一、选题的依据及意义

1. 选题依据

随着工业4.0与智能制造的深入推进，工业设备产生的多源异构数据（如振动、温度、压力等）呈现爆炸式增长，为机械故障监测提供了丰富的信息基础。然而，传统故障诊断方法（如基于机理模型或单一信号分析）在处理复杂工况下的多模态数据时面临两大挑战：其一，单一模态数据易受噪声干扰，难以全面反映设备状态；其二，传统模型对数据分布敏感，泛化能力不足，尤其在未知故障类型或工况迁移场景中性能显著下降。近年来，深度学习与图神经网络（GNN）的发展为多模态数据融合提供了新思路，但现有方法多依赖静态网络结构，难以动态适应数据特征的变化。

双模自适应消息传递网络（Dual-Mode Adaptive Message Passing Network, DAMPN）通过融合双模态信号（如振动与温度）的时空特征，利用消息传递机制动态调整节点间信息交互权重，可有效捕捉设备状态的局部与全局依赖关系。其核心优势在于：自适应分箱量化能降低连续特征对数据分布的敏感性，动态路由算法可优化消息传递路径，提升模型对复杂工况的适应性。目前，DAMPN在风力涡轮机、数控机床等领域的初步应用已展现出潜力，但其在多模态数据融合效率、未知故障识别能力等方面仍需进一步优化。因此，本研究以DAMPN为核心，探索其在机械故障监测中的模拟应用，具有理论创新性与工程实践价值。

2. 选题意义

（1）理论意义：本研究突破传统故障诊断方法对单一模态或静态模型的依赖，提出基于DAMPN的多模态数据融合框架，为复杂工业场景下的智能诊断提供新理论支撑。通过引入自适应分箱量化与动态消息路由机制，解决传统方法对数据分布敏感、泛化能力不足的问题，丰富图神经网络在工业大数据领域的应用理论。

（2）实践意义：在工业场景中，设备故障可能导致生产中断、安全隐患及经济损失。本研究构建的DAMPN模型可实时感知设备状态，提前预警潜在故障，降低维护成本。例如，在风力发电领域，该模型可通过对齿轮箱振动与温度信号的联合分析，精准识别早期故障，延长设备寿命；在智能制造中，其模块化设计可扩展至多类型传感器数据融合，提升生产线智能化水平。此外，研究成果可为其他工业领域（如轨道交通、航空航天）的故障诊断提供可复用的技术方案，推动工业互联网与智能制造的深度融合。

二、国内外研究现状及发展趋势（文献综述）

1. 国内研究现状

国内在机械故障监测领域的研究已形成以深度学习、多模态融合与自适应机制为核心的技术体系。柳秀（2023）针对航空发动机附件机匣的复杂故障模式，提出基于深度学习的诊断方法，通过卷积神经网络（CNN）自动提取振动信号的时频特征，验证了深度学习在非线性故障特征提取中的有效性[1]。陈子旭等（2025）进一步提出拓扑感知与双视图分类器结合的旋转机械故障诊断方法，利用图结构建模设备部件间的空间关联性，结合双模态信号（振动与温度）实现故障分类，解决了传统方法忽视部件间依赖关系的问题[2]。

在自适应机制研究方面，张成乡（2024）针对晶体振荡器的快速启动需求，设计了一种基于双模自适应切换的控制策略，通过动态调整电路参数实现启动时间优化，为自适应控制在硬件设计中的应用提供了参考[3][4][5]。刘珂等（2022）将双模自适应思想引入物联网搜索车设计，提出北斗导航与仿生运动模式的自适应切换机制，提升了设备在复杂环境中的适应性[6]。此外，吴润泽等（2023）在无线充电调度中引入机器学习，构建自适应双模协同策略，根据电网负荷动态调整充电功率，展现了自适应机制在能源管理领域的潜力[9]。

多模态数据融合方面，胡浩等（2025）针对并网逆变器的频率控制问题，提出3/2阶双模频率自适应复合重复控制方法，通过融合电压与电流信号的动态特征，显著提高了系统在工况变化时的稳定性[7]。杨康等（2022）在侦察干扰一体化技术中引入双模式切换机制，根据战场环境自适应调整信号处理策略，验证了双模融合在复杂任务中的优势[8]。

2. 国外研究现状

国外研究更侧重于自适应监测框架与信号处理技术的创新。Koenig（2022）提出一种自适应工具监测系统，通过实时分析加工过程中的振动与声发射信号，动态调整监测阈值，有效降低了误报率[18]。Aghaei等（2024）设计的AdaptMon网络监测系统，采用自适应轮询机制，根据网络流量动态分配监测资源，解决了传统方法在大规模网络中的效率瓶颈[19]。

在微电网故障监测领域，Sarangi等（2023）结合信号处理与自适应阈值技术，提出一种混合微电网故障监测方法，通过分析电压与电流信号的谐波成分，实现了对分布式电源故障的快速定位[20]。化学工程（2025）开发的等变消息传递神经网络（MPNN），通过引入对称性约束优化分子动力学模拟中的消息传递过程，为自适应网络结构设计提供了新思路[11]。

3. 发展趋势

综合国内外研究，机械故障监测技术呈现以下发展趋势：

多模态深度融合：从单一信号分析转向振动、温度、压力等多模态数据的联合建模，如陈子旭等（2025）的双视图分类器与Sarangi等（2023）的混合微电网监测方法，均通过多源信息互补提升诊断鲁棒性[2][20]。

自适应机制深化：自适应控制、动态路由与在线学习技术成为核心，例如张成乡（2024）的双模切换策略与Aghaei等（2024）的自适应轮询机制，均通过动态调整系统参数或资源分配优化性能[4][19]。

图神经网络（GNN）应用扩展：MPNN及其变体（如DAMPN）通过消息传递机制建模设备部件间的空间与时间依赖关系，化学工程（2025）的等变MPNN与本研究拟采用的双模自适应消息传递网络均属于此类[11]。

边缘计算与实时性提升：随着工业物联网发展，故障监测系统需在边缘端实现低延迟推理，如Koenig（2022）的工具监测系统与王瑞等（2021）的面向ROS的差分模糊测试方法，均强调轻量化模型设计[18][16]。

未来研究需进一步解决以下挑战：多模态数据的时间对齐问题、自适应机制的可解释性、模型在跨工况场景中的泛化能力。本研究提出的双模自适应消息传递网络（DAMPN）通过动态路由与自适应分箱量化，有望在上述方向实现突破，为工业大数据背景下的智能故障诊断提供新范式。

三、课题拟研究内容与拟解决的主要问题

1. 主要研究内容

本研究紧扣工业场景下机械故障监测智能化需求，以双模自适应消息传递网络（MPNN）为核心展开探索。数据上，整合 Semeion 钢板测试数据与 Github 风力涡轮齿轮箱数据集，构建覆盖多状态与工况的基准集，用 Python 完成数据离散化预处理，并借助其连接 MySQL 数据库实现高效管理。模型创新方面，提出融合振动、温度双模态时空特征的 MPNN 架构，针对两模态数据特性分别设计处理模块；创新动态消息路由机制与自适应分箱量化方法，突破传统模型对数据分布敏感的局限；探索短时傅里叶变换等特征提取技术与 PCA - tSNE 降维策略的协同优化路径。效率上，采用稀疏连接、权重剪枝等轻量化设计降低模型复杂度，满足实时性要求。工程适配上，规划分层式人机交互界面原型，集成状态可视化与预警推送功能。本研究致力于为工业智能运维提供可扩展的多模态融合诊断框架，后续将通过严谨对比实验，从准确率、实时性等多维度验证模型有效性，推动机械故障监测领域发展。

2. 拟解决的主要问题

本研究旨在突破传统方法的局限性，重点解决四大关键问题：一是多模态数据动态融合难题，通过消息传递网络动态调整双模态特征权重，结合自适应分箱量化，提升跨工况诊断能力；二是高维特征的可解释性提取问题，利用MPNN自动学习故障相关特征，减少人工依赖；三是人机交互的实用性不足，通过分层架构与标准化操作命令，增强系统对不同工业场景的适配性；四是模型效率与资源占用问题，通过稀疏化设计与轻量化核函数，在保持性能的同时降低计算开销。实验环节将基于风力涡轮机齿轮箱实测数据，验证模型在精度、效率与泛化能力上的综合优势。