Page 87 - 《振动工程学报》2025年第11期
P. 87

第 11 期                李 奇，等：面向机械振动信号的自主信号处理大语言模型智能体                                        2545

              LLM 智能体无需人工枚举所有规则，展现了策略生                          挑战时，本框架的优势在于从“模型训练”范式转变
              成能力和泛化性。                                          为“逻辑调度”范式。它通过              LLM  的宏观规划对原
                  在人工智能飞速演进的背景下，本文旨在破解                          子算子进行灵活地逻辑重组，而非依赖海量数据进
              一个核心难题：能否借助            LLM  的强大推理与规划能             行模型重训练，因此具备更强的动态适应性和更短
              力，联合一个可解释的符号化信号处理算子库，在无                           的开发部署周期。
              需后训练的情况下，构建一套可自主、可解释、可验                               （3） 对比通用大语言模型
              证、可复现的振动信号分析智能体？具体而言，为                                本文核心工作是为         LLM  赋予了处理机械信号领
              解决该难题，需要完成若干挑战：                                   域问题的能力。通过形式化的神经符号算子库，将
                  （1）传统振动分析依赖专家，难以自动化；而                 LLM     其  LLM  的通用推理能力“锚定”在具体的振动信号
              虽具备通用推理能力，却无法直接进行精确的数值                            处理领域，有效解决了           LLM  因缺乏领域知识而产生
              计算，存在“幻觉”风险。                                      的“幻觉”，以及无法安全执行精确计算的根本问
                  （2）若直接让     LLM  调用外部工具（如信号处理                 题，最终实现了其在工业场景下的安全、可靠应用。

              库）时，其“幻觉”可能导致生成错误的函数名或参
                                                                                表 2 相关工作对比
              数，引发执行失败或灾难性后果。
                                                                          Tab. 2 Comparison of related work
                  （3）在复杂的信号处理任务中，单一智能体容易
                                                                对比维度 自主规划 可解释性 动态适应 领域知识 调用领域工具
              陷入局部最优或规划僵化，难以生成全局最优的诊
              断策略。                                               本工作      √√     √√     √√     √√       √√
                  为应对此挑战，本文提出一种由               LLM  驱动的神        专家系统      ×      √√      ×     √√        /
              经符号多智能体框架。其核心思路是借鉴人类专家                            神经网络      √       ~      √      ×        /
              团队的协作模式：以          LLM  充当决策中枢（“大脑”），
                                                                  LLM     √       ~      √      ×        ×
              并引入一个由“规划者”“执行者”和“审查者”构成
                                                                注：“√√”表示具备该能力，“√”表示基本具备该能力，但存在一定
              的多智能体协作架构。“规划者”负责提出宏观策
                                                                   局限，“~”表示仅在特定条件下或间接方式下有所体现，“×”表
              略，“执行者”调用算子库进行精确计算，而“审查                              示通常不具备该能力，“/”表示不适用。
              者”则对结果进行批判性评估与反馈。在这种迭代
                                                                    本文针对传统专家系统规则固化与深度学习
              循环中，系统动态地生成并优化一个由具体信号处
                                                                “黑箱”难解释的根本矛盾，提出面向机械振动信号
              理算子构成的有向无环图决策链（DAG）。为确保
                                                                的神经符号多智能体框架。它并非单一技术路线的
              LLM  规划的逻辑严谨性并杜绝“幻觉”，为所有算子
                                                                延伸，而是通过将        LLM  的宏观智能规划与符号化工
              建立了形式化的神经符号规约，保证整个决策链的
                                                                具的微观精确执行相结合，借助多智能体协作与动
              构建过程可由       LLM  自主组合和安全验证。试验结
                                                                态决策图可视化分析过程的涌现与演化，最终实现
              果表明，该框架能生成具有清晰物理含义的决策链，
                                                                信号处理决策链的自主生成、动态优化与全程可解
              在单域与跨域诊断任务中均实现了诊断流程的可追
                                                                释 。 代 码 及 补 充 内 容 可 见 主 页： https://github.com/
              溯与可信化。
                                                                PHMbench/PHMGA/tree/NVTA_2025_Version。
                  为清晰定位本框架的独特性，将自主信号处理
              的神经符号多智能体框架与当前主流技术范式（专
              家系统、端到端神经网络、LLM）在关键能力维度上                          1    构  建  的  自  主  信  号  处  理  的  神  经  符  号
              进行系统性对比，结果如表             2  所示。本框架并非是                 多  智  能  体  框  架
              对现有技术的简单替代，而是通过一种方式，将多种
              AI 范式的优点进行深度融合与协同。                                    图  2  直观地展示了本文提出的自主信号处理多
                  （1）对比传统专家系统                                   智能体架构。该架构的核心目标是通过多智能体协
                  本框架具备专家系统的可解释性，但通过                    LLM     作，将传统上依赖专家经验的信号处理流程设计过
              的自主学习和规划能力，从根本上克服了专家系统                            程完全自动化。整个工作流以动态构建和执行一个
              规则固化、难以扩展的瓶颈，实现了从“静态知识                            信号处理决策链（在本文中表现为有向无环图，DAG）
              库”到“动态决策大脑”的飞跃。                                   为中心，并围绕两大阶段展开：
                  （2）对比端到端神经网络                                      （1） 决策链构建
                  本框架在保留神经网络自适应学习能力的同                               本框架的核心创新在于引入了一个由“规划者”
              时，通过符号化算子库和可追溯的                 DAG，有效缓解          “执行者”和“审查者”构成的多智能体闭环系统。
              了其“黑箱”问题。更重要的是，面对新任务或跨域                           在此阶段，系统接收原始振动信号、用户指令和算
   82   83   84   85   86   87   88   89   90   91   92