基于超图对比传感器融合的感电机多模态故障诊断
人工智能
2025-10-20 v1 新兴技术
机器学习
系统与控制
信号处理
系统与控制
摘要
可靠的感电机（IM）故障诊断对于工业安全和运行连续性至关重要，能够缓解因非计划停机而导致的高额成本。常规方法往往难以捕获复杂的多模态信号关系，受限于单模态数据或单一故障类型，且在噪声或跨域条件下表现下降。本文提出一种多模态超图对比注意力网络（MM-HCAN），作为稳健故障诊断的统一框架。据我们所知，MM-HCAN 是首次将对比学习集成到专为多模态传感器融合设计的超图拓扑结构中，使其能够联合建模类间与类内依赖，提升欧几里得嵌入空间之外的泛化能力。该模型实现了轴承、定子和转子故障的联合诊断，满足工程上需要统一诊断能力的要求。在三个真实世界基准测试中评估了 MM-HCAN，实现了最高达 99.82% 的准确率，具备强大的跨域泛化和抗噪能力，显示其适用于实际部署。消融研究验证了每个组件的贡献。MM-HCAN 提供了一种可扩展且稳健的综合多故障诊断解决方案，支持工业环境中的预测性维护和延长资产寿命。
引用
@article{arxiv.2510.15547,
title = {Hypergraph Contrastive Sensor Fusion for Multimodal Fault Diagnosis in Induction Motors},
author = {Usman Ali and Ali Zia and Waqas Ali and Umer Ramzan and Abdul Rehman and Muhammad Tayyab Chaudhry and Wei Xiang},
journal= {arXiv preprint arXiv:2510.15547},
year = {2025}
}
备注
Submitted to IEEE Sensors Journal