多模态跨领域混合融合模型与双重解缠合用于未知工作条件下的故障诊断

于红博

摘要: 智能故障诊断已成为确保机械可靠性的不可或缺的技术。然而，在真实场景中，现有方法在未见工作条件下测试模型时存在显著的性能下降，而领域自适应方法受限于对目标领域样本的依赖。此外，大多数现有研究依赖于单模态传感信号，忽视了多模态信息互补性对提高模型泛化能力的作用。为解决这些限制，本文提出了一种具有双解缠的多模态跨域混合融合模型，用于故障诊断。开发了双解缠框架，以解耦模态不变和模态特定特征，以及领域不变和领域特定表示，实现了全面的多模态表示学习和稳健的领域泛化。设计了跨域混合融合策略，将模态信息在领域之间随机混合，以增加模态和领域的多样性。此外，引入了三模态融合机制，以自适应地集成多模态异构信息。在未见恒定和时变工作条件下进行了感应电机故障诊断的大量实验。结果表明，所提出的方法始终优于先进方法，全面的消融研究进一步验证了每个提出的组件和多模态融合的有效性。代码可在以下网址获得：https://github.com/xiapc1996/MMDG。

更新时间: 2025-12-31 07:10:32

领域: cs.AI,eess.SP

下载: http://arxiv.org/abs/2512.24679v1