超高创新模型！TF-SAX-Llama 轴承故障诊断

近年来，大语言模型火得一塌糊涂，写文案、敲代码、做图样样都行。于是很多人开始琢磨：能不能把大模型用在工业故障诊断上？

国内外研究团队已在该方向取得诸多进展：

西南交通大学团队提出的 DiagLLM 发表于《中国科学：信息科学》（SCI 一区）；北京科技大学的 KG-SR-LLM 发表于 SCI 期刊《Sensors》；清华大学团队研发的 MaintAGT 在通用测试集上达到 ISO 三级振动分析师水平；华南理工大学的 FaultGPT、中国矿业大学的 FD-LLM 等工作也相继发表。相关成果覆盖中文核心、EI、SCI 等多个层级，呈现出蓬勃发展的态势。

然而，在实际落地中一个核心问题始终绕不开：

振动信号不是自然语言，而且用上亿参数的大模型训练开销太大！

直接将连续振动数值序列输入大模型，既不符合其预训练阶段的文本输入范式，也会面临序列过长、噪声干扰严重、物理语义不明确等诸多挑战。

具体而言：

• 序列长度问题：一段 1 秒的振动信号通常包含上万个采样点，直接输入大模型会导致序列长度急剧膨胀，计算开销巨大且关键特征被稀释。

• 噪声干扰问题：工业现场采集的振动信号往往夹杂大量环境噪声，原始数据中有效故障特征与干扰信息混叠，大模型难以直接区分。

针对这一痛点，本项目提出了一种更契合机械信号特性的技术路线：先将连续振动信号编码为紧凑的故障符号语言，再通过轻量级 Llama 模型学习符号模式与故障类别之间的映射关系，从而实现大模型在工业故障诊断场景下的高效适配。

项目名称：

TF-SAX-Llama

全称可以理解为：

Time-Frequency SAX enhanced Lightweight LLM for Bearing Fault Diagnosis

核心思想一句话概括：

"

连续机械振动信号 → 时频双域 SAX 符号语言 → 物理特征符号 → Llama-1B + LoRA → 轴承故障分类

---

一、为什么这个思路值得做？

传统轴承故障诊断方法里，常见做法包括：

• 直接用 1D-CNN 读取原始振动；

• 把信号转换成时频图，再用 2D-CNN 或 ViT；

• 提取人工特征，再接 SVM、MLP、随机森林等分类器；

• 用 Transformer、Mamba 等模型直接建模序列。

这些方法都能做，但它们通常存在一个问题：

模型读到的是数值，而不是一种更高层次的"故障语言"。

而 TF-SAX-Llama 的出发点是：

机械振动信号虽然是连续数值，但故障模式本身往往具有结构性，例如周期冲击、幅值突变、包络谱峰值变化、冲击强度增强等。

如果我们能把这些结构压缩成一组离散符号，再交给大语言模型，那么模型学习的就不再是原始波形点，而是：

TIME SAX 符号模式
FREQ SAX 符号模式
RMS / Kurtosis / Crest 等物理状态符号

这就让轴承诊断任务更接近一种"故障符号阅读理解"。

---

二、整体框架

整个方法流程如下：

原始振动信号
    ├── 时域分支：Raw waveform → Z-normalization → PAA → SAX
    ├── 频域分支：Hilbert envelope → Envelope spectrum → SAX
    └── 物理分支：RMS / Kurtosis / Crest → 等级符号化

最终组合成 Fault Symbolic Prompt
    ↓
本地 Llama-1B
    ↓
LoRA 参数高效微调
    ↓
故障分类结果

【图 1 整体方法框架图】

---

三、创新点 1：不是让 Llama 直接读原始振动s数据，而是读"故障符号语言"

本项目没有把 Llama 当成普通的数值序列模型使用。原始窗口长度经过SAX后，得到分支SAX符号，再加上少量 Prompt 标签和物理状态描述，实际 Llama tokenizer 后平均长度约为：

数据集	TIME SAX	FREQ SAX	总 SAX 符号	平均 Token 长度	最大 Token 长度
CWRU 西储大学	64	64	128	约 166.50	168
江南大学	64	64	128	约 166.51	168

这比直接输入 2048 个连续数值更紧凑，也更符合 Llama 对离散符号序列的建模习惯。

【图 2 ：原始振动 + PAA + SAX 符号化示意图】

---

四、创新点 2：时域 SAX + 包络频谱 SAX，兼顾冲击形态与故障频率信息

只看原始时域波形，能够捕捉冲击和波形形态，但轴承故障诊断中，频率结构同样重要。

因此本项目设计了双分支 SAX：

1. Time-SAX

2. Freq-SAX

这样可以把包络频谱的形态也转换成符号序列，让 Llama 同时看到：

• 时域冲击模式；

• 频域包络结构；

• 不同故障类型对应的符号组合。

【图 3 ：包络频谱图】

【图 4 预留：TIME SAX 与 FREQ SAX 符号序列图】

当前项目已生成示例图：

---

五、创新点 3：加入物理特征符号，补偿 SAX 标准化后的幅值信息损失

标准 SAX 在处理时通常会进行 Z-normalization。

这一步有利于消除量纲差异，但也可能削弱振动幅值、冲击强度等物理信息。

所以项目额外从未经 Z-score 标准化的原始窗口中提取：

• RMS：反映整体能量；

• Kurtosis：反映冲击性；

• Crest Factor：反映峰值冲击强度。

但这些物理特征并不直接以小数形式输入 Llama，而是离散成等级符号：

LOW
MEDIUM
HIGH
VERY_HIGH

最终 Prompt 中会出现类似：

<RMS> HIGH
<KURTOSIS> VERY_HIGH
<CREST> HIGH

这种设计有两个好处：

1. 保留机械诊断里非常重要的幅值和冲击信息；

2. 让输入形式保持"符号语言"，不破坏 Llama 的文本建模习惯。

---

六、最终输入给 Llama 的 Prompt 长什么样？

本项目默认使用紧凑 Prompt，避免大量无关自然语言占据上下文。

示例：

Bearing vibration diagnosis.
<TIME>
D E D E E D E D E D E D D E ...
<FREQ>
H H H H H H H H G F F E E F ...
<RMS> MEDIUM
<KURTOSIS> LOW
<CREST> LOW
Classify the fault.

注意，这里不会在 Prompt 中泄露真实标签。

标签只作为分类目标参与训练。

在我的代码中，会直接将提示词生成一个表格，方便查阅：

---

七、模型训练方式：Llama-1B + LoRA，不做全参数微调

本项目使用本地 Llama-1B 作为主干模型，并通过 LoRA 做参数高效微调。

• Llama-1B 是 Meta Llama 系列中的轻量级大语言模型，参数规模约为 10 亿级别。相比 7B、13B 等更大的模型，1B 模型对显存和算力要求更低，更适合在个人 GPU 或普通实验环境中进行 LoRA 微调。本项目使用的是 Llama-3.2-1B-Instruct，它是指令微调版本，适合处理结构化文本 Prompt。在本项目中，Llama-1B 并不是直接读取原始振动数值，而是读取由 Time-SAX、Freq-SAX 和物理特征符号共同构成的故障诊断 Prompt。Llama-1B模型在本地大约只有4个G左右的空间，训练需要英伟达显卡，并不会要求过多算力。我的电脑是4060ti，8G显卡，运行此模型非常快，毫无压力！关于此模型的下载方式，我放在代码介绍里了。

实际训练中，模型参数统计如下：

数据集	总参数量	可训练参数量	可训练比例
CWRU 10 分类	1,236,707,328	872,448	0.0705%
江南大学 4 分类	1,236,682,752	860,160	0.0696%

可以看到，虽然底座是 1B 级别的大语言模型，但真正参与更新的参数不到 0.1%。

这也是 LoRA 的意义：

保留大模型的符号建模能力
同时大幅减少训练参数量与模型保存体积

---

八、实验设置

本项目当前包含两个数据集实验。

1. CWRU 西储大学轴承数据集

采用 DE 端信号。

当前设置为 10 分类任务，每类 400 个窗口样本，总计 4000 个样本。

类别包括：

• Normal

• Ball_007_1797

• Ball_014_1797

• Ball_021_1797

• IR_007_1797

• IR_014_1797

• IR_021_1797

• OR_007_1797

• OR_014_1797

• OR_021_1797

数据划分：

每类 train: 280
每类 val: 60
每类 test: 60

2. 江南大学轴承数据集

当前实验设置只使用 600 转工况。

设置为 4 分类任务，每类 400 个窗口样本，总计 1600 个样本。

类别包括：

• Normal

• Ball

• Inner

• Outer

数据划分：

每类 train: 280
每类 val: 60
每类 test: 60

3. 防止数据泄漏

项目中特别注意了一个轴承故障诊断里很容易被忽略的问题：

不能先切窗口再随机划分训练集和测试集。

因为同一条长振动记录中相邻窗口非常相似，如果随机打散，会造成严重的数据泄漏。

本项目采用：

原始记录 / 连续记录块
→ 先做 group split
→ 再分别滑窗

训练集、验证集、测试集之间的 group 没有交集。这个设计让实验结果更可信。

---

九、实验结果展示

下面结果为当前项目在本地配置下得到的参考结果。

1. CWRU 10 分类结果

CWRU 10 分类任务中，模型在测试集上取得了非常高的识别效果。

测试集指标如下：

指标	结果
Accuracy	100.00%
Macro Precision	100.00%
Macro Recall	100.00%
Macro-F1	100.00%
Weighted-F1	100.00%

这说明 TF-SAX-Llama 对 CWRU 中不同故障直径、不同故障部位的符号模式具有较强区分能力。从结果上看，时频双域 SAX 符号能够较好地保留不同故障严重程度对应的模式差异。

【图 5 ：CWRU 混淆矩阵】

【图 6 ：CWRU 训练损失曲线】

【图 7 ：CWRU 验证准确率 / Macro-F1 曲线】

---

2. 江南大学 600 转数据结果

江南大学这个数据的难度比较高，因此本项目采用这个数据来验证一下TF-SAX-Llama 模型的效果。江南大学数据集只选用 600 转工况，进行 4 分类实验。

测试集指标如下：

指标	结果
Accuracy	92.92%
Macro Precision	93.18%
Macro Recall	92.92%
Macro-F1	92.83%
Weighted-F1	92.83%

分类报告中可以看到：

• Normal 类识别效果较好，F1 约为 95.73%；

• Inner 类和 Outer 类整体表现稳定；

• Ball 类相对更难，说明滚动体类在该数据设置下与其他类别存在一定符号模式交叠；

• 即便如此，整体 Macro-F1 仍能达到 92% 以上。

这组结果说明，该方法并不是只在 CWRU 这类常用公开数据上有效，在另一套轴承数据上同样能够得到较好的分类表现。

【图 8 ：江南大学轴承数据混淆矩阵】

【图 9 预留：江南大学训练损失曲线】

【图 10 预留：江南大学验证准确率 / Macro-F1 曲线】

---

十、代码截图

这份代码不仅包含模型训练，还包含完整实验流程。

主要功能包括：

• CWRU 数据自动读取；

• 江南大学数据自动读取；

• MATLAB .mat 文件扫描；

• CWRU DE 端信号选择；

• 江南大学 600 转工况筛选；

• 严格 group split，避免窗口泄漏；

• Time-SAX 自实现；

• Envelope Spectrum + Freq-SAX；

• RMS / Kurtosis / Crest 物理特征符号化；

• Fault Symbolic Prompt 自动构建；

• 本地 Llama-1B 加载；

• LoRA 参数高效微调；

• 训练日志保存；

• 测试指标输出；

• 混淆矩阵绘制；

• 训练曲线绘制；

• SAX 可视化；

• 单样本预测；

• 消融实验入口；

• SAX 参数敏感性实验入口；

• Symbol Masking Importance 可解释性分析。

---

十一、项目核心点总结

一句话总结：

"

这不是一个简单把 Llama 套到轴承数据上的项目，而是把机械振动信号先转换成时频双域符号语言，再利用 Llama 学习故障符号组合规律。

核心点包括：

• 方法新：SAX 符号化 + Llama 故障诊断；

• 结构清晰：Time-SAX、Freq-SAX、Physical Symbols 三分支；

• 实验完整：CWRU 与江南大学两个数据集；

• 结果直观：自动输出混淆矩阵、训练曲线、分类报告；

• 训练轻量：LoRA 微调，训练参数不到 0.1%；

• 可解释：支持 Symbol Masking Importance；

• 工程完整：配置化、脚本化、可直接运行。

代码获取！

代码环境配置起来并不复杂，实在配不好的可以后台私信，免费帮你远程配置！

获取此代码方式：关注 ：g~z~h~ 《淘个代码》