基于大语言模型(LLM)的轨道车辆车载控制器(VOBC)自适应故障诊断方法RFD-LLM。针对通用LLM缺乏铁路专业知识的问题，采用两阶段策略：首先通过低秩自适应(LoRA)实现领域适配，再经指令调优提升诊断能力。实验表明，RFD-LLM在北京地铁真实数据上达到94.60%准确率，且LoRA rank=8时仅需7.49M可训练参数，相比全量微调减少99.49%参数量。该方法为铁路领域专用LLM开发

预测与健康管理(PHM)是保障复杂系统安全运行的关键技术，但面临泛化能力弱、可解释性差等瓶颈。提出PHM大模型(PHM-LM)新概念，通过融合大模型的强大推理与泛化能力，构建三大递进式技术范式：(1)基于现有大模型的快速微调范式；(2)大模型与传统PHM模型的并行协同范式；(3)系统性构建专用PHM-LM的全生命周期范式。研究验证了该框架在轴承故障诊断(精度提升10%)、剩余寿命预测和维修方案生成

一种创新的大型语言模型框架FD-LLM，用于实现可解释的机器故障诊断。该框架通过将振动信号编码为文本表示，成功解决了传统方法在泛化能力、可解释性和信息融合方面的三大痛点。研究采用双管线设计：分类导向管线评估模型诊断能力，频谱语言建模管线实现推理驱动的故障分析。实验表明，Llama3模型表现出色，在CWRU数据集上达到99.8%的准确率，并展现出强大的跨工况适应性和噪声鲁棒性。特别是提出的频谱文本编

一种基于生成扩散模型的深度学习框架RUL-Diff，用于剩余使用寿命(RUL)预测。该框架包含特征提取器（定制化U-Net编码器）和RUL预测器（MLP）两个模块，并采用两阶段训练方法：先通过扩散模型自监督预训练特征提取器，再联合微调整个网络。在NASA C-MAPSS数据集上的实验表明，RUL-Diff显著优于现有方法，RMSE指标提升19-35%。该工作首次将生成扩散模型引入RUL预测领域，通

一种基于微调大语言模型(LLM)的数控车床(CNC)故障诊断框架。针对传统方法存在的故障数据稀缺、诊断过程不透明等问题，该研究采用分层监督微调(HSFT)算法，通过优化复合损失函数平衡序列生成、分层分类和思维链(CoT)一致性正则化损失。同时引入CoT推理模块，构建包含故障分类、自验证和推理的多阶段诊断流程。实验表明，在Qwen和LLaMA系列模型上，该方法相比基线模型显著提升了诊断准确率(Qwe

一种基于帧差法和轻量级AI分类器的节能快速目标检测方法，适用于物联网边缘设备。该方法通过帧差定位运动区域，再使用轻量级模型分类，相比端到端方法在AMD Alveo U50、Jetson Orin Nano和Hailo-8三种边缘设备上实现了平均28.3%的准确率提升、3.6倍的能效提升和39.3%的延迟降低。实验表明MobileNet模型综合表现最优，而YOLOX对快速移动目标（如飞机、火车）检测

MoNet框架，将深度学习扩展到非欧几里得结构数据。传统CNN处理规则网格数据存在局限，MoNet通过可学习的几何卷积，统一了谱方法和空间方法，在图像、引文网络和3D形状分析任务中表现优异。该框架的创新在于使用伪坐标和可学习的高斯混合模型权重函数，实现了灵活、泛化性强的特征提取。实验表明MoNet在MNIST图表示、引文网络分类和3D形状对应任务上均优于传统方法，为几何深度学习提供了统一的理论框架

FluxIR，一种高效利用预训练文本到图像(T2I)模型进行图像恢复的创新方法。通过FluxGen管道自动生成高质量训练数据，结合轻量级适配器设计(仅0.4B参数)，该方法仅需8.5%的训练成本即在MANIQA等感知质量指标上超越现有方法。FluxIR采用SE层实现多模态控制，在DIV2K-Val等数据集上展现出卓越的细节恢复能力，为解决图像恢复任务中数据获取难、训练成本高的问题提供了新思路。

一种基于混合学习方法的边缘计算物联网系统，用于工业视觉表面质量检测。该方法结合深度神经网络的无监督聚类，仅需少量标注数据即可实现高精度检测。系统采用VGG网络提取特征，通过改进的k-means聚类进行异常判断，并运用预训练、数据增强等策略提升小数据集下的性能。实验表明，该方法在已知缺陷检测中准确率达97%，对新型未知缺陷的召回率比传统方法高出11%-34%，在实际工厂部署中显著减少了人工质检工作量

MOMENT，一组用于通用时间序列分析的开源基础模型。针对时间序列预训练面临的三大挑战：数据分散、特征多样性和评估基准不完善，作者构建了大规模公共时间序列数据集TimeSeriesPile（包含1300万条时序），并提出基于Transformer的简洁模型架构。实验表明，MOMENT在预测、分类、异常检测和缺失值填补等任务上表现优异，特别是在有限监督场景下展现出强大泛化能力。该工作为时间序列分析领