Page 96 - 《振动工程学报》2025年第11期

2554 振 动 工 程 学 报 第 38 卷

Processing，2020，140：106725. face[EB/OL]. （ 2023-11-03） [2025-10-05]. https://arxiv.org/
[4] 王冬，侯炳昌，王玉婷，等. 稀疏测度和复杂性测度及其 abs/2303.17580.
在设备健康监测中的研究进展 [J]. 机械工程学报，2025， [18] HUANG Y C，YANG L F. Winning gold at IMO 2025 with a
61（1）：123-139. model-agnostic verification-and-refinement pipeline[EB/OL].
WANG Dong， HOU Bingchang， WANG Yuting， et al. （2025-07-25）[2025-10-05]. http://arxiv.org/abs/2507.15855.
Advances in sparsity measures and complexity measures for [19] WANG L， MA C， FENG X Y， et al. A survey on large
machine health monitoring[J]. Journal of Mechanical Engi- language model based autonomous agents[J]. Frontiers of
neering，2025，61（1）：123-139. Computer Science，2024，18（6）：186345.
[5] YAN R Q，SHANG Z G，XU H，et al. Wavelet transform [20] 陈超，沈飞，严如强. 改进 LSSVM 迁移学习方法的轴承故
for rotary machine fault diagnosis： 10 years revisited[J]. 障诊断 [J]. 仪器仪表学报，2017，38（1）：33-40.
Mechanical Systems and Signal Processing， 2023， 200： CHEN Chao， SHEN Fei， YAN Ruqiang. Enhanced least
110545. squares support vector machine-based transfer learning strat-
[6] CHEN Y Y，ZHANG D，YAN R Q，et al. Applications of egy for bearing fault diagnosis[J]. Chinese Journal of Scien-
domain generalization to machine fault diagnosis：a survey[J]. tific Instrument，2017，38（1）：33-40.
IEEE/CAA Journal of Automatica Sinica， 2025， 12（ 10） ： [21] QIN L C，ZHANG L F，FENG J G，et al. A hybrid tribo-
1963-1984. electric-piezoelectric smart squirrel cage with self-sensing and
[7] 严如强，商佐港，王志颖，等. 可解释人工智能在工业智 self-powering capabilities[J]. Nano Energy， 2024， 124：
能诊断中的挑战和机遇：先验赋能 [J]. 机械工程学报， 109506.
2024，60（12）：1-20. [22] HUANG H，BADDOUR N. Bearing vibration data collected
YAN Ruqiang，SHANG Zuogang，WANG Zhiying，et al. under time-varying rotational speed conditions[J]. Data in
Challenges and opportunities of XAI in industrial intelligent Brief，2018，21：1745-1749.
diagnosis：priori-empowered[J]. Journal of Mechanical Engi-
neering，2024，60（12）：1-20.
[8] 林京，焦金阳. 可解释机械智能诊断技术的研究进展与挑 第一作者：李 奇 (1997―)，男，博士研究生。
战 [J]. 机械工程学报，2023，59（20）：215-224. E-mail：liq22@tsinghua.org.cn
LIN Jing，JIAO Jinyang. Research progress and challenges of 通信作者：秦朝烨 (1980―)，男，博士，副教授。
interpretable mechanical intelligent diagnosis[J]. Journal of E-mail：qinzy@tsinghua.edu.cn

Mechanical Engineering，2023，59（20）：215-224.
[9] LI Q， LI H， HU W Y， et al. Transparent operator
附 录 A
network： a fully interpretable network incorporating learn-
able wavelet operator for intelligent fault diagnosis[J]. IEEE

Transactions on Industrial Informatics，2024，20（6）：8628-
8638. A1 三个案例的反思内容
[10] LI Q，LIU Y K，SUN S L，et al. Deep expert network：a
unified method toward knowledge-informed fault diagnosis via A1.1 案例一中审查者的反思迭代过程
fully interpretable neuro-symbolic AI[J]. Journal of Manufac- （1）反思迭代 1
turing Systems，2024，77：652-661. 当前 深度：2。智能体决策：需要重新规划
[11] LI Q， QIN L C， XU H F， et al. Transparent information DAG
（推断）。决策理由： 当前 DAG 深度为 2，低于最低
fusion network：an explainable network for multi-source bear-
ing fault diagnosis via self-organized neural-symbolic 要求 4。尽管已执行的步骤有效，但工作流过浅，需
nodes[J]. Advanced Engineering Informatics， 2025， 65： 要扩展以提取更多故障诊断相关特征。应当引入更
103156.
[12] LIAO X M，CHEN C，WANG Z W，et al. Large language 高级的信号处理技术，例如，可对已计算的 RMS 值
model assisted fine-grained knowledge graph construction for 本身进行进一步的统计分析，或对原始信号（ch1, ch2）
robotic fault diagnosis[J]. Advanced Engineering Informat- 应用小波分解进行时频分析。此外，在 FFT 计算后，
ics，2025，65：103134. 应执行如谱熵、谱峭度或主频识别等特征提取。
[13] SHI F C，CHEN L，ZHOU M S，et al. A stepwise intelli-
（2）反思迭代
gence generative method for structured maintenance guidance 2
documents based on knowledge graph augmented LLM[J]. 当前 DAG 深度：3。智能体决策： 需要重新规划
Advanced Engineering Informatics，2025，67：103523.
（推断）。决策理由： DAG 结构有效，但深度和特征
[14] LIN L， ZHANG S H， FU S， et al. FD-LLM： large
多样性有限。尽管时域特征（RMS、熵）和频域特征
language model for fault diagnosis of complex equipment[J].
Advanced Engineering Informatics，2025，65：103208. （谱峭度）很有用，但整体工作流过浅，无法捕捉轴承
[15] BRITO L C，SUSTO G A，BRITO J N，et al. Fault diagno- 故障的复杂性。双通道的对称性处理很好，但需要
sis using explainable AI：a transfer learning-based approach
从 FFT 和希尔伯特变换结果中提取更多特征，例如
for rotating machinery exploiting augmented synthetic data[J].
从 FFT 输出中提取统计特征（均值、标准差等）、计
Expert Systems with Applications，2023，232：120860.
[16] ALUR R，DURRETT G，KRESS-GAZIT H，et al. Report 算不同频带能量或探索谱质心等。同时，应引入小
on NSF workshop on science of safe AI[EB/OL]. （2025-06- 波变换以分解信号。
24）[2025-10-05]. https://arxiv.org/abs/2506.22492.
[17] SHEN Y L， SONG K T， TAN X， et al. HuggingGPT： （3）反思迭代 3
solving AI tasks with ChatGPT and its friends in hugging 当前 DAG 深度：3。智能体决策：需要重新规划