Page 88 - 《振动工程学报》2026年第5期
P. 88

1292                               振     动     工     程     学     报                     第 39 卷


                                                                少，限制了模型的训练深度与广度，进而影响了模型
                                                                在异常信号上的敏感度。为应对这些挑战，本文提
                                                                出了一种新型预测框架：振动信号预测大语言模型
                                                                （VSP-LLM）。该框架旨在将大语言模型（LLM）引入
                                                                跨座式单轨列车齿轮箱振动信号预测任务，并保持

                          图 1 跨座式单轨列车运行图                        模型主干结构的完整性。核心策略是将振动信号序
                   Fig. 1 Photos of straddle monorail train operation  列转化为适合语言模型处理的文本原型表示形式。
              检测齿轮箱状态对确保跨座式单轨列车正常运行至                            为了增强模型对振动信号序列的理解与推理能力，
              关重要。振动信号预测在机械设备智能运维中具有                            本研究将振动信号的特征和趋势融入提示词中，通
              关键作用 。振动信号预测通过时序数据分析，能够                           过提供丰富的上下文信息和明确的任务指令，展示
                      [6]
              提前捕捉信号变化趋势和早期故障征兆，为异常检                            了  LLM  在特定领域应用的思路。此外，通过预测头
                                        [7]
              测与故障诊断提供数据支持 。振动信号预测的主                            生 成 的 振 动 信 号 序 列 预 测， 能 够 提 升 预 测 的 准 确
              要目标是识别潜在故障风险，揭示故障趋势与模式，                           性。为了使模型能够有效学习故障数据特性，并具
              作为故障诊断的前置环节提供重要预警。                                备预测故障数据振动信号的能力，本研究使用跨座
                  振动信号预测的方法涵盖多个分析维度：时间                          式单轨列车齿轮箱振动信号数据集（DGLC）和凯斯
              域分析方法，如均方根值和方差等指标，可用于监测                           西储大学公开数据集（CWRU）进行预测性能和模型
                         [8]
              信号的变化 ；频率域分析方法，如傅里叶变换，可                           泛化能力验证。这些数据集提供了真实且标注完备
              用于识别信号中的周期性成分 ；时频域分析，如经                           的数据，可有效提升模型对异常信号的敏感度和趋
                                          [9]
              验模态分解，可用于提取信号的固有模态函数                     [10] ；机  势捕捉能力，确保预测任务的准确性和可靠性。

              器 学 习 方 法， 如 采 用    LSTM（ long-short term memory）
              进行长时间序列的依赖建模             [11] 。与传统的固定窗口
                                                                1    LLM   在  振  动  信  号  预  测  中  的  潜  力
              方 法 相 比， 大 语 言 模 型 （ large-scale language models，
              LLM）  [12]  通过自注意力机制     [13]  动态调整时间步长间
                                                                    跨座式单轨列车齿轮箱作为动力输出及必要的
              的依赖关系，识别数据中的关键时间点，能够有效捕
                                                                减速设备，因频繁启停、多变载荷和弯道通行需求
              捉长短期依赖，从而更好地处理非平稳信号。此外，
                                                                使得其运行过程中的产生的振动信号比较复杂，所
              LSTM [14] 、GRU [15] 、Wavenet [16] 、Informer [17]  等模型能够
                                                                产生的振动信号由低频和高频成分、模糊特征以及
              同时关注信号的短期波动和长期趋势，捕捉复杂的
                                                                非线性、非稳态模式混合组成。要准确预测这些信
              频谱特征。在       Time-LLM [18]  的研究中，展示了大语言
                                                                号，必须有一个能够进行多模态数据处理、自动特
              模型在处理长时间序列数据方面的优势，尤其是在
                                                                征提取和时间分析的模型。大语言模型（LLM）具有
              样本数量较少的预测任务上提供了可扩展的解决方
              案。尽管如此，上述研究尚未广泛应用于振动信号                            多模态融合的优势，能够整合来自不同传感器的数
              预测领域，特别是在跨座式单轨列车齿轮箱振动信                            据，从而提高预测准确性，因此非常适合这项任务
              号的预测中。                                            （如图   2  所示）。LLM 可以有效捕捉复杂的非线性关
                  与普通齿轮箱相比，跨座式单轨列车齿轮箱具                          系，“通用逼近定理（universal approximation theorem）”  [20]
              有特殊的结构要求，需适应狭窄空间中的安装需求，                           也证明了这一点，该定理认为深度网络可以逼近任
              并承受更频繁的启停以及复杂工况下的载荷波动                      [19] 。  何非线性函数，这一理论基础对于振动信号建模至
              在复杂工况下运行时，尤其是频繁启停的过程中，跨                           关重要。此外，LLM 的自我关注机制允许灵活处理
              座式单轨列车齿轮箱的振动信号呈现出典型的非线                            时 间 依 赖 性 和 捕 捉 长 程 关 系 。 作 为 自 回 归 模 型，
              性和非平稳特性，同时伴随显著的动态负载和速度                            LLM  可动态利用历史数据进行预测，而深度表示学
              变化，呈现出复杂的时频特征。针对跨座式单轨列                            习可增强对噪声和非平稳性的鲁棒性，从而确保在
              车齿轮箱振动信号中的低频与高频成分混合、特征                            实际应用中的高准确性。
              不明显以及信号非平稳性突出等情况，可利用                      LLM         语言模型与时间序列模型之间的主要联系在于
              在多模态数据处理、特征自动提取及时序数据建模                            两者的输入数据都是序列数据。图                 2  左图展示了一
              方面的优势，将       LLM技术引入振动信号预测领域。                    个将包含     96  个时间戳的振动信号序列转换为长度
                  当前，跨座式单轨列车齿轮箱振动信号预测面                          为  5  的序列的示例，其中序列中的每一步都由一个
              临以下挑战：现有方法难以有效捕捉跨座式单轨列                            4  维特征向量表示，表明振动信号可以通过滑动窗口
              车齿轮箱振动信号的复杂时序特性，导致信号特征                            进行分割，并进行离散化处理以提取统计值（如均
              提取不足；预测结果波动性较大，趋势预测误差明                            值、标准差、最小值、最大值等）来表示每个窗口。因
              显，且预测值常常滞后于实际值；故障数据样本较                            此，振动信号也可被分解为一系列文本符号表示。
   83   84   85   86   87   88   89   90   91   92   93