突破邊界：北航PHM實驗室的健康管理大模型與LLM技術的創新交匯

有效解決大模型解析振動數據語義和泛化性等問題。

原標題：LLM破局泛化診斷難題，MSSP刊登北航PHM實驗室健康管理大模型交叉研究
文章來源：機器之心
內容字數：4034字

基于大語言模型的軸承故障診斷框架研究

近日，北航PHM實驗室的研究團隊在《Mechanical System and Signal Processing》期刊上發表了關于軸承故障診斷的新研究成果，提出了一種基于大語言模型（LLM）的故障診斷框架。這一研究旨在提升預訓練模型對振動數據的解析與泛化能力，以應對傳統故障診斷中的多項挑戰。

1. 研究背景與意義

健康管理（PHM）技術是確保設備安全性和經濟效益的重要手段，但現有算法模型的泛化性不足，限制了其應用發展。傳統的故障診斷面臨跨工況適應能力、小樣本學習能力和跨對象泛化能力等挑戰。因此，研究團隊探索了將大語言模型與傳統故障診斷技術相結合的可能性，以提高故障診斷的精確度和適應性。

2. 研究創新與框架

論文提出的基于LLM的軸承故障診斷框架，主要創新包括：

• 振動數據特征的文本化處理：融合時域和頻域特征提取的方法，將振動信號轉化為文本格式，以便高效學習共性特征。
• 微調方法的應用：采用基于LoRA和QLoRA的微調技術，充分利用預訓練模型的深層語義理解能力，提升故障診斷的精確度和泛化性能。

3. 實驗驗證與結果

研究團隊通過單數據集實驗、跨工況實驗及跨數據集遷移實驗，驗證了框架在跨工況、小樣本和跨數據集故障診斷任務上的能力。結果顯示，經過跨數據集學習的模型，相較于傳統方法提高了約10%的精度。

4. 未來研究方向

該框架未來的發展將包括：

• 進一步結合LLM與故障診斷領域知識，實現深度融合。
• 擴展框架至其他領域對象，如動力和控制系統等。
• 將技術延伸至預測和評估等健康管理領域，構建完整的PHM技術流程。
• 構建多模態信息基礎上的健康管理大模型，推動健康管理領域的技術轉變。

該研究為故障診斷領域提供了新的思路，促進了大模型與健康管理的交叉研究，具有廣泛的應用前景。

論文原文鏈接：MSSP期刊 | arXiv預印

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺