本发明涉及一种基于大语言模型的轴承剩余寿命预测系统和方法，属于寿命预测。
背景技术：
1、轴承几乎是工业系统中最重要的一类旋转机械，由于长期在高速、重载等恶劣工况工作，轴承易于发生故障。轴承这类核心机械部件的损坏往往造成整个传动系统的瘫痪，波及更大范围的原本可以正常运行的复杂工程系统，从而造成严重的安全事故、人力与经济损失。phm技术旨在通过工业传感器系统监测对象的参数，通过智能算法对对象的运行状态进行有效识别，从而获得对象健康状态信息以最终实现视情维修。phm技术一经提出就被多个工业领域所采纳和使用，在降低了维护维修成本的同时有效提高了各类设备的可靠性与安全性。围绕轴承这类旋转机械所开发的phm系统中的一个重要环节是剩余寿命预测（rul），准确的rul预测可以有效预估轴承退化的状态，这对实际工业中的各类应用具有极其重要的意义。
2、公开号为cn118010350a的中国发明专利申请公开一种基于概率稀疏注意力的轴承剩余寿命预测方法，包括步骤 1：采用加速度传感器对轴承健康到完全退化的全生命周期振动信号进行采集，归一化处理后作为端到端诊断模型的输入；步骤 2：采用 vmd分解将原始振动信号分解为多个分量，选个多个分量进行信号重构，根据重构信号与原始信号的相关系数决定最终重构信号中叠加的分量数，实现去噪；步骤 3：划分训练集与测试集，在同工况下两组轴承全生命周期信号分别作为训练集和测试集；步骤 4：对去噪后的原始信号以滑动窗口的方式求均方根值，根据全生命周期的均方根值构建轴承健康指标；步骤 5：将原始信号以滑动窗口的方式输入到基于概率稀疏注意力的轴承剩余寿命预测模型中，经过主频感知模块提取增强时、频域特征；步骤 6：将获得的增强时频特征，输入到概率稀疏的时频交叉注意力模块进行特征融合，输出深度融合的时频融合特征；步骤 7：将时频融合特征输入到单通道注意力网络中进一步提取特征；步骤 8：输入到全连接网络中进行特征降维，拟合轴承健康指标。
3、但现有技术中未见利用stft和冻结了部分层的大语言模型预测轴承剩余寿命及轴承的剩余时段的特性的方法，也未见克服如下技术问题的方法：
4、1、轴承本身在退化的过程中的状态在发生变化的同时还要受到的外部干扰，退化的信息在时变特性下的分布产生了漂移，因此即使是同一型号的轴承在相同工况设置下，退化特征的分布仍然具有差异，而在不同工况下这种分布的差异则被进一步放大；2、收集的用于训练模型的数据几乎不可能覆盖所有的工况，因为实验环境下集齐全运行工况和全生命周期数据所需耗费的成本和代价几乎不可被接受，更符合实际工业场景的是我们有一定数量的和目标域类似的来自其他工况下的运行失败数据，和少量的目标工况下初期退化数据；可见即使在相同工况且相同失效行为下退化特性的分布仍然有所不同，而不同工况下则差异更大。现有的主流研究中较少有考虑这种分布变化带来的影响。
技术实现思路
1、本发明的发明目的是提供一种基于大语言模型的轴承剩余寿命预测系统和方法，本发明可以通过stft和冻结了部分层的大语言模型预测轴承剩余寿命及轴承的剩余时段的特性；在噪声影响下可以较精确地预测轴承剩余寿命及轴承的剩余时段的特性。
2、为实现所述发明目的，本发明提供一种基于大语言模型的轴承剩余寿命预测系统，其包括：
3、数据获取模块，其被配置为获取待预测的轴承健康时段的振动信号；
4、变换模块，其被配置为通过滑动窗口分割所获取的轴承健康时段的振动信号得到l个短信号序列，对每个短信号进行stft变换得到时频特征矩阵：
5、;
6、矩阵中，第行表示待预测轴承健康时段第个滑动窗口的振动信号的d个复频信号；表示第个滑动窗口的振动信号第i个复频信号；,；
7、剩余寿命预测模型，其被配置为根据时频特征矩阵预测轴承的剩余寿命，所述剩余寿命预测模型包括归一化修补层、输入映射层、冻结了部分层的大语言模型、反归一化层、stft逆变换模块、连接层和平滑滤波器，其中，归一化修补层用于对时频特征矩阵进行归一化处理得到归一化时频特征矩阵；输入映射层用于对归一化时频特征矩阵进行卷积运算以对齐冻结了部分层的大语言模型的输入嵌入层维度；冻结了部分层的大语言模型根据输入映射层输入的矩阵预测轴承的归一化剩余寿命矩阵，反归一化层根据轴承的归一化剩余寿命矩阵反归一化处理得到剩余寿命矩阵；stft逆变换模块对剩余寿命矩阵的每行进行stft逆变换得到轴承剩余寿命第t时间段的时域函数，连接层将将轴承剩余的t个时间段的时域函数拼接并经平滑滤波器滤波得到轴承的剩余寿命的时间函数；t与窗函数的时间长度之积为轴承的剩余寿命。
8、本发明还提供相应于上述基于大语言模型的轴承剩余寿命预测的方法，所述方法包括如下步骤：
9、s1-01: 获取待预测的轴承健康时段的振动信号；
10、s1-02: 通过滑动窗口分割所获取的轴承健康时段的振动信号得到l个短信号序列，对每个短信号进行stft变换得到时频特征矩阵：
11、;
12、矩阵中，第行表示待预测轴承健康时段第个滑动窗口的振动信号的d个复频信号；表示第个滑动窗口的振动信号第i个复频信号；,;
13、s1-03:时频特征矩阵输入到剩余寿命预测模型，剩余寿命预测模型预测轴承的剩余寿命，所述剩余寿命预测模型包括归一化修补层、输入映射层、冻结了部分层的大语言模型、反归一化层、stft逆变换模块、连接层和平滑滤波器，其中，归一化修补层用于对时频特征矩阵进行归一化处理得到归一化时频特征矩阵；输入映射层用于对归一化时频特征矩阵进行卷积运算以对齐冻结了部分层的大语言模型的输入嵌入层维度；冻结了部分层的大语言模型根据输入映射层输入的矩阵预测轴承的归一化剩余寿命矩阵，反归一化层根据轴承的归一化剩余寿命矩阵反归一化处理得到剩余寿命矩阵；stft逆变换模块对剩余寿命矩阵的每行进行stft逆变换得到轴承剩余寿命第t时间段的时域函数，连接层将将轴承剩余的t个时间段的时域函数拼接并经平滑滤波器滤波得到轴承的剩余寿命的时间函数；t与窗函数的时间长度之积为轴承的剩余寿命。
14、本发明还提供一种计算机程序产品，其为上述的方法通过计算机语言编成的程序代码，所述代码能够被处理器调用并执行。
15、与现有技术相比，本发明提供的基于大语言模型的轴承剩余寿命预测系统和方法具有如下有益效果：
16、（1）可以在避免从头收集大量退化数据去训练一个庞大的预测模型的同时，有效利用预训练策略的优势实现长期的rul预测；
17、（2）考虑到预训练大语言模型在语料上进行训练，为了使预训练大语言模型可以跨模态地处理轴承的退化序列，本发明通过stft变换将时域信号转换为时频矩阵，可匹配大语言模型处理信息的格式；
18、（3）为了充分释放大模型在预训练阶段获得的通用预测知识并激活用于轴承rul的预测中，本发明通过选择性地冻结大部分预训练大语言模型的参数仅微调部分的参数，保留通用预测知识的同时继承t大语言模型架构的嵌入表征学习优势，从而有效建模高维退化序列和rul序列之间的复杂非线性关系；
19、（4）本发明提供的训练方法可使冻结了部分层的大语言模型来模拟存在噪声的轴承剩余寿命的函数，从而，当冻结了部分层的大语言模型的输入嵌入层输入待测量轴承的健康时段具有噪声的振动数据时，可预测轴承的剩余寿命。
1.一种基于大语言模型的轴承剩余寿命预测系统，其特征在于，包括：
2.根据权利要求1所述的系统，其特征在于，归一化处理包括：
3.根据权利要求2所述的系统，其特征在于，冻结了部分层的大语言模型根据输入映射层输入的矩阵预测轴承的归一化剩余寿命矩阵为：
4.根据权利要求3所述的系统，其特征在于，所述反归一化层根据下式对归一化剩余寿命矩阵中的每个元素进行反归一化得到剩余寿命矩阵：
5.根据权利要求4所述的系统，其特征在于，对冻结了部分层的大语言模型进行训练的方法包括：
6.一种基于大语言模型的轴承剩余寿命预测方法，其特征在于，包括如下步骤：
7.根据权利要求6所述的方法，其特征在于，归一化处理包括：
8.根据权利要求7所述的方法，其特征在于，冻结了部分层的大语言模型根据输入映射层输入的矩阵预测轴承的归一化剩余寿命矩阵为：
9.根据权利要求8所述的方法，其特征在于，所述反归一化层根据下式对归一化剩余寿命矩阵中的每个元素进行反归一化得到剩余寿命矩阵：
10.根据权利要求9所述的方法，其特征在于，对冻结了部分层的大语言模型进行训练的方法包括：
