best_weights=True)], verbose=1 )

结构上第一层 64 个神经元，relu 能缓解梯度消失，比 tanh 在这种中规模特征上收敛快；Dropout 0.2 表示每次迭代随机冻结 20% 的神经元，用来防止小样本过拟合。输出层只有 1 个神经元，没有激活函数，对应预测的 logN。优化器直接选 adam，epochs 设到 200 是因为靠 EarlyStopping 在验证集 loss 连续 10 轮不再下降时自动停下，并恢复最佳权重。

3.3 损失函数怎么选：MSE、MAE 还是 Huber

代码里 loss 用的是 mse，它对离群点非常敏感。如果残差里偶尔出现一个预测值偏离两个数量级的样本，MSE 会把梯度拉向这个样本，导致整体精度下降。疲劳数据的噪声本来就大，所以我更常用 Huber：

from tensorflow.keras.optimizers import Adam model.compile( optimizer=Adam(learning_rate=0.001), loss="huber", metrics=["mae"] )

Huber 在残差小于阈值时使用平方误差，大于阈值时改为线性误差，对离群点没那么敏感。实际使用时可以先看验证集的 mae，如果 mae 与 rmse 的差距很大，说明存在离群预测，换成 Huber 通常有用。评估阶段我一般计算三个指标：

from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score y_pred_log = model.predict(X_val_scaled).flatten() mae = mean_absolute_error(y_val, y_pred_log) rmse = np.sqrt(mean_squared_error(y_val, y_pred_log)) r2 = r2_score(y_val, y_pred_log) print(f"MAE(log): {mae:.4f}") print(f"RMSE(log): {rmse:.4f}") print(f"R2: {r2:.4f}")

MAE 是 0.3，意味着预测的 logN 平均偏差 10^0.3，约 2 倍寿命误差；R2 达到 0.85 以上，说明模型解释了大部分方差。只报告 R2 不够，疲劳工程里绝对误差更关键。

4. 把神经网络封装成疲劳预测子程序

4.1 子程序的接口设计：输入矩阵，输出寿命

训练脚本不能直接进工程系统。生产环境的结构强度分析程序、设备健康管理系统通常只需要一个函数：传入当前工况参数，返回预测寿命。把模型、归一化参数和特征名绑在一个类里，是最常见的“疲劳子程序”形态。

import numpy as np import tensorflow as tf from tensorflow import keras class FatiguePredictor: def __init__(self, model_path, scaler, feature_names): self.model = keras.models.load_model(model_path) self.scaler = scaler self.feature_names = feature_names def predict_life(self, X): X = np.asarray(X, dtype=float) if X.ndim == 1: X = X.reshape(1, -1) X_scaled = self.scaler.transform(X) log_life = self.model.predict(X_scaled, batch_size=64, verbose=0).flatten() return np.power(10, log_life) feature_cols = ["stress_amplitude", "mean_stress", "stress_ratio", "kt", "temp"] predictor = FatiguePredictor("fatigue_model.h5", scaler, feature_cols) sample = np.array([250, 30, 0.1, 1.6, 80]) print(predictor.predict_life(sample))

接口里要注意两个细节：一是scaler必须是训练时已经完成 fit 的对象，不能对单条样本重新 fit，否则缩放范围会变成一个点；二是特征顺序必须和训练时完全一致，这里用feature_names记录顺序，新工况接入时按这个列表组装向量。类比裸函数的好处是：模型和缩放器作为内部状态被绑定，调用方不需要知道任何预处理细节。

4.2 批量预测与结果落盘

实际使用中很少一次只预测一条。给一批新工况文件批量预测通常是这个流程：

df_new = pd.read_csv("new_conditions.csv") # 按训练时的特征顺序取值 X_new = df_new[feature_cols].values life_pred = predictor.predict_life(X_new) df_new["pred_life_cycles"] = life_pred df_new.to_csv("prediction_result.csv", index=False)

批量预测最大的坑是内存和速度。如果新工况有十几万行，Keras 默认逐批计算，不需要手动切分；但predict会返回一个很大的 array，这时候建议把落盘分成几批写。另外，predict默认 verbose=0 关闭进度条，批量运行时避免日志刷屏。

4.3 模型更新：用新试验数据做增量训练

疲劳寿命模型不会一劳永逸，新的试验数据出来后，最常见做法是用小学习率继续训练旧模型，而不是完全重新开始。完全重新训练成本高，而且旧样本可能已经归档难以找回。

new_log_life = np.log10(new_df["life_cycles"].values) X_new_scaled = scaler.transform(new_df[feature_cols].values) # 用小学习率在旧权重基础上继续学习 model.compile( optimizer=Adam(learning_rate=1e-4), loss="huber", metrics=["mae"] ) model.fit( X_new_scaled, new_log_life, epochs=20, callbacks=[EarlyStopping(patience=3, restore_best_weights=True)] )

学习率从原来的 0.001 降到 0.0001，是防止新数据把旧知识冲掉。更稳妥的做法是同时保留一部分旧样本作为验证集，一旦增量训练导致旧样本精度下降就提前停止。

5. 疲劳预测模型的验证与调优：从指标好看到现场能用

5.1 残差分布：先看偏差，再看随机性

只看 R2 和 MAE 是不够的。验证集上预测值减去真实值得到残差，画一张残差图比任何汇总指标都直观。

import matplotlib.pyplot as plt residual = y_val - y_pred_log plt.figure(figsize=(8, 5)) plt.scatter(y_pred_log, residual, alpha=0.6) plt.axhline(0, color="red", linestyle="--") plt.xlabel("Predicted logN") plt.ylabel("Residual") plt.title("Residual Plot") plt.show()

如果残差点在纵轴 0 线附近随机散布，说明模型没有系统性偏差。如果出现喇叭形，比如预测值越大残差越分散，说明高寿命区间噪声大，可以考虑对输出做更强的对数压缩，或者改用 Huber。如果残差有一侧整体偏高，说明某些关键特征缺失，需要回到第 2 章检查特征集合。

5.2 过拟合的三个信号与应对

疲劳数据集通常只有几百条样本，过拟合几乎必然要面对。三个信号分别是：训练 loss 持续下降但验证 loss 回升；验证 R2 明显低于训练 R2；预测结果中位值与真实中位值出现显著偏移。应对方法里，最有效的是 EarlyStopping 和 Dropout，这两个已经写进第 3 章的代码里。此外可以给 Dense 层加 L2 正则化，把核权重限制小一些，让模型不依赖单个特征。

5.3 滚动预测的坑：不要把未来信息带进特征

这里是最容易被忽视的一环。疲劳预测里如果做窗口滑动构造特征，比如取前 30 秒载荷统计量来预测剩余寿命，窗口边界一旦越过“当前时刻”就会把未来信息带进模型。验证集上表现很好的模型，到现场后一落千丈，大多是这个原因。校验方法是：把验证集按时间顺序划分，强制验证集时间晚于训练集，再重新训练一次，如果精度大幅下降，说明原模型吃到了未来信息。处理方式是把窗口结构彻底改为因果形式，特征只使用当前时刻之前的数据。现场部署时我还会做一个交叉验证：把网络预测寿命和 Miner 线性累积损伤结果对比，两者经常相差一个数量级，这时优先怀疑数据划分，而不是急着调网络结构。

本文还有配套的精品资源，点击获取