LLMFuxian：面向智能运维的多模态大模型机械故障诊断复现

复现论文《Multimodal data-enabled large model for machine fault diagnosis towards intelligent operation and maintenance》的代码仓库，专注于HUSTbearing轴承数据集的单数据集实验。

• 原作者/维护者：wangwen2077-boop
• 来源平台：GitHub
• 原始标题：llmfuxian
• 原始链接：https://github.com/wangwen2077-boop/llmfuxian
• 发布时间：2026年5月23日
• 技术栈：Python、PyTorch
• 原论文标题：Multimodal data-enabled large model for machine fault diagnosis towards intelligent operation and maintenance

LLMFuxian是一个学术论文复现项目，目标是复现《Multimodal data-enabled large model for machine fault diagnosis towards intelligent operation and maintenance》这篇论文中的方法。该项目专注于工业设备智能运维领域，利用多模态大模型技术实现机械故障的自动诊断。

当前阶段主要完成了论文中HUSTbearing轴承数据集的单数据集实验复现，暂不包含齿轮数据集、FRC/CAME外部基线以及完整的消融实验。

在现代工业生产中，旋转机械（如轴承、齿轮箱）的健康状况直接影响生产效率和安全性。传统的故障诊断方法面临以下挑战：

1. 数据异构性：振动信号、温度、电流等多种传感器数据格式各异
2. 故障类型复杂：从单一故障到复合故障，模式多样
3. 标注数据稀缺：故障样本难以获取，特别是复合故障场景
4. 跨工况泛化：不同转速、负载条件下的模型迁移困难

论文提出的LMM-FD（Large Multimodal Model for Fault Diagnosis）方法，将大语言模型的知识理解能力与时间序列分析相结合，通过知识图谱增强实体表示，实现零样本复合故障诊断能力。

项目已完成以下核心功能：

• HUSTbearing数据读取与解析
• .xls原始文件按制表符文本解析
• 20Hz / 40Hz / 60Hz三种工况筛选
• 振动信号X/Y/Z三轴窗口分段处理

采用精心设计的训练/测试划分策略：

• 训练/测试数据：健康状态（healthy）+ 单一故障（single-fault）
• 零样本验证：复合故障（compound fault）时间序列单独隔离

这种设计模拟了真实工业场景——复合故障样本稀少，模型需要在未见过的复合故障类型上进行零样本推理。