尧图网页设计 
论文题目A liquid-impulse neural network model based on heterogeneous fusion of multimodal information for interpretable rotating machinery fault diagnosis中文翻译基于多模态信息异构融合的液体-脉冲神经网络可解释旋转机械故障诊断模型期刊Mechanical Systems and Signal Processing2026摘要针对旋转机械故障诊断中动态特征衰减、多模态融合效率较低以及诊断可解释性不足的问题论文提出可解释的多模态异构融合液体-脉冲神经网络LINN。首先构建基于微分方程的液体状态编码层通过分块反馈机制建模非平稳信号中的时序动态演化随后引入多通道泄漏积分发放MC-LIF脉冲神经元结合替代梯度和膜电位衰减策略增强瞬态冲击特征提取最后设计注意力引导的多模态融合机制实现时频特征自适应整合并量化模态贡献。在高噪声和变负载测试中LINN 以 4.1 M 参数取得超过 98.7% 的诊断精度并在跨工况测试中取得 88.64% 的泛化准确率。消融实验验证了液体层和脉冲机制对动态建模与抗噪能力的重要作用基于时频域注意力TFDA的分析进一步揭示模型对关键时频模态的响应。一、研究背景与核心问题旋转机械故障信号通常具有明显的非平稳性早期弱故障可能只表现为短促冲击随着设备状态和负载变化同一故障的幅值、频率结构与时间演化规律也会变化。因此难点并不只是“分类”而是同时处理连续动态、瞬态冲击、多模态差异和诊断可信度。传统 CNN 依赖固定卷积核不擅长描述随时间连续变化的状态一般时序网络虽然能建模依赖关系却未必适合稀疏、高能量的冲击事件。只使用 FFT 会压缩时间信息只使用时频图又可能损失部分紧凑频域特征而直接拼接两种模态还可能产生尺度冲突。论文因此把问题拆成三部分如何跟踪机械状态的动态演化如何增强瞬态冲击和弱故障响应如何让 FFT 与时频图SP互补融合并解释最终决策。LINN 的思路可以概括为液体神经网络负责连续动态MC-LIF 负责瞬态冲击注意力融合负责异构协同TFDA 负责解释。二、LINN 整体框架连续动态 离散冲击 自适应融合论文 Figure 1LINN 整体框架Figure 1 展示了三条核心信息流输入端构造 FFT 与 SP 两种模态并分别编码中间引入液体状态机制与 LIF 脉冲神经元末端通过注意力融合完成分类并输出定性、定量解释。整体流程可写成原始振动信号 → FFT / SP → 模态编码 → 液体动态建模 MC-LIF 冲击编码 → 注意力融合 → 故障分类 TFDA这里不是简单堆叠 LNN、SNN 和 Attention。三部分分别回答“状态如何连续变化”“冲击何时出现”“不同模态此时应该相信谁更多”。预处理部分则负责归一化和维度对齐SP 图像映射到 [0,1] 并重排为 B × 3 × H × WFFT 信号完成频谱归一化为后续统一融合提供数值基础。三、液体动态编码把“状态如何变化”本身变成特征论文 Figure 2LNN 动态特征编码流程液体神经网络针对非平稳和动态衰减问题。作者显式维护随输入演化的内部状态其中是神经元状态控制变化速度表示自然衰减与分别描述外部输入和递归状态影响。直观上当前状态由“旧状态衰减 新输入驱动 内部反馈”共同决定。实际计算中作者用 Euler 方法离散化微分方程并把长序列切成多个连续时间块。不同块之间通过保持动态连续性。这样既利用分块降低长序列计算压力又不会让时间块彼此割裂。随后注意力为关键时刻赋予更高权重通过 () 聚合整个序列再与原始输入的残差投影结合并做 LayerNorm。Figure 2 的“Temporal Blocks → Liquid State Encoding → Block Fusion and Dynamic Retention → Key Moment Enhancement”就是这条逻辑。其核心作用是不只提取某个时间点的特征而是建模设备状态如何演化、衰减以及何时发生明显变化。四、MC-LIF 与多模态融合捕捉冲击再决定不同模态贡献4.1 MC-LIF把瞬态冲击变成“发放事件”论文 Figure 3MC-LIF 多通道脉冲神经网络LNN 擅长连续动态但轴承故障还常表现为短促冲击。MC-LIF 先对各通道卷积再更新膜电位当膜电位超过阈值 () 时发放脉冲随后重置否则继续积累。这种机制天然适合“平时低响应、冲击出现时迅速触发”的故障模式。由于脉冲函数不可导训练时使用替代梯度模型还对不同时刻、不同通道的脉冲响应进行注意力加权因此学习的不只是“是否出现冲击”还包括“哪个通道、哪个时刻更关键”。4.2 注意力引导的异构融合论文 Figure 4Attention-guided multimodal fusionFFT 与 SP 不直接拼接而是先分别编码再通过 tanh 门控和 softmax 得到模态权重随后加入跨模态动态残差加权负责融合共性残差负责保留不同模态相对全局表示的差异避免简单平均把特有信息抹平。训练目标为。其中 () 是交叉熵与 Focal Loss 组合的分类损失() 用 JS 散度约束图像和信号模态在高层语义空间的一致性() 用于限制脉冲数量。三个损失的权重还会依据梯度方向差异动态调整减少分类、模态对齐和脉冲稀疏之间的优化冲突。五、实验结果、消融与可解释性分析5.1 参数配置与主实验论文 Table 1LINN 核心参数配置关键配置包括液体编码 T 50、β 0.8、θ 0.6MC-LIF 初始阈值 θ₀ 0.5、最大阈值 θmax 1.2、替代梯度系数 α 2.0多模态注意力使用 4 个注意力头每头维度 64。论文 Table 2不同负载与噪声条件下的 SOTA 对比Table 2 的指标是F1-score。CWRU-0HP 下LINN 在 −6 dB 时达到 98.20%0 dB 时达到 100%平均 99.12%CWRU-3HP 下分别为 98.43%、100% 和 98.94%。这说明模型的主要优势是强噪声下仍保持较小性能波动而不是只在干净信号上获得高分。需要注意CWRU-2HP 上 MAIDCNN 的平均 F1 为 99.07%略高于 LINN 的 99.01%。因此更准确的结论是LINN 在不同负载和噪声条件下整体保持领先或接近最优而不是每个单项都第一。论文 Figure 5−6 dB 与 0 dB 下的决策边界、t-SNE 和 3D 混淆矩阵Figure 5 从特征空间补充了证据−6 dB 强噪声下类别仍保持较清晰的决策区域t-SNE 中类内聚集、类间分离明显混淆矩阵以对角元素为主噪声降低后决策边界进一步变得平滑紧凑。5.2 消融三个模块分别贡献什么论文 Table 3LINN 消融实验完整模型使用 FFT SP LC ILIF MF参数量为 4.1 M平均准确率达到 98.43 ± 0.31%。单独使用 FFT 的 LCILIF 为 92.65%单独使用 SP 为 94.36%融合后达到 98.43%说明两种模态存在明显互补。去掉液体编码后模型对非平稳动态和衰减特征的描述能力下降去掉 ILIF 后瞬态冲击捕捉和强噪声稳定性变差用简单特征拼接替代注意力融合时又会产生异构尺度冲突。论文还指出完整融合只增加约 0.3 M 参数却带来超过 4 个百分点的准确率提升。5.3 TFDA从“预测正确”走向“知道模型在看什么”论文 Figure 6四类 TFDA 可解释性指标作者使用 ACI、ICDR、DUI、CA 四个指标分别衡量注意力聚焦、类内/类间结构、决策稳定性和置信度校准。在 CWRU-0HP 对比中LINN 的 ACI 0.85、DUI 0.77、CA 0.92Transformer 的 ICDR 更低因此其特征空间分离在该指标上更占优势。这里的意义是从不同角度检查模型而不是把解释性压缩成一个总分。论文 Figure 7FFT 时间注意力与 SP 的 Grad-CAM此处插入原图截图FFT 分支的注意力呈现周期性高响应用于定位故障冲击时刻SP 分支的 Grad-CAM 激活集中在故障相关时频区域。测试集平均模态权重为 SP 0.58 ± 0.05、FFT 0.42 ± 0.05与单模态实验中 SP 94.36%、FFT 92.65% 的性能关系一致同时说明 FFT 仍贡献了约 42% 的决策信息。5.4 跨工况泛化论文 Figure 8变工况轴承故障注入实验平台此处插入原图截图Figure 8 展示由电机、调速装置、齿轮箱、负载装置、轴承试验装置和传感器组成的平台并设置正常状态以及滚动体、内圈、外圈等多类故障用于模拟更接近工业现场的动态负载和噪声环境。论文 Figure 9真实跨域工况下不同 SNR 的诊断与 TFDA 可视化Figure 9 将准确率表现、FFT 注意力和 SP 的 Grad-CAM 放在一起对比 −6 dB、0 dB 和 6 dB 条件。论文报告跨数据集/跨工况测试中的性能下降小于 10%并强调可视化区域与故障特征频带保持较高一致性。论文 Table 4跨工况平均诊断性能与 TFDA 指标Table 4 中LINN 的 ACI 0.82、ICDR 0.46、DUI 0.77、CA 0.91、F1 0.89Accuracy 88.64%。相比单独的 LNN80.34%和 SNN75.24%完整 LINN 的准确率明显更高说明连续动态建模和离散脉冲编码组合后形成了互补。需要注意ICDR 越小通常越好因此 LINN 的主要优势集中在注意聚焦、决策稳定、置信度以及最终诊断性能而不是所有解释指标都单项最优。六、总结与思考如果把这篇论文压缩成一句话LINN 的核心就是用液体神经网络追踪机械状态的连续变化用脉冲神经元放大瞬态冲击再用注意力在 FFT 与时频图之间动态分配信息最后把注意结果用于解释。论文最值得记住的是模块分工非常明确LNN 对应非平稳动态MC-LIF 对应冲击事件异构注意力对应多模态互补TFDA 则把模型关注的时间、频率、空间区域和置信度显式呈现。实验上LINN 以 4.1 M 参数在 CWRU 多负载、强噪声条件下保持较高 F1并在跨工况测试中取得 88.64% 准确率Table 3 的消融也说明性能提升来自多种机制协同而不是简单扩容。从方法设定上看这篇论文提供了一个值得借鉴的故障诊断思路当信号同时具有连续状态演化和离散冲击事件时可以让不同神经动力学分别处理最擅长的信息再通过可学习融合机制完成统一决策。后续更值得验证的是这种液体-脉冲组合在更多设备、更强域偏移以及长期在线监测中的稳定性和计算收益。 （论文速读）LINN：液体神经网络与脉冲神经元融合的可解释旋转机械故障诊断
论文题目A liquid-impulse neural network model based on heterogeneous fusion of multimodal information for interpretable rotating machinery fault diagnosis中文翻译基于多模态信息异构融合的液体-脉冲神经网络可解释旋转机械故障诊断模型期刊Mechanical Systems and Signal Processing2026摘要针对旋转机械故障诊断中动态特征衰减、多模态融合效率较低以及诊断可解释性不足的问题论文提出可解释的多模态异构融合液体-脉冲神经网络LINN。首先构建基于微分方程的液体状态编码层通过分块反馈机制建模非平稳信号中的时序动态演化随后引入多通道泄漏积分发放MC-LIF脉冲神经元结合替代梯度和膜电位衰减策略增强瞬态冲击特征提取最后设计注意力引导的多模态融合机制实现时频特征自适应整合并量化模态贡献。在高噪声和变负载测试中LINN 以 4.1 M 参数取得超过 98.7% 的诊断精度并在跨工况测试中取得 88.64% 的泛化准确率。消融实验验证了液体层和脉冲机制对动态建模与抗噪能力的重要作用基于时频域注意力TFDA的分析进一步揭示模型对关键时频模态的响应。一、研究背景与核心问题旋转机械故障信号通常具有明显的非平稳性早期弱故障可能只表现为短促冲击随着设备状态和负载变化同一故障的幅值、频率结构与时间演化规律也会变化。因此难点并不只是“分类”而是同时处理连续动态、瞬态冲击、多模态差异和诊断可信度。传统 CNN 依赖固定卷积核不擅长描述随时间连续变化的状态一般时序网络虽然能建模依赖关系却未必适合稀疏、高能量的冲击事件。只使用 FFT 会压缩时间信息只使用时频图又可能损失部分紧凑频域特征而直接拼接两种模态还可能产生尺度冲突。论文因此把问题拆成三部分如何跟踪机械状态的动态演化如何增强瞬态冲击和弱故障响应如何让 FFT 与时频图SP互补融合并解释最终决策。LINN 的思路可以概括为液体神经网络负责连续动态MC-LIF 负责瞬态冲击注意力融合负责异构协同TFDA 负责解释。二、LINN 整体框架连续动态 离散冲击 自适应融合论文 Figure 1LINN 整体框架Figure 1 展示了三条核心信息流输入端构造 FFT 与 SP 两种模态并分别编码中间引入液体状态机制与 LIF 脉冲神经元末端通过注意力融合完成分类并输出定性、定量解释。整体流程可写成原始振动信号 → FFT / SP → 模态编码 → 液体动态建模 MC-LIF 冲击编码 → 注意力融合 → 故障分类 TFDA这里不是简单堆叠 LNN、SNN 和 Attention。三部分分别回答“状态如何连续变化”“冲击何时出现”“不同模态此时应该相信谁更多”。预处理部分则负责归一化和维度对齐SP 图像映射到 [0,1] 并重排为 B × 3 × H × WFFT 信号完成频谱归一化为后续统一融合提供数值基础。三、液体动态编码把“状态如何变化”本身变成特征论文 Figure 2LNN 动态特征编码流程液体神经网络针对非平稳和动态衰减问题。作者显式维护随输入演化的内部状态其中是神经元状态控制变化速度表示自然衰减与分别描述外部输入和递归状态影响。直观上当前状态由“旧状态衰减 新输入驱动 内部反馈”共同决定。实际计算中作者用 Euler 方法离散化微分方程并把长序列切成多个连续时间块。不同块之间通过保持动态连续性。这样既利用分块降低长序列计算压力又不会让时间块彼此割裂。随后注意力为关键时刻赋予更高权重通过 () 聚合整个序列再与原始输入的残差投影结合并做 LayerNorm。Figure 2 的“Temporal Blocks → Liquid State Encoding → Block Fusion and Dynamic Retention → Key Moment Enhancement”就是这条逻辑。其核心作用是不只提取某个时间点的特征而是建模设备状态如何演化、衰减以及何时发生明显变化。四、MC-LIF 与多模态融合捕捉冲击再决定不同模态贡献4.1 MC-LIF把瞬态冲击变成“发放事件”论文 Figure 3MC-LIF 多通道脉冲神经网络LNN 擅长连续动态但轴承故障还常表现为短促冲击。MC-LIF 先对各通道卷积再更新膜电位当膜电位超过阈值 () 时发放脉冲随后重置否则继续积累。这种机制天然适合“平时低响应、冲击出现时迅速触发”的故障模式。由于脉冲函数不可导训练时使用替代梯度模型还对不同时刻、不同通道的脉冲响应进行注意力加权因此学习的不只是“是否出现冲击”还包括“哪个通道、哪个时刻更关键”。4.2 注意力引导的异构融合论文 Figure 4Attention-guided multimodal fusionFFT 与 SP 不直接拼接而是先分别编码再通过 tanh 门控和 softmax 得到模态权重随后加入跨模态动态残差加权负责融合共性残差负责保留不同模态相对全局表示的差异避免简单平均把特有信息抹平。训练目标为。其中 () 是交叉熵与 Focal Loss 组合的分类损失() 用 JS 散度约束图像和信号模态在高层语义空间的一致性() 用于限制脉冲数量。三个损失的权重还会依据梯度方向差异动态调整减少分类、模态对齐和脉冲稀疏之间的优化冲突。五、实验结果、消融与可解释性分析5.1 参数配置与主实验论文 Table 1LINN 核心参数配置关键配置包括液体编码 T 50、β 0.8、θ 0.6MC-LIF 初始阈值 θ₀ 0.5、最大阈值 θmax 1.2、替代梯度系数 α 2.0多模态注意力使用 4 个注意力头每头维度 64。论文 Table 2不同负载与噪声条件下的 SOTA 对比Table 2 的指标是F1-score。CWRU-0HP 下LINN 在 −6 dB 时达到 98.20%0 dB 时达到 100%平均 99.12%CWRU-3HP 下分别为 98.43%、100% 和 98.94%。这说明模型的主要优势是强噪声下仍保持较小性能波动而不是只在干净信号上获得高分。需要注意CWRU-2HP 上 MAIDCNN 的平均 F1 为 99.07%略高于 LINN 的 99.01%。因此更准确的结论是LINN 在不同负载和噪声条件下整体保持领先或接近最优而不是每个单项都第一。论文 Figure 5−6 dB 与 0 dB 下的决策边界、t-SNE 和 3D 混淆矩阵Figure 5 从特征空间补充了证据−6 dB 强噪声下类别仍保持较清晰的决策区域t-SNE 中类内聚集、类间分离明显混淆矩阵以对角元素为主噪声降低后决策边界进一步变得平滑紧凑。5.2 消融三个模块分别贡献什么论文 Table 3LINN 消融实验完整模型使用 FFT SP LC ILIF MF参数量为 4.1 M平均准确率达到 98.43 ± 0.31%。单独使用 FFT 的 LCILIF 为 92.65%单独使用 SP 为 94.36%融合后达到 98.43%说明两种模态存在明显互补。去掉液体编码后模型对非平稳动态和衰减特征的描述能力下降去掉 ILIF 后瞬态冲击捕捉和强噪声稳定性变差用简单特征拼接替代注意力融合时又会产生异构尺度冲突。论文还指出完整融合只增加约 0.3 M 参数却带来超过 4 个百分点的准确率提升。5.3 TFDA从“预测正确”走向“知道模型在看什么”论文 Figure 6四类 TFDA 可解释性指标作者使用 ACI、ICDR、DUI、CA 四个指标分别衡量注意力聚焦、类内/类间结构、决策稳定性和置信度校准。在 CWRU-0HP 对比中LINN 的 ACI 0.85、DUI 0.77、CA 0.92Transformer 的 ICDR 更低因此其特征空间分离在该指标上更占优势。这里的意义是从不同角度检查模型而不是把解释性压缩成一个总分。论文 Figure 7FFT 时间注意力与 SP 的 Grad-CAM此处插入原图截图FFT 分支的注意力呈现周期性高响应用于定位故障冲击时刻SP 分支的 Grad-CAM 激活集中在故障相关时频区域。测试集平均模态权重为 SP 0.58 ± 0.05、FFT 0.42 ± 0.05与单模态实验中 SP 94.36%、FFT 92.65% 的性能关系一致同时说明 FFT 仍贡献了约 42% 的决策信息。5.4 跨工况泛化论文 Figure 8变工况轴承故障注入实验平台此处插入原图截图Figure 8 展示由电机、调速装置、齿轮箱、负载装置、轴承试验装置和传感器组成的平台并设置正常状态以及滚动体、内圈、外圈等多类故障用于模拟更接近工业现场的动态负载和噪声环境。论文 Figure 9真实跨域工况下不同 SNR 的诊断与 TFDA 可视化Figure 9 将准确率表现、FFT 注意力和 SP 的 Grad-CAM 放在一起对比 −6 dB、0 dB 和 6 dB 条件。论文报告跨数据集/跨工况测试中的性能下降小于 10%并强调可视化区域与故障特征频带保持较高一致性。论文 Table 4跨工况平均诊断性能与 TFDA 指标Table 4 中LINN 的 ACI 0.82、ICDR 0.46、DUI 0.77、CA 0.91、F1 0.89Accuracy 88.64%。相比单独的 LNN80.34%和 SNN75.24%完整 LINN 的准确率明显更高说明连续动态建模和离散脉冲编码组合后形成了互补。需要注意ICDR 越小通常越好因此 LINN 的主要优势集中在注意聚焦、决策稳定、置信度以及最终诊断性能而不是所有解释指标都单项最优。六、总结与思考如果把这篇论文压缩成一句话LINN 的核心就是用液体神经网络追踪机械状态的连续变化用脉冲神经元放大瞬态冲击再用注意力在 FFT 与时频图之间动态分配信息最后把注意结果用于解释。论文最值得记住的是模块分工非常明确LNN 对应非平稳动态MC-LIF 对应冲击事件异构注意力对应多模态互补TFDA 则把模型关注的时间、频率、空间区域和置信度显式呈现。实验上LINN 以 4.1 M 参数在 CWRU 多负载、强噪声条件下保持较高 F1并在跨工况测试中取得 88.64% 准确率Table 3 的消融也说明性能提升来自多种机制协同而不是简单扩容。从方法设定上看这篇论文提供了一个值得借鉴的故障诊断思路当信号同时具有连续状态演化和离散冲击事件时可以让不同神经动力学分别处理最擅长的信息再通过可学习融合机制完成统一决策。后续更值得验证的是这种液体-脉冲组合在更多设备、更强域偏移以及长期在线监测中的稳定性和计算收益。