KG-SR-LLM:以知识为导向的语义表示和大型语言模型框架,用于跨域轴承故障诊断.
Chengyong Xiao1, Xiaowei Liu2, Aziguli Wulamu2
1School of Automation & Electrical Engineering, University of Science and Technology Beijing, Beijing 100083, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
本研究引入了一种使用大型语言模型 (LLM) 进行通用轴承故障诊断的新方法. 以知识为导向的语义表示和大语言模型 (KG-SR-LLM) 实现了98.36%的准确性,优于传统模型.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 轴承故障诊断对于工业运行至关重要,但由于复杂的振动模式和条件,它面临跨领域概括的挑战.
- 现有的方法难以适应不同的操作环境和非线性振动模式,限制了它们的实际应用.
研究的目的:
- 为轴承故障诊断开发一个通用的诊断框架,以提高在不同领域和条件的准确性和适应性.
- 利用大型语言模型 (LLM) 来改进振动数据的解释和专家知识的整合.
主要方法:
- 结构化表示方法通过提取时间和频率域特征将振动时间序列转换为文本序列.
- 一个以知识为导向的提示调整策略 (LoRA-Prompt) 集成轴承结构参数和操作条件信息.
- 建立了一种新的知识导向语义表示和大语言模型 (KG-SR-LLM) 方法,用于通用故障诊断.
主要成果:
- 在工业,航空航天和能源领域的11个公共数据集上,KG-SR-LLM方法实现了98.36%的平均诊断准确率.
- 与经典深度学习模型相比,KG-SR-LLM表现出更高的性能,提高了9.22%.
- 该框架在短暂的转移学习和跨条件适应任务中被证明是有效的.
结论:
- KG-SR-LLM框架在智能轴承故障诊断方面取得了重大进展,克服了现有方法的局限性.
- 该方法在工业环境中为可靠和可适应的故障诊断提供了理论意义和实际好处.
- 通过将LLM与结构化数据表示和知识指导相集成,可以实现强大的跨领域概括.

