DOI: https://doi.org/10.1016/j.knosys.2026.115897
تاريخ النشر: 2026-03-28
المؤلف: Jie Wang وآخرون
الموضوع الرئيسي: تقنيات تشخيص أعطال الآلات
نظرة عامة
تقدم البحث طريقة جديدة لتشخيص الأعطال تستفيد من نماذج اللغة الكبيرة (LLMs) لمعالجة التحديات في معالجة بيانات السلاسل الزمنية، وخاصة إشارات الاهتزاز المستمرة. الطريقة المقترحة، المسماة HCMA_GPT، تستخدم نهج المحاذاة المتعددة الطبقات بين الأنماط الذي يبدأ بوحدة تمثيل متآزر بين الإشارة والنص، والتي تولد أوصاف نصية غنية بالمعرفة من الإشارات الخام. يتم ترميز هذه الأوصاف جنبًا إلى جنب مع الإشارات الأصلية لتعزيز تنوع وعبارة السمات المتعلقة بالأعطال. وحدة محاذاة ودمج السمات المتعددة الطبقات التالية تقلل من التباين التوزيعي بين النمطين، مما يحسن من قابلية تطبيق LLMs على بيانات السلاسل الزمنية.
تظهر الطريقة تقدمًا كبيرًا مقارنة بالنماذج التشخيصية التقليدية، حيث تحقق دقة متوسطة تبلغ 97.32% عبر خمسة مجموعات بيانات غير متجانسة، وهو تحسن يزيد عن 8.62% مقارنة بالنماذج الأساسية. تحافظ على دقة تتجاوز 80% في سيناريوهات مختلفة من التباين بين الظروف وعدم توازن البيانات، مما يظهر قدرة استثنائية على التكيف والصلابة. كما تسلط الدراسة الضوء على الحاجة إلى مزيد من الاستكشاف لتعميم LLM في التطبيقات الصناعية، مقترحة أعمالًا مستقبلية ستدمج استراتيجيات التحفيز المتعددة المهام وتعديلات وزن الخسارة التكيفية لإنشاء إطار نموذج ذكي موحد لتشخيص الأعطال، ومراقبة حالة المعدات، وتوقع العمر المتبقي المفيد.
مقدمة
في مقدمة الورقة، يؤكد المؤلفون على الدور الحاسم للآلات الدوارة في الإنتاج الصناعي وضرورة التشخيص السريع والدقيق للأعطال لضمان استقرار العمليات ومنع الخسائر الاقتصادية. يبرزون التقدم في تكنولوجيا المستشعرات التي تسهل اكتساب البيانات المستمر، والذي يشكل الأساس لمراقبة الحالة المعتمدة على البيانات. على عكس الطرق التقليدية التي تعتمد على ميزات مصممة يدويًا، اكتسبت تقنيات التعلم العميق (DL) شهرة بسبب قدرتها على تحديد الحالات التشغيلية وأنواع الأعطال تلقائيًا من خلال تمثيل الميزات المتفوق وقدرات النمذجة غير الخطية. يتم الإشارة إلى عدة دراسات، تعرض ابتكارات مثل التعلم المتغير بايزي لتقدير عدم اليقين، وحدات الانتباه المشترك للنماذج الخفيفة، استراتيجيات الدمج المتعددة الطبقات لبيانات المستشعرات المتعددة، وطرق تشخيص الأعطال المركبة التي تستفيد من نماذج الانتشار.
على الرغم من هذه التقدمات، يحدد المؤلفون قيودًا كبيرة في طرق تشخيص الأعطال المعتمدة على DL الحالية، بما في ذلك خصوصيتها لمجموعات بيانات وسيناريوهات تشغيل معينة، والتحديات في الحفاظ على التعميم عبر ظروف متغيرة، وعدم توازن البيانات بسبب ندرة عينات الأعطال. يشيرون إلى أن الأساليب الحالية غالبًا ما تعالج تحديات معزولة دون تقديم إطار موحد لمعالجة القضايا المجمعة لتنوع مجموعات البيانات، والتعميم عبر الظروف، وعدم توازن البيانات. لمعالجة هذه النواقص، يقترح المؤلفون نموذج تشخيص أعطال موحد جديد، HCMA_GPT، الذي يستفيد من قدرات التعميم والاستدلال لنماذج اللغة الكبيرة (LLMs) لتعزيز الصلابة والقدرة على التكيف عبر مجموعات بيانات وظروف متنوعة. توضح الورقة هيكله، مشيرة إلى أن الأقسام التالية ستراجع الأعمال ذات الصلة، وتفصل إطار HCMA_GPT، وتحقق فعاليته من خلال تجارب موسعة.
طرق
في هذا القسم، يقدم المؤلفون تحليلًا مقارنًا لنهجهم المقترح مقابل الأسس المعمول بها باستخدام خمسة مجموعات بيانات متميزة. تشمل النماذج التي تم تقييمها HCMA_BERT، Time-LLM، ViT، WD-CNN، Autoformer، وPEDformer. تشير النتائج، الملخصة في الجدول 3، إلى النسب المئوية للدقة التي حققها كل نموذج عبر مجموعات البيانات، مع تسليط الضوء على أداء HSTA_GPT وHSTA_BERT في بيئات تشخيص الأعطال.
يكشف التحليل أن النماذج المطورة تظهر مستويات دقة تنافسية، مما يشير إلى فعاليتها في معالجة التحديات التي تطرحها مجموعات البيانات. تؤكد النتائج على إمكانيات الطرق المقترحة في تعزيز قدرات تشخيص الأعطال مقارنة بالأساليب التقليدية.
نقاش
في هذا القسم، يركز النقاش على التقدمات والتحديات المرتبطة بتطبيق نماذج اللغة الكبيرة (LLMs) على تشخيص الأعطال في الآلات الدوارة. تظهر LLMs، التي تم تدريبها بشكل أساسي على مجموعات نصية عامة، قدرات قوية على التعميم والاستدلال بفضل آليات الانتباه الذاتي الخاصة بها. ومع ذلك، فإن فعاليتها في المجالات المتخصصة مثل تشخيص الأعطال محدودة بسبب نقص المعرفة الخاصة بالمجال. تبرز الورقة دراسات متنوعة استكشفت دمج LLMs مع بيانات السلاسل الزمنية لمهام مثل التنبؤ واتخاذ القرار، مما يبرز الحاجة إلى نماذج يمكن أن تتكيف مع ظروف التشغيل المعقدة.
تقدم الطريقة المقترحة، HCMA_GPT، إطارًا جديدًا يستفيد من وحدة تمثيل متآزر بين الإشارة والنص ووحدة محاذاة ودمج السمات المتعددة الطبقات. يتيح هذا النهج تحويل بيانات السلاسل الزمنية إلى تنسيق يمكن فهمه من قبل LLMs دون الحاجة إلى ضبط دقيق، مما يعزز من قابليتها للتطبيق في مهام تشخيص الأعطال. تظهر النتائج التجريبية أن HCMA_GPT تحقق دقة متوسطة تبلغ 97.32% عبر خمسة مجموعات بيانات متنوعة، متفوقة بشكل كبير على النماذج التقليدية، خاصة في السيناريوهات التي تتضمن تشخيصات عبر الظروف وعدم توازن البيانات. تؤكد النتائج على إمكانيات LLMs في التطبيقات الصناعية، بينما تشير أيضًا إلى أن مزيدًا من الاستكشاف مطلوب للاستفادة الكاملة من قدراتها في المجالات المتخصصة. تهدف الأعمال المستقبلية إلى تطوير إطار نموذج موحد يدمج تشخيص الأعطال مع مهام الصيانة التنبؤية الأخرى، مما يوسع من فائدة LLMs في البيئات الصناعية.
DOI: https://doi.org/10.1016/j.knosys.2026.115897
Publication Date: 2026-03-28
Author(s): Jie Wang et al.
Primary Topic: Machine Fault Diagnosis Techniques
Overview
The research presents a novel fault diagnosis method leveraging large language models (LLMs) to address challenges in processing time-series data, particularly continuous vibration signals. The proposed method, named HCMA_GPT, employs a hierarchical cross-modal alignment approach that begins with a signal-text synergistic representation module, which generates domain-knowledge-enriched text descriptions from raw signals. These descriptions are then encoded alongside the original signals to enhance the diversity and semantic expressiveness of fault features. A subsequent hierarchical cross-modal feature alignment and fusion module minimizes the distributional discrepancy between the two modalities, thereby improving the applicability of LLMs to time-series data.
The method demonstrates significant advancements over traditional diagnostic models, achieving an average accuracy of 97.32% across five heterogeneous datasets, which is an improvement of over 8.62% compared to baseline models. It maintains an accuracy exceeding 80% in various cross-condition and data imbalance scenarios, showcasing exceptional adaptability and robustness. The study also highlights the need for further exploration of LLM generalization in industrial applications, suggesting future work that will incorporate multi-task prompting strategies and adaptive loss weight adjustments to create a unified intelligent model framework for fault diagnosis, equipment condition monitoring, and remaining useful life prediction.
Introduction
In the introduction of the paper, the authors emphasize the critical role of rotating machinery in industrial production and the necessity for timely and accurate fault diagnosis to ensure operational stability and prevent economic losses. They highlight the advancements in sensor technology that facilitate continuous data acquisition, which forms the basis for data-driven condition monitoring. Unlike traditional methods reliant on manually designed features, deep learning (DL) techniques have gained prominence due to their ability to automatically identify operational states and fault types through superior feature representation and non-linear modeling capabilities. Several studies are referenced, showcasing innovations such as Bayesian variational learning for uncertainty quantification, co-attention modules for lightweight models, hierarchical fusion strategies for multi-sensor data, and composite fault diagnosis methods that leverage diffusion models.
Despite these advancements, the authors identify significant limitations in existing DL-based fault diagnosis methods, including their specificity to particular datasets and operational scenarios, challenges in maintaining generalization across varying conditions, and data imbalance due to the scarcity of fault samples. They note that current approaches often address isolated challenges without providing a unified framework to tackle the combined issues of multi-dataset variability, cross-condition generalization, and data imbalance. To address these shortcomings, the authors propose a novel unified fault diagnosis model, HCMA_GPT, which leverages the generalization and reasoning capabilities of large language models (LLMs) to enhance robustness and adaptability across diverse datasets and conditions. The paper outlines its structure, indicating that subsequent sections will review related works, detail the HCMA_GPT framework, and validate its effectiveness through extensive experiments.
Methods
In this section, the authors present a comparative analysis of their proposed approach against established baselines using five distinct datasets. The models evaluated include HCMA_BERT, Time-LLM, ViT, WD-CNN, Autoformer, and PEDformer. The results, summarized in Table 3, indicate the accuracy percentages achieved by each model across the datasets, highlighting the performance of HSTA_GPT and HSTA_BERT in fault diagnosis environments.
The analysis reveals that the developed models demonstrate competitive accuracy levels, suggesting their effectiveness in addressing the challenges posed by the datasets. The findings underscore the potential of the proposed methods in enhancing fault diagnosis capabilities compared to traditional approaches.
Discussion
In this section, the discussion focuses on the advancements and challenges associated with applying large language models (LLMs) to fault diagnosis in rotating machinery. LLMs, which are primarily trained on general text corpora, exhibit strong generalization and reasoning capabilities due to their self-attention mechanisms. However, their effectiveness in specialized domains like fault diagnosis is limited by a lack of domain-specific knowledge. The paper highlights various studies that have explored the integration of LLMs with time-series data for tasks such as forecasting and decision-making, emphasizing the need for models that can adapt to complex operating conditions.
The proposed method, HCMA_GPT, introduces a novel framework that leverages a signal-text synergistic representation module and a hierarchical cross-modal feature alignment and fusion module. This approach enables the transformation of time-series data into a format comprehensible to LLMs without requiring fine-tuning, thereby enhancing their applicability in fault diagnosis tasks. Experimental results demonstrate that HCMA_GPT achieves an average accuracy of 97.32% across five diverse datasets, significantly outperforming traditional models, particularly in scenarios involving cross-condition diagnostics and data imbalance. The findings underscore the potential of LLMs in industrial applications, while also indicating that further exploration is needed to fully harness their capabilities in specialized domains. Future work aims to develop a unified model framework that integrates fault diagnosis with other predictive maintenance tasks, thereby extending the utility of LLMs in industrial settings.