【技术实现步骤摘要】
本专利技术属于旋转机械设备可靠性评估，尤其涉及基于大模型的两阶段旋转机械设备可靠性评估方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、旋转机械设备（如电机、发电机等）的可靠性评估，对于工业设备的稳定运行和安全至关重要。旋转机器的核心部件，如轴承和齿轮，由于不同运行条件的变化、长期负荷和其他外部因素的影响而具有很高的故障风险。
3、在实际应用中，对这些部件运行的健康状况进行可靠性评估，对于确保旋转机械的可靠运行和性能至关重要。
4、现有的深度学习方法大多依赖于大量有标签数据的支持。这就需要通过收集和标记各种运行条件下的机械故障来获得完整的信息。然而，在实际应用中，利用大量有标签数据获取各种故障类型的完整信息是不可行的甚至是不可能的。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了基于大模型的两阶段旋转机械设备可靠性评估方法，所提出的方法在部分信息条件下进行故障诊断的可靠性评估方面具有优越性能。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、第一方面，公开了基于大模型的两阶段旋转机械设备可靠性评估方法，包括：
4、针对旋转机械设备采集其在不同工况下的振动信号；
5、将采集的振动信号进行数据切分，划分为无标签数据及有标签数据；
6、将无标签数据划分至自监督重建阶段的训练集，获得训练后自监督重
7、针对一部分有标签数据划分至弱监督分类阶段训练集，获得弱监督分类模型；
8、将待评估的旋转机械设备的振动信号输入至弱监督分类模型，识别故障类型。
9、作为进一步的技术方案，在自监督重建阶段：
10、将输入时间序列的无标签数据样本在时间维度上切割成块；
11、经过分块后，由基于互信息的信息掩码策略确定需要掩码的时间序列切片，从而得到掩码时间序列；
12、然后将掩码时间序列输入语言大模型，提取输入时间序列中的关键特征，通过一个重建头对提取的特征进行回归，从而重建出原始时间序列。
13、作为进一步的技术方案，将输入时间序列的无标签数据样本在时间维度上切割成块，具体为：
14、一个长度为的时间序列可以被分成个片段，表示为=，其中切片大小表示每个切片的长度，而切片步长表示两个相邻切片之间的间隔。
15、作为进一步的技术方案，由基于互信息的信息掩码策略确定需要掩码的时间序列切片，从而得到掩码时间序列，具体过程为：
16、切片后的时间序列数据的第个通道，其中包括个切片，即,c；
17、根据互信息的计算公式，计算出每个切片和第维时间序列之间的互信息值；
18、根据上述对信息量的量化，选择个互信息值最低的切片进行掩码，其中，且掩码比，基于互信息的信息掩码策略表示为：
19、
20、其中，表示与个最低的互信息值相对应的已确定的切片索引集合，对每个通道进行掩码操作后，确定所有通道的掩码切片，获得掩码时间序列。
21、作为进一步的技术方案，将掩码时间序列输入语言大模型，提取输入时间序列中的关键特征，具体为：
22、经过掩码的时间序列被送入由嵌入层和 n个transformer模块组成的gpt编码器组成的gpt模块进行特征提取，被输入的掩码时间序列首先经过输入嵌入和位置嵌入；
23、经过嵌入后的数据作为 n个transformer模块的输入，每个transformer模块都由多头注意力、前馈网络、归一化层和残差连接组合而成；
24、在嵌入时间序列输入n个这样的transformer模块后，gpt编码器可得：
25、
26、其中，和分别表示gpt编码器的第n个输出和第n个transformer模块。
27、作为进一步的技术方案，通过一个重建头对提取的特征进行回归，从而重建出原始时间序列，具体为：
28、
29、其中，表示重建的时间序列，表示重建头。
30、作为进一步的技术方案，在弱监督分类阶段：包括一个没有掩码的切片操作、一个gpt编码器、一个并行侧适配器和一个用于弱监督分类的分类头；
31、分类模型的gpt参数直接使用预训练自监督重建模型的gpt参数；
32、之后，在有限的标记数据样本下，并行侧适配器作为一个子网络，对分类阶段的gpt编码器进行微调；
33、最后，由全连接层组成的分类头推断出评估的故障类型，最后一个并行侧适配器模块和最后一个transformer模块的混合求和输出作为分类头的输入，旋转机械设备的故障类型由分类头确定。
34、第二方面，公开了基于大模型的两阶段旋转机械设备可靠性评估系统，包括：
35、振动信号采集模块，被配置为：针对旋转机械设备采集其在不同工况下的振动信号；
36、数据切分模块，被配置为：将采集的振动信号进行数据切分，划分为无标签数据及有标签数据；
37、自监督重建模型构建模块，被配置为：将无标签数据划分至自监督重建阶段的训练集，获得训练后自监督重建模型；
38、弱监督分类模型构建模块，被配置为：针对一部分有标签数据划分至弱监督分类阶段训练集，获得弱监督分类模型；
39、故障类型识别模块，被配置为：将待评估的旋转机械设备的振动信号输入至弱监督分类模型，识别故障类型。
40、以上一个或多个技术方案存在以下有益效果：
41、本公开技术方案通过集成自监督重建阶段和弱监督分类阶段，提出了一种新颖的基于语言大模型的两阶段框架。此外，本公开技术方案还设计了用于预训练的基于互信息的信息掩码策略和用于微调的并行侧适配器，以更有效地利用所提出的框架进行学习。
42、本公开技术方案在两个真实的旋转机械数据集上进行了系统的实验和评估。实验结果表明，所提出的方法在部分信息条件下进行故障诊断的可靠性评估方面具有优越性能。
43、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，包括：
2.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，在自监督重建阶段：
3.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，将输入时间序列的无标签数据样本在时间维度上切割成块，具体为：
4.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，由基于互信息的信息掩码策略确定需要掩码的时间序列切片，从而得到掩码时间序列，具体过程为：
5.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，将掩码时间序列输入语言大模型，提取输入时间序列中的关键特征，具体为：
6.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，通过一个重建头对提取的特征进行回归，从而重建出原始时间序列，具体为：
7.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，在弱监督分类阶段：包括一个没有掩码的切片操作、一个GPT编码器、一个并行侧
8.基于大模型的两阶段旋转机械设备可靠性评估系统，其特征是包括：
9.一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行上述权利要求1-7任一所述方法的步骤。
...【技术特征摘要】
1.基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，包括：
2.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，在自监督重建阶段：
3.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，将输入时间序列的无标签数据样本在时间维度上切割成块，具体为：
4.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，由基于互信息的信息掩码策略确定需要掩码的时间序列切片，从而得到掩码时间序列，具体过程为：
5.如权利要求1所述的基于大模型的两阶段旋转机械设备可靠性评估方法，其特征是，将掩码时间序列输入语言大模型，提取输入时间序列中的关键特征，具体为：
6.如权利要求1所述的基于大模型...
【专利技术属性】
技术研发人员：李腾，逢镇东，翟双双，栾迎新，张伟，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。