3. 稀缺场景下的数据策略总览

当物理数据稀缺时，最危险的做法是“抓到什么方法就用什么方法”。数据增强、迁移学习、物理约束嵌入、半监督学习和自监督学习这五类策略，解决的是不同性质的稀缺问题：有的扩充样本数量，有的借用外部知识，有的把物理规律变成额外监督信号，有的利用无标签数据。选错策略，往往不是效果差一点，而是引入系统性偏差。本节先建立一张“策略—稀缺类型—适用边界”的总览图，再逐项说明判断依据和落地要点。

先判断稀缺属于哪一种形态

策略选择的第一步不是比较算法，而是给数据问题“定性”。如果问题是样本量少但标签齐全，例如某型换热器只有 40 组不同入口温度、流量下的出口温度实测，那么核心矛盾是覆盖不足，优先考虑数据增强与物理约束嵌入。如果问题是有大量传感器记录但缺少目标标签，例如上千小时振动信号却只有几十段人工标注的故障类型，那么半监督与自监督更对症。如果问题是目标工况几乎没有数据，但相近工况数据丰富，迁移学习才是主线。如果控制方程、守恒律、边界条件明确，物理约束嵌入能以极低数据量提供强归纳偏置。现实中往往是组合问题，但必须有一个主策略，否则调参时无法判断收益来自哪里。

数据增强：扩样必须服从物理一致性

物理数据增强不是图像里的随机裁剪翻转。对时序传感数据，常用手段包括加性高斯噪声、幅值缩放、时间伸缩、窗口切片和工况插值。关键约束是增强后的样本仍应满足物理规律。例如对温度序列做幅值缩放时，若缩放后低于环境温度，就产生了物理上不可能的热传导方向；对振动信号做时间伸缩时，若改变了特征频率与转速的对应关系，标签就失效了。一个可操作的检查办法是：对增强样本计算已知守恒量或派生指标，例如能量残差、量纲一致性、特征频率比，超出合理区间的样本直接丢弃。增强倍数也不宜盲目放大，经验上先做到原数据的 3～5 倍，观察验证集误差是否继续下降，若验证误差反弹，说明增强分布已偏离真实分布。

迁移学习：共享机理，而非共享表面统计

迁移学习的适用前提是源域与目标域共享底层机理。例如用常温工况的轴承数据预训练特征提取器，再迁移到高温工况，二者共享故障冲击的动力学机制，但温度引起的材料属性变化属于域偏移。落地时通常采用“冻结主干、微调头部”的两段式：先在大规模源域上训练，再冻结前若干层，仅用目标域少量样本训练最后几层，学习率设为源域训练的 1/10 左右。判断是否发生负迁移的实用信号是：微调后目标域验证误差反而高于从头训练的小模型。一旦出现，应减少可训练层数或引入域适应损失，而不是继续加数据。

物理约束嵌入：把方程变成可微的监督项

物理约束嵌入的典型形式是在损失函数中加入方程残差项。以稳态导热为例，若网络输出温度场 T(x)，则损失可写为数据项与残差项的加权和：

L = L_data + λ · mean( (k·∇²T + q)² )
其中 L_data 为测点温度均方误差，
∇²T 用有限差分在配点上近似，
λ 需与 L_data 量级匹配，常从 1e-3 起调。

这里最容易出问题的是权重 λ。λ 过大，网络会优先满足方程而忽略测点，表现为训练损失下降但测点误差不降；λ 过小则约束形同虚设。建议先令 λ=0 训练到收敛，记录数据项量级，再按同一量级设定 λ。此外，方程残差应在归一化后的物理量上计算，避免温度与压力因量纲差异导致某一项主导梯度。

半监督与自监督：利用无标签数据的两种不同逻辑

半监督学习假设无标签数据与有标签数据同分布，通过伪标签或一致性正则把无标签样本纳入训练。典型做法是：模型对无标签样本预测后，只保留置信度高于阈值（如 0.9）的样本参与训练，并对同一输入施加不同增强后要求预测一致。风险在于错误伪标签会自我强化，因此必须定期从高置信伪标签中人工抽检，抽检准确率低于 95% 时应提高阈值或暂停自训练。自监督学习则不依赖任何标签，而是从数据自身构造前置任务，例如对时序信号做掩码重建、预测下一窗口、区分真实变换与伪造变换。它的价值在于学到可迁移的表征，但前置任务必须与下游目标相关：若下游是故障分类，掩码重建学到的可能只是信号平滑性，未必保留冲击特征。验证办法是冻结预训练编码器，只用少量标签训练线性分类头，若线性探测准确率明显高于随机初始化，说明表征有效。

组合使用的优先级建议

面对一个具体项目，可按以下顺序决策：先确认物理规律是否可写，可写则优先嵌入约束，它不依赖额外数据且能提升外推能力；其次检查是否存在机理相近的源域数据，有则迁移；再次评估无标签数据规模与同分布程度，决定半监督或自监督；最后才用数据增强做锦上添花。需要强调的是，这五类策略并非互斥，物理约束加数据增强、迁移加半监督都是常见组合，但每增加一种策略，就应增加一组消融对照，确认每一份收益都真实存在，而不是被其他策略的效果掩盖。