MPIF-Net算法首先通过模拟数据生成模块创建包含5种故障类型的声发射信号和物理参数数据集，将声发射信号转化为时序数据。算法核心采用三分支并行处理架构：第一分支对单个声发射通道进行快速递归图编码和马尔可夫变迁场编码，生成融合图像后通过简化双注意力卷积网络提取空间特征；第二分支对原始多通道声发射信号使用双向长短期记忆网络提取时序依赖特征；第三分支通过物理信息神经网络将8维物理参数映射为温度序列特征。三路特征分别经过降维处理后，通过通道拼接策略进行多模态融合，形成综合特征向量，最后由分类器输出故障类别预测。训练过程中采用交叉熵损失函数和Adam优化器，通过反向传播更新网络参数，最终实现对IM-SLM集成制造过程的在线故障监测与诊断。

详细算法步骤

第一步：数据准备与模拟生成

基于5种故障类型（正常打印、飞溅故障、打印过慢、表面粗糙、功率过大）的物理特性，模拟生成多通道声发射信号和对应的物理参数，确保不同故障类别在频率、振幅和时域特征上具有可区分的模式。物理参数根据故障机理进行相应调整，为后续物理信息融合提供基础。

第二步：多模态信号预处理与转换

从多通道声发射信号中选择代表性通道，通过递归图编码捕捉信号的非线性动力学特征和空间相关性，同时采用马尔可夫变迁场编码量化状态转移的时间模式，将两种编码图像进行加权融合，形成既包含空间模式又包含动态信息的融合图像表示。

第三步：并行特征提取与深度学习

建立三路并行特征提取网络：图像分支使用简化注意力卷积网络从融合图像中提取局部和全局空间特征；时序分支利用双向长短期记忆网络分析多通道声发射信号的长期时间依赖性；物理分支通过专门设计的物理信息神经网络将设备运行参数映射为与故障机理相关的温度特征序列。

第四步：多模态特征对齐与融合

对三个分支提取的特征进行维度归一化处理，确保特征尺度一致，采用通道拼接策略将图像空间特征、时序动态特征和物理机理特征融合为统一的综合特征表示，形成对故障状态的全面描述。

第五步：故障识别与分类决策

设计多层感知机分类器，通过非线性变换和正则化处理，学习综合特征与故障类别之间的复杂映射关系，最终输出5类故障的概率分布，选择最大概率对应的类别作为故障诊断结果。

第六步：模型训练与性能优化

采用小批次梯度下降策略，使用交叉熵损失函数衡量预测误差，结合Adam自适应优化算法更新网络参数，通过多个训练周期逐步降低损失函数值，同时利用验证集监控模型泛化能力，防止过拟合现象。

第七步：性能评估与结果可视化

在独立测试集上评估模型的准确率、召回率和F1分数等关键指标，通过训练损失曲线、验证准确率曲线、混淆矩阵和特征分布可视化等工具，全面分析模型性能和学习到的特征表示能力，为算法改进和实际应用提供依据。