arXiv cs.AI· Xinyu Zou, Jian Ma, Liang Ma, Chen Lu, Tao Peng, Yingjie Li·· 1 天前AI 评分27
TFC-MMFD：面向多元素异构场景的旋转机械故障诊断时频条件多模态融合基础模型
A Time-Frequency-Condition Multimodal Fusion Foundation Model for Universal Rotating-Machinery Fault Diagnosis under Multi-Element Heterogeneous Scenarios
AI 导读
TFC-MMFD 是一个基于 LLaMA 主干的时频条件多模态融合基础模型，将统计指标、时频图像、振动序列与机器条件文本统一 token 化后做故障诊断。在十个公开轴承数据集的四项递进任务上，它达到 99.40% 准确率和 99.16% macro-F1，多数插值未见工况下无需适配仍保持 80% 以上准确率，每类仅五个标注样本时在新机器上从 20.26% 提升至 95.63%。
正文 · AI 翻译
摘要：智能故障诊断模型通常针对特定工况下的单台机器开发，因此每台新机器或每种新工况都需要从头重新训练。这种“一机一模型”的范式扩展性很差。尽管迁移学习和域泛化可以减轻标注负担，但它们主要寻求域不变共性，可能丢弃对诊断至关重要的机器特有特征。本文提出 TFC-MMFD，一种用于多元素异构场景下旋转机械故障诊断的时频-工况多模态融合基础模型。统计指标、时频图像、振动序列以及文本形式的机器与工况描述被标记化到统一的类语言空间中，使不同物理来源的输入能够表示为单一序列。随后，LLaMA 主干网络结合跨模态双向注意力和 Q-Former 将该序列提炼为故障模式查询。诊断通过将这些查询与自然语言故障模式锚点进行匹配来完成，而非使用固定的类别索引；同时，回归对抗式工况解缠和工况条件掩码预训练提升了对工况变化的鲁棒性。在涵盖多种轴承类型、转速和负载的十个公开轴承数据集上，经过四个渐进式任务，TFC-MMFD 达到 99.40% 的准确率和 99.16% 的宏 F1，在大多数插值未见工况下无需自适应即保持超过 80% 的准确率，并在每类仅有五个标注样本的未见机器上从 20.26% 提升至 95.63% 的准确率。它比八个域泛化基线中最强者高出 10.57 个百分点，并与近期一个轴承基础模型相比具有优势，而使用的微调数据不到后者的一半。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15051 [cs.CL] |
| （或 arXiv:2611.15051v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.15051 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yingjie Li [查看邮箱]
[v1]
2026年11月11日星期三 05:25:10 UTC（3,521 KB）
来源：arXiv cs.AI · arxiv.org