1.一种基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,包括以下步骤:S1:对智能制造工业样本集进行划分,得到瑕疵描述文本集;
S2:根据工业经验和实际检测需求,对瑕疵描述文本集中瑕疵描述文本的结构进行定义,构建专业瑕疵描述库;
S3:将瑕疵描述文本集传入大语言模型,对大语言模型进行微调,形成用于工业瑕疵描述文本生成和分类的智能制造工业瑕疵大模型DD4;
S4:采用语义分形自相似性的瑕疵描述文本生成与变异方法对瑕疵描述文本集进行生成变异,通过递归生成和语义引导,基于分形建模实现瑕疵描述文本的逐步细化和多样性,确保生成的瑕疵描述文本在多层级语义下保持一致性和逻辑合理性;
S5:生成的瑕疵描述文本通过DD4进行分类和评分。
2.根据权利要求1所述的基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,所述步骤S1中,瑕疵描述文本集,为第个瑕疵描述文本,,为瑕疵描述文本的总数量。
3.根据权利要求2所述的基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,所述步骤S2中,瑕疵描述文本的结构为:;
其中:为瑕疵描述文本的结构;为瑕疵的类型;为瑕疵的尺寸;为瑕疵的形状;为瑕疵的位置;为瑕疵的程度。
4.根据权利要求1所述的基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,所述步骤S3中,输入提示词,则DD4生成符合要求的标准化瑕疵描述文本;输入瑕疵描述文本,则DD4根据输入的瑕疵描述文本,评估其语言清晰度、逻辑一致性以及特征匹配度,并生成评分。
5.根据权利要求3所述的基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,所述步骤S4具体过程为:S41:每个瑕疵描述文本包含个特征,个特征组成分形单元,分形单元的定义按照瑕疵描述文本的结构定义,第个分形单元的表示如下:;
S42:分形单元通过递归变换生成下一层的分形单元;
S43:引入语义张力场对瑕疵描述文本进行约束,确保生成的特征符合语义逻辑;
S44:通过计算分形熵来优化生成过程,确保瑕疵描述文本的多样性;
S45:基于分形递归和张力场约束,生成新的瑕疵描述文本。
6.根据权利要求5所述的基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,所述步骤S42中,分形单元的递归变换公式为:;
其中:是第层的第个分形单元;是第层的第个分形单元;、、、、分别为对应的瑕疵类型、瑕疵尺寸、瑕疵形状、瑕疵位置、瑕疵程度;表示递归变换函数;
对于第个特征,特征的递归变换公式为:
;
其中:表示为第层生成的第个特征;表示为第层生成的第个特征;为特征的变化增量。
7.根据权利要求6所述的基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,所述步骤S43中,语义张力场表示为:;
其中:为第个特征和第个特征之间的语义张力值,衡量和在语义空间中的关系强度;为和之间的语义距离;为和之间的相似度;
;
其中:、分别为、的语义嵌入向量;
;
其中:、分别表示、的模长,模长即语义嵌入向量的范数。
8.根据权利要求7所述的基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,所述步骤S44中,分形熵的计算公式为:;
其中:为分形熵;是在生成的瑕疵描述文本中的出现概率。
9.根据权利要求8所述的基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,所述步骤S45中,在生成新的瑕疵描述文本的过程中,为了平衡多样性与一致性,引入动态权重:;
其中:为当前的分形单元;为新的分形单元;为权重系数,的取值范围为[0,1],且满足,的计算公式为:;
;
其中:是初步计算的权重系数。
10.根据权利要求8所述的基于大语言模型的工业瑕疵文本生成和分类方法,其特征在于,所述步骤S5的具体过程为:S51:使用 DD4 对瑕疵描述文本的特征进行提取,生成多维度特征向量;通过动态匹配瑕疵描述文本与专业瑕疵描述库中的特征,完成分类决策;
S52:DD4 对每个生成的瑕疵描述文本进行评分;评分指标包括文本质量、特征匹配和一致性;
综合三个评分指标,采用加权平均法计算综合评分:;
其中:、、分别为文本质量、特征匹配、一致性的评分;、、分别为文本质量、特征匹配、一致性的评分权重,且满足;根据综合评分,对瑕疵描述文本集进行筛选。