arXiv 论文提出 POC-VLM，用工况引导视觉语言匹配诊断管道空化
论文AI 评分 62/100arXiv cs.AI待复核
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 arXiv cs.AI 的论文提出物理工况引导的视觉语言匹配方法 POC-VLM，用于工业管道系统的空化诊断。该方法先把样本各自的运行变量写入候选空化文本，构建带工况语义的描述；再由时频条件文本适配模块把物理语义与实测声学响应动态对齐，并通过全局—局部视觉语言匹配捕捉整体与局部判别特征。同时，基于 K 近邻的非参数工况先验估计各候选状态的物理合理性，在决策层与语义证据融合。三个真实空化数据集上的实验显示，该方法优于代表性的数据驱动、多模态与领域专用诊断方法，并在不同采样率、噪声水平和观测时长下保持稳定。
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
工业管道中的空化诊断难点在于声学响应会随运行工况大幅变化，而相似的时间—频域模式又可能对应不同的空化状态，仅凭声学信号难以稳定判别。论文针对这一矛盾，提出把物理运行工况作为引导信息引入视觉语言匹配框架，形成 POC-VLM 方法，让诊断过程同时依赖语义匹配与物理合理性两方面证据。
方法的三条主线
POC-VLM 首先构建工况感知的语义描述：把每个样本对应的运行变量显式写入候选空化文本，使文本候选不再是通用描述，而是与具体工况绑定。随后由时频条件文本适配模块将这些物理语义与实测声学响应动态对齐，再通过全局—局部视觉语言匹配，同时捕捉整体与局部的判别性模式。与此并行，方法用基于 K 近邻的非参数先验估计每个候选状态在物理上是否合理，并在决策层把这一先验与视觉语言语义证据融合，形成最终判断。
实验与稳健性
论文在三个真实空化数据集上开展实验，结果显示 POC-VLM 持续优于代表性的数据驱动方法、多模态方法和领域专用诊断方法。进一步分析验证了视觉语言语义匹配与物理工况先验各自承担的互补作用，并表明方法在不同采样率、噪声水平和观测时长下都能保持稳健表现。论文共 25 页、含 6 幅图，提交时间为 2026 年 10 月 20 日。
为什么值得看
把运行工况显式写进视觉语言匹配，并叠加物理先验做决策融合，为工况多变的工业声学诊断提供了可复用的思路。
多模态对齐论文数据集
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。