Page 95 - 《振动工程学报》2025年第11期
P. 95

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                                        2553

              “操作手册”，从根本上保证了规划的准确性和执行                           新场景、新任务提供初始化的先验知识，从而加速
              的安全性，杜绝了因“幻觉”导致的失败。                               后续诊断任务的收敛，实现了从单次学习到知识积

                                                                累的智能进化。
              3    结     论                                          立足于本工作，未来可探索和开辟的多个前沿
                                                                方向包括：
                  本文提出了一种面向工业自主信号处理的神经                              （1） 拓展至多模态信息融合
              符号多智能体框架，旨在解决传统专家系统固化与                                现实中的工业诊断常需综合振动、声学、温度
              深度学习模型“黑箱”之间的核心矛盾。本框架以大                           等多源信息。未来，可将本框架拓展至多模态数据，
              型语言模型（LLM）为认知核心，通过创新的多智能                          设计更复杂的跨模态融合算子，使智能体能够进行
              体协作机制，将       LLM  强大的符号推理能力与经过严                  更全面地异构信息决策。
              格规约的信号处理算子库相结合，成功实现了对机                                （2）实现在线增量学习
              械振动信号处理决策链的自主规划、执行与优化。                                当前框架主要在批量数据上生成决策链。引入
              引入了“规划-执行-审查”的架构以提升决策的全局                          在线增量学习机制，使智能体能根据新接收的数据
              性与鲁棒性，并通过动态演化的有向无环图（DAG）                          流持续微调和优化诊断流程，将是实现设备全生命
              实现了诊断流程的自适应构建。试验充分证实，本                            周期自适应诊断的关键一步。
              框架能够自主构建出相当于人类专家设计的信号分                                （3）探索跨领域知识迁移
              析方案，在保持决策链可解释的前提下，于单域及跨                               本研究验证了框架在不同轴承间的泛化能力。
              域诊断任务中均展现出有效性与较强的泛化能力。                            未来更具挑战性的任务是，如何让智能体在面对从
              具体贡献可归纳如下：                                        旋转机械到土木结构监测等完全不同的领域时，能
                  （1）本文将    LLM 智能体与一个经过神经符号规                   高效地注入新知识并迁移已有经验。
              约的信号处理算子库进行深度融合，构建了连接高                                （4）构建人机协同回路
              级语义任务与底层数值计算的桥梁。                                      为进一步提升系统的鲁棒性与实用性，可探索
                  （2） 本 文 设 计 了 一 个 由 “ 规 划 者 ” “ 执 行 者 ” 和     融合“人在回路”的机制。在智能体遇到不确定或高
              “审查者”构成的多智能体协作框架，实现对信号处                           风 险 决 策 时， 可 主 动 请 求 人 类 专 家 指 导 ， 从 而 将
              理决策链的迭代优化。                                        AI 的效率与人类的深层经验智慧相结合。
                  （3）提出以动态演化的         DAG  来表征整个信号处                 （5） 完善理论基础保障
              理决策链，其中每个节点/每条边都对应一个具有明                               本工作在实践上验证了一种新范式的有效性。
              确物理含义的算子/数据流。                                     未来，从理论上对其决策过程的收敛性、最优性等
                  本框架的可解释性贯穿信号处理决策链的构                           进行形式化分析与证明，将是探索神经符号智能体
              建、执行和输出全过程：                                       系统性能边界、推动其走向成熟的重要研究方向。
                  （1） 架构层面
                  DAG  中的每个节点和边均映射到具有明确物理                       参考文献：
              语义的信号处理算子及其数据流，形成了一条完整
              可追溯的诊断推理链路，使得从原始信号到最终诊                            [1]  何清波，李天奇，彭志科. 旋转机械故障诊断中的振动信
                                                                    号模型综述    [J]. 振动、测试与诊断，2024，44（4）：629-
              断结论的每一步变换都有据可查。
                                                                    639.
                  （2）输出层面
                                                                    HE  Qingbo， LI  Tianqi， PENG  Zhike.  Vibration  signal
                  报告智能体能够自动生成结构化的诊断报告，                              models  in  rotating  machinery  fault  diagnosis:  a  review[J].
              不仅包含最终诊断结论，还完整记录了关键中间变                                Journal  of  Vibration， Measurement  &  Diagnosis， 2024，
                                                                    44（4）：629-639.
              换结果与特征演化过程，为工程技术人员提供了可
                                                                [2]  甄冬，田少宁，郭俊超，等. 改进型          EEMD  和  MSB  解调
              理解、可验证的决策依据。                                          方法及其在轴承故障特征提取中的应用              [J]. 振动工程学
                  （3）实证层面                                           报，2023，36（5）：1447-1456.
                                                                    ZHEN  Dong， TIAN  Shaoning， GUO  Junchao， et  al.  An
                  系统成功复现了领域专家的经典诊断路径，如
                                                                    improved decomposition method using EEMD and MSB and
              “希尔伯特包络→FFT→谱峭度/偏度”这一经典的轴                             its  application  in  rolling  bearing  fault  feature  extraction[J].
              承故障诊断路径，充分验证了其决策逻辑的专业性                                Journal of Vibration Engineering，2023，36（5）：1447-1456.
                                                                [3]  WANG  D， PENG  Z  K， XI  L  F.  The  sum  of  weighted
              与可信度。更重要的是，本框架生成的决策链具有
                                                                    normalized square envelope：a unified framework for kurto-
              知识迁移能力。一次成功规划所得的                   DAG  结构及
                                                                    sis，negative entropy，Gini index and smoothness index for
              其算子组合模式，可作为领域知识被存储和重用，为                               machine health monitoring[J]. Mechanical Systems and Signal
   90   91   92   93   94   95   96   97   98   99   100