一种基于大语言模型的地铁道岔病害智能诊断与决策方法
本发明涉及城市轨道交通基础设施智能运维,具体涉及一种基于大语言模型的地铁道岔病害智能诊断与决策方法。
背景技术:
1、地铁系统的运营安全与效率高度依赖道岔等关键基础设施的服役状态。道岔是轨道系统中引导列车转换线路的关键设备,因其结构复杂且受力集中,长期以来是制约地铁线路通行能力与行车安全的薄弱环节。降低值是表征道岔区几何状态的关键参数之一,其定义为尖轨或心轨顶面相对于基本轨的垂直高度差。降低值偏差会破坏轮轨界面的平稳接触,引发列车通过时明显的横向晃动和轮轨力冲击,加剧结构损伤。
2、在现有技术中,地铁道岔状态监测主要依赖定点监测与夜间短暂“天窗”期的定期检测两种方式。定点监测系统能监控电气故障或机械卡阻等显性问题,但难以直接感知由降低值偏差引起的结构异常响应;定期检测如人工巡查或检测车虽然能够采集振动响应数据,但结果分析高度依赖专家经验,难以实现从数据到维修决策的端到端自动输出。
3、传统深度学习等数据驱动诊断方法虽能实现快速识别,但模型可解释性较弱,最终运维决策仍需人工参与,在应对复杂工况下的状态演化时存在局限性。大语言模型具备较强的语义理解和文本生成能力,为地铁病害诊断和决策一体化提供了新的实现路径。然而,大语言模型擅长处理自然语言而非连续数值信号,如何将加速度响应等传感数据有效转换为支持大语言模型理解的结构化文本,并保证输出结果符合地铁行业规范,仍是当前亟需解决的技术问题。
技术实现思路
1、本发明旨在提供一种基于大语言模型的地铁道岔病害智能诊断与决策方法,用于解决以上问题。
2、第一方面,本发明的技术方案是:一种基于大语言模型的地铁道岔病害智能诊断与决策方法,包括以下步骤:
3、s1,数据采集与文本数据集构建;获取地铁列车通过道岔时的地铁列车车体加速度响应信号,提取时域特征参数和频域特征参数,并基于特征参数构建不同维度的结构化指令微调文本数据集;
4、s2,模型微调训练与验证评估;在大语言基座模型上,采用参数高效微调方法,并在语言建模损失函数的基础上引入对比学习损失函数进行模型微调;在验证集评估过程中,对大语言模型输出文本采用多层级语义解析策略提取分类标签,以计算病害诊断准确率,得到具备病害诊断能力的微调后大语言模型;
5、s3,待测信号在线诊断;将现场采集的待测加速度响应信号经文本化处理后输入至微调后大语言模型,获取病害初步诊断结果;
6、s4,运维规范语义检索;基于病害初步诊断结果,利用检索增强生成技术从预构建的运维规范知识库中检索高度相关的专业规范片段;
7、s5,智能运维决策生成;将专业规范片段与诊断结果共同作为上下文输入至同一个微调后大语言模型中,引导生成标准化的智能运维决策建议;
8、其中,s1获取加速度响应信号并构建结构化指令微调文本数据集,为模型微调与在线推理提供统一的数据基础;s2在s1构建的数据集上采用联合损失函数对模型进行微调,得到具备病害诊断能力的微调后大语言模型;s3利用s2微调后的模型,对按s1相同格式构建的待测信号文本进行病害初步诊断;s4基于s3输出的初步诊断结果,利用检索增强生成技术从预构建的运维规范知识库中检索高相关的专业规范片段;s5将s4检索到的规范片段与s3的诊断结果共同输入s2得到的同一个微调后大语言模型,引导生成标准化智能运维决策建议。
9、优选地,s1 中,地铁列车车体加速度响应信号包括横向加速度数据及垂向加速度数据;提取的特征参数包括 12 个时域特征与 12 个频域特征;其中:
10、时域特征包括:均值、标准差、方根幅值、绝对均值、峰值、偏度、峰度、方差、峭度指数、峰值指数、波形指数、脉冲指数;
11、频域特征包括:频率均值、频率方差、频率偏度、频率峰度、重心频率、频率标准差、频率均方根值、平均频率、规整度、变异参数、八阶矩、十六阶矩。
12、优选地, s1 中,结构化指令微调文本数据集的每条数据由指令部分、输入部分及输出部分依次组成;其中,指令部分定义模型专家角色、任务描述、输出格式规范及特征物理含义指引,输入部分以自然语言形式逐项列示加速度信号的各特征名称及其对应数值,输出部分采用数值标签标识病害类别。
13、优选地,结构化指令微调文本数据集依据包含的特征信息维度分为原始数据型、特征数据型、物理增强型和横向精简型四种类型格式。
14、优选地, s2 中,对比学习损失函数基于样本语义表征向量与各病害类别原型向量之间的余弦相似度构建;样本语义表征向量为模型最后一层隐藏状态中对应答案结尾位置的隐藏向量,类别原型向量为可学习的动态类别中心表征,损失函数具体如下:
15、
16、式中,是一个权重超参数;为原始语言建模损失,即交叉熵损失;为引入的对比损失;对比损失公式如下:
17、
18、式中,为样本语义表征向量,是对应类别的原型向量,为一个可学习的动态类别原型向量,是温度超参数,是余弦相似度函数。
19、优选地, s2 中,多层级语义解析策略用于验证集评估阶段的分类标签提取,包括以下递进处理步骤:对模型输出的自然语言回答进行预处理;优先在文本尾部区域搜索独立数字标签;若未搜索到明确数字标签,则在预定义的中英文关键词库中进行模式匹配;若仍未匹配成功,则以全文范围内的数字搜索提取作为备选结果。
20、优选地, s2 中,参数高效微调方法为 lora 低秩自适应方法,对于预训练权重矩阵,lora 将其参数更新 δw 分解为两个低秩矩阵的乘积:
21、
22、其中,,,为预设的低秩维度;对于输入 x,lora 的前向传播计算为:
23、
24、微调目标模块设置为作用于大语言模型全部注意力模块的查询投影矩阵、键投影矩阵、值投影矩阵及输出投影矩阵,以及全部前馈神经网络模块线性层。
25、优选地,s4 中,检索增强生成技术的具体包括:将地铁行业工务规范文本按预设长度切分为文本块集合,并通过预训练语言模型对每个文本块进行向量化嵌入编码,构建运维规范知识库;对于由所述初步诊断结果生成的查询文本q, 经同一预训练语言模型编码为向量 后,采用余弦相似度计算其与知识库中各文本块向量的语义相关度:
26、
27、根据相似度得分降序排列,召回得分最高的前 k 个文本块作为候选知识片段,经去重与重排序后提取为所述专业规范片段。
28、第二方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种基于大语言模型的地铁道岔病害智能诊断与决策方法的步骤。
29、第三方面,本发明提供一种计算机程序产品,包括计算机程序,计算机程序当在一个或多个处理器上运行时,用于实现一种基于大语言模型的地铁道岔病害智能诊断与决策方法。
30、本发明的有益效果在于:
31、(1)本发明通过将车体振动响应信号提取为具有明确物理意义的时域与频域特征,并进一步构造成结构化文本样本,实现了数值型轨道状态信息与大语言模型语义处理能力之间的有效衔接,降低了模型输入冗余并保留了关键诊断信息;
32、(2)本发明在参数高效微调过程中引入联合损失优化机制,通过语言建模损失与对比学习损失的协同约束,提高了不同病害类别在语义空间中的可分性,增强了模型对地铁道岔降低值偏差病害的识别稳定性;
33、(3)本发明设计了面向验证集评估的多层级语义解析策略,对大语言模型输出的自然语言结果进行标准化提取和标签映射,减少了生成式表述差异对分类准确率计算的影响,提高了模型微调阶段评估结果的一致性;
34、(4)本发明进一步将检索增强生成技术与地铁行业规范知识库结合,使诊断结果能够关联对应的城市轨道交通工务规范条文和操作要求,从而输出具有针对性、规范性和可执行性的运维决策建议,形成了从状态感知、诊断到决策生成的闭环处理流程。
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