【摘要】《MM-LLMs:多模态大语言模型最新进展》综述了多模态大语言模型(MM-LLMs)的技术发展。论文提出通用五组件架构：模态编码器、输入投影器、LLM骨干、输出投影器和模态生成器，并详细分析了126个SOTA模型的演进趋势。研究揭示了从单一理解到任意模态转换的发展路径，总结了提升性能的关键因素，如高分辨率输入、高质量微调数据等。最后探讨了未来研究方向，包括扩展更多模态、轻量化部署和减少幻觉

大模型故障诊断微调：冻结数据编码器和LLM主干网络，仅使用LoRA等技术微调少量参数，使LLM学会根据对齐后的数据嵌入进行故障诊断推理。数据-文本模态对齐​： 训练一个数据编码器，使其能够将工程数据编码成与LLM文本特征空间对齐的嵌入向量，让LLM能“读懂”传感器信号。​： 由两个网络组成，一个“伪造者”网络生成假数据，一个“鉴别者”网络鉴别真伪，两者相互博弈，最终使“伪造者”能生成非常逼真的数据

本文提出了一种融合知识图谱(KG)与大语言模型(LLM)的联合知识增强框架，用于航空装配领域的智能故障诊断。该框架采用两阶段设计：首先通过前缀调优技术将KG子图嵌入LLM，使模型掌握专业知识；然后在推理时通过子图生成-检索机制动态获取相关知识。实验结果表明，该方法在自建航空装配故障数据集(AA550)上达到98.5%的准确率，响应时间小于1.1秒，诊断效率较人工提升15倍。研究为解决复杂工业场景下

摘要：本研究提出了一种融合大语言模型(LLM)与知识图谱(KG)的智能数控机床(CNC)故障诊断系统。针对传统专家系统知识组织效率低、适应性差等问题，构建了包含设备、报警、现象等7类实体的多源知识图谱(1549个实体)，整合PLC代码、维修工单和传感器数据。通过子图检索增强生成(KG-RAG)机制约束LLM推理，结合"人在回路"动态学习实现知识更新。实验表明，该系统诊断准确率达

​：本研究证明了微调预训练LLMs进行故障诊断是一种可行且富有前景的新范式。它能够融合语义理解，并展现出小样本学习、强鲁棒性等独特优势。

机器学习主要包含六种学习范式：监督学习依赖标注数据进行分类和回归；无监督学习通过聚类和降维挖掘未标注数据的隐藏模式；半监督学习结合少量标注和大量未标注数据提升泛化能力；自监督学习通过构造伪标签实现无监督预训练；弱监督学习利用不精确标签完成精细任务；强化学习通过环境交互学习最优策略。这些方法各有特点，当前主流趋势是采用自监督预训练+监督微调+强化学习对齐的组合范式，但也面临数据依赖、评估困难、能耗高

本文提出了一种基于强化学习的无标注检索增强生成方法（TG-RL-RAG），用于解决工业故障诊断中大型语言模型专业知识不足、标注成本高和输出不稳定等问题。该方法通过构建专业词库图结构作为强化学习环境，采用PPO算法优化检索策略，并设计复合奖励函数实现无监督学习。创新性地引入"递减式教师引导策略"，使模型能够持续适应新故障查询。实验表明，该方法显著提高了故障诊断的准确性和稳定性，为

准确可靠的轴承故障诊断对于确保机械设备的安全运行至关重要。以往的数据驱动方法在训练先进的深度学习模型时面临挑战，这主要是由于故障数据的稀缺以及数据分布的不一致性。此外，这些方法通常受到有限的可解释性和可靠性的影响，因为它们缺乏基于轴承失效潜在物理机制的约束引导学习，这阻碍了它们在机器状态监测中的应用。大型语言模型（LLM）的最新进展表明，它们有潜力应对这些挑战。为此，我们的目标是利用多模态LLM的

工业设备预测性维护的核心在于多源数据融合与智能分析。振动信号作为首选指标，能灵敏捕捉机械故障；温度监测反映热特性变化，电流分析则对电气异常敏感。通过信号预处理、特征提取和多模态融合，结合AI模型（如CNN、LSTM）实现精准诊断。未来趋势是构建AIAgent系统，综合振动、温度、电流等多维数据，实现从异常检测到维修决策的全流程智能化，在降低成本的同时提升设备可靠性。实践表明，单一信号存在盲区，多信

工业设备预测性维护的核心在于多源数据融合与智能分析。振动信号作为首选指标，能灵敏捕捉机械故障；温度监测反映热特性变化，电流分析则对电气异常敏感。通过信号预处理、特征提取和多模态融合，结合AI模型（如CNN、LSTM）实现精准诊断。未来趋势是构建AIAgent系统，综合振动、温度、电流等多维数据，实现从异常检测到维修决策的全流程智能化，在降低成本的同时提升设备可靠性。实践表明，单一信号存在盲区，多信