机械工程学报 ›› 2026, Vol. 62 ›› Issue (18): 186-202.doi: 10.3901/JME.260819
• 特邀专栏:大模型驱动的高端装备智能运维 • 上一篇
袁科研1,2,3, 靳亚强4,5,6,7, 饶猛7, 卢国梁1,2,3, 左明健4,5,6,7
YUAN Keyan1,2,3, JIN Yaqiang4,5,6,7, RAO Meng7, LU Guoliang1,2,3, ZUO Mingjian4,5,6,7
摘要: 轴向柱塞泵的故障数据在实际工业场景中常呈现显著的不均衡性,即大量正常样本与极少量故障样本共存,这使得严重依赖均衡大数据集的传统深度学习方法面临泛化性能下降的挑战。现有方法多通过数据层面的过采样或欠采样来调整分布,未能从根本上提升模型对少数类细微特征的感知能力。近年来,大语言模型(Large language model,LLM)展现出从海量数据中习得通用特征表示的巨大潜力,其强大的上下文学习与特征捕捉能力为样本不平衡故障诊断提供了新思路。为此,提出一种基于大语言模型的不均衡样本故障诊断框架。首先,通过设计的自相关注意力与混合专家分解机制,自适应地解构振动信号,析离出其周期性与趋势性成分;进而,利用一种概率采样稀疏交叉注意力机制,将分解后的特征重新编程为类文本序列,并与特定设计的提示(Prompt)相结合,以引导LLM聚焦于故障的判别性特征;最终,通过故障映射模块实现故障状态的精准分类。在真实数据集上的实验表明,文中方法在少数类故障的诊断精度上表现优异,为不均衡工况下的轴向柱塞泵故障诊断提供了有效方案。
中图分类号: