一个基于理论的多通道融合框架，整合了双重度量信任机制和不确定性校正技术，用于智能诊断

《IEEE/ASME Transactions on Mechatronics》：A Theoretically Grounded Multichannel Fusion Framework Integrating Dual-Metric Trust and Uncertainty Rectification for Intelligent Diagnosis

针对多源传感器异构数据融合中的噪声、动态条件及可解释性挑战，本研究提出基于泛化误差界引导的动态信号整合框架（GDSI），结合协方差约束目标、双信任机制及不确定性感知校正策略，实验证明其在诊断准确性和鲁棒性上显著优于现有方法。

　　

摘要：

在实际应用中，故障诊断系统必须能够在存在不确定性、噪声和动态运行条件的情况下，整合来自不同类型传感器的数据。然而，许多现有的融合方法缺乏坚实的理论基础，鲁棒性有限，且可解释性差，这限制了它们在安全关键的机电环境中的应用。为了解决这些问题，本研究提出了一种基于泛化误差界限指导的动态信号融合（GDSI）方法，该方法具有较高的鲁棒性和可解释性。GDSI建立在泛化误差理论的基础上，通过引入协方差约束目标，将融合权重与泛化性能明确关联起来。它采用了一种基于内在置信度和跨源一致性的双度量信任机制，实现了自适应和可解释的多通道融合。此外，还有一种考虑不确定性的校正策略，能够根据信号可靠性的变化动态调整融合行为，从而在噪声和非平稳条件下提高系统的鲁棒性。在多个数据集上的实验表明，与现有融合方法相比，GDSI在诊断准确性、泛化能力和鲁棒性方面都有显著提升。通过结合理论严谨性与实际适应性，GDSI为复杂机电系统中的智能状态监测提供了一种可部署且可推广的解决方案。

引言

随着全球制造业向智能系统和预测性维护方向发展，对高端设备进行高可靠性状态监测的需求显著增加。这些设备作为先进工业系统的核心组成部分（包括航空航天平台、能源涡轮机、高速列车和精密制造设备），在动态、高负载且常常极端的环境中持续运行。确保设备运行的完整性已成为工业4.0计划和基于状态的维护框架的核心关注点，引起了全球工业界的广泛关注[1]、[2]。为了准确评估设备状态并及早发现故障，工程实践中通常会部署多通道振动传感系统，这些系统能够从多个空间维度捕获丰富的动态信息，从而全面了解设备的健康状况。然而，由于传感器类型的不同、安装结构的多样性、环境不确定性以及结构振动传播的各向异性，来自不同通道的信号质量往往存在显著差异。此外，随着工作条件的变化，某些通道可能会经历信号失真、噪声增加甚至数据中断，严重影响诊断模型的可靠性和鲁棒性。这些挑战凸显了迫切需要具备适应性和抗噪声能力的多源信号融合策略，尤其是在高端工业设备的智能故障诊断中[3]、[4]。