机械工程学报 ›› 2026, Vol. 62 ›› Issue (18): 51-66.doi: 10.3901/JME.260761
• 特邀专栏:大模型驱动的高端装备智能运维 • 上一篇
刘卫朋1, 刘赛1, 胡启迪2, 王佶宣1
LIU Weipeng1, LIU Sai1, HU Qidi2, WANG Jixuan1
摘要: 工业设备剩余使用寿命(Remaining useful life,RUL)预测对预测性维护至关重要,但数据稀缺、工况多变及模型泛化能力不足等挑战制约了其预测能力。大语言模型(Large language model,LLM)在时序预测中展现出强大的小样本学习能力,然而现有方法通常采用全局一致的微调策略,缺乏对样本特征和模型内部模块的差异化控制,限制了对异质工业数据中多样化退化模式的有效识别和预测。为此,提出一种改进的融合工况先验的多模态动态路由大语言模型(Operating condition prior-guided multi-modal dynamic routing large language model,PMR-LLM)。该方法通过跨模态注意力机制实现时序特征与文本提示的语义对齐,构建融合工况先验的动态路由机制,并在各Transformer层的6个关键模块独立部署低秩适应(Low-rank adaptation,LoRA)专家池,实现工况感知的细粒度参数适配。在CMAPSS和PHM2010数据集上的实验结果表明,在10%小样本场景下,PMR-LLM相比次优基线方法RMSE分别平均降低7%和13%,并在有无工况标签的跨场景泛化中均表现出较强的适应能力。
中图分类号: