Hypergraph Contrastive Sensor Fusion for Multimodal Fault Diagnosis in Induction Motors
作者: Usman Ali, Ali Zia, Waqas Ali, Umer Ramzan, Abdul Rehman, Muhammad Tayyab Chaudhry, Wei Xiang
分类: cs.AI, cs.ET, cs.LG, eess.SP, eess.SY
发布日期: 2025-10-17
备注: Submitted to IEEE Sensors Journal
💡 一句话要点
提出多模态超图对比注意力网络MM-HCAN，用于电机多故障诊断。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多模态融合 超图学习 对比学习 故障诊断 感应电机
📋 核心要点
- 传统电机故障诊断方法难以捕捉多模态信号间的复杂关系，且泛化能力有限，难以应对真实工业环境的噪声和跨域问题。
- MM-HCAN将对比学习融入超图拓扑，联合建模模内和模间依赖关系，提升模型在复杂环境下的泛化能力和鲁棒性。
- 在真实数据集上，MM-HCAN实现了高达99.82%的准确率，并展现出强大的跨域泛化能力和抗噪声能力。
📝 摘要（中文）
可靠的感应电机(IM)故障诊断对于工业安全和运营连续性至关重要，可以减少代价高昂的意外停机时间。传统方法通常难以捕捉复杂的多模态信号关系，局限于单模态数据或单一故障类型，并且在噪声或跨域条件下表现出性能下降。本文提出了一种用于鲁棒故障诊断的多模态超图对比注意力网络(MM-HCAN)，这是一个统一的框架。据我们所知，MM-HCAN是第一个将对比学习集成到专门为多模态传感器融合设计的超图拓扑中，从而能够联合建模模内和模间依赖关系，并增强超出欧几里德嵌入空间的泛化能力。该模型有助于同时诊断轴承、定子和转子故障，满足了对综合诊断能力的工程需求。在三个真实世界基准上评估，MM-HCAN实现了高达99.82%的准确率，具有强大的跨域泛化能力和抗噪声能力，证明了其适用于真实世界的部署。消融研究验证了每个组件的贡献。MM-HCAN为全面的多故障诊断提供了一个可扩展且鲁棒的解决方案，支持工业环境中的预测性维护和延长资产寿命。
🔬 方法详解
问题定义：论文旨在解决感应电机多故障诊断问题，现有方法的痛点在于无法有效融合多模态传感器数据，难以捕捉模态间的复杂依赖关系，且在噪声和跨域环境下性能显著下降。这些局限性阻碍了故障诊断的准确性和可靠性，影响了工业生产的安全性与效率。
核心思路：论文的核心思路是利用超图结构来建模多模态数据之间的复杂关系，并结合对比学习来提升模型的泛化能力。超图能够表示多个节点之间的非成对关系，更适合捕捉多模态数据间的相互作用。对比学习则通过拉近相似样本、推远不相似样本，增强模型对特征的区分能力，从而提高诊断准确率。
技术框架：MM-HCAN的整体架构包含以下几个主要模块：1) 多模态数据输入层，接收来自不同传感器的信号；2) 特征提取层，利用深度学习模型（如卷积神经网络）提取各模态的特征；3) 超图构建层，基于提取的特征构建超图，其中节点代表样本，超边代表模态间的关系；4) 超图卷积层，在超图上进行信息传播和聚合，学习节点表示；5) 对比学习模块，利用对比损失函数优化节点表示，增强模型的区分能力；6) 分类层，基于学习到的节点表示进行故障分类。
关键创新：MM-HCAN最重要的技术创新点在于将对比学习与超图结构相结合，用于多模态传感器融合。这是首次将对比学习集成到专门为多模态传感器融合设计的超图拓扑中，能够联合建模模内和模间依赖关系，并增强超出欧几里德嵌入空间的泛化能力。这种方法克服了传统方法在处理复杂多模态数据时的局限性，提高了故障诊断的准确性和鲁棒性。
关键设计：在超图构建方面，论文可能采用了基于相似性的方法，例如使用K近邻算法确定超边。对比学习模块可能采用了InfoNCE损失函数，通过最大化正样本对之间的互信息，最小化负样本对之间的互信息来优化节点表示。网络结构可能采用了多层超图卷积，以捕捉不同层次的模态间关系。具体的参数设置（如学习率、batch size、超图的邻居数量等）需要在实验中进行调整。
🖼️ 关键图片
📊 实验亮点
MM-HCAN在三个真实世界基准数据集上取得了显著的性能提升，最高准确率达到99.82%。相较于传统方法，MM-HCAN在跨域泛化和抗噪声方面表现出更强的鲁棒性。消融实验验证了超图结构和对比学习模块对性能提升的贡献，证明了MM-HCAN各组成部分的有效性。
🎯 应用场景
该研究成果可广泛应用于工业电机的故障诊断与预测性维护，例如风力发电机、水泵、压缩机等关键设备的健康监测。通过早期发现潜在故障，可以避免意外停机，降低维护成本，延长设备寿命，提高生产效率和安全性。未来，该技术有望扩展到其他复杂工业系统的多模态故障诊断。
📄 摘要（原文）
Reliable induction motor (IM) fault diagnosis is vital for industrial safety and operational continuity, mitigating costly unplanned downtime. Conventional approaches often struggle to capture complex multimodal signal relationships, are constrained to unimodal data or single fault types, and exhibit performance degradation under noisy or cross-domain conditions. This paper proposes the Multimodal Hypergraph Contrastive Attention Network (MM-HCAN), a unified framework for robust fault diagnosis. To the best of our knowledge, MM-HCAN is the first to integrate contrastive learning within a hypergraph topology specifically designed for multimodal sensor fusion, enabling the joint modelling of intra- and inter-modal dependencies and enhancing generalisation beyond Euclidean embedding spaces. The model facilitates simultaneous diagnosis of bearing, stator, and rotor faults, addressing the engineering need for consolidated di- agnostic capabilities. Evaluated on three real-world benchmarks, MM-HCAN achieves up to 99.82% accuracy with strong cross-domain generalisation and resilience to noise, demonstrating its suitability for real-world deployment. An ablation study validates the contribution of each component. MM-HCAN provides a scalable and robust solution for comprehensive multi-fault diagnosis, supporting predictive maintenance and extended asset longevity in industrial environments.