PhysFaultNet：物理信息引导的多模态轴承故障诊断网络

轴承作为旋转机械核心部件，故障易导致设备停机或安全事故，诊断是工业维护热点。PhysFaultNet创新性结合物理先验知识与深度学习，通过包络分析、时序建模和特征空间学习的多模态架构，解决传统方法依赖人工、纯数据驱动泛化差的问题，实现高精度故障检测与诊断，为预测性维护提供新路径。

轴承承受复杂载荷，故障初期信号微弱；传统方法依赖人工分析时域/频谱特征，存在专业依赖强、无法实时监测、主观影响大等局限；纯数据驱动方法需大量标注数据，可解释性差，对未知工况泛化能力有限，需平衡数据与知识驱动路线。

核心理念是融入轴承振动物理规律（故障特征频率与几何/转速关系、调制特征等）；技术架构含三个模块：包络分析（希尔伯特变换提取调制特征）、时序建模（捕捉信号动态依赖）、特征空间学习（统一判别空间加物理约束）；创新采用异常检测视角，仅用正常样本训练识别异常，解决故障数据稀缺问题，支持增量学习。

在凯斯西储、帕德博恩大学等标准数据集验证，故障检测准确率、类型识别精度及早期故障检测能力出色；早期故障场景下能识别微弱信号征兆，实现更早预警；跨工况泛化实验中，未见过的转速/载荷条件下仍保持高准确率，验证物理信息引导的有效性。

可应用于风电（主轴承监测）、轨道交通（轮对轴承安全）、智能制造（设备健康管理）等场景，推动被动维护向预测性维护转变，降低成本提升效率；物理信息融合思路可推广到齿轮、电机转子等部件诊断，是工业AI重要方向。

PhysFaultNet融合物理先验与深度学习，提升可解释性和泛化能力；随着工业物联网发展，此类技术将在设备安全运行和智能制造转型中发挥关键作用，提供可靠技术保障。