Page 90 - 《振动工程学报》2025年第11期

2548 振 动 工 程 学 报 第 38 卷

合进行效能的量化评估。它通过计算每个特征在不 （1）清华大学轴承摩擦电故障诊断数据集 D1 [21]
同工况（如正常与故障）下的分布差异或相似性度量 该数据集采集于稳定工况下的转子试验台，通
Q，探查其对诊断任务的贡献度。此过程为后续的机 过一个集成的摩擦电-压电智能鼠笼支架获取振动
器学习建模提供了关键的先验知识，并对特征进行 信号。用于验证本框架在单一领域内的基础诊断能
了一次筛选与解释。该智能体的输出是对决策链 D 力与决策链生成质量。
中叶子节点的属性进行标注，生成带有相似度量化 数据集共包含 5 种不同的健康状态：健康、内圈
评估的结果。 故障、外圈故障、滚动体故障和保持架裂纹。将该

1.3.5 数据规整器与浅层机器学习智能体 数据集的所有 5 类数据进行划分，其中 2 个数据集
数据规整器对提取出的特征进行标准化和规 的训练验证与测试集的比例均为 1：1。训练验证阶
整。为了验证提取决策链的效果，本文采取的机器 段均做 5 折交叉验证。
学习模型为支持向量机 [20] 。浅层机器学习智能体接 （2）渥太华大学变转速轴承数据集 D2 [22]
收决策链 D 各个节点的特征集，对决策链 D 进行综 该 数 据 集 包 含了 4 种 精 确 设 计 的 时 变 转 速 工
合评估，并采用 k 折交叉验证的方法，集成最优的模 况， 对 诊 断 算 法 的 鲁 棒 性 和 适 应 性 提 出 了 更 高 要
型，进行初步的模式识别或分类，得出一个初步的诊 求。使用此数据集来评估框架在更复杂的跨工况场
断结果 M。 景下的零样本泛化性能。

1.3.6 研究报告智能体 数据集涵盖了 3 种健康状态（健康、内圈故障、
整合上述所有智能体的分析结果、决策过程以 外圈故障）和 4 种变转速工况（加速、减速、先加速后
及最终的诊断结论 M，按需调用外部知识库进行补 减速、先减速后加速）。为模拟严苛的工业场景，设
充，研究报告智能体 A r 自动生成一份结构化的、人 计了跨域验证：训练与验证集仅使用工况模式相对简
类可读的分析报告 R： 单的“加速”与“减速”数据；而测试集则采用系统在
训练中从未见过的、模式更为复杂的“先加速后减
R = A r (I,D t ,H t ,Q, M) （7）
速”和“先减速后加速”数据，以评估其泛化能力。

综上，多智能体的伪代码如下。

2.1.2 案例配置
算法1：神经符号多智能体主循环伪代码
为探究不同规模的大语言模型（LLM）作为决策
输入： 任务指令 I，算子库Φ，最小深度d（默认为4）， 初始计划P，
中枢时的表现差异，全面评估框架在不同数据集上
审查历史H
的能力，设置了 3 个独立的验证案例：
输出：有向无环图决策链D，分类器M，结构化报告R
（1）案例 1
1 D ← ∅
2 H，P，R← ∅ 在数据集 D1 上，采用 Gemini 2.0 Flash 模型进行
3 循环 验证。此案例旨在评估轻量级模型的基础规划与推
4 基于式(4)更新执行计划P 理能力。
5 基于式(5)更新决策链D （2）案例 2
6 基于式(6)获取本轮审查意见 在 数 据集 D1 上 ， 升 级 使 用 能 力 更 强 的 Gemini
7 H ← H ∪ {本轮审查意见}
2.5 Pro 模型。通过与案例 1 进行对比，旨在探究更
8 直到 通过审查意见且D的深度大于等于d
强大的 LLM 对诊断决策链质量的提升效果。
9 顺序执行决策链探针，数据规整器与浅层机器学习智能体，获得
（3）案例 3
DAG的度量Q，分类器M
在变转速数据集 D2 上，采用 Gemini 2.5 Pro 模型
10 基于式(7)得到分析报告R
进行验证。此案例旨在挑战框架在复杂、非平稳信
11 返回 D，M，R
结束 号条件下的适应性与高级特征工程能力。

3 LLM
个案例的 均采用 API 调用的方式，这意
2 案 例 分 析 味着繁重的模型推理在云端完成，本地无需大算力
支持。生成的 DAG 中所包含的所有信号处理算子

及 下 游 机 器 学 习 模 型 的 计 算， 可 在 本 地 CPU 上 执
2.1 试验设置
行，确保了框架的部署便捷性。

2.1.1 数据集 2.1.3 提示词配置
试验验证采用了两个具有代表性的公开轴承故 提示词决定了各智能体的具体行为和思考模
障数据集，分别覆盖了稳态工况和时变工况，以全面 式，图 3 和 4 分别展示了核心智能体规划者和审查
评估框架的性能。 者的详细提示词。