Page 96 - 《振动工程学报》2026年第5期

1300 振 动 工 程 学 报 第 39 卷

表 5 不同模型在不同步骤下的预测性能
Tab. 5 Predictive performance of the different models at different steps

模型 评价指标 步长48 步长96 步长192 步长384 步长768 步长1536
MAE 0.7198 0.7785 0.7984 0.7837 0.8068 0.8170
Autoformer MSE 0.8301 0.9463 1.0049 0.9806 1.0300 1.0365
RMSE 0.9111 0.9727 1.0024 0.9902 1.0149 1.0181
MAE 0.4451 0.4742 0.4896 0.5109 0.5519 0.5947
Informer MSE 0.3216 0.3678 0.3934 0.4286 0.4929 0.5670
RMSE 0.5671 0.6064 0.6272 0.6546 0.7021 0.7530
MAE 0.4131 0.4354 0.4530 0.4782 0.5069 0.5018
DLinear MSE 0.2848 0.3176 0.3461 0.3866 0.4202 0.4095
RMSE 0.5336 0.5636 0.5883 0.6218 0.6482 0.6399
MAE 0.3122 0.3227 0.4411 0.4528 0.3457 0.3592
VSP-LLM MSE 0.1625 0.1744 0.3234 0.3408 0.2037 0.2199
RMSE 0.4032 0.4176 0.5687 0.5838 0.4513 0.4690
MAE 0.2517 0.2613 0.2793 0.2839 0.2882 0.3207
VSP-LLM* MSE 0.1014 0.1084 0.1235 0.1273 0.1317 0.1653
RMSE 0.3184 0.3292 0.3514 0.3568 0.3630 0.4066

征，预测难度较低，因此误差较小。然而，随着步长的 和增强表达能力方面实现了显著改进，但仍有优化空
增加（如 192、384），模型需要学习更复杂的长时依赖 间。这些因素共同决定了模型在不同试验设置下的性
和变化趋势，导致预测难度显著提升。尤其在步长为 能表现，并为未来改进提供了明确方向。
192 和 384 时，模型难以平衡短时特征与长时趋势，均 图 9 中展示了对比试验中采用的 5 种模型在不
方误差增大至 0.2 以上。值得注意的是，在较长步长 同步长下的预测误差分布曲线，可以直观地了解不
（如 768 和 1536）下，振动信号的整体趋势更加平滑，使 同模型在振动信号预测任务中的性能差异。
模型更容易捕捉宏观分布特征；同时，提示词中融入的 图 10 展示了 Autoformer、Informer、DLinear 以及
趋势信息对模型的约束作用增强，进一步提高了整体 VSP-LLM* 4 个 模 型 在 不 同 时 间 步 长 下 的 预 测 效
趋势预测的准确性，因此模型性能有所改善。为进一 果。VSP-LLM*模型在各个时间步长下表现出色，特
步提升性能，针对 VSP-LLM模型进行精调（标记为 别是在短时间步长预测任务中，能够精准捕捉振动
VSP-LLM*），通过调整模型结构和学习策略（如重置 信号的快速变化，展现了其在短时间步长下的卓越
d model = 128，优化 Encoder 和 Decoder 层数分别为 3 和 预测能力。相比之下，Autoformer 模型在短时间步长
2， 结 合 振 动 信 号 领 域 知 识 重 新 设 计 prompt 模 板 ） ， 下的预测值明显滞后，未能有效跟踪信号的剧烈变
VSP-LLM*模型在多项任务中表现出全面的优势。特 化，表现较弱。Informer 模型较 Autoformer 略有改善，
别是在长步长预测中，VSP-LLM*模型在捕捉异常趋势 但在快速变化的区域依然存在一定的滞后性。DLinear
预测时间步长 T=48 预测时间步长 T=96 预测时间步长 T=192

0.9 1.0 1.0
0.8 Autoformer Autoformer 0.9 Autoformer
0.7 lnformer 0.8 lnformer 0.8 lnformer
0.6 Dlinear Dlinear 0.7 Dlinear
误差 0.5 VSP-LLM 误差 0.6 VSP-LLM* 误差 0.6 VSP-LLM*
VSP-LLM
VSP-LLM
VSP-LLM*
0.4
0.5
0.3 0.4 0.4
0.2 0.2 0.3
0.1 0.2
0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14
Epoch Epoch Epoch
预测时间步长 T=384 预测时间步长 T=768 预测时间步长 T=1536
1.0 1.0 1.0
0.9 Autoformer Autoformer
lnformer
0.8 Autoformer 0.8 lnformer 0.8 Dlinear
VSP-LLM
误差 0.7 Dlinear 误差 0.6 Dlinear 误差 0.6 VSP-LLM*
lnformer
VSP-LLM
0.6
VSP-LLM*
VSP-LLM
0.5
0.4 VSP-LLM* 0.4 0.4
0.3 0.2
0.2 0.2
0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14
Epoch Epoch Epoch

图 9 5 种方法的误差分布图
Fig. 9 Error distribution of the five methods