企业官网建设流程全解析

简介：一套面向设备故障预测的毕业设计完整项目，覆盖数据清洗、特征分析、故障建模、后端服务与可视化展示全流程，适合计算机、人工智能、自动化、物联网等专业作为毕业设计、课程设计或项目立项演示。项目为个人高分源码，已获导师认可，答辩评审达95分，代码经测试运行稳定，可在理解基础上二次开发。压缩包含58个文件，总体积22.81MB，主要包含Spark数据处理的Scala源码、Java后端与前端图表代码、Jupyter交互式分析脚本、SQL数据库脚本、模型文件，以及答辩PPT和PDF说明文档等，源码、数据、文档与演示材料齐全，目录结构清晰便于检索。已有54人学习下载。从内容预览可见，内置数据清洗脚本、单日指标汇总、回归分析与决策树模型、多维度图表等，能够完整呈现设备故障预测从数据到结论的工程思路，适合直接作为毕设、课设的高分参考模板。

1. 设备故障预测系统：不是"坏了才报警"，而是"快坏了就通知你"

设备故障预测系统是毕业设计里被反复提起的题目，背后是工业界很真实的痛点：生产设备从正常到失效，不是一瞬间的崩溃，而是有一段逐步退化的过程。预测系统的任务就是在这段退化过程里提前捕捉征兆，输出剩余寿命或故障概率，让维护人员有时间安排停机检修。整个方案落地涉及振动/温度等传感数据读取、特征提取、时序模型（LSTM/1D-CNN）、阈值判定和可视化界面，正好把数据处理、深度学习、工程部署都串起来，所以它既是"高分项目"也是面试时能讲清楚的项目。这篇笔记就按我实际做过的PHM类项目，把从数据到模型的完整路径和参数细节写清楚，重点覆盖"源码包拿到手之后先干什么、模型参数怎么定、哪些坑几乎必踩"，适合准备用这个题目做毕设、或想把手头故障数据集真正跑起来的人。

2. 拿到源码包先做三件事：确认数据、锁定指标、跑通最小基线

2.1 数据集格式：先搞清楚输入到底是什么

提示：任何源码包拿到手，第一件事不是直接运行main.py，而是打开README和目录结构，确认它喂给模型的是原始波形还是已经提取好的特征。这一步决定了你后面所有工作的方向。

常见做法是先用最小代码读取和观察数据，确认数据的组织方式：

import numpy as np import matplotlib.pyplot as plt # 读取单个通道的振动信号，每行为一个时间片段，列数代表该片段内的采样点数 data = np.loadtxt("data.csv", delimiter=",", dtype=np.float32) print(data.shape) # 输出形如 (500, 2048)，表示500个时间片段，每个片段2048个采样点 # 观察一段信号的时域形态 plt.plot(data[0][:512]) plt.title("vibration signal example") plt.savefig("first_signal.png")

逻辑说明：打印数据形状意味着你要先搞清楚数据的时间轴在哪一维。许多故障预测源码包里的数据格式不统一：有的行列反了，有的是多传感器合并在一个大CSV里，第一列是时间戳而不是直接可用的振动值。先用np.loadtxt读出来打印shape并画第一段信号，是最快的确认方式，比看任何注释都靠谱。

参数说明：delimiter要按实际文件来，tab分隔就改成"\t"；dtype用float32即可，没有特殊精度需求不必上float64，内存占用差一倍。如果文件过大，先在命令行里用head -n 3 data.csv看一眼表头和前几行，比直接读进来再报错要省事得多。

然后是退化趋势的可视化：把每段信号的RMS值连成一条曲线，如果RMS整体单调上升，说明数据集确实包含退化过程；如果曲线完全平缓，那么要么拿错了数据，要么这个数据需要更复杂的特征才能看出趋势。这一步花不了5分钟，但它能帮你判断后续值不值得继续投入。

2.2 评价指标：RMSE还是PHM打分函数

设备故障预测的标准评测里常用两套指标，这两套指标的差异直接决定了模型的优化方向：

打分函数的设计逻辑是：预测寿命比真实寿命短（早报）最多让人提前停机，成本相对可控；预测寿命比真实寿命长（晚报）则可能导致设备在运行过程中真正失效，直接引发停机甚至安全事故。所以越贴近工业应用，越要用不对称惩罚。毕业设计里如果数据集来自公开竞赛，评价必须用原始竞赛指标，否则答辩时评委只要问一句"你怎么证明你的模型比基线好"就容易翻车。

如果源码包里附带了自己的评价脚本，优先沿用它的指标口径，不要自创。若代码里只有accuracy这类分类指标，你需要补一个回归型的RUL评估，否则故障预测的"预测"两个字就没有被真正检验。把评价指标定义清楚，比多调几个模型参数更值钱，因为它直接决定了"高分"的来源是否站得住。

2.3 跑通最小基线：RMS阈值法

提示：先跑一个非学习型基线，是这份资料里最值钱的一步。它既给你提供对比下限，也能暴露出数据在时间轴上的质量。

import numpy as np def rms_series(data, axis): return np.sqrt(np.mean(data**2, axis=axis)) # 计算每个时间片段的RMS并归一化到[0,1] rms = rms_series(data, axis=1) rms_norm = (rms - np.min(rms)) / (np.max(rms) - np.min(rms)) # 阈值设为0.75，首次超过阈值的时刻作为故障时间点 threshold = 0.75 fault_idx = np.where(rms_norm >= threshold)[0][0] print("fault detected at segment:", fault_idx)

逻辑说明：这段代码把每个时间片段的振动能量压缩成一个标量并做min-max归一化。当RMS归一化值首次越过阈值时，认为系统进入故障状态。这个方案没有学习过程，却能在很多公开数据集上取得不错的基线分，因为轴承退化在时域上的能量上升趋势比较明显。

参数说明：阈值0.75不是拍脑袋给的，建议先用percentile(rms_norm, 95)这类统计量观察整体分布再定。如果曲线前期噪声大，先做指数滑动平均再找阈值。窗口长度为多少、要不要加滑动平均，根据曲线抖动幅度来调整，后面第4章会详细说滑窗参数的影响。跑通这个基线之后再去对比LSTM之类的模型收益，你才能判断复杂的模型到底是真学到了退化模式，还是在背诵训练集。

3. 特征工程与模型选型：从振动信号到故障趋势的完整链路

3.1 时域特征：RMS、峭度与峰值因子的互补关系

时域特征是故障预测里最朴素也最稳定的一类。RMS反映信号能量整体水平，峭度反映波形尖峰程度，峰值因子反映瞬时冲击强弱。轴承早期故障往往先表现为周期性的冲击，这时候峭度会先升高，而RMS还未明显变化；等到故障扩展，RMS才跟着抬升。所以两者的时间差正是早期预警价值所在，只用单个特征很容易错过这段最宝贵的预警窗口。

def time_features(segment): rms = np.sqrt(np.mean(segment**2)) kurtosis = np.mean((segment - np.mean(segment))**4) / (np.std(segment)**4) peak_factor = np.max(np.abs(segment)) / rms return {"rms": rms, "kurtosis": kurtosis, "peak_factor": peak_factor} features = np.array([time_features(s) for s in data])

逻辑说明：time_features对每个时间片段计算三个指标并返回字典，再通过列表推导批量应用到全数据集。峭度公式里的分子是信号的四阶中心矩，分母是方差的平方，因此它无量纲，适合在不同转速和载荷下对比，不会因为信号幅值大小而失真。

参数说明：np.std默认是有偏估计，样本量足够大时无偏修正与否影响很小；但如果单段信号只有几百个采样点，建议改用np.std(segment, ddof=1)。实际项目中这三种特征往往不是单独用，而是拼接成特征向量喂给树模型或线性模型，因为单一特征的表达能力有限，组合起来才能应对不同退化阶段。

另外一个容易被忽略的动作是做趋势平滑。原始RMS曲线每时每刻都在抖动，直接拿去做阈值判定容易产生大量误报。我一般用指数滑动平均来平滑：

def exp_smooth(x, alpha=0.2): smoothed = np.zeros_like(x) smoothed[0] = x[0] for i in range(1, len(x)): smoothed[i] = alpha * x[i] + (1 - alpha) * smoothed[i - 1] return smoothed

逻辑说明：指数滑动平均是递归式的，当前输出由当前观测和上一时刻输出共同决定。alpha越大追随越快但噪声抑制差，alpha越小曲线越稳但滞后越大。用平滑后的特征去看退化趋势，比看原始特征曲线容易发现拐点。注意这个循环在Python里效率不高，数据量大时可以用pandas.Series.ewm替代，但作为毕业设计演示，纯numpy实现完全够用，而且公式推导在答辩时更容易讲清楚。

3.2 频域特征：包络谱为什么能提前捕捉早期故障

时域信号在故障早期往往看不出明显变化，因为冲击成分的能量被正常振动淹没。此时把信号转到频域，能提取出故障特征频率处的边带或峰值，这是设备故障预测里常被单独加分的部分。包络谱分析是其中最常见的手段，它专门解调出信号中携带故障信息的低频调制成分。

from scipy.signal import hilbert def envelope_spectrum(segment, fs, freq_range=(0, 2000)): analytic = hilbert(segment) # 希尔伯特变换得到解析信号 envelope = np.abs(analytic) # 包络信号 spectrum = np.fft.rfft(envelope) # 对包络做FFT freqs = np.fft.rfftfreq(len(segment), d=1/fs) mask = (freqs >= freq_range[0]) & (freqs <= freq_range[1]) return freqs[mask], np.abs(spectrum)[mask]

逻辑说明：希尔伯特变换把实信号变成解析信号，取模后得到包络，相当于解调出信号中的幅值调制成分。轴承的故障特征频率通常表现为对旋转频率的调制，解调之后故障频率处的幅值会显著上升。rfft只输出正频率部分，数据量减半。rfftfreq的d参数是采样间隔，务必与采样率匹配，否则频率轴就错位了，画出来的图找不到峰值位置。

参数说明：freq_range要根据设备转速和轴承参数估算。比如转速1500转/分对应旋转频率25Hz，外圈故障特征频率一般是旋转频率的3到5倍，所以先看2000Hz以内就够。如果峰值区域偏了，检查采样率设置比调整模型快得多。频域特征提取后同样可以进入特征向量，与时域特征一起喂给模型，但要注意频域特征的维度可能很大，先做峰值提取再降维，避免特征维数爆炸。

3.3 模型选型的边界：LSTM、1D-CNN与随机森林

不同模型的表达能力和数据需求差异很大，这里根据我实际做过的项目经验做一个对照：

从落地难易度排序，我通常建议先做"滑窗统计特征 + 随机森林"，因为它不需要GPU就能跑，特征重要性还能直接输出，答辩时你能讲清楚哪些特征贡献大。LSTM适合在随机森林已经逼近基线之后再做升级，且必须配合好的滑窗和归一化，否则收益可能还不如树模型。

from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split X = sliding_windows(features, window_size=30) # 用30个时间片段的特征构成一个样本 y = rul_labels[window_size - 1:] # 对齐后的剩余寿命标签 X_train, X_test, y_train, y_test = train_test_split( X.reshape(len(X), -1), y, test_size=0.2, shuffle=False ) model = RandomForestRegressor(n_estimators=300, max_depth=12, random_state=42) model.fit(X_train, y_train) print("test RMSE:", np.sqrt(np.mean((model.predict(X_test) - y_test)**2)))

逻辑说明：sliding_windows把连续多个时间片段的特征纵向拼接，形成"最近一段时间"的视图。随机森林吃的是展平后的特征向量，所以reshape(len(X), -1)是必要的。shuffle=False非常关键，时间序列数据不能随机打乱，否则测试集里会混入训练集时间段之后的信息，造成数据泄漏，预测分数虚高得离谱。

参数说明：n_estimators取300在树模型里已经足够稳定，再往上增加只拖慢速度；max_depth=12防止单棵树过拟合到个别时间片段。随机森林对超参数不敏感，是它适合做基线模型的另一个原因。如果后续要换LSTM，输入就是原始序列而非展平向量，此时需要单独设计序列模型，模型对比要在同一测试集和同一指标下进行才有意义，否则你根本说不清是模型变好了还是评价方式变宽松了。

4. 剩余寿命预测的落地参数：滑窗、归一化与标签怎么定

4.1 滑窗长度与步长：不是越长越好

滑窗决定了模型能看到多长的历史。窗口太短，模型只看到局部波动，早报和晚报都严重；窗口太长，早期的正常数据被混进来，反而稀释了近期退化信息，而且训练样本数量减少。我一般用"1.5个退化周期"的经验：如果从正常到失效大约是200个时间片段，窗口取30到40个片段比较合适。这个比例在多个数据集上验证过，算是一个相对稳的起步点。

def sliding_windows(features, window_size=30, stride=1): windows, index = [], [] for start in range(0, len(features) - window_size + 1, stride): windows.append(features[start:start + window_size]) index.append(start + window_size - 1) return np.array(windows), np.array(index)

逻辑说明：stride=1时相邻窗口只差一个片段，训练样本量最大，但样本之间高度重叠，模型训练耗时增加且测试集指标有虚高嫌疑；stride=window_size则完全不重叠，样本独立但数量骤降。中间值如stride=5是常见折中。index记录每个窗口的末端位置，用于对齐剩余寿命标签，这是滑动窗口最容易出错的地方：标签对齐差一个偏移，整个模型都在学错误映射。

参数说明：窗口内的特征组织方式也会影响模型。可以把每个时间片段的特征直接拼接，也可以计算窗口内的均值、趋势斜率等二次特征。对于随机森林，拼接原始特征就够了；对于LSTM，则要保持时间维度，不能展平。这里的window_size和stride是预测系统中性价比最高的两个旋钮，调它们往往是效果提升最快的路径，优先于换模型和加层数。

4.2 归一化的三个层次：整体归一化是典型的暗坑

归一化的最常见错误是对整个数据集做统一的min-max或z-score。这在分类任务里问题不大，但在时间序列预测里是严重的数据泄漏：你用全量数据的均值和标准差去归一化，等于让模型在预测时偷看了整个寿命周期的信息，测试集指标虚高，上真实设备就原形毕露。正确做法是只用训练集统计量去变换测试集。

from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 只transform不fit

逻辑说明：fit_transform在训练集上计算均值和标准差，transform在测试集上只应用训练集的统计量。这是把模型评估从"好看"拉回"可信"的关键一行。源码包里如果出现了对全量数据一次性归一化的代码，大概率是资料作者图省事，你需要自己改正过来。

参数说明：如果系统里存在多台设备和多种工况，归一化还要考虑按设备分组进行。不同设备的振动幅值基准不同，全局归一化会把低幅值设备的退化信号压到接近零，高幅值设备的正常信号反而被放大。更稳妥的方案是每台设备独立做z-score，或在特征层面做设备级标准化。我在实际项目中遇到一个典型翻车案例：模型在A设备上RMSE是5，换到B设备直接涨到40，排查半天发现就是归一化使用了全局统计量，B设备的振动整体偏小，退化信号被压没了。

4.3 剩余寿命标签：线性下降还是分段线性

故障预测的监督学习需要剩余寿命标签，但原始数据通常只标了失效时刻，不会告诉你每一时刻还剩多少寿命。常见做法是线性退化假设：从第一个时间片段到失效时刻，剩余寿命从最大值线性减到0。但实际设备的退化曲线往往在早期保持平稳、后期加速恶化，线性标签并不完全符合物理过程。工程上常用分段线性退化模型，给退化过程加一个健康阶段缓冲，避免模型在健康阶段强行学习一个"缓慢下降"的假象。

def piecewise_linear_rul(total_len, start_idx=0, max_rul=100): rul = np.zeros(total_len) for i in range(total_len): if i < start_idx: rul[i] = max_rul else: rul[i] = max(max_rul - (i - start_idx), 0) return rul

逻辑说明：start_idx是退化起点，在此之前剩余寿命都记为最大值max_rul，在退化开始后线性递减。这个设计的好处是避免模型在健康段被强迫学习"寿命在缓慢减少"的假象，因为传感器数据的平稳波动并不代表寿命均匀消耗。max_rul的取值取决于数据集先验：有些数据集明确给出了最大寿命，没有就取整个训练集寿命的约80%分位，这是一个相对保守的可复用默认值。

参数说明：start_idx的确定需要参考特征曲线。RMS或峭度开始持续上升的时刻可以作为退化起点，也可以根据振动幅值首次超过某倍基准值来确定。这部分带有一定"玄学"成分——不同专家定出的起点可能差几十个片段，但分段线性标签比纯线性更稳健，对起点不那么敏感。标签设计完成后，务必画出真实剩余寿命和预测剩余寿命的对比曲线，肉眼可见的趋势错误通常比指标数值更早暴露问题。

5. 设备故障预测常见问题与避坑清单：这6个坑我几乎每次都踩

5.1 数据泄漏：测试集的归一化统计量来自全量数据

现象：训练集和测试集RMSE都很低，模型泛化表现看起来接近完美。但换到全新设备的真实数据上，预测值完全偏移，前段甚至出现负的剩余寿命。

原因：归一化时没有区分训练集和测试集，直接用整个数据集的均值和标准差变换所有数据，等价于预测时偷看了未来数据的分布。除此之外，特征筛选时也容易泄漏：先在全量数据上计算特征与标签的相关性再选特征，同样把测试集信息带进了训练过程。

解决：归一化参数全部从训练集计算，测试集只用transform。特征选择只在训练集内部做，或者用带交叉验证的递归特征消除。如果使用滑窗，还要保证训练窗口与测试窗口的时间区间不重叠，避免窗口之间携带了相邻时间段的信息。每次实验后用一个简单检查单来复查：训练集统计量是否被单独固化、shuffle是否被误开、数据是否按时间顺序分割。

5.2 样本不平衡：正常片段数量碾压退化片段

现象：模型预测的剩余寿命几乎恒定在最大值附近，退化到后期仍然不下降。训练过程loss很低，但画出预测曲线是一条平线，完全没有跟随真实退化趋势。

原因：故障预测场景里正常片段占了80%以上，模型只要输出"接近最大寿命"就能把平均误差做得不大。回归模型被大量正常样本主导，退化段的高价值样本淹没在多数类中，模型学不到"下降"这个关键行为。

解决：对训练样本做加权或重采样。一种做法是按剩余寿命倒数的权重给样本加权，让寿命小的样本权重更高；另一种做法是只使用退化起点之后的数据训练，正常段仅用于验证。我更推荐后者，因为它符合物理直觉：模型的职责是预测退化过程，而不是识别设备从正常到正常的平稳状态。加上"分段线性标签"让健康期标签封顶，也能缓解模型在健康期过度拟合。

5.3 阈值失效：RMS阈值在变转速工况下到处误报

现象：在固定转速实验台上调好的阈值，换到变转速设备上，正常转速升高时RMS就超过阈值，系统频繁告警；转速降低时又恢复平静，阈值形同虚设。

原因：RMS本身对转速和载荷敏感，它衡量的是振动能量，转速升高能量本来就变大，这并不代表退化。用绝对能量阈值去检测退化，等于把工况变化误判为设备故障，这是源码包里最常见的一类"演示级算法"通病。

解决：改用相对量。常见做法是引入基线信号，退化程度用当前RMS与健康段RMS的比值来表征，消除工况的绝对幅值影响。更鲁棒的是在频域里提取故障特征频率处的幅值，它在转速变化时依然有稳定模式。若源码包里的算法还是绝对阈值，需要增加工况归一化步骤，这是实际项目里"从演示到部署"的分水岭。

5.4 时间序列错乱切分：train_test_split默认打乱数据

现象：测试集指标异常好，好到明显不合理。检查代码才发现train_test_split默认shuffle=True，把未来时间片段的样本混入训练集，模型在训练时已经"见过答案"。

原因：sklearn的train_test_split默认打乱数据，这在普通机器学习中是标准做法，但时间序列里是严重的数据泄漏。模型在训练时见过测试时间段前后的数据，预测自然接近拿答案答题，这种翻车场景在故障预测里出现频率极高。

解决：所有时序任务的划分统一设置shuffle=False，或直接用TimeSeriesSplit做交叉验证。在故障预测项目里，还建议固定random_state，保证每次实验的可复现性。这个坑很容易看漏，因为它藏在一行默认参数里，不报错也不会影响训练loss，只有换新数据时才暴露。

5.5 预测结果剧烈震荡：没有做时序平滑

现象：模型在真实设备上输出的剩余寿命曲线毛刺极多，相邻两天的预测值能差20个寿命单位，维护人员没法依据这种结果安排停机计划。

原因：模型对每个窗口独立预测，相邻窗口的输入差异不大，但模型对输入的微小扰动很敏感，预测输出在窗口之间剧烈跳变。这种不稳定和模型容量有关，也和测试时没有利用历史预测信息有关。

解决：预测后加滑动平均滤波器，把最近N个预测输出合并，我一般取5到10个窗口的均值。如果还不能平息，改用预测序列的中位数滤波，它对单点异常值更鲁棒。这里有个取舍：平滑窗口越大曲线越稳但响应越慢，实际部署时可以把"原始预测值"和"平滑值"同时展示，让使用方看到模型原始的判断和经过平滑后的建议值。

5.6 高指标与垃圾结果并存：只看RMSE会骗到你

现象：RMSE从30降到18，看起来项目有了明显进步，但现场测试时维修班组依然觉得系统没有参考价值，因为预测值大部分时间都在"未来几个月"区间，真正到失效前一周才突然下降。

原因：RMSE会把大量中早期样本纳入计算，这些样本的剩余寿命本来就大，预测误差来自随机波动而非真实退化趋势。模型在中期表现尚可，但后期急需准确度的时候反而跟不上退化速度，指标没有捕捉到这个致命缺陷。

解决：增加分段评估。把剩余寿命按阶段切分，例如>80、40-80、<40三档，分别计算RMSE和平均预测偏差。重点观察后段误差，因为维护决策最依赖最后一段。这个检查习惯也可以直接在答辩中展示，说明你清楚算法的能力边界。指标要好，更要好在对的地方。

6. 从"能跑"到"能说服人"：三张图和一个验证流程

6.1 三张必须有的图

答辩或项目汇报时，代码可以看，但说服力主要靠图。第一张是故障特征趋势图，把RMS、峭度、峰值因子画在同一张图上，标注退化起点，证明你理解了数据。第二张是预测曲线与真实剩余寿命的叠加图，用一个测试轴承的数据即可，重点是展示早期跟随、中期稳定、后期收敛三个阶段的形态。第三张是误差分布或分段RMSE表格，让评委看到你不仅跑通了流程，还知道误差集中在哪。

fig, axes = plt.subplots(2, 1, figsize=(10, 8)) axes[0].plot(rms_norm, label="normalized RMS") axes[0].axvline(fault_idx, color="red", linestyle="--", label="fault start") axes[1].plot(y_test, label="true RUL") axes[1].plot(pred_smooth, label="smoothed prediction") axes[1].legend() plt.savefig("key_results.png", dpi=150)

逻辑说明：第一张子图展示特征趋势与退化起点的对应关系，第二张子图展示真实寿命与平滑预测的对比。axvline在退化起点处画竖线，两张图共享时间轴，可以直接看出模型是否在正确时机开始下降。legend标注每一条线的含义，评委扫一眼就能抓住重点。

参数说明：dpi=150足够导出清晰的报告图，答辩时如果需要投屏，建议再导出200dpi的PNG。这个脚本保存成plot_final.py，每次跑实验自动生成图片，比手工截图规范得多，也方便在论文里直接复用。

6.2 一个高性价比的验证流程

要做出"高分项目"，光是"训练好模型"还不够。我习惯把验证流程固化下来：先在公开数据集上复现基线，接着固定测试集跑特征工程改进，再跑模型替换，最后给出分段误差结论。每一步都保留训练日志和预测结果文件。这样当评委问"你这模型在另一个数据集上会怎样"时，你能直接给出推测而不是含糊带过。

其中一个很加分的细节是给预测加上置信区间。模型输出剩余寿命的均值之后，用多折预测的方差构造一个宽区间，比单独输出一条线更能体现工程思维。评委看到的不再是"黑匣子输出一个数"，而是"系统给出一个区间表达不确定性"，这个细节几乎不需要额外工作量，却在答辩时非常出效果。

6.3 我的一个习惯

做了几轮故障预测项目之后，我留下来的最实用习惯是：每次实验开始前，先在项目的experiments/目录下建好带日期的文件夹，把所有模型、参数、预测结果和图片分类放好。没有这个习惯的时候，我经常为了复现一周前的某个结果翻遍所有目录，现在只需要看实验记录里的params.yaml就能定位。这套文档习惯在毕业设计的最后两周尤其救命，它比模型本身更能保证项目顺利收尾。设备故障预测这个方向的技术栈并不神秘，无非是特征、模型、阈值、评估四件事，但把每一件事做到有据可查、有图可证，就足够获得高分认可。希望这篇笔记帮到你。

本文还有配套的精品资源，点击获取