Page 92 - 《振动工程学报》2025年第11期

2550 振 动 工 程 学 报 第 38 卷

x ch1

Φ 1 , Φ 2 Φ 3 , Φ 4 Φ 5 , Φ 6 Φ 11 , Φ 12 Φ 17 , Φ 18 Φ 27 , Φ 28

Φ 7 , Φ 8 Φ 9 , Φ 10 Φ 15 , Φ 16 Φ 19 , Φ 20 Φ 23 , Φ 24 Φ 25 , Φ 26 Φ 31 , Φ 32
Φ 35 , Φ 36
Φ 13 , Φ 14 Φ 21 , Φ 22 Φ 29 , Φ 30 Φ 33 , Φ 34

Φ 37 , Φ 38

DAG1 DAG2 DAG3 DAG4 DAG5
Φ 1 , Φ 2 包络谱 Φ 7 , Φ 8 包络谱峭度 Φ 13 , Φ 14 包络谱RMS Φ 21 , Φ 22 包络谱STD Φ 29 , Φ 30 包络谱均值

Φ 3 , Φ 4 FFT Φ 9 , Φ 10 FFT谱峭度 Φ 15 , Φ 16 FFT质心 Φ 23 , Φ 24 FFT偏度 Φ 31 , Φ 32 FFT谱均值

Φ 5 , Φ 6 RMS Φ 11 , Φ 12 熵 Φ 17 , Φ 18 峰值因子 Φ 25 , Φ 26 FFT平坦度 Φ 33 , Φ 34 包络谱标准差

Φ 19 , Φ 20 频带能量 Φ 27 , Φ 28 偏度 Φ 35 , Φ 36 FFT标准差
DAG新增节点
Φ 37 , Φ 38 FFT能量均值

图 5 案例一：DAG 生成过程与算子图例
Fig. 5 Case 1: DAG generation process and operator legend
征（即 Φ 1 , Φ 2 , …）以及由智能体自动选择的 Top-k 特 0.993。这一结果强有力地证明了本框架生成的决策
征集成模型进行了分类测试。详细的诊断准确率和 链具备一定的泛化能力与鲁棒性。

F1 分数见表 3~5。可以得出如下结论：
2.4 消融试验/失败案例
（1） LLM 对搭建决策链的规划能力决定了诊断
性能的上限 这项工作的核心挑战是结合上下文工程实现对
通 过 对 比 同 一 数 据集 D1 上 的 两 个 案 例 ， 发 现 大语言模型响应的有效控制，因此为了验证本框架
LLM 的规模和能力对最终诊断效果具有决定性影响。 各项核心设计的必要性，进行了一系列消融试验。
如表 3 所示，由轻量级模型 Gemini 2.0 Flash 生成 本工作并非追求极致的诊断精确度，而是更关注信
的特征已表现出良好的性能。然而，当升级为更强 号处理工作流的自主构建，以及诊断过程的可解释
大的 Gemini 2.5 Pro 后，系统自主构建的决策链所提 性、可验证性。本节通过分析几种典型的“失败案
取的特征，能够取得接近更高的分类性能。这充分 例”，反向证明本框架设计的完备性与鲁棒性。

证明，一个更强大的 LLM 作为“大脑”，能够规划出 2.4.1 未设定 DAG 深度约束，导致特征提取不足
更深刻、更有效的诊断路径，从而显著提升最终的 在此消融试验中，移除了对“审查者”智能体关
诊断精度。 于最小 DAG 深度的提示约束。系统倾向于生成非
（2） 跨域条件下的强大零样本泛化能力 常“浅”的决策链，即在经过 1~2 步基础操作后便过
该决策链仅在简单的“加速”和“减速”工况下 早地终止规划。试验日志显示，在无深度约束的测
进行训练，随后便直接应用于其在训练中从未见过 试中，系统在计算了信号的傅里叶变换之后便判定
的、模式更复杂的“先加速后减速”复合工况。 任务完成，其生成的特征在后续分类任务中表现不佳。
结果表明，由系统自主生成的多个特征（如小波 机械振动信号特征，尤其是微弱故障特征，往往
相关的 Φ 3 , Φ 9 和包络谱相关的 Φ 7 ）依然取得了超过 需要通过一系列算子的级联处理（如滤波-解调-谱分

0.96 的 F1 分 数 ， 而 最 终 的 集 成 模 型 性 能 更 是 高 达 析）才能有效提取。一个过浅的决策链可能仅完成了