LLM-YOLOMS：基于大语言模型的数字孪生风力发电机组件语义解释与故障诊断
计算机视觉与模式识别
2025-11-14 v1
摘要
风力发电机（Wind Turbine, WT）组件的健康状态对于确保稳定可靠运行至关重要。然而，现有的故障检测方法主要局限于视觉识别，产生结构化输出，缺乏语义可解释性，无法支持维护决策。为此，本研究提出一种集成框架，将YOLOMS与大语言模型（Large Language Model, LLM）结合，用于智能故障分析与诊断。具体而言，YOLOMS采用多尺度检测和滑动窗口裁切以增强故障特征提取，while一个轻量级键值（Key-Value, KV）映射模块桥接了视觉输出与文本输入之间的鸿沟。该模块将YOLOMS检测结果转换为既包含定性又包含定量属性的结构化文本表示。随后，一个针对领域微调的LLM进行语义推理，以生成可解释的故障分析和维护建议。实验在真实数据集上表明，所提出的框架实现了90.6%的故障检测准确率，并生成的维护报告平均准确率达89%，从而提高了诊断结果的可解释性，为风力发电机的运行与维护提供了实用的决策支持。
引用
@article{arxiv.2511.10394,
title = {LLM-YOLOMS: Large Language Model-based Semantic Interpretation and Fault Diagnosis for Wind Turbine Components},
author = {Yaru Li and Yanxue Wang and Meng Li and Xinming Li and Jianbo Feng},
journal= {arXiv preprint arXiv:2511.10394},
year = {2025}
}
备注
Journal resubmission