FD-LLM：用于机器故障诊断的大型语言模型
人工智能
2024-12-03 v1 机器学习
摘要
大型语言模型（LLMs）在捕获复杂、有价值的概念表示方面有效地适用于广泛的实际应用。然而，在Intelligent Fault Diagnosis（IFD）等领域，纳入额外的传感器数据——例如振动信号、温度读数和运行指标——是必不可少的，但在传统文本语料库中捕获此类传感器数据信息具有挑战性。这项研究通过有效地将LLMs适应于数值数据输入来提出一种新型IFD方法，用于从时序传感器数据中识别各种机器故障。我们提出了FD-LLM，一个专为故障诊断设计的LLM框架，通过将LLM的训练形式化为多类分类问题来实现。我们探讨了两种振动信号编码方法：第一种方法使用基于字符串的分词技术将振动信号编码为文本表示；第二种方法从时域和频域提取统计特征作为每个信号的统计摘要。我们评估了四个开源LLMs在FD-LLM框架下的故障诊断能力，并评估了模型在各种运行条件和机器组件下的适应性和通用性，包括传统故障诊断、跨运行条件和跨机器组件设置。我们的结果表明，诸如Llama3和Llama3-instruct等LLMs在故障检测方面表现出强大的能力，并在不同运行条件下具有显著的适应性，在许多情况下甚至超过了最先进的深度学习（DL）方法。
引用
@article{arxiv.2412.01218,
title = {FD-LLM: Large Language Model for Fault Diagnosis of Machines},
author = {Hamzah A. A. M. Qaid and Bo Zhang and Dan Li and See-Kiong Ng and Wei Li},
journal= {arXiv preprint arXiv:2412.01218},
year = {2024}
}
备注
20 pages, 2 figures, 16 tables, including the tables in the appendix