Bachelorarbeit/Masterarbeit

  • Stellenausschreibung:

    LLM Diagnosis
  • Eintrittstermin:

    ab sofort
  • Kontaktperson:

    Dr. Junyu Qi

Rotierende Maschinen wie Lager, Getriebe und Rollenkettentriebe sind für die industrielle Leistungsübertragung von zentraler Bedeutung. Unerwartete Schäden an Komponenten erzeugen anomale Signale, die zu kostspieligen Stillstandszeiten und Sicherheitsrisiken führen können. Konventionelle Ansätze zur Fehlerdiagnose beruhen häufig auf manuell erstellten Merkmalen und einfachen Machine-Learning-Verfahren. Dabei bestehen Herausforderungen wie begrenzte gelabelte Daten, Verschiebungen der Datenverteilung zwischen verschiedenen Betriebsbedingungen sowie eine schwache Interpretierbarkeit bei schwankenden Drehzahlen und Lasten.

Aufgrund ihrer starken multimodalen Schlussfolgerungsfähigkeit und ihrer Fähigkeit zur Wissensgeneralisierung ermöglichen Large Language Models (LLMs) eine End-to-End-Fehleridentifikation, indem rohe Überwachungssignale in strukturierte sequenzielle Repräsentationen umgewandelt werden. Diese Arbeit entwickelt ein effizientes LLM-basiertes Framework zur Fehlerdiagnose, das auf rotierende Maschinen zugeschnitten ist und anhand experimenteller Daten unter verschiedenen Betriebsbedingungen sowie über unterschiedliche mechanische Komponenten hinweg umfassend validiert wird.

Bachelorarbeit/Masterarbeit

LLM-basierte Fehlererkennung und Fehlerdiagnose für rotierende Maschinen

Aufgaben

  • Überblick über den Stand der Technik zu LLM-Anwendungen, Signalverarbeitung und domänenübergreifender Fehlerdiagnose, um Forschungslücken zu identifizieren
  • Entwicklung einer Pipeline zur Signal-zu-Text-Umwandlung, um rohe Zeitreihen- oder Bilddaten in sequenzielle Einbettungen zu transformieren, die mit vortrainierten LLMs kompatibel sind
  • Implementierung parametereffizienter Fine-Tuning-Strategien wie LoRA und QLoRA, um allgemeine LLMs bei begrenzten gelabelten Stichproben an die Fehlerklassifikation von Maschinen anzupassen
  • Bewertung der Genauigkeit, der Generalisierungsfähigkeit über verschiedene Betriebsbedingungen hinweg sowie der Robustheit gegenüber Rauschen des vorgeschlagenen LLM-Frameworks durch vergleichende Tests mit konventionellen Methoden

Beginn Ab sofort

Software Matlab, Python

Voraussetzungen

  • Solide Grundlagen in Mathematik und Mechanik
  • Fähigkeit zum selbstständigen Arbeiten
  • Freude an Programmieraufgaben und hohe Motivation, Neues zu lernen

Von Vorteil GPU, HPC, Pytorch, Machine learning

Weitere Informationen Dr. Junyu Qi (junyu qi∂kit edu)

Sprechzeiten Montag/Freitag 10:00–16:00 Uhr, Raum 706, Gebäude 10.23

Literatures:

[1] X. Chen, Y. Lei, Y. Li, S. Parkinson, X. Li, J. Liu, F. Lu, H. Wang, Z. Wang, B. Yang, S. Ye: Large models for machine monitoring and fault diagnostics: Opportunities, challenges, and future direction. Journal of Dynamics, Monitoring and Diagnostics. 2025 Jun 21;4(2):76-90.

[2] D. Li, Z. Pang, K. Yang, Y. Luo and Y. Zeng: FD-MLLM: Fault Diagnosis Framework Based on Multimodal Data and Large Language Model. 2025 IEEE 23rd International Conference on Industrial Informatics (INDIN), Kunming, China, 2025, pp. 1-7

[3] L. Tao, H. Liu, G. Ning, W. Cao, B. Huang, C. Lu: LLM-based framework for bearing fault diagnosis,

Mechanical Systems and Signal Processing, Volume 224, 112127, 2025

[4] Y. Zeng , H. Wang, G. Ran, Z. Dong, X. Li, X. Li, J. He: Signal LLM: Fault perception and maintenance system for dual-drive hydraulic turbine bearings based on cross-attention-LLM. Structural Health Monitoring. 2026.

[5] X. Lee, L. Vidyaratne, A. Farahat, C. Gupta: Exploring LLM-based Frameworks for Fault Diagnosis. Computer Science: Artificial Intelligence, 51, 2025.