一种基于大小模型协同的设备故障诊断方法
本发明涉及设备故障诊断,特别涉及一种基于大小模型协同的设备故障诊断方法。
背景技术:
1、随着工业自动化和智能制造的快速发展,设备故障诊断已成为保障生产安全、降低运维成本的关键技术。现有设备故障诊断技术主要包括传统故障诊断方法和智能故障诊断方法。
2、传统故障诊断方法主要依赖人工经验和规则库,通过专家系统、阈值判断等手段对设备运行状态进行监测和故障识别。该类方法存在以下主要缺陷:(1)效率低下:依赖人工经验积累,诊断过程耗时长,难以满足工业场景对实时性的要求;(2)误诊率高:在多故障耦合场景下,单一规则难以覆盖复杂故障模式,误诊率显著上升;(3)可扩展性差:规则库维护成本高,难以快速适配新型设备或新型故障类型;(4)知识获取困难:专家经验难以系统化、结构化,知识传承存在瓶颈。
3、近年来,以深度学习为代表的智能故障诊断方法得到广泛研究,主要包括基于大模型的方法和基于小模型的方法。
4、大语言模型具有强大的自然语言理解和语义推理能力,能够处理非结构化的故障描述文本,并结合历史案例进行初步故障判断。然而,大模型在工业故障诊断场景中存在以下不足:(1)推理速度慢:大模型参数量庞大(通常达数十亿至数千亿参数),推理延迟高,难以满足工业实时诊断需求;(2)资源消耗大:部署和运行大模型需要大量计算资源(gpu/tpu),工业现场部署成本高;(3)领域适配性不足:通用大模型缺乏工业设备专业知识,对结构化传感器数据的处理能力有限;(4)结构化数据处理能力弱:大模型擅长处理文本数据,但对振动、温度、电流等时序传感器数据的特征提取能力不足。
5、以卷积神经网络(convolutional neural network,cnn)、长短期记忆网络(longshort-term memory,lstm)、支持向量机(support vector machine,svm)等为代表的小模型,具有推理速度快、资源消耗低的优势,适合工业现场部署。然而,小模型存在以下局限:(1)样本依赖性强:小模型训练需要大量标注样本,而工业场景中故障样本稀缺,尤其是罕见故障类型的标注数据极为有限;(2)泛化能力弱:小模型在特定设备和特定工况下训练,跨设备、跨工况的泛化能力差;(3)语义理解能力不足:小模型无法处理非结构化的故障描述文本,难以利用历史案例中的文字信息。
6、除上述各自缺陷外,现有技术还存在以下系统性问题:(1)故障案例检索与数据处理脱节:故障案例检索系统与传感器数据处理系统相互独立,无法实现信息融合;(2)判定与处置方案生成相互独立:故障判定模块与处置方案生成模块缺乏有效联动,处置方案的生成缺乏精准判定结果的支撑;(3)诊断结果缺乏可解释性:深度学习模型的"黑箱"特性导致诊断结果缺乏可解释性,难以获得工程师信任;(4)持续学习能力不足:现有系统缺乏从新故障案例中持续学习和自我优化的机制。
7、因此,现有技术无法满足工业场景对故障诊断高效性、精准性、可解释性和可落地性的综合需求,亟需一种能够整合大模型和小模型各自优势、实现故障诊断全流程闭环的新方法。
技术实现思路
1、为了解决现有技术存在的大模型推理速度慢、小模型标注数据稀缺且语义理解能力不足的技术问题,本发明实施例提供了一种基于大小模型协同的设备故障诊断方法。所述技术方案如下:
2、提供了一种基于大小模型协同的设备故障诊断方法,该方法包括:获取设备当前的故障描述文本和传感器数据;根据所述故障描述文本,从历史案例库中基于相似度获取若干个历史案例,得到第一历史案例集;将所述故障描述文本和所述第一历史案例集输入至大模型中,输出第一故障类型集合;根据所述第一故障类型集合中的故障类型,从所述历史案例库中获取所有相关的历史案例,得到第二历史案例集,并根据所述第二历史案例集构建标准化故障数据集;将所述标准化故障数据集作为目标域,对预训练的小模型进行迁移学习微调,得到微调后的小模型;根据所述传感器数据构建当前故障数据集,并将所述当前故障数据集输入至微调后的小模型中进行推理,得到第二故障类型集合;根据所述第一故障类型集合和所述第二故障类型集合,确定最终诊断结果。
3、本发明实施例提供的技术方案带来的有益效果至少包括:通过大小模型协同实现优势互补,大模型负责语义理解和案例检索,为小模型提供精准的训练数据筛选;小模型基于实际传感器数据进行高效推理,保证了诊断的实时性和准确性;同时,通过迁移学习机制,利用历史案例数据对预训练小模型进行微调,有效解决了工业场景中标注数据稀缺的问题;此外,采用双向校验机制,以大模型初步判定辅助小模型精准判定,进一步提升了诊断结果的可靠性,实现了从故障信息采集到最终诊断结果输出的全流程闭环。
1.一种基于大小模型协同的设备故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于大小模型协同的设备故障诊断方法,其特征在于,根据所述故障描述文本,从历史案例库中基于相似度获取若干个历史案例,得到第一历史案例集,包括:
3.根据权利要求1所述的基于大小模型协同的设备故障诊断方法,其特征在于,将所述故障描述文本和所述第一历史案例集输入至大模型中,输出第一故障类型集合,包括:
4.根据权利要求1所述的基于大小模型协同的设备故障诊断方法,其特征在于,根据所述第二历史案例集构建标准化故障数据集,包括:
5.根据权利要求1所述的基于大小模型协同的设备故障诊断方法,其特征在于,所述小模型为轻量化神经网络模型,网络结构采用卷积神经网络、长短期记忆网络或卷积神经网络与长短期记忆网络的混合架构;所述小模型的总参数量不超过50m。
6.根据权利要求1所述的基于大小模型协同的设备故障诊断方法,其特征在于,对预训练的小模型进行迁移学习微调,得到微调后的小模型,包括:
7.根据权利要求1所述的基于大小模型协同的设备故障诊断方法,其特征在于,根据所述第一故障类型集合和所述第二故障类型集合,确定最终诊断结果,包括:
8.根据权利要求1所述的基于大小模型协同的设备故障诊断方法,其特征在于,所述方法还包括:
9.根据权利要求8所述的基于大小模型协同的设备故障诊断方法,其特征在于,根据所述最终诊断结果,从知识图谱中检索关联的知识子图,包括:
10.根据权利要求8所述的基于大小模型协同的设备故障诊断方法,其特征在于,将所述最终诊断结果及所述知识子图输入所述大模型中,生成处置方案并输出,包括:
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