Page 89 - 《振动工程学报》2025年第11期
P. 89

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                                        2547

              数  θ,它接收一个或多个信号张量             X  作为输入,并输          1.3.1    规划智能体
              出一个新的张量:                                              规划智能体      A p 是系统的认知核心,负责宏观层
                     Y = Φ(X;θ),X ∈ C B×D 1 ×D 2 ×···×D m ×C  (2)  面的任务分解与策略生成。它接收用户定义的任务
                  本文约定一批标准的多通道振动信号被表示为                          指令   I(例如,诊断特定设备的故障类型),并分析当前
              一个多维张量, B       为样本数,C     为通道数,D m 为其余           信号处理流程 D t  的拓扑结构与语义。同时,为了实
              的维度。除了维度的变化,算子还会引起数据语义                            现迭代优化并避免重复无效的探索,该智能体会参考
              的变化。例如,一个轴的语义可以从“时间域”转变                           历史审查智能体生成的反馈信息 H t 。基于上述输入,
              为“频率域”。因此,一个完整的算子规约不仅要定                           解析到智能体提示词模板中,模板包括如下信息:
              义其输入/输出的维度映射,还需声明其语义变换。                               (1)身份定义;
              基于维度变换的特性,将算子库中的原子操作归纳                                (2)信号处理任务策略;
              为以下    4  种基本类型:升维、降维、同维以及多信号                         (3) 算子库规约;
              算子。升维算子旨在将输入张量扩展至更高维度的                                (4) 输出格式与例子;
              空间,例如短时傅里叶变换算子。降维算子通过沿                                (5)参数占位符;
              一个或多个轴进行信息聚合,将输入张量压缩为更                                (6) DAG  最小深度    d。
              紧凑的低维表示,通常用于特征提取,例如平均算                                结合任务指令       I 和上述提示词,规划智能体可生
              子。同维算子在不改变输入张量形状的前提下,对                            成一个具体、有序的原子操作序列,即执行计划 P t ,
              其数值或语义进行变换例如傅里叶变换算子。多信                            用以指导下一阶段的计算。其状态转移功能可表示为:
              号算子接收两个或以上独立的信号张量,并输出一                                             P t = A p (I,D t ,H t )  (4)

              个描述它们之间相互关系的新张量,例如相干谱算子。
                                                                1.3.2    执行智能体
                  在缺乏明确的安全规约时,LLM 智能体在信号
                                                                    执行智能体      A e 是系统的程序化实现层,负责将
              处理任务中常出现两类失效:其一为参数“幻觉”,
                                                                规划智能体制定的抽象计划 P t  转化为具体的数值计
              即臆造采样率、滤波阶次、带宽等超出物理/算法约
                                                                算以及    DAG  的搭建。该智能体通过调用一个预定
              束的超参数,导致结果不稳定且难以复现;其二为逻
                                                                义的、经过验证的工业级算子库               Φ,在信号数据上执
              辑错配,表现为规划与执行脱节、前后假设不一致、
                                                                行具体操作(如傅里叶变换、小波包分解、统计特征
              工具调用次序错误,造成处理链路断裂。于多智能
                                                                计算等)。每次执行的结果都会以新节点或新连接
              体协作情境中,这些偏差会级联放大并形成“错误共
                                                                的形式更新到信号处理图             D t 中,从而生成新的图状
              识”,引发无效甚至高风险操作(如无限重试与资源                           态 D t+1 。这种设计将符号层面的规划与数值层面的
              过耗)。其有效性见附录            A  中的失败案例与消融试
                                                                计算进行了解耦,确保了            LLM  在决策过程中的可靠
              验。本研究所用到的完整原子算子库及其详细规约                            性与计算过程的精确性。其状态转移功能可表示为:
              可见前文提及的项目主页。

                                                                                 D t+1 = A e (D t ,P t )  (5)

              1.3    多智能体角色定义与协作机制                              1.3.3    审查智能体
                                                                    审查智能体      A h 扮演了元认知评估的角色,是实
                  之所以采用多智能体而非单一智能体,是因为
                                                                现系统自我完善和鲁棒性提升的关键。在每一轮执
              此类任务不仅要求系统具备宏观的策略规划能力,
              还需要确保规划能被精确、安全地转化为数值计                             行智能体完成操作后,审查智能体会对更新后的图
                                                                D t+1  进行批判性评估。评估的维度不仅限于执行的
              算,系统需要具备自我批判和迭代优化的能力,在巨
                                                                成功与否,更侧重于策略的有效性,例如特征集的冗
              大的解空间中探索出高质量的方案。因此,本节所
              阐述的协作机制,旨在为解决本文所面临的核心挑                            余度、处理流程的逻辑连贯性以及当前进展与最终
                                                                目标 I 的对齐程度。评估后,它会生成一条结构化
              战提供一个鲁棒且高效的解决方案。将整个系统的
                                                                的反馈意见,并将其追加到审查历史                 H  中,判断是否
              演化过程形式化地描述为一个状态转移系统。系统
                                                                需要进一步优化        D。这个“规划-执行-审查”的反馈
              的全局状态 S 可被定义为一个元组:
                                                                循环是本框架的核心机制之一。其状态转移功能可
                             S = (I,D,P,H, M,R)        (3)
                                                                表示为:
              式中,I 为任务指令;D 为信号处理决策链                DAG;P 为
              待执行的计划;H 为审查历史;M 为最终的机器学习                                        H t+1 = A h (I,D t+1 )+ H t  (6)
              模型与结果;R 为分析报告。每个智能体的功能可                           1.3.4    下游分析智能体决策链探针智能体
              以被视为一个状态转移函数,驱动系统从当前状态                                当信号处理决策链 D 的构建阶段终止后,决策
              S t 演进至下一状态      S t+1 。                          链探针智能体负责对决策链 D 节点上存储的特征集
   84   85   86   87   88   89   90   91   92   93   94