CJME | 西安交通大学严如强教授团队：面向机械故障诊断的大模型：研究进展与未来方向- 大数跨境

CJME | 西安交通大学严如强教授团队：面向机械故障诊断的大模型：研究进展与未来方向

科爱KeAi

2026-07-15

导读：欢迎关注

引用论文

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.

关于文章

行业现状

在制造业、能源和航空航天等关乎国计民生的关键领域，机械系统的可靠性是确保安全生产的基石。随着人工智能技术的飞速演进，机械故障诊断已经从传统统计学习转向深度学习，并正迈入大模型驱动的新纪元。早期的机器学习方法依赖手工特征工程，而随后的深度学习模型实现了从原始监测信号到健康状态的端到端映射，极大地减少了人工干预。如今，随着人工智能的爆发，研究已迈入全新的大模型(LMs)时代。GPT、DeepSeek、Qwen 等大型语言和多模态模型展现出了强大的特征提取与决策潜力。它们通过小样本甚至零样本学习，大幅减少了人工干预，并能够融合声学、振动、文本等跨模态信息，为故障诊断提供了更全面、智能的解决方案，成为智能运维最前沿的发展方向。

智能诊断中的大模型技术

图 1. 从基础到应用：智能故障诊断中的大模型

大模型的定义与核心：

大模型通常基于 Transformer 架构，包含数亿至数千亿个参数，并通过海量数据集进行自监督预训练。Transformer 的核心是用自注意力机制取代传统的循环计算结构，从而实现高效的并行训练和长距离依赖建模。

大模型在 MFD 中的应用：

目前大模型在 MFD 中的应用主要分为两个互补的视角：面向机械故障诊断的大模型(LM for MFD)和机械故障诊断专用大模型 (LM of MFD)。前者侧重于通过设计不同的机制或微调策略，对现有通用大模型进行适配以处理故障特征；后者则强调从头开始设计和训练专门针对 MFD 领域异构数据特点的大模型架构。

面向机械故障诊断的大模型(LM for MFD)：

从适配机制上，面向故障诊断的大模型可分为基于上下文学习、基于微调和基于检索增强生成（RAG）的三类。

1）基于上下文学习(ICL)的大模型：在提示词（Prompt）中提供故障诊断示例，使大模型无需更新自身参数即可学习如何处理特定的 MFD 任务。

优缺点：无需额外训练，对新任务灵活且可快速更新；但其性能对提示词设计和上下文长度极度敏感，在不同专业领域的表现不够稳定。

2）基于微调的大模型：利用全参数微调或参数高效微调（PEFT，如 LoRA、Prompt tuning 等）显式调整大模型的权重，使其对机械故障特征更加敏感，适配下游任务。

优缺点：具有较高的任务特定准确性，能深度适应各种复杂的 MFD 场景；但不可避免地存在 MFD 领域与预训练模型之间的知识差距，且有过度拟合或灾难性遗忘的风险。

图2 常见的大模型微调方法

3）基于检索增强生成(RAG)的大模型：将外部设备知识库、维护手册或历史故障记录与大模型相结合，在推理时动态检索相关信息，从而增强模型表征与生成结果的事实依据。

优缺点：能够引入知识增强的故障特征，显著降低模型生成“幻觉”的风险；但外部知识源有时缺乏清晰的物理故障机理，且该架构缺乏对设备底层信号的实时监测能力。

机械故障诊断专用大模型 (LM of MFD)：

此类方法强调构建与工业数据内在特征对齐的架构，依据输入模态可分为基于语言、基于多模态和基于时间序列的大模型。

1）基于语言的大模型：将时间序列信号映射为语言或专用的结构化 Token 表示，以实现基于语言逻辑的推理过程。

优缺点：具备强大的语义理解能力，能产生具有极高人类可解释性的输出；但需要额外的信号-文本转换步骤，这通常会导致原始监测信号中的部分关键物理信息丢失。

2）基于多模态的大模型：将文本、图像（如热图或频谱图）、振动信号和操作日志等异构数据源集成到一个统一的架构中，支持跨模态特征对齐与深度理解。

优缺点：能提供全面和稳健的设备状态感知，大幅减少单一模态带来的感知偏差；但其计算成本极高，对硬件要求苛刻，且大规模高质量的多模态工业数据集获取困难。

3）基于时间序列的大模型：将监测信号直接作为标记化（Tokenized）序列进行处理，使模型能够在没有中间转换的情况下原生捕获时间模式和故障演变特征。

优缺点：可直接对原始信号进行直接序列建模，充分利用海量的工业监测数据；但目前仍缺乏能够提取统一特征的标准化架构，且向高层级维护决策任务的泛化能力较差。

难点或瓶颈

尽管大模型为机械故障诊断领域注入了前所未有的潜力，并有望从根本上重塑传统的诊断范式，但要跨越从理论探索到工业级大规模部署的鸿沟，依然面临着重重挑战。深度学习向大模型范式的转变，并没有消除原有的数据获取和泛化难题；相反，大模型庞大的参数量、对高质量数据的极度渴求，以及其内部复杂的决策黑盒，在真实且对安全性要求极高的工业环境中被进一步放大。这些瓶颈极大地限制了其在实时监控和资源受限场景下的广泛应用。

总的来说，目前智能运维大模型还存在以下难点：

1）数据异构性与高质量标注匮乏：尽管工业数据集的绝对数量在增加，但这些数据通常来自不同的机器、工况和传感器模式，导致格式、质量和标签标准存在显著差异。缺乏充足且高质量的标注数据，使得在真实工业场景中训练和微调大型模型变得既耗时又昂贵。

2）高昂的计算成本与边缘部署困难：大型模型的预训练和全面微调需要海量的计算资源，这使得普通学者或资源受限的工业企业难以承担。此外，大模型庞大的参数量导致其很难直接部署在存储、内存和算力均受限的工业边缘设备上，难以满足异常检测等任务的实时性要求。

3）“黑盒”特性与解释性缺失：大模型内部隐藏的决策过程导致其缺乏透明度。在有限的故障数据下，模型容易陷入伪相关性，这在需要清晰推理以确保信任和安全操作的高风险工业应用中，严重削弱了诊断结果的可靠性。

4）跨场景的泛化能力受限：由于真实的工业设备长期处于动态运行环境中，经常会出现新发故障或分布外(OOD)数据。目前的深度学习和大模型在面对未见过的数据分布、跨机器或复杂运行条件时，仍容易出现性能退化。

趋势与展望

图 3 故障诊断大模型范式的转变：从单纯感知迈向工业智能

大模型在机械故障诊断中的角色正在跨越单纯的“感知驱动”，向着更高层级的决策制定和自主适应的“工业智能”大步迈进。未来的诊断大模型将不再仅仅是被动地将传感器数据分类为健康或故障状态，它们将演化为具备类人逻辑思维的智能代理，不仅能精准识别系统状态，还能深刻推演底层的故障机制，并自主规划主动性的维护策略。为实现这一从纯数据驱动到知识融合、决策导向的跨越，未来的研究预计将沿着以下几个相辅相成的前沿方向展开：

（1）推理驱动的诊断方法：通过利用大型模型的涌现推理能力，处理复杂和不确定的故障模式。通过引入思维链(CoT)或思维树(ToT)等结构化搜索和强化微调机制，模型可以实现多步逻辑推理，从而提供高度可解释和自适应的诊断路径。

（2）知识增强的可靠性提升：将领域专业知识（如机械知识图谱）深度嵌入大模型的预训练和推理阶段。这不仅能确保模型生成的推理链符合物理机制，减少幻觉输出，还能极大提升诊断结果的可解释性和信任度。

（3）多模态融合策略：整合振动、声学、热成像以及操作日志和文本等异构数据源，以实现对设备健康状态的全面监测与感知。

（4）智能代理赋能的自主运维：通过赋予大模型使用外部工具、任务分解以及反思的能力，如 Reason-and-Act 模式或多代理协作，系统将能够执行闭环的自主监控、交互式诊断和自适应维护规划。

（5）持续学习机制：为了应对不断变化的运行条件、设备老化和新型故障模式，整合经验回放或知识蒸馏等持续学习机制，可确保诊断模型在不断学习新知识的同时，有效克服灾难性遗忘。

（6）面向边缘部署的轻量化优化：运用模型压缩、网络剪枝、知识蒸馏和模型量化等技术，在大幅降低计算和存储成本的同时保持诊断精度，从而满足大模型在资源受限的工业现场进行高效、低延迟部署的需求。

总结

从早期的统计机器学习到深度学习，再到如今大模型驱动的工业智能诊断，机械故障诊断领域正经历着技术范式的深刻演进。大模型在逻辑推理、多模态知识表征和少样本学习等方面展现出的卓越能力，为打破传统深度学习在数据稀缺条件下面临的泛化瓶颈提供了前所未有的可能。本文系统梳理了大模型在机械故障诊断领域的演进脉络，并勾勒出下一代智能诊断的技术蓝图。

关于作者

作者介绍

严如强，西安交通大学机械工程学院教授、博士生导师，国际机械中心主任。从事重大装备智能运维相关的理论方法与工程应用研究，主持科技部重点研发计划项目和基金委自然科学基金重点项目等。国际电气与电子工程师协会会士(IEEE Fellow)、美国机械工程师协会会士(ASME Fellow)、享受国务院政府特殊津贴、国家级领军人才、获 2023 年国家技术发明二等奖、2020 年陕西省技术发明一等奖和教育部自然科学一等奖、IEEE 仪器与测量学会 2019 年科技奖和 2022 年杰出服务奖, 牵头制定 IEEE国际标准 1 项。目前为 IEEE 仪器与测量学会杰出讲座学者，《IEEE Systems Journal》主编和《机械工程学报》英文版副主编，曾任国际期刊《IEEE Transactions on Instrumentation and Measurement》主编。

研究方向

（1）可解释人工智能运维方法。

（2）机电系统状态监测、故障诊断与剩余寿命预测。

（3）人工智能与智能制造、制造服务融合。

（4）生物医学信号检测与处理。

近两年团队发表文章

[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.