Page 101 - 《振动工程学报》2026年第5期

第 5 期 赵 玲，等：大语言模型在跨座式单轨列车齿轮箱振动信号预测中的应用 1305

有一定局限性：一方面，它对高质量训练数据的依赖 Systems and Signal Processing，2019，115：213-237.
使得在故障样本稀缺的情况下性能可能不理想；另 [12] YIN S K，FU C Y，ZHAO S R，et al. A survey on multi-
一方面，模型的高计算复杂度限制了其在实时预测 modal large language models[J]. National Science Review，
2024，11（12）：277-296.
中的部署。此外，模型在不同机械系统和工况下的
[13] VASWANI A， SHAZEER N， PARMAR N， et al. Atten-
泛化能力仍需进一步验证和提升。未来，团队将优
tion is all you need[J]. Advances in Neural Information
化 VSP-LLM 架 构 ， 减 少 模 型 参 数 量 并 保 证 预 测 性
Processing Systems，2017，30：1-11.
能，实现模型轻量化，以满足实时应用需求。同时， [14] GRAVES A. Long short-term memory[M]. Supervised
探索迁移学习和小样本学习技术，增强模型的泛化 Sequence Labelling with Recurrent Neural Networks. Berlin，
能力，并扩展多模态数据融合方法，为更广泛的机械 Heidelberg：Springer，2012：37-45.
系统振动信号预测提供高效可靠的解决方案。 [15] DEY R，SALEM F M. Gate-variants of gated recurrent unit
（GRU） neural networks[C]//Proceedings of IEEE 60th Inter-
national Midwest Symposium on Circuits and Systems
参考文献：
（MWSCAS）. 2017：1597-1600.

[16] VAN DEN OORD A， DIELEMAN S， ZEN H G， et al.
[1] HE Q L，CAI C B，ZHU S Y，et al. An improved dynamic WaveNet：a generative model for raw audio[EB/OL]. （2016-
model of suspended monorail train-bridge system considering 09-12）. https://arXiv.org/abs/1609.03499v2.
a tyre model with patch contact[J]. Mechanical Systems and [17] ZHOU H Y， ZHANG S H， PENG J Q， et al. Informer：
Signal Processing，2020，144：106865. beyond efficient transformer for long sequence time-series
[2] WEN X X， NIE Y， DU Z X， et al. Operational safety forecasting[J]. Proceedings of the AAAI Conference on Artifi-
assessment of straddle-type monorail vehicle system based on cial Intelligence，2021，35（12）：11106-11115.
cloud model and improved CRITIC method[J]. Engineering [18] JIN M， WANG S Y， MA L T， et al. Time-LLM： time
Failure Analysis，2022，139：106463. series forecasting by reprogramming large language models
[3] PALKA R，WORONOWICZ K. Linear induction motors in [EB/OL]. （2023-10-03）. https://arXiv.org/abs/2310.01728v2.
transportation systems[J]. Energies，2021，14（9）：2549. [19] XU X Y， LU H P， HUA X， et al. An investigation on
[4] GAO Q F，CUI K M，LI Z L，et al. Numerical investiga- dynamic characteristics of the straddle-type monorail system
tion of the dynamic performance and riding comfort of a strad- under spatial alignment[J]. Machines，2022，10（9）：724.
dle-type monorail subjected to moving trains[J]. Applied [20] HORNIK K. Approximation capabilities of multilayer feedfor-
Sciences，2020，10（15）：5258. ward networks[J]. Neural Networks，1991，4（2）：251-257.
[5] ZHU B，ZHANG C R，ZHANG Z，et al. Dynamic analysis [21] KRIZHEVSKY A， SUTSKEVER I， HINTON G E.
of suspension-type monorail long-span cable-stayed bridge in a ImageNet classification with deep convolutional neural
wind-vehicle-bridge system[J]. Urban Rail Transit， 2023， networks[J]. Communications of the ACM， 2017， 60（ 6） ：
9（1）：19-30. 84-90.
[6] BOKRANTZ J， SKOOGH A， BERLIN C， et al. Smart [22] HUANG X， BELONGIE S. Arbitrary style transfer in real-
Maintenance： a research agenda for industrial maintenance time with adaptive instance normalization[C]//Proceedings of
management[J]. International Journal of Production IEEE International Conference on Computer Vision （ICCV）.
Economics，2020，224：107547. 2017：1510-1519.
[7] GUO J W，LAO Z P，HOU M，et al. Mechanical fault time [23] SUN C X，LI H Y，LI Y L，et al. TEST：text prototype
series prediction by using EFMSAE-LSTM neural network[J]. aligned embedding to activate LLM’s ability for time
Measurement，2021，173：108566. series[EB/OL]. （2023-08-16）. https://arXiv.org/abs/2308.08241.
[8] YAN R Q，GAO R X，CHEN X F. Wavelets for fault diag- [24] WU H X， XU J H， WANG J M， et al. Autoformer：
nosis of rotary machines： a review with applications[J]. decomposition transformers with auto-correlation for long-
Signal Processing，2014，96：1-15. term series forecasting[C]//Proceedings of Neural Information
[9] ZHENG J D，CHENG J S，YANG Y. A rolling bearing fault Processing Systems，2021，34：22419-22430.
[25] ZENG A L，CHEN M X，ZHANG L，et al. Are transform-
diagnosis approach based on LCD and fuzzy entropy[J]. Mech-
anism and Machine Theory，2013，70：441-453. ers effective for time series forecasting?[J]. Proceedings of the
[10] WU Z H，HUANG N E. Ensemble empirical mode decompo- AAAI Conference on Artificial Intelligence，2023，37（9）：
sition：a noise-assisted data analysis method[J]. Advances in 11121-11128.
Adaptive Data Analysis，2009，1（1）：1-41.
[11] ZHAO R，YAN R Q，CHEN Z H，et al. Deep learning and 通信作者：赵 玲（1979—），女，博士，教授。
its applications to machine health monitoring[J]. Mechanical E-mail：zhao.ling@163.com