机械工程学报 ›› 2026, Vol. 62 ›› Issue (18): 23-35.doi: 10.3901/JME.260673
• 特邀专栏:大模型驱动的高端装备智能运维 • 上一篇
李振宁1,2, 蔺瑞管1,2, 彭聪1,2, 李彦夫1,2
LI Zhenning1,2, LIN Ruiguan1,2, PENG Cong1,2, LI Yan-Fu1,2
摘要: 旋转机械故障诊断中,深度学习方法面临模型选择繁琐、流程自动化程度有限及闭环反馈机制缺失等困境。大语言模型(Large language model, LLM)凭借其语义理解与推理能力,为构建自动化诊断流程提供了新的可能,然而现有研究或赋予LLM过高自主权而致使行为难以预测,或停留在浅层工具化应用而忽视其语义理解能力。针对上述问题,研究提出一种语义驱动的端到端故障诊断框架。该框架包含三项关键设计:提出OTAR认知循环范式,将智能体(Agent)决策过程结构化为观察、思考、行动、反思四阶段,建立从状态感知到经验反思的完整闭环,使LLM能够动态干预训练过程并持续积累经验;设计双层优化机制,Epoch级Agent负责实时状态评估与参数调整,Run级Agent负责架构搜索与超参数全局优化,两层通过共享记忆库实现知识传递;构建语义决策与符号执行分离的协作架构,通过结构化接口约束LLM行为边界,将其定位为认知中枢,在确保可控性的同时兼顾优化效果与决策过程透明性。实验结果表明,所提方法在有限迭代预算下相较于传统自动化机器学习方法具有更高的搜索效率与更稳定的收敛特性,消融实验验证了各组件的协同作用,泛化性实验表明该框架可适配多种主流LLM后端。
中图分类号: