引用論文

雷亞國, 李熹偉, 李響, 李乃鵬, 楊彬. 面向機械設備通用健康管理的智能運維大模型[J]. 機械工程學報, 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.

(戳鏈接，下載全文)

近年來，基于深度學習的各類機械設備健康管理模型取得了顯著進展。然而，現有模型參數規模小，通常只能接受特定采頻、轉速、模態的數據，針對齒輪、軸承等特定零部件，執行監測、診斷、預測等特定任務，且難以適應新場景，缺乏持續進化能力。隨著高端設備精密性、復雜度的不斷提升，工業場景對高通用、易擴展、可進化的“一站式”健康管理服務需求日益迫切 。西安交通大學雷亞國教授團隊受近年來ChatGPT等語言大模型在數據、任務、場景等方面通用化發展趨勢啟發，提出了面向機械設備通用健康管理的智能運維大模型。首先，將多模式數據通過角度域重采樣和數據分割統一編碼為詞元序列；然后，輸入基于Transformer的基底模型，提取健康信息和退化信息至特定詞元；最后，將這些特定詞元用于執行下游的監測、診斷、預測等多種任務。在故障數據和長期退化數據上對提出模型的基準性能、多任務協同性能和擴展性能進行了驗證，結果表明：提出的智能運維大模型能夠在軸承、齒輪等多種對象上聯動實現狀態監測、故障診斷和壽命預測；診斷與預測多任務能夠有效協同，互相促進性能提升，相較于單任務模型表現更為出色；在小樣本學習、持續學習等場景下，模型能夠實現快速適配部署并持續進化。因此，提出的智能運維大模型具有高通用性、易擴展性、可持續進化等特點，有望為機械設備提供通用化“一站式”健康管理服務 。

本文作為《機械工程學報》2025年第6期的封面文章發表，期望相關工作為機械設備智能運維大模型技術發展提供參考。

1

研究背景

近年來，基于深度學習的各類機械設備健康管理模型取得了顯著進展。然而，現有模型參數規模小，通常只能接受特定采頻、轉速、模態的數據，針對齒輪、軸承等特定零部件，執行監測、診斷、預測等特定任務，且難以適應新場景，缺乏持續進化能力。隨著高端設備精密性、復雜度的不斷提升，工業場景對高通用、易擴展、可進化的“一站式”健康管理服務需求日益迫切。受近年來ChatGPT等語言大模型在數據、任務、場景等方面通用化發展趨勢啟發，提出了面向機械設備通用健康管理的智能運維大模型。

圖1 面向機械設備通用健康管理的智能運維大模型框架及通用性特點

2

亮點或創新點

1.多種模式數據統一編碼：通過角度域重采樣與數據分割，將不同采樣頻率、不同工況的多模式數據統一編碼為相互兼容的詞元序列，使模型具備處理來源分散、形式多樣的多模態數據的能力。

2.健康管理任務協同聯動構建了基于Transformer的信息集成基底模型，能夠從監測數據中提取健康信息和退化信息，實現狀態監測、故障診斷及壽命預測等多樣化健康管理任務的協同聯動。診斷與預測多任務間協同增強性能表現，相較單任務模型具有更好性能表現。

3.系統級精細化感知管理：采用多標簽二元編碼方式，支持對設備多個位置及多種健康狀態的同時監測與管理，從故障部件、故障種類、故障位置等多個維度實現設備系統級的精細化健康管理。

4.多種應用場景快速適配模型支持通過微調實現快速適配，能夠在小樣本學習、持續學習和遷移學習等多種場景下保持優異的診斷性能，具備良好的場景通用性和擴展能力。

3

提出大模型結構

提出大模型主要包含三個部分：健康信息集成單元、退化信息集成單元和下游任務單元，如圖1所示。首先將多模式數據通過角度域重采樣、幅值-分布信息分離和數據分割統一編碼為詞元序列，而后將其輸入基于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詞元，最后將這些特定詞元用于執行下游的監測、診斷、預測等多種健康管理任務。通過上述流程，旨在使提出的智能運維大模型具有高通用、易擴展、可進化等特點。

圖2 提出大模型的結構

4

試驗驗證結果

將提出大模型與ResNet架構的故障診斷模型和CNN+LSTM架構的剩余壽命預測模型進行對比，在測試集上的診斷結果和預測結果如表1所示。基于ResNet的對比方法僅能執行故障診斷任務，基于CNN+LSTM的對比方法僅能執行剩余壽命預測任務，而提出模型可以聯動執行診斷、預測任務，在測試集上取得了較對比方法更優的診斷和預測結果 。

圖3展示了軸承和齒輪的健康管理案例，內容包括原始全壽命振動信號（第1行）、提取的幅值指標（第2行）、模型輸出的監測結果（第3行）、診斷結果（第4行）以及預測結果（第5行）。從圖中可以看出，提出大模型能夠準確預警軸承和齒輪的故障，在故障發生時刻精確識別出故障部件、故障類別及故障位置。此外，在監測過程中，模型還提供了較為精準的壽命預測結果，充分展現了其在對象和任務層面相較于傳統專用健康管理模型的通用性和優越性。

圖3 驗證案例：(a)～(g)為軸承 RA-Bearing 2_5 案例，其實際失效結果為外圈故障(OF)；(h)～(n)為齒輪 RC-Gear 13 案例，其實際失效結果為小齒輪(GS)點蝕(S)、斷齒(BT)

5

結論與展望

分析了機械設備監測、診斷與預測等專用健康管理模型應用的局限性，指出了健康管理模型由專用走向通用的必然趨勢及通用性特點，建立了面向機械設備通用健康管理的智能運維大模型。在17個故障數據集和4個退化數據集上，開展了3個方面以及8類任務的試驗，結果驗證了提出模型的有效性，并得到如下結論：

(1) 提出模型相較現有專用模型，能夠處理不同采頻、不同工況的振動、電流等多模態數據，可同時執行狀態監測、故障診斷、壽命預測任務，全面感知設備整體健康狀態，實現系統級精細化健康管理。

(2) 提出模型能夠通過診斷、預測多任務協同聯動，促進彼此性能提升，展現出比專用任務模型更好的性能。此外，依托該大模型基底，通過微調可快速適應少量樣本可用、健康狀態類別持續新增等多樣化場景。

(3) 盡管提出模型實現了數據、任務、場景等方面的通用化，但適用范圍仍可進一步擴展探索：可擴展加入更高層的維護決策等任務；可擴展零樣本、無監督等應用場景；可探索與語言大模型結合，形成通用性、擴展性、交互性更強的機械設備運維綜合智能體。

6

團隊研究方向

研究方向一：機械系統動態建模

該方向通過建立動力學、唯象、數字孿生等模型，對機械系統的動態特性進行分析，研究機械系統在內外激勵下的動力學行為以及模型參數、故障類型等各種因素對系統響應特性的影響。

研究方向二：機械信號處理與分析

機械故障特征提取猶如“沙里淘金”，信號處理是提取故障特征的“一把利器”。該方向主要研究降噪或者用噪等先進信號處理方法與技術，揭示表征機械運行健康狀況的敏感信息，建立特色監測與診斷指標，從而實現機械故障微弱特征的增強與提取。

研究方向三：大數據驅動的智能故障診斷

該方向主要研究軟計算、機器學習等人工智能算法，通過建立智能診斷模型，自適應解析機械信號蘊含的復雜結構信息，探索大數據中潛在的故障演化規律，實現機械故障的智能識別。

研究方向四：機械裝備剩余壽命預測

該方向主要研究基于衰退模型和數據驅動的數模聯動剩余壽命預測理論與方法，實現風電機組、航空發動機、工程機械等關鍵零部件的剩余壽命預測，為其預測性維修提供技術支持。

研究方向五：機械裝備健康維護決策

該方向主要研究剩余壽命預測驅動下基于數學規劃模型與啟發式優化算法的維修決策理論與技術，通過構建并優化機械裝備運維模型，制訂最佳維修管理方案，降低運維成本與故障率。

面向需求、服務工程：智能運維軟硬件系統及平臺研發

開發基于LabVIEW和Web的在線健康監測、故障診斷和智能運維軟硬件系統及平臺，對機械、運載、能源、冶金、石化、國防等行業的機械裝備進行遠程實時監測、趨勢預報、智能診斷、壽命預測、維護決策，實現基于裝備運行狀態的預測性維護決策。

實驗室一覽

復雜傳動系統加速壽命綜合實驗臺

滾動軸承加速壽命實驗臺

制冷機可靠性測試平臺

風力發電智能運維平臺

高速列車轉向架故障模擬實驗臺

錐齒輪箱加速全壽命實驗臺

作者及團隊介紹

雷亞國， 西安交通大學教授、博士生導師；機械工程學院常務副院長、精密微納制造技術全國重點實驗室副主任、美國機械工程師協會會士（ASME Fellow）、英國工程技術學會會士（IET Fellow）、國際工程資產管理協會會士（ISEAM Fellow）、國家杰出青年科學基金獲得者、科睿唯安全球高被引科學家（2019至今）、國家重點研發項目首席科學家（2項）、“三秦學者”全國一流創新團隊帶頭人、陜西省科技創新團隊帶頭人。現擔任中國機械工程學會工業大數據與智能系統分會副主任委員、IEEE Transactions on Industrial Electronics、Mechanical Systems and Signal Processing等本領域著名期刊副主編、《機械工程學報》編委。長期從事機械系統建模與動態信號處理、大數據智能故障診斷與壽命預測、機械狀態健康監測與智能維護等方面的研究工作。研發的智能診斷系統在智能制造、能源電力、交通運輸等領域得到廣泛應用。曾獲國家技術發明二等獎、中國青年科技獎、教育部自然科學一等獎、教育部青年科學獎、科學探索獎、陜西省自然科學一等獎、霍英東教育基金會青年教師獎。

李響，西安交通大學教授、博導，國家級青年人才，英國工程技術學會會士（IET Fellow），科睿唯安全球高被引科學家，主要研究方向為工業人工智能、大模型、機器視覺、神經形態計算、智能運維等，主持國家重點研發計劃項目課題、國家自然科學基金等項目，參與制定國家標準3項，研究成果在航空航天、智能制造等領域獲得工程應用，擔任期刊IEEE Transactions on Neural Networks and Learning Systems、Expert Systems with Applications、Pattern Recognition副主編，《機械工程學報》首屆青年編委，發表ESI高被引論文24篇，ESI熱點論文8篇，谷歌學術引用10000次以上，H指數46，出版英文學術專著1部，入選全球前2%頂尖科學家終身榜單，曾獲中國振動工程學會基礎研究二等獎、遼寧省自然科學二等獎、中國力學學會自然科學二等獎等獎項。

李熹偉， 西安交通大學機械工程學院博士研究生，英國伯明翰大學鐵路研究與教育中心（BCRRE）聯合培養博士。主要研究方向：機械故障診斷、健康管理大模型。

李乃鵬， 西安交通大學機械工程學院副教授，美國佐治亞理工學院聯合培養博士。長期從事機械裝備健康監測、壽命預測、智能運維方面研究工作。主持國家自然科學基金面上、青年項目，博士后站中特助等項目10余項，作為單位負責人承擔國家基金重點項目1項。出版英文專著1部，獲國家科學技術出版基金資助；在本領域權威期刊發表學術論文40余篇，其中ESI熱點論文4篇、ESI高被引論文7篇，WOS總他引4500余次。參與制定國家標準4項，授權國家發明專利34件，專利權轉讓6件。研究成果在風電裝備、工業機器人、重卡車輛等裝備得到應用。曾獲陜西省自然科學一等獎（第二）、中國華電集團科技進步一等獎、陜西省振動工程學會青年科技獎、陜西省優博論文等，入選中國科協青年人才托舉工程、科睿唯安全球高被引科學家，連續4年入選愛思維爾全球前2%頂尖科學家榜單。

楊彬， 西安交通大學機械工程學院助理教授，加拿大多倫多大學維護優化與可靠性工程研究中心（C-MORE）聯合培養博士，入選國家“博士后創新人才支持計劃”、澳門學者、西安交通大學“青年優秀人才支持計劃”A類、全球前2%頂尖科學家榜單。研究方向：機械故障遷移診斷理論、新一代人工智能故障診斷、高端裝備大數據智能運維。主持國家自然科學基金青年項目、中國博士后科學基金面上項目等；出版學術專著1部，獲工信學術出版基金資助；在本領域國內外權威期刊上發表學術論文10余篇，多篇入選ESI熱點，中國百篇最具影響國際學術論文，中國科協優秀科技論文等；授權國家發明專利10余件，其中技術轉讓3件。為國際著名軸承制造商研發了軸承加工質量缺陷智能診斷系統，在全球最大的球軸承生產基地部署應用；曾獲中國自動化學會自然科學一等獎、陜西省自然科學一等獎、陜西高等學校科學技術一等獎等獎勵。擔任中國自動化學會混合智能專委會委員、《機械工程學報》首屆青年編委。

7

團隊近2年代表論著

[1] 李響, 付春霖, 雷亞國, 李乃鵬*, 楊彬. 保證數據隱私的裝備協同智能故障診斷聯邦遷移學習方法[J]. 機械工程學報, 2023, 59(6): 1-9.

[2] LI Xiang, YU Shupeng, LEI Yaguo, et al. Intelligent machinery fault diagnosis with event-based camera [J]. IEEE Transactions on Industrial Informatics, 2024, 20(1): 380-389.

[3] YANG Bin, LEI Yaguo, LI Xiang, et al. Deep targeted transfer learning along designable adaptation trajectory for fault diagnosis across different machines[J]. IEEE Transactions on Industrial Electronics, 2023, 70(9): 9463-9473.

[4] LI Xiwei, LEI Yaguo, XU Mingzhong, et al. A spectral self-focusing fault diagnosis method for automotive transmissions under gear-shifting conditions [J]. Mechanical Systems and Signal Processing, 2023, 200: 110499.

[5] LI Naipeng, LEI Yaguo, LI Xiang, et al. A new nonparametric degradation modeling method for truncated degradation signals by axis rotation [J]. Mechanical Systems and Signal Processing, 2023, 192: 110213.

作 者：雷亞國

責任編輯：杜蔚杰

責任校對：張 強

審 核：張 強

JME學院簡介

JME學院是由《機械工程學報》編輯部2018年創建，以關注、陪伴青年學者成長為宗旨，努力探索學術傳播服務新模式。首任院長是中國機械工程學會監事會監事長、《機械工程學報》中英文兩刊主編宋天虎。

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學院官方群！

歡迎關注JME學院視頻號~

尋覓合作伙伴

有一種合作叫做真誠，有一種發展可以無限，有一種伙伴可以互利共贏，愿我們合作起來流連忘返，發展起來前景可觀。關于論文推薦、團隊介紹、圖書出版、學術直播、招聘信息、會議推廣等，請與我們聯系。

感謝關注我們！《機械工程學報》編輯部將努力為您打造一個有態度、有深度、有溫度的學術媒體！

版權聲明：

本文為《機械工程學報》編輯部原創內容，歡迎轉載，請聯系授權！

在公眾號后臺留言需要轉載的文章題目及要轉載的公眾號ID以獲取授權!

聯系人：暖暖

電話：010-88379909

E-mail：jme@cmes.org

網 址：http://www.cjmenet.com.cn

官方微信號：jmewechat