基于深度学习的工业物联网（IIoT）设备故障预测方法

摘要

随着工业5.0的推进，工业物联网（IIoT）已成为现代智能制造的核心基础设施，设备在长时间、高负荷运
行下极易发生故障，导致高昂的停机成本与安全隐患，传统的设备维护策略和基于经验的故障诊断方法已难以应对
海量、高维的工业传感数据。深度学习能够直接从海量传感数据中自动提取特征，克服了传统方法高度依赖人工的
缺陷。本文主要探讨了明确了异常检测、故障诊断和剩余使用寿命的预测，数据处理中多模态数据融合，以及去噪
扩散概率模型（DDPM）在解决样本不平衡与异常重构中的优势，重点介绍了时间序列基础模型（TSFMs）的泛化
能力，以及大语言模型（LLMs）与智能体在复杂诊断中的深度融合，分析了面向资源受限终端的模型压缩与部署策
略，如树展平编译和激活感知权重分配（AWQ），并提出了未来白盒化的发展方向。