基于多模态时空特征和集成学习的故障诊断方法及系统

本发明提供一种基于多模态时空特征和集成学习的故障诊断方法及系统，涉及软体机器人故障诊断技术领域。通过采集多模态时间序列数据，采用滑动窗口的卡尔曼滤波器模型进行预处理后，进行时间和空间特征提取，通过自适应权重策略特征融合后，训练异构决策树模型，再基于置信度的动态加权投票机制，从而获取诊断结果。本实施例通过优化多源传感数据的特征提取与融合机制，结合动态加权集成策略，实现对复杂故障模式的精准识别，提高了诊断准确性，通过时间特征和空间特征提取，提升了模型的鲁棒性和泛化能力，实现了对软体机器人运行状态的精准诊断。