起重机AI换个工况就失灵，迁移学习怎么让它跨域适应

一个让很多工厂头疼的现实：AI检测在A车间跑得很准，搬到B车间就翻车，因为光照不一样、吊物材质不一样、设备型号不一样。数据分布一偏移，模型就失灵。

迁移学习要解决的就是这个”换工况就失灵”。它让模型把在源工况学到的能力，迁移到缺标注的目标工况，用少量数据就完成跨域适应。

下面拆开讲迁移学习怎么做。

迁移学习的逻辑：把已学的知识搬到新工况

迁移学习的核心思想，是”不用从零学”。模型在一个工况上已经学会了识别缺陷的通用能力，这部分能力是可迁移的，换到新工况只需要补上差异的部分。

它和从零训练的区别，在于起点。从零训练要在新工况上重新积累大量标注，慢且贵；迁移学习以已训练好的模型为起点，用少量新工况标注做微调，快且省。

迁移学习能成立，是因为不同工况的缺陷检测有共性：识别断丝、裂纹、偏斜这些底层特征，是通用的。差异在表层的数据分布，而表层差异用少量标注就能适配。克鲁德重工在跨项目部署时，默认走迁移学习，而不是每个项目从零训，ISO 24621《起重机AI故障诊断》对跨工况诊断有规范。

三种迁移方法：预训练微调域适应域泛化

第一种，预训练加微调。用一个在大规模数据上预训练好的模型做底座，在新工况上用少量标注微调。这是最常用的迁移方式，投入低、见效快。

第二种，域适应。专门针对源工况和目标工况的分布差异做特征对齐，让模型在目标工况上也能稳定识别。它更精细，但需要目标工况有部分数据。

第三种，域泛化。训练时就刻意让模型适应多种工况的差异，让它在没见过的新工况上也能泛化，而不是只针对某一个。它最难，但鲁棒性最好。三种方法按目标工况的数据量和部署要求选。

迁移学习的落地路径：底座先行少量微调

迁移学习落地有清晰的路径。

第一步，选好预训练底座。用通用的、在大规模数据上训练过的模型做起点，它已经学会了基础的特征提取能力，是迁移的地基。

第二步，少量标注微调。在新工况上标少量样本，对底座模型做微调，让它适配新工况的数据分布。这一步的标注量远小于从零训练。

第三步，验证并回灌。微调后的模型在新工况上验证，达标就部署，同时把新工况的数据持续回灌，让模型越用越稳，GB/T 28264-2017《起重机械安全监控管理系统》对跨工况数据留痕有要求。克鲁德重工按底座、微调、验证回灌三步推进迁移学习。

迁移学习落地最常见的错误

第一个错误，工况差异大还硬迁移。源工况和目标工况差异过大，比如从室内搬到强光户外，底层特征都对不上，迁移效果差，还不如从零训。迁移要评估工况差异。

第二个错误，微调时标注太少。迁移能省标注，但省到几乎没有，微调就不充分，模型在新工况上还是不稳。微调标注要够覆盖新工况的差异。

第三个错误，迁移后不复测。迁移来的模型在新工况上的表现，必须重新验证，不能想当然认为”迁移了就一定行”。克鲁德重工坚持迁移后做真实工况验证，达标才部署。

三种迁移方法对比

迁移学习相关标准条款速查

关于迁移学习的常见问题

迁移学习和模型漂移是同一枚硬币的两面，跨工况适配可以对照《设备健康管理PHM：大数据与ML驱动的天车预测维护工程实践》里的模型维护思路。

AI换个工况就失灵，不是模型不行，是没做迁移。克鲁德重工用底座先行、少量微调、验证回灌，让模型跨工况也能快速适应，不每个项目从零训。