一种基于模型上下文协议与大语言模型的工业诊断方法
本发明涉及工业设备预测性维护,具体地说是一种基于模型上下文协议与大语言模型的工业诊断方法。
背景技术:
1、随着工业与智能制造的深入推进,大语言模型(llms)凭借卓越的语义推理和多任务规划能力,正逐步应用于驱动工业大脑和认知型智能体的构建。然而,通用大语言模型本质上是基于概率分布的文本生成系统,在面对物理世界中高频、非结构化的传感数据(如设备连续振动时序信号)时,普遍存在难以逾越的“模态鸿沟”。
2、当前,将大语言模型与工业故障诊断相结合的常规方案主要分为两类:
3、1.基于参数微调(fine-tuning)的方案:该方案通常需要将连续物理信号提取为统计特征或时频图像并转译为文本,再通过lora等策略对大模型进行指令微调。此类方法高度依赖昂贵的高质量工业标注数据和庞大的计算资源,且当工业场景(如设备类型、工作转速范围)发生改变时,模型缺乏自适应扩展能力,频繁重训极易引发灾难性遗忘并导致通用推理能力退化。
4、2.基于提示工程(prompt engineering)的方案:该方法不调整模型权重,而是直接在系统提示词中注入物理先验知识和信号统计指标,引导模型进行逻辑推理。然而,大语言模型缺乏处理复杂物理数值波动和长序列时序特征的底层数学算子,在直接面对数以千计的连续浮点数时,推理过程具有极高的不确定性,极易产生“幻觉”现象,计算可靠性低,难以满足工业诊断对确定性和高准确率的严苛要求。
5、特别是在滚动轴承等旋转机械的实际工业环境中,设备往往运行在复杂的非平稳变转速工况下。转速波动会使得时域振动信号产生频谱展宽、故障特征频率线性漂移等频谱模糊问题。单一数据驱动模型在同时面对变转速带来的频率对齐需求与故障损伤程度定量评估所需的能量分布保持要求时,存在物理机理上的冲突。
6、因此,如何实现llm处理工业复杂多变任务时能力的实时扩展,在统一框架下有效组织语义推理与确定性诊断过程,从而在复杂工况下兼顾灵活决策能力与计算可靠性,是当前工业智能系统领域亟需解决的重大技术难题。
技术实现思路
1、针对现有技术的不足,本发明的目的在于提出一种基于模型上下文协议与大语言模型的工业诊断方法,该方法无需对大语言模型本身进行昂贵的参数微调,通过引入轻量化的模型上下文协议(mcp),在体系结构层面将高层语义推理与底层数值计算完全分离,并针对变转速工况设计了具备物理驱动的解耦式专家协同体系,有效消除了变转速引发的特征漂移,化解了故障特征对齐与能量保持的物理矛盾,在显著降低算力开销的同时,极大提升了跨工况、多维度诊断的准确率、鲁棒性与可控性。
2、本发明提供的一种基于模型上下文协议与大语言模型的工业诊断方法,包括:
3、模型上下文协议mcp主机同时接收轴承在变转速工况下的原始时域振动信号和用户输入的轴承诊断请求,以及根据轴承诊断请求和原始时域振动信号生成规划指令;
4、mcp主机内嵌的客户端将规划指令转译为json-rpc 2.0请求,将json-rpc 2.0请求发送至mcp服务端;
5、mcp服务端接收json-rpc 2.0请求,对json-rpc 2.0请求中的原始时域振动信号进行预处理和诊断,得到轴承故障部位和轴承故障程度并发送到客户端。
6、可选的,所述根据轴承诊断请求和原始时域振动信号生成规划指令,包括:
7、将轴承诊断请求输入预训练的大语言模型,输出用于故障诊断的模块,所述用于故障诊断的模块包括预处理专家模块、故障部位诊断模块和故障程度诊断模块;所述预处理专家模块、故障部位诊断模块、故障程度诊断模块和变转速工况下的原始时域振动信号组成规划指令。
8、可选的,所述对json-rpc 2.0请求中的原始时域振动信号进行预处理和诊断,得到轴承故障部位和轴承故障程度,包括:
9、对变转速工况下的原始时域振动信号进行预处理,得到重采样信号;
10、对重采样信号进行处理,得到轴承故障部位;
11、对原始时域振动信号进行处理,得到轴承故障程度。
12、可选的,所述变转速工况下的原始时域振动信号进行预处理,得到重采样信号,包括:
13、在变转速工况下的原始时域振动信号中获取转速最小值作为参考转速,获取参考转速下的基准采样频率,构建随输入转速动态变化的重采样频率函数,表示为:
14、;
15、其中,表示第i个采样点的转速;
16、设重采样后的序列索引为,k表示索引数量,根据重采样频率函数生成重采样域的虚拟时间点,具体通过以下公式实现:
17、;
18、构建原始采样浮点索引,具体通过以下公式实现:
19、;
20、采用零中心对称汉明窗函数,对原始时域振动信号进行处理,得到重采样信号,具体通过以下公式实现:
21、;
22、其中,为原始时域振动信号,表示归一化sinc函数,为零中心对称汉明窗函数对应的窗口的半宽度,表示对进行向下取整,表示零中心对称汉明窗函数,表达式为:
23、。
24、可选的,所述对重采样信号进行处理,得到轴承故障部位,包括:
25、将重采样信号输入一维卷积神经网络,得到轴承中每个部位的故障概率分布,获取故障概率分布中概率值最大的部位作为轴承故障部位。
26、可选的,所述对原始时域振动信号进行处理,得到轴承故障程度,包括:
27、对原始时域振动信号进行快速傅里叶变换并提取单边幅值谱,将单边幅值谱作为频域特征向量,将频域特征向量输入宽卷积核深度神经网络,得到预设多个损伤程度值的损失概率分布,获取损失概率分布中概率值最大的损伤程度值作为轴承故障程度。
28、采用上述技术方案所产生的有益效果在于:
29、1.实现了结构性的语义推理与数值计算完全解耦:借助开源mcp协议的轻量化json-rpc消息范式,大语言模型仅作为高层任务规划器,底层繁重的、不适合大模型处理的信号重采样和特征网络计算由特定的轻量化专家模块执行。这在体系结构层面消除了llm直接处理大量非结构化物理浮点数时的极高token消耗和数值计算“幻觉”,使诊断报告既具备人类专家的逻辑可解释性,又具备高度的计算确定性。
30、2.成功化解了频率对齐与能量保持的物理矛盾:针对变转速工况,本发明摒弃了传统的“单一模型十分类”强耦合方案,将任务拆分为故障类型和故障程度的解耦诊断。类型诊断采用阶次跟踪预处理有效消除了频率漂移;程度诊断则直接采用原始信号的fft谱,规避了重采样插值损失对能量幅值评估的负面影响,在转速偏差最大的恶劣工况下,仍能实现极高的联合诊断准确率。
31、3.具备卓越的模块化扩展性与跨模型泛化能力:系统引入了标准化的专家注册与发现机制,引入新算法、新工况专家时无需对大语言模型进行微调,实现了真正的即插即用,显著降低了标注数据依赖与微调算力开销。实验表明,即使使用百亿参数量以下的轻量化大模型作为智能体主机,在mcp专家支持下其诊断准确率也能逼近深度专家网络的极限性能,极其利于向物联网边缘资源受限环境的部署。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com