基于多模态融合深度学习的工业设备状态诊断方法

本发明涉及石油装备智能监测技术领域，具体提供一种基于多模态融合深度学习的工业设备状态诊断方法。该方法包括：通过防爆型RTU同步采集载荷、振动及电流数据，经工业LoRaWAN传输至边缘节点；采用卡尔曼滤波对齐多源信号时序，融合生成时域一致的数据流；利用小波包能量熵提取特征，输入轻量化ResNet18模型实现高精度诊断；基于诊断结果，通过LSTM‑Transformer并联模型生成动态优化策略；最终下发控制指令至设备执行，并采集反馈数据更新云端模型。本发明通过多速率信号时序对齐与特征‑决策双级融合技术，解决了传统方法因数据异步导致的诊断误差问题，显著提升故障识别精度与设备能效，同时满足工业环境防爆与实时性要求。