Syn-Diag：基于LLM的通用少样本边缘故障诊断协同框架
人工智能
2025-10-08 v1
摘要
工业故障诊断面临数据稀缺和在资源受限环境中部署大型AI模型的两个挑战。本文引入Syn-Diag，一种基于大语言模型(LLM)的云边协同框架，用于克服少样本故障诊断中的这些限制。Syn-Diag建立在三层机制之上：1)视觉-语义协同，通过跨模态预训练将信号特征与LLM的语义空间对齐；2)内容感知推理，通过动态构建上下文提示以在样本有限的情况下提高诊断准确性；3)云-边协同，通过知识蒸馏创建轻量级高效的边缘模型，能够通过共享决策空间实现在线更新。在覆盖不同CWRU和SEU工作条件的六个数据集上的大量实验表明，Syn-Diag在各种场景中均显著优于现有方法，尤其是在1样本和跨条件场景中。边缘模型在保持相当于云端版本性能的同时，将模型大小降低83%，延迟降低50%，为现代智能诊断提供了实用、可靠且可部署的范式。
引用
@article{arxiv.2510.05733,
title = {Syn-Diag: An LLM-based Synergistic Framework for Generalizable Few-shot Fault Diagnosis on the Edge},
author = {Zijun Jia and Shuang Liang and Jinsong Yu},
journal= {arXiv preprint arXiv:2510.05733},
year = {2025}
}