北航PHM团队提出了一种基于大语言模型的轴承故障诊断框架，显著提升了对振动数据的解析和泛化能力，有效解决了传统故障诊断中的多项挑战。研究表明，该框架在跨工况和小样本任务中表现优异，为健康管理领域提供了新思路。
本文提出了一种基于Transformer的框架（FaultFormer），用于分析振动信号以预测轴承故障。通过数据增强和傅里叶模态提取，训练了Transformer编码器，提升了预测准确度。此外，研究还提出了预训练策略，以适应新数据和设备。
本文介绍了一种基于Transformer的框架（FaultFormer），用于预测轴承故障。通过数据增强和傅里叶模态提取方法，训练了一个高准确度的Transformer编码器。同时，提出了两种预训练策略，为大型可推广Transformer的开发铺平了道路。
完成下面两步后，将自动完成登录并继续当前操作。
