Page 92 - 《振动工程学报》2026年第5期

1296 振 动 工 程 学 报 第 39 卷

input 模块进行设计，将跨座式单轨列车齿轮箱振动 平稳数据的复杂时序特性、从而难以有效提取信号
信号特征和趋势嵌入 prompt 中。为此，提出了 VSP- 特征的问题。通过结合跨座式单轨列车齿轮箱振动
LLM 架构，如图 6 所示，将预训练好的大语言模型冻 信号的趋势、特征嵌入和精心设计的 prompt（提示），
结，利用大语言模型（LLM）的强大语义理解能力和 来实现高精度的跨座式单轨列车齿轮箱振动信号
时序建模能力，来解决难以捕捉振动信号这一类非 预测。

Output Embeddings
输出预测层 预测结果
Add & Layer Norm

Feed Forward

可视化层
Add & Layer Norm
后处理
Multi-Head
Arttention Pre-trained LLM Flatten & Linear
(Body)
Prompt and Input Output Patch
Embedding Embeddings

振动信号预测嵌入
Output Token Pre-trained LLM vibration signal Patch
Embeddings (Embedder) Linear
Token Embedder Patching
Multi-Head Cross Attention
实例归一化
Tokenization Text Prototypes
Patch
Embedder
DCBiformerNet Linear
Input文本 通用提示模板 预测特征
时间序列 Pre-trained
Patches Word Embeddings
prompt模块 input 模块

训练 冻结 prompt嵌入 input嵌入 前向 反向

图 6 VSP-LLM 的模型框架
Fig. 6 Framework of VSP-LLM

2.2.1 prompt 模块 素；Special Instructions 用于指定预测过程中需考虑的
prompt 设计是确保 VSP-LLM 能够有效理解振动 外部因素。
信号预测任务的关键步骤。本文在 VSP-LLM 架构 表 1 数据类型案例
中，设计了一个专门用于振动信号预测的 prompt 模 Tab. 1 Data type cases

板。这个 prompt 模板包含如表 1 所示的关键要素。 关键字 相关描述
VSP-LLM 模型将表 1 中的内容嵌入 prompt 模块 Context 提供模型对数据上下文的理解，比如数据的
中，形成如图 3 第二步的 prompt 模板。该模板包括 Information 类型或领域
Historical Data 描述数据的收集时间范围和观测频率，帮助
了表 1 中多个关键部分： Context Information 用于描 Description 模型理解时间序列的结构
述数据的应用场景和背景（如信号类型、采集条件 Statistical 提供时间序列的统计摘要，帮助模型把握数据

等）；Historical Data Description 提供时间序列的观测 Summary 的波动性和分布情况
描述时间序列最近的趋势或显著变化，增加
范围、频率及观测点总数；Statistical Summary 总结信 Recent Trends
模型对最近事件的敏感性
号的均值、标准差、最大值和最小值等主要统计特
Prediction Request 明确指出预测需求，包括预测步数
征；Recent Trends 捕捉信号的最新变化情况和变化速 Special
如果预测需要考虑外部因素，此处可以指定
率； Prediction Request 明 确 预 测 步 长 和 外 部 影 响 因 Instructions