【技术实现步骤摘要】
本专利技术涉及机电设备智能运维，尤其涉及一种多模态智能运维大模型。
技术介绍
1、近年来，随着制造业向自动化、数字化、智能化的方向转型升级，工业机器人等智能制造装备在现代制造业中的应用日益广泛。特别是在那些高危、高强度和重复性工作的岗位上，"机器换人"的趋势变得尤为显著。然而，设备故障是不可避免的，尤其是在长期且重复的工作环境中，智能制造装备很容易出现性能退化和损坏。
2、目前的装备维护方式大多是在产品质量问题出现后(如不良品率升高)或设备故障导致停机后才会对设备进行维修，这种事后维修方式往往导致意外停机，严重时还会形成生产安全事故。另一种做法是定期维护，即在规定时间内更换设备的零部件，这不仅可能导致尚可使用的零部件被提前更换，造成浪费，而且有些频繁使用或有制造加工缺陷的零部件可能无法坚持到规定的生命周期，从而引起意外故障。这些问题在智能制造的无人化、自动化环境中尤为突出，当设备出现故障时，需要通知厂家或集成商到现场进行诊断和维修，不仅浪费了设备和自动化生产线的时间，也增加了成本，不符合现代制造业的效率和安全要求。
3、因此，亟需研发一种智能运维大模型，能够主动监测和预测设备所处的健康状态和潜在故障，及时提供维护决策方案，从而有效减少意外停机，能够降低生产成本，提高生产的安全性。通过对设备的持续监测和数据分析，智能运维大模型能够在故障发生之前识别风险，为装备的运维提供技术支持，实现真正的智能化、高效率运营。
4、现有以大数据和深度学习算法为核心组合的人工智能模型在图像识别、自然语言处理和语音识
5、(1)机电装备智能运维所需的高质量多模态信号数据难以获取，特别是故障数据量相比于健康数据量极其稀缺，造成严重的数据不平衡问题。
6、(2)多模态信号数据的标签注释难度大，由于机电装备状态诊断是非常专业化的工作，对标签注释人员的专业化水平要求非常高，难以像图像识别等通用领域那样进行低成本、大批量且准确高效地标签注释。
7、(3)工程现场机电装备的多模态信号数据原始数据中包含大量噪声，而且信号往往是多特征分量信号线性叠加甚至是非线性叠加形成的，这使得即使是经过多模态智能运维大模型性培训的专家级人员也难以准确、快速地直接对原始信号进行准确高效的注释标签。而在图像识别领域，则不存在多特征图像叠加的问题，就像人类视觉没有透视能力。而且大部分场景下普通人就可以直接辨识原始图像并进行准确地标签注释。
8、这些难题导致数据驱动的人工智能技术在机电装备智能运维领域始终无法取得良好的效果，在准确性、可靠性、泛化性和鲁棒性等关键性能指标方面都远远达不到工程实际要求。
技术实现思路
1、本专利技术要解决的技术问题是：为了解决现有构建的智能运维模型在准确性、可靠性、泛化性和鲁棒性上不能满足需求的技术问题，本专利技术提供一种多模态智能运维大模型，构建出的多模态智能运维大模型在准确性、可靠性、泛化性和鲁棒性上能满足工程实际需求。
2、本专利技术解决其技术问题所采用的技术方案是：一种多模态智能运维大模型，所述多模态智能运维大模型包括：
3、文本获取模块，获取并传输与待维护机电设备关联的第一文本数据；
4、数据采集模块，采集设备状态监测多模态智能运维大模型、工控多模态智能运维大模型的多模态信号数据；
5、数据处理模块，用于将所述多模态信号数据转换为第二文本数据；
6、模型构建模块，用于构建通用大模型；
7、微调模块，接收所述第一文本数据，并基于微调算法构建微调指令，所有所述微调指令的集合形成第二训练数据集；
8、训练模块，获取所述第二训练数据集，对所述通用大模型进行优化训练，得到智能运维专业文本大模型；
9、模型预测执行模块，将所述第二文本数据输入至所述智能运维专业文本大模型处理，所述智能运维专业文本大模型处理后，输出待维护机电设备运维决策的文本结果，进而完成对多模态智能运维大模型的构建。
10、进一步，具体地，所述数据处理模块包括：
11、输入单元，与所述数据采集模块连接，获取所述多模态信号数据；
12、处理单元，与所述输入单元连接，对所述多模态信号数据进行预处理，将预处理后的多模态信号数据转换为所述第二文本数据；
13、输出单元，与所述处理单元连接，用以输出所述第二文本数据。
14、进一步，具体地，对所述多模态信号数据进行预处理，将预处理后的多模态信号数据转换为所述第二文本数据包括以下步骤：
15、获取所述多模态信号数据中的多通道的监测信号，采用信号分解算法和信号降噪算法对每个通道的监测信号进行预处理，得到预处理后的分量信号；
16、从每个通道的监测信号和预处理后的分量信号中提取时域统计指标和时域特征指标，并采用编码器或规则将时域统计指标和时域特征指标的含义和数值描述为时域特征文本；
17、根据机电设备的转频信息，采用时频变换方法对每个通道的监测信号和预处理后的分量信号进行处理，包括：
18、若监测信号为恒转速信号，则将所有所述恒转速信号转换成频谱；
19、若监测信号为变转速信号，则将所有所述变转速信号转换为阶次谱；
20、从频谱和阶次谱中提取频域统计指标和频域特征指标；
21、采用编码器或规则将频域统计指标和频域特征指标的含义和数值描述为频域特征文本；
22、将时域特征文本和频域特征文本进行合并，得到第二文本数据；
23、其中，所述第二文本数据为监测信号的数学和物理特征的文本描述。
24、进一步，具体地，所述信号分解算法包括以下步骤：
25、将每个通道的监测信号采用时频变换方法转化成时频矩阵；
26、将每个时频矩阵采用前后堆叠的方式构建为三阶时频张量x，x的第一阶为时域，维数为n，第二阶为频域，维数为f，第三阶为通道，维数为k；
27、对三阶时频张量x进行定向张量奇异值分解：
28、x＝(u1*s*u2)×3u3 (1)
29、其中，张量u1的三阶维数分别为n×n×k，张量u2的三阶维数分别为f×f×k，核心张量s的每一阶的维数与x的都相同，即为n×f×k，矩阵u3的维数为k×k，*为三阶张量定向乘法，其计算规则为：
30、(u1*s)(:,:,k)＝u1(本文档来自技高网...
【技术保护点】
1.一种多模态智能运维大模型，其特征在于，所述多模态智能运维大模型包括：
2.如权利要求1所述的多模态智能运维大模型，其特征在于，所述数据处理模块(3)包括：
3.如权利要求2所述的多模态智能运维大模型，其特征在于，对所述多模态信号数据进行预处理，将预处理后的多模态信号数据转换为所述第二文本数据包括以下步骤：
4.如权利要求3所述的多模态智能运维大模型，其特征在于，所述信号分解算法包括以下步骤：
5.如权利要求1所述的多模态智能运维大模型，其特征在于，所述第一文本数据包括与机电设备关联的专业书籍、论文、诊断报告、专利、国际标准、文本知识库和专业考题。
6.如权利要求3所述的多模态智能运维大模型，其特征在于，时域统计指标，包括时域的均方根、均值、峭度、线性峭度、裕度因子、最小值、最大值、峰峰值、均值、歪度、方根幅值、绝对平均值、方差、波形因子、峰值、脉冲因子和样本熵；
7.如权利要求3所述的多模态智能运维大模型，其特征在于，所述多模态信号数据还包括：机械设备的参数信息、机械设备的工况信息、机械设备的故障程度及位
8.如权利要求1所述的多模态智能运维大模型，其特征在于，所述通用大模型为具有上下文学习和思维链能力的大语言模型。
...【技术特征摘要】
1.一种多模态智能运维大模型，其特征在于，所述多模态智能运维大模型包括：
2.如权利要求1所述的多模态智能运维大模型，其特征在于，所述数据处理模块(3)包括：
3.如权利要求2所述的多模态智能运维大模型，其特征在于，对所述多模态信号数据进行预处理，将预处理后的多模态信号数据转换为所述第二文本数据包括以下步骤：
4.如权利要求3所述的多模态智能运维大模型，其特征在于，所述信号分解算法包括以下步骤：
5.如权利要求1所述的多模态智能运维大模型，其特征在于，所述第一文本数据包括与机电设备关联的专业书籍、论文、诊断报告、专利、国...
【专利技术属性】
技术研发人员：张飞斌，黄金凤，孟力，杨康定，王旭，李奇，徐海锋，秦朝烨，褚福磊，
申请(专利权)人：频率探索智能科技江苏有限公司，
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。