西安交通大學(xué)嚴(yán)如強(qiáng)教授團(tuán)隊(duì)：面向機(jī)械故障診斷的大模型：研究進(jìn)展與未來(lái)方向| CJME論文推薦

引用論文

Ruqiang Yan, Jiaxin Ren, Jingcheng Wen, Chang Guo, Zhibin Zhao, Xuefeng Chen, Large Models for Machinery Fault Diagnosis: Current Advances and Future Directions, Chinese Journal of Mechanical Engineering, Volume 39, 2026, 100277, https://doi.org/10.1016/j.cjme.2026.100277.

(戳鏈接，下載全文)

關(guān)于文章

01

行業(yè)現(xiàn)狀

在制造業(yè)、能源和航空航天等關(guān)乎國(guó)計(jì)民生的關(guān)鍵領(lǐng)域，機(jī)械系統(tǒng)的可靠性是確保安全生產(chǎn)的基石。隨著人工智能技術(shù)的飛速演進(jìn)，機(jī)械故障診斷已經(jīng)從傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)轉(zhuǎn)向深度學(xué)習(xí)，并正邁入大模型驅(qū)動(dòng)的新紀(jì)元。早期的機(jī)器學(xué)習(xí)方法依賴手工特征工程，而隨后的深度學(xué)習(xí)模型實(shí)現(xiàn)了從原始監(jiān)測(cè)信號(hào)到健康狀態(tài)的端到端映射，極大地減少了人工干預(yù)。如今，隨著人工智能的爆發(fā)，研究已邁入全新的大模型(LMs)時(shí)代。GPT、DeepSeek、Qwen 等大型語(yǔ)言和多模態(tài)模型展現(xiàn)出了強(qiáng)大的特征提取與決策潛力。它們通過(guò)小樣本甚至零樣本學(xué)習(xí)，大幅減少了人工干預(yù)，并能夠融合聲學(xué)、振動(dòng)、文本等跨模態(tài)信息，為故障診斷提供了更全面、智能的解決方案，成為智能運(yùn)維最前沿的發(fā)展方向。

02

智能診斷中的大模型技術(shù)

圖 1. 從基礎(chǔ)到應(yīng)用：智能故障診斷中的大模型

大模型的定義與核心：

大模型通常基于 Transformer 架構(gòu)，包含數(shù)億至數(shù)千億個(gè)參數(shù)，并通過(guò)海量數(shù)據(jù)集進(jìn)行自監(jiān)督預(yù)訓(xùn)練。Transformer 的核心是用自注意力機(jī)制取代傳統(tǒng)的循環(huán)計(jì)算結(jié)構(gòu)，從而實(shí)現(xiàn)高效的并行訓(xùn)練和長(zhǎng)距離依賴建模。

大模型在 MFD 中的應(yīng)用：

目前大模型在 MFD 中的應(yīng)用主要分為兩個(gè)互補(bǔ)的視角：面向機(jī)械故障診斷的大模型(LM for MFD)和機(jī)械故障診斷專用大模型 (LM of MFD)。前者側(cè)重于通過(guò)設(shè)計(jì)不同的機(jī)制或微調(diào)策略，對(duì)現(xiàn)有通用大模型進(jìn)行適配以處理故障特征；后者則強(qiáng)調(diào)從頭開(kāi)始設(shè)計(jì)和訓(xùn)練專門(mén)針對(duì) MFD 領(lǐng)域異構(gòu)數(shù)據(jù)特點(diǎn)的大模型架構(gòu)。

面向機(jī)械故障診斷的大模型(LM for MFD)：

從適配機(jī)制上，面向故障診斷的大模型可分為基于上下文學(xué)習(xí)、基于微調(diào)和基于檢索增強(qiáng)生成（RAG）的三類。

1）基于上下文學(xué)習(xí)(ICL)的大模型：在提示詞（Prompt）中提供故障診斷示例，使大模型無(wú)需更新自身參數(shù)即可學(xué)習(xí)如何處理特定的 MFD 任務(wù)。

優(yōu)缺點(diǎn)：無(wú)需額外訓(xùn)練，對(duì)新任務(wù)靈活且可快速更新；但其性能對(duì)提示詞設(shè)計(jì)和上下文長(zhǎng)度極度敏感，在不同專業(yè)領(lǐng)域的表現(xiàn)不夠穩(wěn)定。

2）基于微調(diào)的大模型：利用全參數(shù)微調(diào)或參數(shù)高效微調(diào)（PEFT，如 LoRA、Prompt tuning 等）顯式調(diào)整大模型的權(quán)重，使其對(duì)機(jī)械故障特征更加敏感，適配下游任務(wù)。

優(yōu)缺點(diǎn)：具有較高的任務(wù)特定準(zhǔn)確性，能深度適應(yīng)各種復(fù)雜的 MFD 場(chǎng)景；但不可避免地存在 MFD 領(lǐng)域與預(yù)訓(xùn)練模型之間的知識(shí)差距，且有過(guò)度擬合或?yàn)?zāi)難性遺忘的風(fēng)險(xiǎn)。

圖2 常見(jiàn)的大模型微調(diào)方法

3）基于檢索增強(qiáng)生成(RAG)的大模型：將外部設(shè)備知識(shí)庫(kù)、維護(hù)手冊(cè)或歷史故障記錄與大模型相結(jié)合，在推理時(shí)動(dòng)態(tài)檢索相關(guān)信息，從而增強(qiáng)模型表征與生成結(jié)果的事實(shí)依據(jù)。

優(yōu)缺點(diǎn)：能夠引入知識(shí)增強(qiáng)的故障特征，顯著降低模型生成“幻覺(jué)”的風(fēng)險(xiǎn)；但外部知識(shí)源有時(shí)缺乏清晰的物理故障機(jī)理，且該架構(gòu)缺乏對(duì)設(shè)備底層信號(hào)的實(shí)時(shí)監(jiān)測(cè)能力。

機(jī)械故障診斷專用大模型 (LM of MFD)：

此類方法強(qiáng)調(diào)構(gòu)建與工業(yè)數(shù)據(jù)內(nèi)在特征對(duì)齊的架構(gòu)，依據(jù)輸入模態(tài)可分為基于語(yǔ)言、基于多模態(tài)和基于時(shí)間序列的大模型。

1）基于語(yǔ)言的大模型：將時(shí)間序列信號(hào)映射為語(yǔ)言或?qū)Ｓ玫慕Y(jié)構(gòu)化 Token 表示，以實(shí)現(xiàn)基于語(yǔ)言邏輯的推理過(guò)程。

優(yōu)缺點(diǎn)：具備強(qiáng)大的語(yǔ)義理解能力，能產(chǎn)生具有極高人類可解釋性的輸出；但需要額外的信號(hào)-文本轉(zhuǎn)換步驟，這通常會(huì)導(dǎo)致原始監(jiān)測(cè)信號(hào)中的部分關(guān)鍵物理信息丟失。

2）基于多模態(tài)的大模型：將文本、圖像（如熱圖或頻譜圖）、振動(dòng)信號(hào)和操作日志等異構(gòu)數(shù)據(jù)源集成到一個(gè)統(tǒng)一的架構(gòu)中，支持跨模態(tài)特征對(duì)齊與深度理解。

優(yōu)缺點(diǎn)：能提供全面和穩(wěn)健的設(shè)備狀態(tài)感知，大幅減少單一模態(tài)帶來(lái)的感知偏差；但其計(jì)算成本極高，對(duì)硬件要求苛刻，且大規(guī)模高質(zhì)量的多模態(tài)工業(yè)數(shù)據(jù)集獲取困難。

3）基于時(shí)間序列的大模型：將監(jiān)測(cè)信號(hào)直接作為標(biāo)記化（Tokenized）序列進(jìn)行處理，使模型能夠在沒(méi)有中間轉(zhuǎn)換的情況下原生捕獲時(shí)間模式和故障演變特征。

優(yōu)缺點(diǎn)：可直接對(duì)原始信號(hào)進(jìn)行直接序列建模，充分利用海量的工業(yè)監(jiān)測(cè)數(shù)據(jù)；但目前仍缺乏能夠提取統(tǒng)一特征的標(biāo)準(zhǔn)化架構(gòu)，且向高層級(jí)維護(hù)決策任務(wù)的泛化能力較差。

03

難點(diǎn)或瓶頸

盡管大模型為機(jī)械故障診斷領(lǐng)域注入了前所未有的潛力，并有望從根本上重塑傳統(tǒng)的診斷范式，但要跨越從理論探索到工業(yè)級(jí)大規(guī)模部署的鴻溝，依然面臨著重重挑戰(zhàn)。深度學(xué)習(xí)向大模型范式的轉(zhuǎn)變，并沒(méi)有消除原有的數(shù)據(jù)獲取和泛化難題；相反，大模型龐大的參數(shù)量、對(duì)高質(zhì)量數(shù)據(jù)的極度渴求，以及其內(nèi)部復(fù)雜的決策黑盒，在真實(shí)且對(duì)安全性要求極高的工業(yè)環(huán)境中被進(jìn)一步放大。這些瓶頸極大地限制了其在實(shí)時(shí)監(jiān)控和資源受限場(chǎng)景下的廣泛應(yīng)用。

總的來(lái)說(shuō)，目前智能運(yùn)維大模型還存在以下難點(diǎn)：

1）數(shù)據(jù)異構(gòu)性與高質(zhì)量標(biāo)注匱乏：盡管工業(yè)數(shù)據(jù)集的絕對(duì)數(shù)量在增加，但這些數(shù)據(jù)通常來(lái)自不同的機(jī)器、工況和傳感器模式，導(dǎo)致格式、質(zhì)量和標(biāo)簽標(biāo)準(zhǔn)存在顯著差異。缺乏充足且高質(zhì)量的標(biāo)注數(shù)據(jù)，使得在真實(shí)工業(yè)場(chǎng)景中訓(xùn)練和微調(diào)大型模型變得既耗時(shí)又昂貴。

2）高昂的計(jì)算成本與邊緣部署困難：大型模型的預(yù)訓(xùn)練和全面微調(diào)需要海量的計(jì)算資源，這使得普通學(xué)者或資源受限的工業(yè)企業(yè)難以承擔(dān)。此外，大模型龐大的參數(shù)量導(dǎo)致其很難直接部署在存儲(chǔ)、內(nèi)存和算力均受限的工業(yè)邊緣設(shè)備上，難以滿足異常檢測(cè)等任務(wù)的實(shí)時(shí)性要求。

3）“黑盒”特性與解釋性缺失：大模型內(nèi)部隱藏的決策過(guò)程導(dǎo)致其缺乏透明度。在有限的故障數(shù)據(jù)下，模型容易陷入偽相關(guān)性，這在需要清晰推理以確保信任和安全操作的高風(fēng)險(xiǎn)工業(yè)應(yīng)用中，嚴(yán)重削弱了診斷結(jié)果的可靠性。

4）跨場(chǎng)景的泛化能力受限：由于真實(shí)的工業(yè)設(shè)備長(zhǎng)期處于動(dòng)態(tài)運(yùn)行環(huán)境中，經(jīng)常會(huì)出現(xiàn)新發(fā)故障或分布外(OOD)數(shù)據(jù)。目前的深度學(xué)習(xí)和大模型在面對(duì)未見(jiàn)過(guò)的數(shù)據(jù)分布、跨機(jī)器或復(fù)雜運(yùn)行條件時(shí)，仍容易出現(xiàn)性能退化。

04

趨勢(shì)與展望

圖 3 故障診斷大模型范式的轉(zhuǎn)變：從單純感知邁向工業(yè)智能

大模型在機(jī)械故障診斷中的角色正在跨越單純的“感知驅(qū)動(dòng)”，向著更高層級(jí)的決策制定和自主適應(yīng)的“工業(yè)智能”大步邁進(jìn)。未來(lái)的診斷大模型將不再僅僅是被動(dòng)地將傳感器數(shù)據(jù)分類為健康或故障狀態(tài)，它們將演化為具備類人邏輯思維的智能代理，不僅能精準(zhǔn)識(shí)別系統(tǒng)狀態(tài)，還能深刻推演底層的故障機(jī)制，并自主規(guī)劃主動(dòng)性的維護(hù)策略。為實(shí)現(xiàn)這一從純數(shù)據(jù)驅(qū)動(dòng)到知識(shí)融合、決策導(dǎo)向的跨越，未來(lái)的研究預(yù)計(jì)將沿著以下幾個(gè)相輔相成的前沿方向展開(kāi)：

（1）推理驅(qū)動(dòng)的診斷方法：通過(guò)利用大型模型的涌現(xiàn)推理能力，處理復(fù)雜和不確定的故障模式。通過(guò)引入思維鏈(CoT)或思維樹(shù)(ToT)等結(jié)構(gòu)化搜索和強(qiáng)化微調(diào)機(jī)制，模型可以實(shí)現(xiàn)多步邏輯推理，從而提供高度可解釋和自適應(yīng)的診斷路徑。

（2）知識(shí)增強(qiáng)的可靠性提升：將領(lǐng)域?qū)I(yè)知識(shí)（如機(jī)械知識(shí)圖譜）深度嵌入大模型的預(yù)訓(xùn)練和推理階段。這不僅能確保模型生成的推理鏈符合物理機(jī)制，減少幻覺(jué)輸出，還能極大提升診斷結(jié)果的可解釋性和信任度。

（3）多模態(tài)融合策略：整合振動(dòng)、聲學(xué)、熱成像以及操作日志和文本等異構(gòu)數(shù)據(jù)源，以實(shí)現(xiàn)對(duì)設(shè)備健康狀態(tài)的全面監(jiān)測(cè)與感知。

（4）智能代理賦能的自主運(yùn)維：通過(guò)賦予大模型使用外部工具、任務(wù)分解以及反思的能力，如 Reason-and-Act 模式或多代理協(xié)作，系統(tǒng)將能夠執(zhí)行閉環(huán)的自主監(jiān)控、交互式診斷和自適應(yīng)維護(hù)規(guī)劃。

（5）持續(xù)學(xué)習(xí)機(jī)制：為了應(yīng)對(duì)不斷變化的運(yùn)行條件、設(shè)備老化和新型故障模式，整合經(jīng)驗(yàn)回放或知識(shí)蒸餾等持續(xù)學(xué)習(xí)機(jī)制，可確保診斷模型在不斷學(xué)習(xí)新知識(shí)的同時(shí)，有效克服災(zāi)難性遺忘。

（6）面向邊緣部署的輕量化優(yōu)化：運(yùn)用模型壓縮、網(wǎng)絡(luò)剪枝、知識(shí)蒸餾和模型量化等技術(shù)，在大幅降低計(jì)算和存儲(chǔ)成本的同時(shí)保持診斷精度，從而滿足大模型在資源受限的工業(yè)現(xiàn)場(chǎng)進(jìn)行高效、低延遲部署的需求。

05

總結(jié)

從早期的統(tǒng)計(jì)機(jī)器學(xué)習(xí)到深度學(xué)習(xí)，再到如今大模型驅(qū)動(dòng)的工業(yè)智能診斷，機(jī)械故障診斷領(lǐng)域正經(jīng)歷著技術(shù)范式的深刻演進(jìn)。大模型在邏輯推理、多模態(tài)知識(shí)表征和少樣本學(xué)習(xí)等方面展現(xiàn)出的卓越能力，為打破傳統(tǒng)深度學(xué)習(xí)在數(shù)據(jù)稀缺條件下面臨的泛化瓶頸提供了前所未有的可能。本文系統(tǒng)梳理了大模型在機(jī)械故障診斷領(lǐng)域的演進(jìn)脈絡(luò)，并勾勒出下一代智能診斷的技術(shù)藍(lán)圖 。

關(guān)于作者

01

作者介紹

嚴(yán)如強(qiáng)，西安交通大學(xué)機(jī)械工程學(xué)院教授、博士生導(dǎo)師，國(guó)際機(jī)械中心主任。從事重大裝備智能運(yùn)維相關(guān)的理論方法與工程應(yīng)用研究，主持科技部重點(diǎn)研發(fā)計(jì)劃項(xiàng)目和基金委自然科學(xué)基金重點(diǎn)項(xiàng)目等。國(guó)際電氣與電子工程師協(xié)會(huì)會(huì)士(IEEE Fellow)、美國(guó)機(jī)械工程師協(xié)會(huì)會(huì)士(ASME Fellow)、享受?chē)?guó)務(wù)院政府特殊津貼、國(guó)家級(jí)領(lǐng)軍人才、獲 2023 年國(guó)家技術(shù)發(fā)明二等獎(jiǎng)、2020 年陜西省技術(shù)發(fā)明一等獎(jiǎng)和教育部自然科學(xué)一等獎(jiǎng)、IEEE 儀器與測(cè)量學(xué)會(huì) 2019 年科技獎(jiǎng)和 2022 年杰出服務(wù)獎(jiǎng), 牽頭制定 IEEE國(guó)際標(biāo)準(zhǔn) 1 項(xiàng)。目前為 IEEE 儀器與測(cè)量學(xué)會(huì)杰出講座學(xué)者，《IEEE Systems Journal》主編和《機(jī)械工程學(xué)報(bào)》英文版副主編，曾任國(guó)際期刊《IEEE Transactions on Instrumentation and Measurement》主編。

02

研究方向

（1）可解釋人工智能運(yùn)維方法 。

（2）機(jī)電系統(tǒng)狀態(tài)監(jiān)測(cè)、故障診斷與剩余壽命預(yù)測(cè) 。

（3）人工智能與智能制造、制造服務(wù)融合 。

（4）生物醫(yī)學(xué)信號(hào)檢測(cè)與處理。

03

近兩年團(tuán)隊(duì)發(fā)表文章

[1] Yan R, Zhou Z, Shang Z, et al. Knowledge driven machine learning towards interpretable intelligent prognostics and health management: Review and case study[J]. Chinese Journal of Mechanical Engineering, 2025, 38(1): 5.

[2] Ren J, Liu X, Wang T, et al. PHM–GPT: A Large Language Model for Prognostics and Health Management[J]. Engineering, 2025.

[3] Ren J, Wen J, Zhao Z, et al. Uncertainty-aware deep learning: A promising tool for trustworthy fault diagnosis[J]. IEEE/CAA Journal of Automatica Sinica, 2024, 11(6): 1317-1330.

[4] Zhou Z, Li Y, Yan R. Invertible transfer function informed neural ODE to learn stable latent dynamics for degradation process modeling and remaining useful life prediction[J]. Journal of Manufacturing Systems, 2025, 83: 494-504 .

[5] Wei Z, Wang H, Zhao Z, et al. Gearbox fault diagnosis based on temporal shrinkage interpretable deep reinforcement learning under strong noise[J]. Engineering Applications of Artificial Intelligence, 2025, 139: 109644 .

作 者：嚴(yán)如強(qiáng)

責(zé)任編輯：杜蔚杰

責(zé)任校對(duì)：向映姣

審 核：張 強(qiáng)

JME學(xué)院簡(jiǎn)介

JME學(xué)院是由《機(jī)械工程學(xué)報(bào)》編輯部2018年創(chuàng)建，以關(guān)注、陪伴青年學(xué)者成長(zhǎng)為宗旨，努力探索學(xué)術(shù)傳播服務(wù)新模式。

歡迎各位老師掃碼添加小助理-暖暖為好友，由小助理拉入JME學(xué)院官方群！

歡迎關(guān)注JME學(xué)院視頻號(hào)~

尋覓合作伙伴

有一種合作叫做真誠(chéng)，有一種發(fā)展可以無(wú)限，有一種伙伴可以互利共贏，愿我們合作起來(lái)流連忘返，發(fā)展起來(lái)前景可觀。關(guān)于論文推薦、團(tuán)隊(duì)介紹、圖書(shū)出版、學(xué)術(shù)直播、招聘信息、會(huì)議推廣等，請(qǐng)與我們聯(lián)系。

感謝關(guān)注我們！《機(jī)械工程學(xué)報(bào)》編輯部將努力為您打造一個(gè)有態(tài)度、有深度、有溫度的學(xué)術(shù)媒體！

版權(quán)聲明：

本文為《機(jī)械工程學(xué)報(bào)》編輯部原創(chuàng)內(nèi)容，歡迎轉(zhuǎn)載！

在公眾號(hào)后臺(tái)留言需要轉(zhuǎn)載的文章題目及要轉(zhuǎn)載的公眾號(hào)ID以獲取授權(quán)!

聯(lián)系人：暖暖

電話：010-88379909

E-mail：jme@cmes.org

網(wǎng) 址：http://www.cjmenet.com.cn

官方微信號(hào)：jmewechat