Page 88 - 《振动工程学报》2025年第11期

2546 振 动 工 程 学 报 第 38 卷

子库等初始信息，通过“规划-执行-审查”的迭代循 于设备故障诊断的信号处理决策链?
环，自适应地生成并优化用于特征工程的决策链，直 为此，首先定义以下基本元素：
至满足审查者的终止条件。决策链的每个节点都包 （1） 任务指令 I：用户发出的高层次诊断目标，例
含算子以及父节点的信息。 如“诊断轴承 A 的故障”。
（2）下游训练分析 （2） 算子库 Φ：一个包含了若干个原子信号处理
当最优决策链构建完成后，系统进入分析与应 算子的库。
用阶段。后续的一系列智能体（如决策链探针、数据 （3）信号数据集 S，将其划分为训练验证集 S train
规整器、机器学习器等）将依次启动，利用该决策链 和测试集 S test 。
提取的特征，进行定量分析（如特征有效性评估）、 （4）信号处理决策链 D。将决策链定义为一个由算
机器学习模型训练与验证，并最终整合所有过程信 子库 Φ 中元素构成的 DAG。该 DAG 的拓扑结构 D topo
息，自动生成一份详尽的诊断报告。 与其内部每个算子的参数配置 Θ 均为待求解的变量。
基于上述定义，整个自主诊断过程可被分解为
振动信号 用户指令 算子库 DAG信息 离线训练验证与在线测试两个阶段。

1.1.1 离线训练验证：最优决策链生成
规划者 训练阶段的根本任务是学习并构建最优的决策
规划决策链
链 D*。在此阶段，多智能体系统以给定的训练数据
S trai 和任务指令 I 为输入，在所有可行决策链构成的
n
执行者 解空间 D中进行学习。该学习过程旨在最大化预定
构建决策链
义 的 综 合 效 用 函数 U 来 识 别 最 优 的 决 策 链 结 构
D*及其对应的参数配置 Θ：
反馈 反馈
∗
∗
(D ,θ ) = arg max U(D(θ),S train ,I) （1）
D∈D,θ∈Θ
审查者
审查决策链 为简化问题并聚焦于核心的自主决策链构建能
力，后续试验中不考虑计算成本，只关注诊断的性能
指标。

1.1.2 在线部署测试：泛化能力的评估与验证
决策链探针 为检验所生成决策链 D*的泛化能力，设计了独
计算信号表征
立的测试阶段。此阶段的核心在于评估该决策链在
训练过程中未曾接触过的新数据 S tes 上的表现。该
t
数据规整器
评估流程将固化的决策链 D*和未见的测试数据集
S tes 作为输入，进行前向推理，并输出两项关键结果：
t
量化性能得分和一份详尽的，包含决策链拓扑、关
浅层机器学习器
键中间结果和最终结论的解释性报告。

1.2 信号处理算子的神经符号规约
研究者
为了使 LLM 对信号处理流程的自主规划，并自
主构建有效的决策链，核心挑战在于杜绝 LLM 调用
分析报告生成
工具的“幻觉”，以及链接 LLM 强大的符号推理能力
与精确的数值计算过程，需要构建一个包含经典、

图 2 自主信号处理多智能体架构 可解释算子的工具库 Φ，其中的算子均是在机械故
Fig. 2 Multi-agent architecture for autonomous signal
障诊断领域经过长期验证、具有明确物理意义的工
processing
具，覆盖了预处理、时频变换和特征提取等关键环

节。进一步，针对算子库中的所有算子，提出一套神
1.1 问题定义：信号处理决策链的优化
经符号规约（neuro-symbolic specification），通过规约，
面向真实的工业诊断场景，本研究的核心问题 LLM 可以理解各类算子的语义信息从而正确调用算
可被形式化地定义为：如何驱动智能体系统，令其在 子工具，这为智能体自主构建分析流程提供基础。
给定的算子库中，自主地调用算子、构建并优化用 本文将每个信号处理步骤抽象为一个算子 Φ 及其参