FR-LLM:多任务大型语言模型,结合信号到文本编码和自适应优化技术,用于联合故障诊断与剩余使用寿命(RUL)预测
《RELIABILITY ENGINEERING & SYSTEM SAFETY》:FR-LLM: Multi-Task Large Language Model with Signal-to-Text Encoding and Adaptive Optimization for Joint Fault Diagnosis and RUL Prediction
【字体:
大
中
小
】
时间:2025年12月11日
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 11
编辑推荐:
FR-LLM是一种统一的多任务大语言模型框架,通过信号到文本编码将振动信号转化为故障诊断和剩余寿命预测的文本提示,结合自适应损失平衡器和低秩适应策略,在工业轴承数据集上显著优于单任务方法,实现了跨模态推理与高效部署。
工业旋转机械的健康管理与维护是智能制造领域的重要课题。传统方法往往将故障诊断与剩余寿命预测作为独立任务处理,导致模型泛化能力受限。近年来,大语言模型(LLM)凭借其强大的多任务处理能力和知识整合优势,开始被引入工业健康管理系统。然而,现有研究存在三个显著短板:其一,语言模型与振动信号之间缺乏有效的模态转换机制;其二,多任务联合优化时存在目标冲突问题;其三,模型部署时面临计算资源与工程适配的挑战。
针对上述问题,研究团队提出了FR-LLM框架,通过构建端到端的统一模型架构,实现了故障诊断与剩余寿命预测的协同优化。该框架的核心创新体现在三个方面:首先,开发了信号到文本的编码策略,将振动信号中的频域特征和时域特征转化为结构化文本。对于故障诊断,采用快速傅里叶变换(FFT)提取关键频率成分,生成描述性文本提示;对于剩余寿命预测,结合经验模态分解(EMD)提取多域统计特征,构建退化趋势的语义表达。这种跨模态映射机制不仅解决了数据类型差异问题,更使LLM能够基于物理意义理解信号特征。
其次,设计了动态自适应的损失平衡机制。传统多任务学习常采用固定权重分配,容易导致不同任务间的优化冲突。FR-LLM通过Convergence Balancer模块,实时监控各任务的损失收敛情况,动态调整权重分配。这种机制在实验中展现出显著优势,特别是在数据分布不均衡或任务间存在强相关性时,能有效维持训练稳定性。例如,当故障诊断准确率提升时,系统会自动降低该任务的损失权重,优先保障剩余寿命预测的精度。
第三,引入了低秩自适应微调策略。针对工业场景中设备类型多样、工况变化频繁的特点,研究团队采用LoRA(低秩适应)技术,仅需少量带标签数据即可完成模型参数的精细调整。这种参数高效微调方法显著降低了计算成本,使FR-LLM能够快速适应不同生产线或设备类型的部署需求。实验数据显示,在XJTU-SY轴承数据集上,相较于传统全参数微调方法,计算资源消耗减少约70%,同时保持了98.2%的故障诊断准确率和0.85天均方根误差的寿命预测精度。
框架的实际应用效果通过多维度验证:在XJTU-SY和IMS轴承数据集上,FR-LLM在交叉验证中的平均准确率达到96.7%,较单一任务模型提升12.3个百分点。特别是在复杂工况测试中(包括温度波动±15℃、负载变化±30%扭矩),模型性能仍保持稳定,故障诊断F1值达到92.4%,剩余寿命预测的MAPE(平均绝对百分比误差)控制在8.7%以内。这种鲁棒性源于框架中信号特征的多层次编码机制,既保留了FFT提取的频域分辨率(可识别微米级机械损伤),又通过EMD分解捕获了时域退化轨迹的长期趋势。
技术实现层面,信号到文本的编码过程包含三个关键步骤:原始振动信号经过FFT转换为频谱图,提取出包含特征频率成分、幅值分布特征和频谱熵值等参数;同时,通过EMD分解获得不同尺度上的能量占比和包络线变化趋势,形成多域统计特征;最后,采用自然语言描述模板将这些特征转化为结构化文本。例如,针对齿轮箱轴承故障,系统会生成类似"频率分量在120-150Hz区间出现异常峰值(对应齿轮啮合频率),频谱熵值较基期下降18%,建议优先检查第3级齿轮的润滑系统"的复合提示词。
在工程部署方面,该框架展现出显著优势。通过LoRA策略,模型仅需约5%的原始训练数据即可完成参数适配,而传统方法通常需要80%以上的标注数据。这种高效学习能力使FR-LLM能够快速适应新设备类型,在试运行阶段即可达到实用化水平。此外,动态损失平衡机制有效缓解了多任务训练中的"军备竞赛"现象,确保各任务在模型中的合理权重分配,避免某一任务过度优化导致整体性能下降。
实验对比分析揭示了FR-LLM的优越性。在基准测试中,相较于传统CNN、LSTM和Transformer模型,FR-LLM的跨任务协同效应使其在数据不足时仍能保持较高性能。例如,当训练数据量减少至基准值的40%时,FR-LLM的故障诊断准确率仍比单任务模型高出6.2个百分点。在可解释性方面,生成的结构化文本提示使模型决策过程透明化,工程师可根据提示词中的特征描述(如特定频率异常、能量占比变化等)快速定位问题根源。
工业场景的复杂性要求模型具备广泛的适应能力。研究团队通过引入工况自适应模块,允许模型根据实时监测到的运行参数(如转速、振动强度)动态调整文本提示模板。这种自适应机制使得FR-LLM能够处理不同转速区间(0-5000rpm)和负载水平(50%-120%额定负载)下的设备状态,在跨工况迁移测试中,模型性能保持率超过90%。同时,通过将历史维护记录与当前诊断结果结合,系统能够生成定制化的维护建议,例如在识别到轴承内圈损伤时,自动关联设备使用手册中的更换周期和维修指南。
该研究的局限性主要体现在两个方面:一是文本编码过程中对非线性特征的近似处理可能造成部分信息损失;二是当前模型对极端工况(如瞬时过载或环境剧变)的响应机制仍需优化。未来研究方向包括引入物理知识图谱增强特征编码,开发多模态融合的动态补偿机制,以及构建基于数字孪生的持续学习框架。
从技术演进角度看,FR-LLM标志着工业健康管理进入智能语义时代。传统方法依赖专家经验构建特征工程,而FR-LLM通过数据驱动的方式,让模型自主理解振动信号中的物理规律。这种转变使得PHM系统不再局限于特定设备或场景,而是能够形成可迁移的知识体系。例如,针对风电齿轮箱和航空发动机叶片的对比测试显示,FR-LLM在跨设备类型应用中仅需3次微调迭代即可达到稳定状态,验证了其强大的泛化能力。
该框架的工程价值体现在两个方面:其一,通过文本交互界面,使得非技术人员(如设备操作员)也能通过自然语言指令获取诊断结果,例如"请分析当前振动信号的故障类型和剩余寿命"的指令即可获得结构化报告;其二,生成的文本提示具有法律追溯价值,每个诊断结论都附带可验证的特征参数和决策依据,满足工业场景中的审计要求。
在产业应用方面,研究团队已与某重型机械制造商合作部署原型系统。数据显示,该系统使设备故障预测时间提前3.2个周期,计划外停机减少68%。在模型优化过程中,研发人员发现将文本提示中的时序信息结构化(如使用时间序列Markdown格式)可使LLM的推理效率提升40%。这为后续的模型轻量化改进提供了重要方向。
当前工业PHM系统普遍存在两大痛点:一是多源数据融合困难,二是模型可解释性不足。FR-LLM通过构建"信号-文本-决策"的闭环系统,有效解决了这两个问题。具体而言,振动信号经特征提取后转化为自然语言描述,既保留了原始数据的物理意义,又赋予了模型人类可理解的推理路径。这种设计使得FR-LLM不仅能够输出技术指标(如RUL值),还能生成维护建议(如更换润滑脂型号)、推荐检测方案(如红外热成像与振动联检)等实用信息。
在模型可扩展性方面,FR-LLM采用了模块化设计架构。核心推理模块(信号到文本编码器)与任务处理模块(诊断与预测子模型)通过动态接口连接,便于后续扩展其他PHM任务(如油脂老化检测、密封件磨损评估)。测试表明,在新增轴承外圈裂纹检测任务时,仅需额外训练15%的关联数据,即可实现跨任务的知识复用。
从技术发展脉络分析,FR-LLM填补了LLM在工业PHM领域的应用空白。前期研究主要集中在单任务应用(如仅诊断或仅预测),而FR-LLM首次实现了多任务统一建模。其创新价值不仅在于技术突破,更在于方法论层面的革新——将自然语言处理中的提示工程理念引入工业信号处理,这种跨领域的融合为智能制造提供了新的技术范式。
在模型部署成本方面,FR-LLM展现出显著优势。通过LoRA微调,仅需约0.3个GPU/TPU算力即可完成单台设备模型的更新迭代。对比传统PHM系统每台设备需要独立部署专用模型(通常占用5-10个GPU单元),该框架的部署成本降低两个数量级。实际测试显示,在2000台设备组成的产线集群中,FR-LLM通过分布式推理架构,仅需8台高性能服务器即可满足实时分析需求。
该研究对工业LLM应用具有重要启示。首先,跨模态数据融合需要兼顾物理特性和语义表达,信号到文本的编码应保留时频域特征的关键信息;其次,多任务优化需建立动态平衡机制,避免单一任务目标主导整个学习过程;最后,工业部署应重视模型的可解释性设计和计算资源优化。这些经验为后续研究提供了重要参考。
当前技术边界主要在于极端工况下的鲁棒性。实验表明,当设备振动幅度超过正常范围300%时,FR-LLM的预测误差会增大至12.7%。研究团队正在探索基于强化学习的异常工况适应机制,通过模拟极端环境下的设备行为,提升模型在未知场景中的泛化能力。此外,正在研发多设备联合建模框架,通过共享知识库实现跨产线PHM系统的协同优化。
从行业发展趋势看,FR-LLM的应用将推动PHM系统向智能化、集成化方向发展。未来可能出现的集成方案包括:将FR-LLM嵌入工业物联网平台,实时处理多传感器数据流;与数字孪生系统结合,构建虚实联动的预测维护体系;以及开发基于FR-LLM的专家知识图谱,实现维修经验的自动化传承。这些发展方向将使PHM系统从单一的数据分析工具进化为具有自主决策能力的智能体。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号