Page 100 - 《振动工程学报》2026年第5期

1304 振 动 工 程 学 报 第 39 卷

2.0 实际值 1.5 实际值 2 实际值 2 实际值 2 实际值
振动信号幅值/(m·s −2 ) −0.5 0 振动信号幅值/(m·s −2 ) −0.5 0 振动信号幅值/(m·s −2 ) −1 1 0 振动信号幅值/(m·s −2 ) −1 1 0 振动信号幅值/(m·s −2 ) −1 1 0
1.5
1.0
预测值
预测值
预测值
预测值
预测值
0.5
1.0
0.5
−1.0
−1.0
−1.5
−1.5
0 10 20 30 40 −2.0 0 10 20 30 40 −2 0 10 20 30 40 −2 0 10 20 30 40 −2 0 10 20 30 40
时间步长 2 时间步长 实际值 2.0 时间步长 实际值 2 时间步长 实际值
时间步长
2.0
振动信号幅值/(m·s −2 ) −0.5 0 预测值 振动信号幅值/(m·s −2 ) −1 1 0 预测值 振动信号幅值/(m·s −2 ) −0.5 0 预测值 振动信号幅值/(m·s −2 ) −1 1 0 实际值 振动信号幅值/(m·s −2 ) −1 2 1 0 预测值
实际值
1.5
1.5
1.0
1.0
0.5
0.5
−1.0
−1.5
−1.5
−2.0
0 20 40 60 80 −2 0 20 40 60 80 −1.0 0 20 40 60 80 −2 0 20 40 60 80 预测值 −2 0 20 40 60 80
时间步长 2 时间步长 时间步长 实际值 时间步长 3 实际值 时间步长
振动信号幅值/(m·s −2 ) −1 1 0 预测值 振动信号幅值/(m·s −2 ) −1 1 0 振动信号幅值/(m·s −2 ) −1 2 1 0 预测值 振动信号幅值/(m·s −2 ) −1 2 1 0 预测值 振动信号幅值/(m·s −2 ) −1 2 1 0 预测值
实际值
实际值
2
实际值
−2
预测值
0 25 50 75 100 125 150 175 200 −2 0 25 50 75 100 125 150 175 200 −2 0 25 50 75 100 125 150 175 200 −2 0 25 50 75 100 125 150 175 200 −2 −3 0 25 50 75 100 125 150 175 200
时间步长 实际值 时间步长 时间步长 2 时间步长 实际值 3 实际值 时间步长
3
振动信号幅值/(m·s −2 ) −1 2 1 0 预测值 振动信号幅值/(m·s −2 ) −1 3 2 1 0 预测值 振动信号幅值/(m·s −2 ) −1 2 1 0 振动信号幅值/(m·s −2 ) −1 1 0 预测值 振动信号幅值/(m·s −2 ) −1 2 1 0 预测值
实际值
实际值
−2
预测值
−3
0 50 100 150 200 250 300 350 400 −2 0 50 100 150 200 250 300 350 400 −2 0 50 100 150 200 250 300 350 400 −2 0 50 100 150 200 250 300 350 400 −2 0 50 100 150 200 250 300 350 400
时间步长 时间步长 时间步长 3 实际值 时间步长 3 时间步长
3
振动信号幅值/(m·s −2 ) −1 2 1 0 振动信号幅值/(m·s −2 ) −1 3 2 1 0 预测值 振动信号幅值/(m·s −2 ) −1 2 1 0 振动信号幅值/(m·s −2 ) −1 2 1 0 预测值 振动信号幅值/(m·s −2 ) −1 −2 2 1 0
实际值
实际值
−2
实际值
预测值
预测值
−3
预测值
−3
100 200 300 400 500 600 700 800
0 100 200 300 400 500 600 700 800 −2 0 100 200 300 400 500 600 700 800 −2 0 实际值 −2 0 100 200 300 400 500 600 700 800 −3 −4 0 100 200 300 400 500 600 700 800
时间步长 预测值 时间步长 实际值 3 实际值 时间步长 3 时间步长 3 时间步长
3
振动信号幅值/(m·s −2 ) −1 −2 2 1 0 振动信号幅值/(m·s −2 ) −1 3 2 1 0 预测值 振动信号幅值/(m·s −2 ) −1 −2 2 1 0 振动信号幅值/(m·s −2 ) −1 2 1 0 实际值 振动信号幅值/(m·s −2 ) −1 −2 −3 2 1 0 实际值
预测值
实际值
−2
−2
预测值
预测值
−3
0
200 400 600 800 1000120014001600
时间步长
时间步长
时间步长
时间步长 −3 0 200 400 600 800 1000120014001600 0 200 400 600 800 1000120014001600 −3 0 200 400 600 800 1000120014001600 −4 0 200 400 600 800 1000120014001600
时间步长
编号7数据集 编号13数据集 编号78数据集 编号87数据集 编号221数据集

图 12 不同工况数据集上 VSP-LLM*模型的预测效果
Fig. 12 Prediction performance of VSP-LLM* model on different working condition datasets

表 7 各个模型在 CWRU 数据集上的预测性能表现
Tab. 7 Predictive performance of each model on the CWRU dataset

VSP-LLM* VSP-LLM TIME-LLM DLinear Autoformer Informer
数据集 步长
MSE MAE MSE MAE MSE MAE MSE MAE MSE MAE MSE MAE
48 0.2346 0.3852 0.2561 0.4018 0.2308 0.3821 0.2317 0.3821 0.4750 0.5552 0.6154 0.6272
96 0.2431 0.3923 0.2683 0.4108 0.2425 0.3916 0.2405 0.3894 0.4770 0.5501 0.6666 0.6560
192 0.2838 0.4241 0.2879 0.4287 0.2499 0.3977 0.2468 0.3944 0.4713 0.5465 0.7136 0.6775
CWRU 384 0.2822 0.4237 0.2935 0.4354 0.2786 0.4200 0.2487 0.3960 0.4434 0.5303 0.7254 0.6851
768 0.2517 0.3999 0.2653 0.4088 0.2789 0.4205 0.2552 0.4029 0.4489 0.5336 0.7346 0.6859
1536 0.2560 0.4022 0.2731 0.4191 0.2562 0.4021 0.2617 0.4064 0.5034 0.5651 0.7233 0.6831
Avg 0.2585 0.4045 0.2740 0.4174 0.2561 0.4023 0.2474 0.3952 0.4698 0.5468 0.6964 0.6691
最佳性能计数 2 0 1 3 0 0
得了 2 次最佳表现。尽管 DLinear 在 3 个步长中取得了 合 GRU、因果卷积和多头注意力机制，显著提升了
最佳结果，但 VSP-LLM*在多个步长上的稳定性优势 时序特征提取能力，优化了振动信号趋势预测。
更为明显，且其他模型（如 Autoformer 和 Informer）在 （2） 基于 VSP-LLM 模型架构，结合振动信号特
任何步长下均未表现突出。 征和趋势重构提示模块，在与 Autoformer、Informer、
综合来看，VSP-LLM 在不同步长下的 MSE 和 MAE DLinear 等模型的对比中，展示了显著的预测精度和
指标波动较小，表现出对不同时间步长和故障工况 稳定性优势。
的稳定性与鲁棒性，能够精准捕捉振动信号的复杂 （3） VSP-LLM 模型在 DGLC 数据集不同工况条
时序特性，在旋转机械振动信号预测领域具备较强 件下的试验结果进一步证明了其强大的鲁棒性，能
的泛化能力，可适应多种故障信号和时间序列任务。 够在强噪声环境下准确捕捉振动信号变化趋势。

（4） 在凯斯西储大学公开数据集上的良好表现
4 结 论 验证了 VSP-LLM 模型的泛化能力，表明其在不同数
据集上具有较强的跨数据集迁移能力。
（1） 本研究提出的 DCBiformerNet 模型，通过融 虽然本方法取得一些进步，但在实际应用中仍