Page 90 - 《振动工程学报》2026年第5期
P. 90
1294 振 动 工 程 学 报 第 39 卷
第一步：跨座式单轨列车齿轮箱振动信号的趋势预测
DCBiformerNet ①continued to upward
②continued to
Informer 基于GRU的尺 downward
输入预处理 ③first upward then
Encoder 度点积注意力
downward
④first downward then
upward
目标 1: 获取跨座式单轨列车齿轮箱振动信号的有效趋势
第二步: 设计通用提示词和任务特定提示词
通用提示
领域 指示 统计变量 通用提示模板
①领域信息
②指示信息
预 特 最 ③统计变量
测 殊 中
历史数据描述 小 ... ………
要 指 值
求 示 值
目标 2: 创建适用于跨座式单轨列车齿轮箱振动信号预测任务的有效提示词模板
第三步: 跨座式单轨列车齿轮箱振动信号预测任务
通用提示模板
DCBiformerNet 全 Dim. 1
预测的趋势 连
LLama模型 接 Dim. 2
Dim. 3
层
Input模块
目标 3: 实现跨座式单轨列车齿轮箱振动信号的精准预测
图 3 研究工作流程
Fig. 3 The research workflow
式中， X i,m 表示输入数据；PE(·) 表示位置编码； pos表 输入信号 X i,m 输入 PE(·)函数中，赋予位置信息，位
示时间步的位置； i表示位置编码的维度； d model = 32 置编码的形式如式（1）所示。通过这种编码方式，模
表示模型的隐藏层维度； N = 6表示网络层数； W n 表 型能够保持对序列时间信息的敏感度，确保在后续
示 第 n层 的 权 重 ； Q m 、K m 、V m 和b m 表 示 （ 的特征提取中，时间步之间的关系得以妥善处理。
m M = 8） 个
头的查询、键、值和偏置； W n,m 表示第 n层中第 m个头 DCC & MHSA。传统的序列建模方法，如 RNN [14]
的权重； h t−1 表示 GRU 的上一时间步的隐藏状态，用于 或 CNN [21] ，往往在处理长时间序列时表现不佳。为
保留时间序列中的信息；DCC 表示扩张因果卷积操作； 了突破这一局限，DCBiformerNet 在其编码器中引入
DCBiformer(·) 表示 DCBiformerNet 模型的输出类别。 了扩张因果卷积 DCC 和多头自注意力 MHSA 机制。
输入&位置编码。振动信号的特征往往会受到 因果卷积层能够捕捉长时间范围内的重要特征，同
时间位置的显著影响，因此在建模过程中保留和利 时保持因果性，避免未来信息的泄露，如式 (2) 所示。
用这些位置信息至关重要。为此，在 DCBiformerNet 这种结合方式使得模型能够更有效地关注序列中的
的输入预处理中引入了位置编码机制。具体而言， 关键特征，并在必要时对重要信息进行加权处理，从
