面向工业生产线多源异构数据采集频率不一致、异常样本稀缺与定位解释不足等问题，提出一种基于多模态信息融合的时序数据异常识别与定位方法。首先构建统一时间栅格对齐机制，将传感器信号、视觉帧序列、声学时频特征与PLC/SCADA事件日志进行窗口化表征，并采用单模态编码器提取鲁棒特征。其次设计跨模态注意力融合网络，引入预测与重构联合自监督目标学习正常运行模式，同时以跨模态一致性偏差刻画协同破坏型异常。最后构建异常评分与可解释定位策略，将异常贡献分解到工位、模态与关键时间子段，实现“发现—定位—溯源”的闭环输出。实验结果表明，该方法在误报控制、早期预警与工位定位准确率方面优于单模态与简单融合基线，具备工程部署可行性。

多模态融合；时序异常检测；自监督学习；跨模态注意力；工业生产线

[1]陈锦涛,张逸,张良羽,等.基于用电数据挖掘的企业环保异常识别[J].电力建设,2025,46(02):74-87.

[2]刘强,卓洁,郎自强,等.数据驱动的工业过程运行监控与自优化研究展望[J].自动化学报,2018,44(11):1944-1956.DOI:10.16383/j.aas.2018.c180207.

[3]张成,戴絮年,李元.基于DPCA残差互异度的故障检测与诊断方法[J].自动化学报,2022,48(01):292-301.DOI:10.16383/j.aas.c190884.

[4]刘强,孔德志,郎自强.基于多级动态主元分析的电熔镁炉异常工况诊断[J].自动化学报,2021,47(11):2570-2577.DOI:10.16383/j.aas.c190313.

[5]沈潇军,葛亚男,沈志豪,等.一种基于LSTM自动编码机的工业系统异常检测方法[J].电信科学,2020,36(07):136-145.

[6]孙海丽,龙翔,韩兰胜,等.工业物联网异常检测技术综述[J].通信学报,2022,43(03):196-210.

[7]吴越,曹国彦.面向工业传感网络的时间序列异常检测综述[J].网络与信息安全学报,2024,10(04):17-36.

[8]尚书一,李宏佳,宋晨,等.互联网服务场景下基于机器学习的KPI异常检测综述[J].计算机研究与发展,2025,62(01):207-231.