Page 97 - 《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 1301

1.5 1.5 3 2 实际值 2 实际值
振动信号幅值 / (m·s −2 ) −0.5 0 振动信号幅值 / (m·s −2 ) −0.5 0 振动信号幅值 / (m·s −2 ) −1 1 0 振动信号幅值 / (m·s −2 ) 1 0
1.0
1.0
预测值
预测值
0.5
0.5
−1.0
−1.0
−1.5
−2.0
预测值
预测值
−2.0
−2.5
0 10 20 30 40 实际值 −1.5 0 10 20 30 40 实际值 −2 0 10 20 30 40 −1 −2 0 10 20 30 40
时间步长 时间步长 时间步长 时间步长
1.5 2 实际值 1 实际值 2.0
振动信号幅值 / (m·s −2 ) −0.5 0 振动信号幅值 / (m·s −2 ) −1 1 0 振动信号幅值 / (m·s −2 ) −1 0 振动信号幅值 / (m·s −2 ) −0.5 0
1.0
预测值
预测值
1.5
0.5
1.0
0.5
−1.0
−1.5
−2.0
预测值
预测值
−1.5
−2.5
175
0 25 50 75 100 125 150 实际值 200 −2 0 20 40 60 80 −2 0 20 40 60 80 −1.0 0 实际值 40 60 80
20
时间步长 2 时间步长 实际值 3 时间步长 实际值 时间步长
3
实际值
振动信号幅值 / (m·s −2 ) −1 2 1 0 预测值 振动信号幅值 / (m·s −2 ) −1 1 0 预测值 振动信号幅值 / (m·s −2 ) −1 2 1 0 振动信号幅值 / (m·s −2 ) −1 2 1 0 预测值
−2
预测值
−2
175
0 25 50 75 100 125 150 175 200 −2 0 25 50 75 100 125 150 175 200 −3 0 25 50 75 100 125 150 实际值 200 −2 0 25 50 75 100 125 150 175 200
时间步长 实际值 2 实际值 时间步长 3 实际值 时间步长 2 时间步长
3
振动信号幅值 / (m·s −2 ) −1 2 1 0 预测值 振动信号幅值 / (m·s −2 ) −1 1 0 预测值 振动信号幅值 / (m·s −2 ) −1 2 1 0 预测值 振动信号幅值 / (m·s −2 ) −1 1 0
−2
−3
预测值
0 50 100 150 200 250 300 350 400 −2 0 50 100 150 200 250 300 350 400 −2 0 50 100 150 200 250 300 350 400 −2 0 50 100 150 实际值 250 300 350 400
200
时间步长 时间步长 时间步长 时间步长
3 2 3 2 实际值 2
振动信号幅值 / (m·s −2 ) −1 1 0 振动信号幅值 / (m·s −2 ) −1 1 0 振动信号幅值 / (m·s −2 ) −1 1 0 振动信号幅值 / (m·s −2 ) −1 1 0
实际值
2
预测值
预测值
−2
−2
实际值
−2
预测值
预测值
0 100 200 300 400 500 600 700 800 −3 0 100 200 300 400 500 600 700 800 −3 0 100 200 300 400 500 600 700 800 −2 0 实际值 200 300 400 500 600 700 800
100
时间步长 3 时间步长 3 时间步长 3 时间步长
3
振动信号幅值 / (m·s −2 ) −1 2 1 0 振动信号幅值 / (m·s −2 ) −1 −2 2 1 0 振动信号幅值 / (m·s −2 ) −1 −2 2 1 0 振动信号幅值 / (m·s −2 ) −1 2 1 0
−2
实际值
实际值
实际值
−3
预测值
预测值
预测值
预测值
0 200 400 600 800 1000 1200 1400 1600 −3 0 实际值 400 600 800 1000 1200 1400 1600 −3 0 200 400 600 800 1000 1200 1400 1600 −2 0 200 400 600 800 1000 1200 1400 1600
200
时间步长 时间步长 时间步长 时间步长
Autoformer Informer DLinear VSP-LLM*

图 10 工况为 78，T={48, 96, 192, 384, 768, 1536}条件下不同模型的预测效果
Fig. 10 Prediction performance of different models in working condition 78 and T={48, 96, 192, 384, 768, 1536}
模型在短时间步长下较 Informer 与 Autoformer 模型 在不同时间步长振动信号预测任务中的卓越表现。
有所进步，但在应对剧烈波动时，精度仍显不足。在 无论是短步长（ T = 48 T = 96）、中等步长（ T = 192、
、
、
中等时间步长的预测任务中，VSP-LLM*继续保持了 T = 384）还是超长步长（ T = 768 T = 1536），VSP-LLM*
较高的预测精度和稳定性，能够应对更加复杂的信 始终保持较高的预测精度和对信号复杂特征的敏锐
号变化。Informer 模型在这一阶段展现出了较强的 捕捉能力。在短时间步长下，VSP-LLM 迅速跟踪信
趋势捕捉能力，但在处理高频波动时仍有一定的局 号的剧烈变化，避免预测值滞后；在中等和超长时间
限性。Autoformer 的预测滞后问题在这些时间步长 步长下，VSP-LLM*展现出强大的趋势捕捉能力，不
下更加显著，难以及时捕捉到信号的快速波动。而 仅对振动信号的整体趋势进行准确预测，还能及时
DLinear 在部分平稳区间的表现尚可，但面对大幅波 响应高频波动，显著优于 Autoformer 和 DLinear 模型。
动时，预测误差较大，准确性较低。在超长时间步长 为全面评估 VSP-LLM 架构的有效性，针对其在
的预测任务中，VSP-LLM*模型展现了极强的预测能 不同时间步长上的预测性能进行了深入分析，并详
力，能够准确追踪振动信号的复杂特征，并在整个超 细讨论了系统复杂度对模型表现的影响。该架构的
长 时 间 序 列 中 保 持 较 低 的 误 差， 表 现 最 为 稳 定 。 复杂度主要来自 MHCA 模块中的多头注意力计算。
Informer 虽能较好捕捉信号的整体趋势，但在高频波 设输入的时间序列片段数量为 Nq ，特征维度为 dq ，则
( )
2
动的预测中不够敏感。Autoformer 的预测曲线过于 MHCA 的计算复杂度为 O N q dq 。尽管复杂度较高，
平滑，无法有效跟踪信号的剧烈变化。DLinear 模型 但通过优化注意力机制中的采样点数量和权重分配
在超长时间步长下的表现也较差，随着时间步长的 策略，系统在保持高预测精度的同时，实现了较高的
增加，预测误差逐渐加大，精度下降。 计算效率。这使得 VSP-LLM 架构在实际应用中既
图 10 的分析结果清晰地展示了 VSP-LLM*模型 能满足工业环境对实时性的需求，又能提供足够的