PhyNet

PhyNet 是一个由物理变量引导的工业流体系统故障诊断框架，其核心组件是 physical-to-response cross-attention。

PhyNet 的设计不要求物理变量和响应信号在时间轴上严格对齐，而是让物理变量充当全局运行约束，响应信号作为局部诊断证据。

PhyNet 将物理变量编码为序列级 token，并为响应信号设置一个可学习的全局响应 token，该全局 token 作为 Query 去检索物理变量 token（Key/Value），从而在形成局部诊断表示时动态选择相关的工况上下文。

论文通过注意力与掩码分析显示，物理变量确实对局部响应的解释起到了实质性约束作用，而不是被模型忽略的冗余输入。

论文在四个基准上评估了 PhyNet，包括三个真实世界的空化数据集和一个公开的两相流数据集，PhyNet 在所有评估指标上均取得最佳性能。

类别级分析显示，PhyNet 对模糊状态的区分能力有明显提升，说明性能增益并非仅来自对简单样本的过拟合，而是改善了困难样本的判别边界。

PhyNet 放弃时序强对齐的假设，带来更低的部署门槛和更强的迁移适应性，因为工业系统升级传感器、调整采样策略是常态。

PhyNet 框架目前仍依赖物理变量的可获得性，在物理量测缺失或严重失真的场景下其优势可能收窄。

PhyNet 的核心范式是让物理知识约束信号解读，而非让信号迁就物理变量。