arXiv 论文提出 RNDR-TFCA 架构，用于电机复合故障诊断
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇投稿至 ICSV33 的 arXiv 论文提出 RNDR-TFCA，这是一种带注意力机制的 cross-talk 架构，用于多输出复合故障诊断。该方法保留各任务专属的特征提取器，同时让任务之间有选择地交换信息：时频注意力关注任务内部的有效区域，通道注意力在非线性特征融合后强化任务间的有用信息。在含内圈故障、外圈故障、不对中与不平衡的转子-轴承系统实验中，其 macro F1 为 0.898，优于单任务、多分类、共享主干与 cross-talk 基线；消融实验验证了两种注意力机制联合使用的收益。模型规模为 713K 参数、170.42 MMACs，仅略高于 RNDR。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
材料指出，物理 AI 越来越依赖传感来理解物理系统，工业机械的状态监测因此更受重视。电机在工业系统中广泛存在，系统复杂度上升使多个故障同时出现的概率增加，因此需要能同时识别多个故障成分及其严重程度的复合故障诊断。不同故障成分共同作用于同一振动信号，其严重程度分类可视为彼此关联的任务，适合用多任务学习利用共享信息。但常规共享主干架构强制任务共用同一表征，而各故障成分对应不同的时频区域，可能引发负迁移。
架构与注意力设计
作者提出 RNDR-TFCA，即带时频通道注意力的残差神经降维器，作为面向多输出复合故障诊断的注意力增强 cross-talk 架构。与共享主干不同，它保留任务专属的特征提取器，只在任务之间选择性地交换信息。其中时频注意力用于强调任务内部信息量大的区域，通道注意力则在非线性特征融合之后增强任务间的有用信息。消融实验确认，两种注意力机制联合使用才带来收益。
实验结果与规模
实验对象为转子-轴承系统，涵盖内圈故障、外圈故障、不对中与不平衡。RNDR-TFCA 取得 0.898 的 macro F1，超过单任务、多分类、共享主干与 cross-talk 四类基线。模型规模为 713K 参数、170.42 MMACs，仅比 RNDR 略高；作者还测试了扩大通道数的基线，其表现仍不及 RNDR-TFCA，说明性能提升不能简单归因于模型容量变大。
为什么值得看
多任务诊断中负迁移的具体解法与量化对比，对做工业设备状态监测的读者有直接参考价值。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。