摘要
振动智能体将一个参考点和五个监测点的十秒加速度窗口表示为84个连续软标记，供Gemma 4 E2B使用，使单一模型即可做出判断并潜在地提供解释；仅对其判断结果进行了评估。任务包括对晶格桅杆（LUMO）、看台（QUGS）和按比例缩小的海上导管架（UPC）上松动或松开连接进行全局健康/变化分类及受影响区域标记。在论文984窗口划分上与经过调优的对比方法相比，已发表的Gemma具有最高的整体全局准确率（0.9787），但池化受影响目标F1仅为0.1802。其目标预测跟随槽位位置。Abdeljaber风格的CNN改编具有更高的池化目标F1（0.3107），但LUMO全局准确率低于0.47。在1483个留出窗口上进行的三种随机种子均匀对比（等数据、预训练、调优和选择）中，LUMO/QUGS目标平均F1为0.290/0.407（二值Gemma）和0.623/0.813（CNN）；更细粒度的监督未带来任何收益。在所有方法中使用更多数据并进行健康/变化平衡采样后，二值Gemma在792个从未使用过的损坏UPC窗口和72个健康UPC窗口上的健康/变化检测与CNN相当（在等权损失加权下平衡准确率为0.949对0.935；配对差异0.014 ± 0.030）；LUMO/QUGS目标F1未改善。研究结果既未确立定位优势，也未确立未见结构泛化能力或现场有效性。在Qualcomm IQ-9075 EVK上部署的六个STWIN.box节点仅展示了本地集成能力。
