目前在利用国外一个大学的数据集 进行算法验证，并尝试迁移到实验室的自建机器人台架时，遇到了两个卡脖子的问题：

微弱特征被噪声完全淹没：在模拟轴承早期点蚀（0.007 英寸）时，由于电机在高转速下产生的电磁噪声和环境振动非常强，传统的快速谱峭度（Fast Kurtogram） 已经无法锁定共振解调频带。我尝试了 希尔伯特-黄变换（HHT），但在端点效应和模式混叠上卡住了。大家在做论文实证时，对于这种低信噪比（SNR）信号，是倾向于先做自适应降噪（如 VMD），还是直接交给神经网络提取特征？

变工况导致的模型失效：我的 CNN 模型在转速 1797rpm 下训练，准确率达到 99.9%。但一旦测试数据切换到 1730rpm 或者负载发生改变，准确率瞬间掉到 60%。这是否说明模型只学到了特定转速下的频率分布，而非故障本质？域自适应（Domain Adaptation）的损失函数：我在尝试用 DANN（对抗判别域自适应） 解决跨工况问题，但 MMD（最大均值差异）损失函数下降非常缓慢，模型很难收敛。