Progressive Knowledge-Guided Large Language Model Framework for Bearing Fault Diagnosis
作者: Jinghan Wang, Gaoliang Peng, Yanjun Chen, Wei Zhang, Wentao Wu, Tianchen Liu
分类: cs.CL
发布日期: 2026-06-15
💡 一句话要点
提出渐进式知识引导的大语言模型框架以解决轴承故障诊断问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 轴承故障诊断 振动信号处理 物理引导 多尺度融合 实时监测 特征提取 机器学习 工业应用
📋 核心要点
- 现有方法在轴承故障诊断中面临测量特征效率与信号保真度之间的权衡，且缺乏对故障物理的可追溯性。
- 提出了一种渐进式物理引导的多尺度振动信号处理框架，能够在统一的诊断流程中解决上述挑战。
- 在四个公共基准数据集上验证，框架实现了98.49%的诊断准确率，并显著降低了计算成本，提升了效率。
📝 摘要（中文）
基于振动的轴承故障诊断需要解决三个相互关联的测量挑战，包括全局统计特征效率与局部瞬态信号保真度之间的权衡、测量特征与潜在故障物理的可追溯性不足，以及跨诊断尺度的多源测量信息融合效果不佳。本文提出了一种渐进式物理引导的多尺度振动信号处理框架，统一解决这三大挑战。通过基于轴承运动学理论和特征缺陷频率推导的81维测量描述符，建立了一个物理可追溯的特征空间，实现了约20毫秒每个样本的实时故障筛查。故障自适应信号分割机制引导分析注意力集中在与故障相关的波形区域，无需手动特征工程。结构化故障机制知识在训练过程中隐式编码到模型参数中，使得推理时能够自主进行多尺度测量融合，无需外部知识依赖。经过在四个公共基准数据集下的验证，该框架在多种操作条件下实现了98.49%的诊断准确率，相较于信号级基线减少了12.6倍的计算成本。可解释性分析确认了诊断特征激活与已建立的轴承故障力学一致，支持在安全关键工业系统中的测量可追溯性。
🔬 方法详解
问题定义：本文旨在解决基于振动的轴承故障诊断中的三个主要挑战：全局特征与局部信号的权衡、测量特征的可追溯性不足，以及多源信息融合的低效性。
核心思路：通过构建一个物理引导的多尺度振动信号处理框架，论文设计了一种81维的测量描述符，使得特征空间与物理故障机制相结合，从而实现实时故障筛查。
技术框架：整体框架包括三个主要模块：首先是基于物理理论的特征提取，其次是故障自适应信号分割，最后是多尺度测量信息的融合。每个模块在诊断流程中相互关联，形成一个统一的解决方案。
关键创新：最重要的创新在于通过物理知识引导的特征提取与信号分割机制，使得模型能够在没有手动特征工程的情况下，自动聚焦于与故障相关的信号区域。
关键设计：在模型训练中，故障机制知识被隐式编码到模型参数中，采用的损失函数和网络结构设计旨在优化特征提取与融合的效率，确保在推理时的高效性与准确性。
📊 实验亮点
实验结果显示，该框架在四个公共基准数据集上实现了98.49%的诊断准确率，相较于传统信号级基线，计算成本降低了12.6倍。这一显著提升表明了该方法在实际应用中的有效性与优势。
🎯 应用场景
该研究的潜在应用领域包括工业设备的故障监测与诊断，尤其是在航空航天、制造业和能源等安全关键的行业。通过提高故障诊断的准确性和效率，能够显著降低设备停机时间和维护成本，提升整体生产效率。未来，该框架有望推广至更广泛的机械故障检测和预测维护领域。
📄 摘要（原文）
Vibration-based bearing fault diagnosis requires resolving three interrelated measurement challenges, including the trade-off between global statistical feature efficiency and local transient signal fidelity, insufficient traceability of measurement features to underlying fault physics, and ineffective multi-source measurement information fusion across diagnostic scales. This paper presents a progressive physics-guided multi-scale vibration signal processing framework that addresses all three challenges within a unified diagnostic pipeline. An 81-dimensional measurement descriptor, derived from bearing kinematic theory and characteristic defect frequencies, establishes a physically traceable feature space enabling real-time fault screening at approximately 20 ms per sample. A fault-adaptive signal segmentation mechanism then directs analytical attention toward fault-relevant waveform regions guided by physics-based priors, without manual feature engineering. Structured fault mechanism knowledge is further encoded implicitly in model parameters during training, enabling autonomous multi-scale measurement fusion without external knowledge dependencies at inference. Validated on four public benchmark datasets under diverse operating conditions, the framework achieves 98.49% diagnostic accuracy with a 12.6-fold reduction in computational cost relative to signal-level baselines. Interpretability analysis confirms that diagnostic feature activations align with established bearing fault mechanics, supporting measurement traceability in safety-critical industrial systems.