arXiv cs.AI· Yu Sha, Junqi Tao, Dixin Zhou, Horst Stoecker, Domagoj Vnucec, Andreas Widl, Kai Zhou·· 11 小时前AI 评分19
PhyNet：面向工业流体输送系统鲁棒故障诊断的物理变量信息深度学习框架
Physical-Variable-Informed Deep Learning for Robust Diagnosis in Industrial Fluid Transport Systems
AI 导读
研究者提出物理变量信息深度学习框架 PhyNet，将物理变量作为全局运行约束、响应信号作为局部诊断证据，通过物理到响应的交叉注意力机制连接序列级物理变量 token 与可学习的全局响应 token，无需严格时间对齐。在包括三个真实空化数据集和一个公开两相流数据集在内的四个基准上，PhyNet 在所有评估指标上均取得最佳性能。
正文 · AI 翻译
摘要：工业流体输送系统通过异构传感流进行监测，但稳健的故障诊断仍然困难，因为响应信号会随工况变化，并且在采样率、观测时长和数据粒度上与物理变量不同。为应对这些挑战，我们提出了一种物理变量引导的深度学习框架（PhyNet），用于在真实采样异构条件下实现稳健故障诊断。PhyNet 将物理变量视为全局运行约束，将响应信号视为局部诊断证据。其物理到响应的交叉注意力机制将序列级物理变量 token 与可学习的全局响应 token 连接起来，从而无需严格的时间对齐即可实现交互。在四个基准上（包括三个真实空化数据集和一个公开两相流数据集），PhyNet 在所有评估指标上均取得最佳性能。类别层面的分析以及注意力和掩码分析表明，对模糊状态的区分能力得到提升，并表明物理变量能够有意义地约束局部响应的解释。这些发现展示了一种面向部署的、在异构工业环境中实现稳健诊断的方法。
| 评论： | 29 页，5 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.27891 [cs.LG] |
| （或 arXiv:2610.27891v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27891 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yu Sha [查看邮箱]
[v1]
2026 年 10 月 20 日星期二 09:12:32 UTC（15,188 KB）
来源：arXiv cs.AI · arxiv.org