1. 立题依据（研究背景与意义）
· 背景： 随着工业物联网的发展，机械装备（如风电齿轮箱、高速列车轴承）配备了多源传感器。单一模态的信号（仅振动）往往容易受噪声干扰，信息不全。
· 问题：
o 传统深度学习（CNN/RNN）通常将多传感器数据简单拼接，忽略了传感器在空间分布上的拓扑关系（即物理连接关系）。
o 现有的图网络往往依赖预定义的固定图结构，但在复杂的机械系统中，振动传递路径是未知的或动态变化的。
· 意义： 引入双模态融合（互补信息）和自适应消息传递（自动学习故障传播路径），能够显著提高在强噪声、变工况环境下的故障诊断准确率，具有重要的工程应用价值。
2. 国内外研究现状
· 故障诊断现状： 简述从SVM到CNN/LSTM的发展，指出它们处理非欧氏空间数据（Non-Euclidean Data）的局限。
· 多模态融合： 介绍“数据级融合”、“特征级融合”和“决策级融合”在机械领域的应用。
· 图神经网络（GNN）进展： 重点介绍 GNN 在提取空间关联特征上的优势。
· 切入点： 指出当前研究多使用固定图结构，且多模态与自适应图学习结合的研究较少，引出本课题。
3. 研究内容（核心任务）
1. 双模数据的构建与处理：
o 选用公开数据集（如CWRU或IMS），构建“双模”输入。
o 策略： 模态A = 原始时域振动信号；模态B = 经FFT变换后的频域信号（或另一路传感器的信号）。
2. 自适应图结构的构建：
o 设计一个“图学习模块”，利用输入数据自动生成邻接矩阵（Adjacency Matrix），不再依赖人工定义的连接。
3. 双模消息传递网络设计：
o 构建两个并行的GNN分支，分别处理模态A和模态B的特征提取。
o 设计特征融合模块（如Attention机制或简单的Concat），将两路信息合并。
4. 故障分类与模拟验证：
o 输出故障类别（正常、内圈故障、外圈故障等）。
o 在不同噪声水平（SNR）下进行模拟测试，验证“自适应”和“双模”的鲁棒性。
4. 研究方案与技术路线
· 技术路线图： 数据采集 -> 双模特征预处理 -> 自适应图生成 -> 双通道GNN特征提取 -> 多模态融合 -> Softmax分类 -> 结果分析。
· 关键技术：
o GNN框架： 使用 PyTorch Geometric (PyG)。
o 自适应机制： 使用 A=Softmax(E1E2T)A=Softmax(E1E2T) 的方式动态计算节点权重。
o 消息传递公式： 参考 GraphSAGE 或 GCN 的传播公式。
5. 预期目标
· 搭建一个能够同时处理时/频双模数据的GNN模型。
· 在公开数据集上，故障诊断准确率优于单模态模型（证明双模有效）和固定图模型（证明自适应有效）。
· 完成论文及代码。
