基于大语言模型的转动设备边缘诊断方法及装置与流程

摘要: 本技术涉及设备故障诊断,特别涉及一种基于大语言模型的转动设备边缘诊断方法及装置。背景技术:1、转动设备广泛应用于工业生产各核心场景,基于振动信号开展状态监测与故...
基于大语言模型的转动设备边缘诊断方法及装置与流程

本技术涉及设备故障诊断,特别涉及一种基于大语言模型的转动设备边缘诊断方法及装置。

背景技术:

1、转动设备广泛应用于工业生产各核心场景,基于振动信号开展状态监测与故障诊断是保障设备长周期稳定运行的主流技术方式。当前基于大语言模型的转动设备智能诊断技术,可实现振动信号特征提取与故障类型识别,能够初步完成设备故障的判定工作,具备基础的故障分析与判断能力。

2、但现有技术在实际应用过程中,仅依托提取的振动特征完成简单故障匹配与浅层推理,推理过程尚未纳入特征置信信息,特征与故障诱因、故障传递逻辑之间尚未建立规范化关联表达,推理逻辑呈现碎片化,难以形成从实测振动特征、中间异常状态到设备根因故障的层级化推理脉络,诊断输出的推理链路结构不规整,无法清晰呈现故障的完整演化过程与因果关联关系,不利于运维人员梳理故障演变逻辑,限制了智能诊断结果在工业现场运维场景下的落地应用。

技术实现思路

1、本技术的目的是提供一种基于大语言模型的转动设备边缘诊断方法及装置,旨在解决现有技术中故障推理链路规范化层级表达不足的技术问题。

2、为实现上述目的,本技术提供一种基于大语言模型的转动设备边缘诊断方法,包括:

3、获取转动设备的振动数据并得到振动速度有效值;

4、比对所述振动速度有效值与预设阈值,在所述振动速度有效值超出预设阈值时,输出诊断触发信号;

5、响应所述诊断触发信号,提取所述振动数据的时域特征与频域特征,对所述时域特征与所述频域特征进行故障特征归一化校准,将校准后的时域特征、频域特征映射为带置信度标记的结构化特征文本;

6、基于所述结构化特征文本生成模型输入提示文本,将所述模型输入提示文本输入预先部署于转动设备诊断端的大语言模型,基于所述模型输入提示文本驱动所述大语言模型执行故障因果推理运算,输出带故障溯源推理链路的故障诊断报告。

7、在一些可选的实施例中,响应所述诊断触发信号,提取振动数据的时域特征与频域特征,对所述时域特征与所述频域特征进行故障特征归一化校准,将校准后的时域特征、频域特征映射为带置信度标记的结构化特征文本,包括:

8、截取诊断触发时段的有效振动数据片段并剔除异常数据点,对净化后的振动数据分别提取时域特征与频域特征;

9、对提取的各类特征进行统一区间校准处理,消除不同工况下的数据幅值偏差;

10、根据各特征偏离正常工作状态的偏差程度分别匹配对应置信度标识,将校准后的特征数据与对应的置信度标识整合生成结构化特征文本。

11、在一些可选的实施例中,截取诊断触发时段的有效振动数据片段并剔除异常数据点,对净化后的振动数据分别提取时域特征与频域特征,包括:

12、以诊断触发时刻为基准定点截取连续振动数据片段,通过邻域数据差异比对方式筛查离散异常数据点并完成数据滤除;

13、基于净化后的振动数据提取多类时域统计特征,同时对净化后的振动数据进行频域变换处理,抽取固定维度的频谱特征、能量特征,构建振动时频联合特征集合。

14、在一些可选的实施例中,对提取的各类特征进行统一区间校准处理,消除不同工况下的数据幅值偏差,包括:

15、调取设备常态运行对应的标准特征区间参数,将实时提取的时域特征、频域特征分别对应匹配标准特征区间;

16、对各维度特征分别执行区间尺度映射变换,对不同运行工况对应的特征幅值偏移量进行统一修正,完成全部特征的标准化校准处理。

17、在一些可选的实施例中,将所述模型输入提示文本输入预先部署于转动设备诊断端的大语言模型,基于所述模型输入提示文本驱动所述大语言模型执行故障因果推理运算,输出带故障溯源推理链路的故障诊断报告,包括:

18、对所述模型输入提示文本进行词元编码,得到对应的词元向量序列;

19、将所述词元向量序列送入所述大语言模型,计算所述词元向量序列内各词元之间的关联权重,提取振动特征语义表征;

20、调用预置故障因果规则集合,以所述振动特征语义表征作为推理起点,迭代执行故障因果推理运算,得到故障节点集合以及故障节点之间的因果关联;

21、依据所述故障节点集合以及所述因果关联构建故障溯源推理链路;

22、将所述故障溯源推理链路与所述模型输入提示文本携带的特征置信信息进行整合,生成带故障溯源推理链路的故障诊断报告。

23、在一些可选的实施例中,将所述词元向量序列送入所述大语言模型,计算所述词元向量序列内各词元之间的关联权重,提取振动特征语义表征,包括:

24、对所述词元向量序列内的每一个词元,分别生成查询向量、键向量以及值向量;

25、基于所述查询向量、所述键向量以及所述值向量,计算各词元之间的关联权重;

26、其中,关联权重计算公式为:

27、,

28、式中,表示关联权重计算结果;表示查询向量;表示键向量;表示键向量的转置;表示值向量,表示单个向量维度,表示归一化指数函数;

29、基于计算得到的所述关联权重对所述词元向量序列进行加权融合,输出振动特征语义表征。

30、在一些可选的实施例中,调用预置故障因果规则集合,以所述振动特征语义表征作为推理起点,迭代执行故障因果推理运算,得到故障节点集合以及故障节点之间的因果关联,包括:

31、将预置故障因果规则集合构建为故障因果有向图;

32、其中,所述故障因果有向图的表达式为:

33、,

34、式中,表示故障因果有向图,表示故障节点集合,表示节点之间因果边集合;

35、计算所述振动特征语义表征与故障因果有向图内各故障节点的匹配度;

36、其中,所述匹配度计算公式为:

37、,

38、式中,表示振动特征与故障节点n的匹配度;n表示故障节点;cos表示余弦相似度计算函数;表示振动特征语义表征向量;表示故障节点n的特征向量;

39、选取匹配度大于预设阈值的故障节点作为起始节点,沿所述故障因果有向图的因果边迭代遍历,得到全部关联故障节点以及节点间因果关联。

40、在一些可选的实施例中,依据所述故障节点集合以及所述因果关联构建故障溯源推理链路,包括:

41、确定所述起始节点对应的观测特征节点;

42、以所述观测特征节点为链路起点,沿着因果边的反向溯源方向遍历所述故障因果有向图;

43、遍历过程中,跟随遍历路径依次提取中间故障节点对应的中间故障以及根故障节点对应的根故障;

44、记录本次遍历得到的全部故障节点、各节点对应的观测特征以及节点间的因果关系;

45、按照遍历顺序串联所述观测特征、所述中间故障以及所述根故障,形成故障溯源推理链路。

46、在一些可选的实施例中,将所述故障溯源推理链路与所述模型输入提示文本携带的特征置信信息进行整合,生成带故障溯源推理链路的故障诊断报告,包括:

47、对所述故障溯源推理链路执行序列化编码处理,得到链路数据;

48、提取所述结构化特征文本内的特征取值以及特征置信标记;

49、将所述链路数据、所述特征取值、所述特征置信标记按预设字段结构进行封装,得到封装后的字段内容;

50、按照预设输出模板编排所述封装后的字段内容,生成带故障溯源推理链路的故障诊断报告。

51、本技术还提供一种基于大语言模型的转动设备边缘诊断装置,所述装置用于执行上文所述的基于大语言模型的转动设备边缘诊断方法,所述装置包括信号获取单元、阈值比对存储控制单元、特征处理单元以及模型推理单元;

52、所述信号获取单元用于获取转动设备的振动数据并得到振动速度有效值;

53、所述阈值比对存储控制单元用于比对所述振动速度有效值与预设阈值,在所述振动速度有效值超出预设阈值时,输出诊断触发信号;

54、所述特征处理单元用于响应所述诊断触发信号,提取所述振动数据的时域特征与频域特征,对所述时域特征与所述频域特征进行故障特征归一化校准,将校准后的时域特征、频域特征映射为带置信度标记的结构化特征文本;

55、所述模型推理单元用于基于所述结构化特征文本生成模型输入提示文本,将模型输入提示文本输入预先部署于转动设备诊断端的大语言模型,基于所述模型输入提示文本驱动所述大语言模型执行故障因果推理运算,输出带故障溯源推理链路的故障诊断报告。

56、本技术的上述技术方案至少具有如下有益技术效果:

57、本技术的技术方案通过采用振动速度有效值阈值比对的差异化触发机制,筛选异常振动数据并启动诊断流程,对有效异常振动数据的时域特征与频域特征开展归一化校准处理,将校准后的多维特征映射为带置信度标记的结构化特征文本,依托预设提示词工程模板生成标准化模型输入提示文本,驱动部署于转动设备诊断端的大语言模型开展分层故障因果推理运算,能够将特征置信信息纳入推理过程,规整各层级故障的逻辑关联关系,构建形成结构规范的故障溯源推理链路,有序串联振动异常表现、中间故障状态与最终故障根因,有利于规范故障推理的表达形式,让诊断结果输出结构完整、逻辑清晰的推理脉络,适配工业现场精细化设备运维的实际需求。