相关实验视频
Updated: May 5, 2026
10:09
Operation of the Collaborative Composite Manufacturing CCM System
Published on: October 1, 2019
6.5K
一个端到端的通用语言模型 (GLM) - - 基于削机故障诊断框架,用于智能制造
Jigang He1, Xuan Liu2, Yuncong Lei3
1School of Management Science and Engineering, Southwestern University of Finance and Economics, Chengdu 611130, China.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
本研究介绍了一种新的故障诊断算法,使用CNC切削工具的生成语言模型 (GLM-4). 该模型在诊断工具寿命方面表现出色,即使数据有限,也提高了生产效率.
科学领域:
- 制造业 工程 制造工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 切割工具状况监测对于生产效率和经济绩效至关重要.
- 传统的深度学习方法在工具寿命诊断中难以使用小样本.
- 大型语言模型 (LLM) 为高级诊断提供了新的可能性.
研究的目的:
- 提出和验证一个新的故障诊断算法用于CNC切削工具使用LLM.
- 以有限的培训数据来应对工具寿命诊断的挑战.
- 为了证明拟议的基于LLM的方法在现有方法上的优越性.
主要方法:
- 基于GLM-4大型语言模型的故障诊断算法的开发.
- 实验验证使用PHM 2010数据集和专有削机数据集.
- 对传统模型 (SVM,CNN,RNN) 和基线LLMs进行比较分析.
主要成果:
- 提出的基于GLM-4的算法在测试数据集上实现了93.8%和93.3%的诊断准确率.
- 该模型在工具寿命诊断方面表现优于传统的机器学习模型和基准LLM.
- 该算法在不同的信号噪声比率和有限的训练样本下表现出强度和稳定性.
结论:
- 将特定领域的特征工程与LLM集成,是智能制造诊断的一个有前途的方向.
- 基于GLM-4的算法在CNC切削工具故障诊断方面取得了重大进展,特别是在小型样本场景中.
- 这种方法提高了制造环境中预测性维护的可靠性和效率.
