Page 86 - 《振动工程学报》2025年第11期

2544 振 动 工 程 学 报 第 38 卷

提取滚动轴承早期故障特征。文献 [3-4] 则围绕旋 知识图谱与维保文档的构建，普遍以维修语料、工
转机械中的重复瞬态分量构建了基于基尼指数等稀 单文本等为输入，借助 LLM 做实体关系抽取与文档
疏测度的系列算法。YAN 等 [5] 系统回顾了小波变换 生成，面向机器人等装备进行运维；二是将 LLM 作
的多分辨率分析优势，指出其在旋转机械故障诊断 为端到端的“黑箱”分类器，例如 FD-LLM 将频谱或
中的持续创新潜力。针对旋转机械振动分析，形成 统计特征序列转成可被 LLM 读入的文本/表格式表
了预处理、时频变换、特征提取、模式识别的经典流 示，再进行分类 [14] ，这继承了深度学习模型可解释性
程。该流程通过一系列具有明确物理意义的“算子 不足、泛化能力有限的特点 [15] 。
（operator）”组合，将原始振动信号转化为可供决策的 LLM 凭借大规模训练具备强理解、生成与推理
特征。表 1 总结了主要阶段、典型算子及其目的。 能力，随规模与上下文的扩展，涌现出长期记忆、链
式推理与工具使用的能力，具备充当主动决策核心
表 1 振动信号处理典型算子及其目的 的潜力。ALUR 等 [16] 指出开发准确、性能优良，且安
Tab. 1 Typical operators in vibration signal processing and its 全和可信的 AI 决策系统，可以结合神经网络和符号
purposes 推理的优势，以提高 AI 系统的可解释性和可验证

阶段 典型算子 主要目的 性，开发可靠、可预测且符合伦理标准的可信 AI 智
提升信噪比，
预处理 滤波、归一化等 能体（trustworthy AI agents）。微软的 HuggingGPT 验
去除无关干扰等
证了 LLM 作为智能体驱动任务规划与工具调用的
时/频 傅里叶变换、小波 将时域信号转换到频域或时频域，
变换 变换等 揭示周期冲击等故障特征频率等 可行性 [17] 。HUANG 等 [18] 则进一步验证了 LLM 通过
均方根、稀疏测度、 “自我验证”策略已达到国际数学奥赛金牌水平。
特征提取 量化并用于模式识别等
复杂性测度等 尽管单个 LLM 智能体能力强大，但在应对如信

号处理般复杂的、多阶段的工程任务时，往往会受
尽管这套由专家手工编排的分析方法经过了长
到 LLM 上下文长度的限制而导致规划僵化或决策
期实践检验，具备良好的可解释性，但其开发与维护
遗漏。而多智能体系统（multi-agent system, MAS）
过程高度依赖专家经验。研究者需要针对特定设备
可以让多个智能体通过协作或竞争共同完成任务，
与工况，人工选择滤波器、变换域及统计量并反复
通过维护自身的上下文，智能体可以利用自然语言
调参。这种为特定场景设计的“特解”不仅费时费
或结构化的消息进行对话，从而动态地生成、评估
力，其固定的决策链也难以适应多变的工况、新型
和修订计划，极大地降低了系统耦合度，提升了整体
故障模式或大规模非平稳数据，导致诊断性能显著
方案的鲁棒性与全局性。
下降。为突破“人工设计”的瓶颈，以深度学习为代
如图 1 所示， 一个典型的多智能体 [19] 工作流可
表的神经主义范式为端到端特征学习带来了革命。
被抽象为“感知-思考-行动”的循环：通过将环境状
然而，这类数据驱动的深度模型将诊断过程封装为
态、任务目标和可用工具等信息编码为自然语言提
“黑箱”，导致模型可复现性不足，泛化到分布外数
示，LLM 能够自主进行任务分解、步骤规划，并最终
[6]
据的能力有限 ，且其决策过程难以与物理先验知识
输出文本决策。相比于规则固化的传统专家系统，
显式融合 [7-8] 。因此，在要求高安全与高可靠性的工

业场景中，可解释性与可信度不足仍是深度模型落
用户请求
地的主要障碍。“可解释但固化”的传统方法与“自
适应但黑箱”的深度模型之间的核心困境，凸显了构
提供上下文
建新一代智能诊断系统的迫切需求。 规划与决策
储存
近 年 来， 神 经 符 号 人 工 智 能 （ neuro-symbolic AI）
的兴起为平衡“可解释”与“自适应”提供了思路，LI
记忆 执行与技能 反馈
等 [9-11] 受到神经符号主义的启发，通过构建信号处理
符号算子库，利用神经网络进行自学习地调度组装，
储存
执行并优化不同可解释算子从而搭建端到端的可解 反思与观测
提供上下文
释网络。同时，以语言符号为载体训练的大型语言
模型（LLM）在推理与规划方面的突破展示了跨领域
结果
的通用智能潜力。传统 LLM 在故障诊断方面的应

用主要集中于两个方面：一是处理文本类数据（如维 图 1 大语言模型驱动的智能体工作流
修日志），无法分析原始振动信号，例如文献 [12-13] Fig. 1 Large language model-driven agent workflows