Resumen: El diagnóstico confiable de fallas del motor de inducción (IM) es vital para la seguridad industrial y la continuidad operativa, mitigando los costosos tiempos de inactividad no planificados. Los enfoques convencionales a menudo tienen dificultades para capturar relaciones complejas de señales multimodales, están limitados a datos unimodales o tipos de fallas únicas y exhiben una degradación del rendimiento en condiciones ruidosas o entre dominios. Este artículo propone la Red de Atención Contrastiva de Hipergrafo Multimodal (MM-HCAN), un marco unificado para un diagnóstico de fallas sólido. Hasta donde sabemos, MM-HCAN es el primero en integrar el aprendizaje contrastivo dentro de una topología de hipergráfico diseñada específicamente para la fusión de sensores multimodales, lo que permite el modelado conjunto de dependencias intra e intermodales y mejora la generalización más allá de los espacios de incrustación euclidianos. El modelo facilita el diagnóstico simultáneo de fallas en rodamientos, estator y rotor, abordando la necesidad de ingeniería de capacidades de diagnóstico consolidadas. Evaluado en tres puntos de referencia del mundo real, MM-HCAN logra una precisión de hasta el 99,82 % con una fuerte generalización entre dominios y resistencia al ruido, lo que demuestra su idoneidad para la implementación en el mundo real. Un estudio de ablación valida la contribución de cada componente. MM-HCAN proporciona una solución escalable y robusta para el diagnóstico integral de fallas múltiples, lo que respalda el mantenimiento predictivo y la longevidad extendida de los activos en entornos industriales.
Publicado originalmente en export.arxiv.org el 19 de octubre de 2025.
Ver fuente original
