机械工程学报

作者：雷亚国, 李熹伟, 李响, 李乃鹏, 杨彬

单位：西安交通大学现代设计及转子轴承系统教育部实验室 西安 710049

关键词：机械设备,故障诊断,健康管理,智能运维,大模型；

基金：国家重点研发计划(2022YFB3402100)、国家杰出青年科学基金(52025056)、国家自然科学基金重点(52435003)、新基石科学基金会所设立的科学探索奖(XPLORER-2024-1036)和国家留学基金委资助项目。

近年来，基于深度学习的各类机械设备健康管理模型取得了显著进展。然而，现有模型参数规模小，通常只能接受特定采频、转速、模态的数据，针对齿轮、轴承等特定零部件，执行监测、诊断、预测等特定任务，且难以适应新场景，缺乏持续进化能力。随着高端设备精密性、复杂度的不断提升，工业场景对高通用、易扩展、可进化的“一站式”健康管理服务需求日益迫切。受近年来ChatGPT等语言大模型在数据、任务、场景等方面通用化发展趋势启发，提出了面向机械设备通用健康管理的智能运维大模型。首先，将多模式数据通过角度域重采样和数据分割统一编码为词元序列；然后，输入基于Transformer的基底模型，提取健康信息和退化信息至特定词元；最后，将这些特定词元用于执行下游的监测、诊断、预测等多种任务。在故障数据和长期退化数据上对提出模型的基准性能、多任务协同性能和扩展性能进行了验证，结果表明：提出的智能运维大模型能够在轴承、齿轮等多种对象上联动实现状态监测、故障诊断和寿命预测；诊断与预测多任务能够有效协同，互相促进性能提升，相较于单任务模型表现更为出色；在小样本学习、持续学习等场景下，模型能够实现快速适配部署并持续进化。因此，提出的智能运维大模型具有高通用性、易扩展性、可持续进化等特点，有望为机械设备提供通用化“一站式”健康管理服务。

来源：2025年第6期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2025年第6期