团队智能运维大模型研究成果在《机械工程学报》以封面论文发表
- 发布时间：
- 2025-04-21
- 文章标题：
- 团队智能运维大模型研究成果在《机械工程学报》以封面论文发表
- 内容：
论文引用：
雷亚国, 李熹伟, 李响, 李乃鹏, 杨彬. 面向机械设备通用健康管理的智能运维大模型[J]. 机械工程学报, 2025, 61(6): 1-13.
LEI Yaguo, LI Xiwei, LI Xiang, LI Naipeng, YANG Bin. Research on Large Model for General Prognostics and Health Management of Machinery[J]. Journal of Mechanical Engineering, 2025, 61(6): 1-13.
链接：http://www.cjmenet.com.cn/CN/10.3901/JME.2024.06.001
短视频论文介绍：B站链接
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。
本文作为《机械工程学报》2025年第6期的封面文章发表，期望相关工作为机械设备智能运维大模型技术发展提供参考。
1 研究背景
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。
图1 面向机械设备通用健康管理的智能运维大模型框架及通用性特点
2 亮点或创新点
2.1. 多种模式数据统一编码：通过角度域重采样与数据分割，将不同采样频率、不同工况的多模式数据统一编码为相互兼容的词元序列，使模型具备处理来源分散、形式多样的多模态数据的能力。
2.2. 健康管理任务协同联动：构建了基于Transformer的信息集成基底模型，能够从监测数据中提取健康信息和退化信息，实现状态监测、故障诊断及寿命预测等多样化健康管理任务的协同联动。诊断与预测多任务间协同增强性能表现，相较单任务模型具有更好性能表现。
2.3. 系统级精细化感知管理：采用多标签二元编码方式，支持对设备多个位置及多种健康状态的同时监测与管理，从故障部件、故障种类、故障位置等多个维度实现设备系统级的精细化健康管理。
2.4. 多种应用场景快速适配：模型支持通过微调实现快速适配，能够在小样本学习、持续学习和迁移学习等多种场景下保持优异的诊断性能，具备良好的场景通用性和扩展能力。
3 提出大模型结构
提出大模型主要包含三个部分：健康信息集成单元、退化信息集成单元和下游任务单元，如图1所示。首先将多模式数据通过角度域重采样、幅值-分布信息分离和数据分割统一编码为词元序列，而后将其输入基于Transformer的信息集成基底模型，依次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、预测等多种健康管理任务。通过上述流程，旨在使提出的智能运维大模型具有高通用、易扩展、可进化等特点。
图2 提出大模型的结构
4 试验验证结果
将提出大模型与ResNet架构的故障诊断模型和CNN+LSTM架构的剩余寿命预测模型进行对比，在测试集上的诊断结果和预测结果如表1所示。基于ResNet的对比方法仅能执行故障诊断任务，基于CNN+LSTM的对比方法仅能执行剩余寿命预测任务，而提出模型可以联动执行诊断、预测任务，在测试集上取得了较对比方法更优的诊断和预测结果。
图3展示了轴承和齿轮的健康管理案例，内容包括原始全寿命振动信号（第1行）、提取的幅值指标（第2行）、模型输出的监测结果（第3行）、诊断结果（第4行）以及预测结果（第5行）。从图中可以看出，提出大模型能够准确预警轴承和齿轮的故障，在故障发生时刻精确识别出故障部件、故障类别及故障位置。此外，在监测过程中，模型还提供了较为精准的寿命预测结果，充分展现了其在对象和任务层面相较于传统专用健康管理模型的通用性和优越性。
图3 验证案例：(a)～(g)为轴承 RA-Bearing 2_5 案例，其实际失效结果为外圈故障(OF)；(h)～(n)为齿轮 RC-Gear 13 案例，其实际失效结果为小齿轮(GS)点蚀(S)、断齿(BT)
5 结论与展望
分析了机械设备监测、诊断与预测等专用健康管理模型应用的局限性，指出了健康管理模型由专用走向通用的必然趋势及通用性特点，建立了面向机械设备通用健康管理的智能运维大模型。在17个故障数据集和4个退化数据集上，开展了3个方面以及8类任务的试验，结果验证了提出模型的有效性，并得到如下结论：
(1) 提出模型相较现有专用模型，能够处理不同采频、不同工况的振动、电流等多模态数据，可同时执行状态监测、故障诊断、寿命预测任务，全面感知设备整体健康状态，实现系统级精细化健康管理。
(2) 提出模型能够通过诊断、预测多任务协同联动，促进彼此性能提升，展现出比专用任务模型更好的性能。此外，依托该大模型基底，通过微调可快速适应少量样本可用、健康状态类别持续新增等多样化场景。
(3) 尽管提出模型实现了数据、任务、场景等方面的通用化，但适用范围仍可进一步扩展探索：可扩展加入更高层的维护决策等任务；可扩展零样本、无监督等应用场景；可探索与语言大模型结合，形成通用性、扩展性、交互性更强的机械设备运维综合智能体。