采用搭积木的方法 对异质工业信号进行统一建模。 文 ｜ 机器之心 来源｜ 机器之心（ID： almosthuman2014 ） 封面来源 ｜ unsplash 近期，来自清华大学、上海交通大学、北京华控智加科技有限公司和华北电力大学的研究者联合发布首个多模态工业信号基座模型FISHER，采用搭积木的 方法对异质工业信号进行统一建模。目前技术报告和权重均已开源，欢迎使用！ 论文链接： https://arxiv.org/abs/2507.16696 GitHub仓库： 基于此，我们认为是可以使用单一模型对异质工业信号进行统一建模。由于信号内部存在相似性，通过scaling，可以让模型逐渐学会这些相似性，进而迸发 出更为强大的表征能力，实现里程碑式提升。由此我们开发了FISHER模型。 子带建模 https://github.com/jianganbai/FISHER FISHER模型介绍 研究背景 FISHER模型是首个面向多模态工业信号的基座模型。它以子带为建模单元，通过堆积木的方式表征整段信号，可处理任意采样率的工业信号。详细介绍如 下： 近年来，越来越多的工业设备被安装上传感器以监控工作状态。然而安装传感 ...

近期，来自清华大学、上海交通大学、北京华控智加科技有限公司和华北电力大学的研究者联合发布首个多模态工业信号基座模型 FISHER，采用搭积木的 方法对异质工业信号进行统一建模。目前技术报告和权重均已开源，欢迎使用！ 研究背景 近年来，越来越多的工业设备被安装上传感器以监控工作状态。然而安装传感器容易，如何高效分析工业信号却很难，因为不同传感器采集的工业信号具有 极大的异质性。本文中，我们将其总结为 M5 问题：多模态、多采样率、多尺度、多任务和少故障。 FISHER 模型是首个面向多模态工业信号的基座模型。它以子带为建模单元，通过堆积木的方式表征整段信号，可处理任意采样率的工业信号。详细介绍如 下： 子带建模 谱分析是语音和信号分析常用的手段。与语音模型常采用的 Mel 谱不同的是，FISHER 采用短时傅里叶变换（STFT）作为信号输入特征，这是由于 1）故 障分量往往出现在高频 2）对于旋转类机械，倍频关系往往很重要。为保证不同采样率下时频分辨率相同，FISHER 中的 STFT 采用固定时长的窗长和帧 移。 受到 M5 问题影响，现有方法大多只分析小范围的工业信号，例如基于振动的轴承故障诊断，所采用的模 ...