arXiv cs.AI· Yu Sha, Junqi Tao, Deyu Wang, Horst Stoecker, Domagoj Vnucec, Andreas Widlf, Kai Zhou·· 11 小时前AI 评分20
POC-VLM：物理工况引导的视觉-语言匹配用于工业管道空化诊断
Physical Operating-Condition-Guided Vision-Language Matching for Cavitation Diagnosis in Industrial Pipeline Systems
AI 导读
研究提出 POC-VLM，一种物理工况引导的视觉-语言匹配方法，用于工业管道系统空化诊断。该方法将样本工况变量显式融入候选空化文本，构建工况感知语义描述，并通过时频条件文本适配模块动态对齐声学响应，结合全局-局部视觉-语言匹配与 KNN 非参数工况先验在决策层融合。
正文 · AI 翻译
摘要：工业管道系统中的空化诊断具有挑战性，因为声学响应会随运行工况大幅变化，而相似的时频模式可能对应不同的空化状态。为解决这一问题，我们提出了一种用于空化诊断的物理运行工况引导视觉-语言匹配方法（POC-VLM）。POC-VLM 首先通过将样本特定的运行变量显式纳入候选空化文本，构建物理运行工况感知的语义描述。随后，时频条件文本适配模块将这些物理语义与观测到的声学响应动态对齐，再通过全局-局部视觉-语言匹配捕捉整体和局部的判别性模式。与此同时，基于 K 近邻的非参数物理运行工况先验估计每个候选状态的物理合理性，并在决策层与视觉-语言语义证据融合。在三个真实空化数据集上的实验表明，POC-VLM 始终优于具有代表性的数据驱动、多模态和领域特定诊断方法。进一步分析验证了视觉-语言语义匹配与物理运行工况先验的互补作用，同时证明了在不同采样率、噪声水平和观测时长下均具有稳健性能。
| 评论： | 25页，6张图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.27860 [cs.AI] |
| （或 arXiv:2610.27860v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27860 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 08:42:13 UTC（1,509 KB）
来源：arXiv cs.AI · arxiv.org