Page 91 - 《振动工程学报》2025年第11期

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 2549

生成与演化 DAG 的核心过程。以下重点呈现最终
生成的 DAG 结构， “审查者”智能体在每一次“反思
迭代”中的决策逻辑见附录 A1 节，揭示了系统是如
何自我优化直至构建出完备的诊断流程。

2.2.1 案例一
在此案例中，系统共进行了 5 次“规划-执行-审
查”的迭代，最终生成了一个深度为 4 的决策链，如
图 5 所示。图中不同线型代表不同迭代轮次，下方
的图例展示了每一个轮次的节点编号对应的具体算
子。系统在初次迭代中便展现出良好的对称性规划
能 力， 为 双 通 道 信 号 并 行 地 部 署 了 包 络 分 析 （ Φ 1 ,
Φ 2 ）、FFT（Φ 3 , Φ 4 ）等核心路径。
在第 2 轮迭代中，系统没有止步于基础变换，而
是进一步从中间结果中挖掘深层特征，自主生成了
“包络谱-峭度”（Φ 7 , Φ 8 ）和“FFT 谱-峭度”（Φ 9 , Φ 10 ）这
两个在故障诊断中至关重要的特征提取分支。随着
迭代的进行，决策链的深度和宽度被逐步扩展，最终
形成了一个多样化的特征集。

2.2.2 案例二
采用能力更强的 Gemini 2.5 Pro 模型后，系统生

图 3 规划者提示词
成的 DAG 在结构上展现出更高的复杂性和专家级
Fig. 3 Prompt of planner
的逻辑性，如图 6 所示。

系统不仅实现了对双通道信号的对称处理，还
创新性地引入了跨通道的“相关函数”（Φ 21 ）和时频
分析工具 STFT（Φ 22 ）。系统自主发现了对包络信号
进行频谱分析的黄金准则，即“希尔伯特包络（Φ 1 ） →
包络谱 FFT（Φ 9 ） → 谱峭度/偏度（Φ 15 , Φ 17 ）”，精准复
现了滚动轴承故障诊断的专家级标准流程，充分证
明了其强大的领域知识理解与推理能力。

2.2.3 案例三
面对变转速工况的严峻挑战，系统生成的 DAG
（如图 7 所示）同样表现出强大的适应性。它同时探
索了包络分析（Φ 1 , Φ 2 → Φ 7 , Φ 8 ）和小波变换（Φ 3 , Φ 4 →
Φ 9 , Φ 10 ），这两种都是处理非平稳信号的经典有效手段。
此外，系统还融合了跨通道相关性分析（Φ 13 , Φ 18 ,
Φ 19 ），显示出其在复杂工况下自主构建鲁棒特征集
的先进能力，而非仅仅依赖单一的分析路径。

2.3 决策链分类效果

为定量评估自主生成决策链所提取特征的真实
有效性，只在浅层机器学习智能体中配置了支持向
量机作为一个浅层的分类模型，正则化参数选取为

图 4 审查者提示词 1，SVM 的核函数选取为径向基函数，其他参数均采
Fig. 4 Prompt of reviewer 用默认设置，旨在隔离分类器本身带来的性能增益，
从而确保主要诊断结果都主要归功于决策链所生成
2.2 DAG 迭代过程及其审查反馈
特征的内在质量。
本节将详细展示 3 个案例中多智能体系统动态 在三个案例中，对每个最终 DAG 的叶子节点特