Page 89 - 《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 1293

原始时间序列 你能帮我一下吗？
振动信号幅值/(m·s −1 ) 层归一化 预测结果：当然，你
需要什么帮助？

时间步长/ms 输出层
振动信号幅值/(m·s −1 ) 前馈

时间步长/ms 大预言模型
级 离散时间序列 层归一化
等
别
类 嵌入层
的
后
化
散 注意力模块
离
时间步长/ms 标准差 你能帮我一
振动信号幅值/(m·s −1 ) 最小值 你能帮我一下吗? 下吗？
均值
最大值
文本编码
窗口编号

图 2 大语言模型在序列数据预测中的应用示意图
Fig. 2 Schematic of the application of LLM in sequence data prediction
图 2 右图展示了大语言模型如何处理和预测文 步骤 3：进行跨座式单轨列车齿轮箱振动信号预
本数据，包括输入文本的编码、通过注意力机制处 测任务。
理以及通过多层网络结构最终输出预测结果的过 在步骤 3 中，为了更有效地提取时序特征，本文
程。这种模型处理文本数据的方式与处理振动信号 对提示（prompt）和输入（input）进行了设计，将单轨列
数据非常相似。 车齿轮箱振动信号的特征与趋势嵌入 prompt 中，以
将振动信号数据视为一种“语言”，其中的每个 解决预测波动性不足、振动信号趋势误差较大以及
信号片段都相当于语言中的一个“词汇”。在这种观 预 测 值 滞 后 于 实 际 值 等 问 题 。 最 终， 提 出 了 VSP-
点下，振动信号的预测就类似于语言模型中的单词 LLM 架构，用于实现跨座式单轨列车齿轮箱振动信
预测。因此，可以使用类似的模型架构来编码振动 号的精准预测。

信号，捕捉信号时间序列中的模式和依赖关系，然后
2.1 DCBiformerNet 模型架构
通过模型来预测未来的信号状态。

为了准确预测跨座式单轨列车齿轮箱的振动信
2 使 用 大 语 言 模 型 预 测 振 动 信 号 号趋势，本文提出了 DCBiformerNet，即基于 Informer [17]
模型的改进版本，其结构如图 4 所示。DCBiformerNet
图 3 展示了整个预测跨座式单轨列车齿轮箱振 模 型 主 要由 input、 informer encoder、 Informer decoder
动信号的工作流程，共包含 3 个步骤。 和 output 四个部分组成。文章中将 DCBiformerNet 预
步骤 1： 利 用 DCBiformerNet（ deformable convolu- 测趋势的任务看作分类任务，则嵌入因果卷积、门

tional bi-directional gated recurrent unit network based on 控循环单元（GRU）、多头自注意力（MHSA）以及多
informer）进行齿轮箱振动信号的趋势预测。 头交叉注意力（MHCA） [13] 模块被应用为：
在步骤 1 中，原始的振动信号数据经过输入预  ( pos )
 PE(pos,2i) = sin



 10000 2i/d model （1）
处 理 后， 送 入 DCBiformerNet 模 型 。 该 模 型 将 GRU X i,m  ( pos )

 PE(pos,2i+1) = cos


和 Wavenet 中的因果卷积嵌入 Informer 基础架构中， 10000 2i/d model
用以提取齿轮箱振动信号的时序特征，最终输出趋 N ∑
⇒Q m ,K m ,V m = W n ·
势数据。该步骤的目标是获取跨座式单轨列车齿轮 n=1
 M 
箱振动信号的有效趋势。 ∑ ( ( ))  

  W n,m ·MHSA DCC X i,m +b m   （2）
  
步骤 2：设计通用提示词和任务特定提示词。 m=1
步骤 2 着重于构建有效的提示词模板。首先从 ( ) N ∑
⇒DCBiformer X i,m , x t = W n ·
历史数据中提取特定领域的信息，包括预测要求和 n=1
 M 
统计数据，如最小值和中值等。这些信息经过处理， ∑ 
   
 
 W n,m ·MHCA(Q m ,K m ,GRU m (x t ,h t−1 ))+b m
形成了通用提示词和特定任务提示词模板，为模型  m=1 
预测提供了清晰的指令框架。 （3）