一、产品介绍
由清华大学电子工程系、上海交通大学人工智能研究院联合北京华控智加科技有限公司、华北电力大学共同研发的FISHER（Foundation Model for Industrial Signal Comprehensive Representation），是业界首个面向工业多模态信号的基座模型。它突破传统方法需为每类信号单独建模的局限，实现对振动、声音、电流、电压等异质工业信号的统一处理。
工业设备普遍存在M5问题：
- 📍 多模态（振动/声音/电流等）
- 📍 多采样率（16kHz-48kHz）
- 📍 多尺度（零件级到系统级）
- 📍 多任务（故障诊断/异常检测）
- 📍 少故障样本（实际故障数据稀缺）
FISHER通过基座模型架构，显著降低工业智能应用的开发与部署成本，推动工业设备预测性维护的规模化落地。
二、适用人群
| 用户类型 | 典型应用场景 |
|---|---|
| 工业设备制造商 | 设备出厂健康状态监测系统开发 |
| 工厂运维部门 | 产线设备异常实时预警与故障根因分析 |
| 工业AI开发者 | 快速构建定制化设备诊断模型 |
| 科研机构 | 工业信号表征与迁移学习研究 |
三、核心功能与技术原理
FISHER通过6大核心技术解决工业信号分析痛点：
| 功能 | 技术原理 | 工业价值 |
|---|---|---|
| 多采样率自适应 | 采用固定子带宽度切割替代传统重采样：将STFT谱按固定频宽切分（如4kHz子带），以“积木式拼接”保留高频信息，支持16kHz/32kHz/48kHz等任意采样率 | 避免高频故障特征丢失，提升轴承损伤等高频故障检出率 |
| 跨模态统一建模 | 基于信号共性机理设计（如声音与振动同源），用ViT Encoder提取共享特征，CNN Decoder重构多模态输出 | 单一模型处理振动、声音、电流等多种信号，降低部署复杂度 |
| 自蒸馏预训练 | 教师-学生架构：教师Encoder（EMA更新）输出监督学生Decoder，80%子带掩码训练增强特征泛化力，预训练数据达1.7万小时 | 少样本场景下仍保持高精度，异常检测F1-score提升4.34% |
| 故障诊断增强 | 采用STFT谱分析（非Mel谱）：保留高频分量与倍频关系，关键用于旋转机械故障识别 | 在RMIS故障诊断任务中准确率超基线模型5.03% |
| 轻量化部署 | 开源Tiny(5.5M)/Mini(10M)/Small(22M) 三档参数规模，支持边缘设备部署 | 工业网关即可运行推理，降低硬件成本 |
| 零样本迁移 | 预训练特征+KNN分类器，在未微调的13个故障诊断数据集上实现SOTA | 快速适配新设备类型，开发周期缩短70% |
四、工具使用技巧
▶️ 高效调参策略
- 子带宽度选择：高频设备（>20kHz）建议4kHz子带，低频设备（<8kHz）选用2kHz子带
- 故障诊断优化：对电流信号采用高重叠率STFT（帧移≤10ms），捕捉瞬态异常
- KNN快速适配：利用开源特征提取器，新设备仅需50条样本即可构建KNN分类器
▶️ 工业场景避坑指南
# 错误案例：某风机厂直接重采样所有信号至16kHz
👉 结果：叶片裂纹高频特征丢失，漏检率达35%
✅ 正确做法：
1. 原始48kHz振动信号→按4kHz切分12个子带
2. 各子带独立输入FISHER Tiny
3. 拼接[CLS]令牌生成整体表征
👉 裂纹检出率提升至91.2%五、访问地址
- 📜 论文下载：
https://arxiv.org/abs/2507.16696 - 💻 GitHub开源：
https://github.com/jianganbai/FISHER（含预训练权重&推理代码） 🧩 预训练模型：
模型类型 参数量 适用场景 FISHER-Tiny 5.5M 边缘设备（工控机/网关） FISHER-Mini 10M 实时诊断系统（<50ms延迟） FISHER-Small 22M 高精度云平台分析
注：所有模型均支持ONNX导出，详见GitHub示例
展望：FISHER的推出不仅解决了工业信号分析的碎片化难题，更开创了“工业信号基座模型”新范式。随着更多工业模态数据（如红外热成像、油液分析）的融入，工业设备全生命周期健康管理将迎来真正的智能时代🚀。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...