PulseAugur
中
实时 10:30:48
English(EN) An LLM-based Two-Stage Transformer Framework for Cross-Domain Bearing Fault Diagnosis with Limited Data

基于LLM的Transformer框架提高了轴承故障诊断的准确性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的两阶段迁移学习框架，该框架利用GPT-2风格的Transformer来诊断工业环境中的轴承故障。该方法通过采用知识引导的特征提取和适应来解决数据集异质性和标记数据有限等挑战。该框架在仅有10%标记目标数据的情况下实现了92.61%的平均准确率，显著优于现有方法，并为工业4.0应用中的预测性维护提供了经济高效的解决方案。 AI

影响 该框架为工业环境中的预测性维护提供了一种更准确、更具成本效益的方法。

排序理由 该集群包含一篇详细介绍针对特定技术问题的新框架的研究论文。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

基于LLM的Transformer框架提高了轴承故障诊断的准确性

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Jinghan Wang, Feng Cheng, Wentao Wu, Hang Li, Gaoliang Peng, Tianchen Liu ·

    An LLM-based Two-Stage Transformer Framework for Cross-Domain Bearing Fault Diagnosis with Limited Data

    arXiv:2606.24459v1 Announce Type: cross Abstract: Bearing fault diagnosis faces critical challenges when dataset heterogeneity, operating condition variations, and limited labeled data occur simultaneously in industrial environments. Existing approaches address these issues in is…

  2. arXiv cs.CL TIER_1 English(EN) · Tianchen Liu ·

    An LLM-based Two-Stage Transformer Framework for Cross-Domain Bearing Fault Diagnosis with Limited Data

    Bearing fault diagnosis faces critical challenges when dataset heterogeneity, operating condition variations, and limited labeled data occur simultaneously in industrial environments. Existing approaches address these issues in isolation and rely on implicit feature alignment, li…

相关实体

相关话题