BearLLM：一种基于先验知识增强的轴承健康管理框架与统一振动信号表示
人工智能
2024-12-17 v2
摘要
我们提出了一种利用大型语言模型（BearLLM）的轴承健康管理框架，这是一种通过处理用户提示和振动信号来统一多种轴承相关任务的新型多模态模型。具体而言，我们引入了一种先验知识增强的统一振动信号表示，以处理多个数据集中的各种工作条件。这涉及基于传感器采样率对振动信号进行自适应采样，引入频域以统一输入维度，并使用无故障参考信号作为辅助输入。为从振动信号中提取特征，我们首先训练故障分类网络，然后将提取的特征转换并对齐为词嵌入，最后将这些与文本嵌入拼接后作为大型语言模型的输入。为评估所提方法的性能，我们构建了首个大规模多模态轴承健康管理（MBHM）数据集，包括配对的振动信号和文本描述。凭借统一的振动信号表示，BearLLM使用一组预训练权重在九个公开可用的故障诊断基准上取得了最先进性能，超越了针对单个数据集设计的特定方法。我们提供了数据集、模型和代码，以激励未来构建更强大的工业多模态模型的研究，https://github.com/SIA-IDE/BearLLM。
引用
@article{arxiv.2408.11281,
title = {BearLLM: A Prior Knowledge-Enhanced Bearing Health Management Framework with Unified Vibration Signal Representation},
author = {Haotian Peng and Jiawei Liu and Jinsong Du and Jie Gao and Wei Wang},
journal= {arXiv preprint arXiv:2408.11281},
year = {2024}
}
备注
Accepted to AAAI2025