物理变量感知的深度学习：工业流体输运系统的鲁棒诊断

工业流体输运系统通过异构传感数据流进行监测，但由于响应信号随运行条件变化，且在采样率、观测时长和数据粒度方面不同于物理变量，实现鲁棒故障诊断仍然困难。为应对这些挑战，我们提出了一种面向真实世界采样异构性的物理变量感知深度学习框架（PhyNet），用于鲁棒故障诊断。PhyNet 将物理变量视为全局运行约束，将响应信号视为局部诊断证据。其物理变量到响应信号的交叉注意力机制，将序列级物理变量标记与可学习的全局响应标记相连接，从而无需严格的时间对齐即可实现交互。在包括三个真实世界空化数据集和一个公开两相流数据集在内的四个基准数据集上，PhyNet 在所有评估指标中均取得最佳性能。分类别分析以及注意力和掩码分析表明，该方法提升了对模糊状态的辨别能力，并显示物理变量能够有效约束对局部响应的解释。这些发现展示了一种面向部署的异构工业环境鲁棒诊断方法。