西安交通大学雷亚国教授团队：面向机械设备通用健康管理的智能运维大模型丨JME封面文章

引用论文

雷亚国, 李熹伟, 李响, 李乃鹏, 杨彬. 面向机械设备通用健康管理的智能运维大模型[J]. 机械工程学报, 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.

(戳链接，下载全文)

近年来，基于深度学习的各类机械设备健康管理模型取得了显著进展。然而，现有模型参数规模小，通常只能接受特定采频、转速、模态的数据，针对齿轮、轴承等特定零部件，执行监测、诊断、预测等特定任务，且难以适应新场景，缺乏持续进化能力。随着高端设备精密性、复杂度的不断提升，工业场景对高通用、易扩展、可进化的“一站式”健康管理服务需求日益迫切 。西安交通大学雷亚国教授团队受近年来ChatGPT等语言大模型在数据、任务、场景等方面通用化发展趋势启发，提出了面向机械设备通用健康管理的智能运维大模型。首先，将多模式数据通过角度域重采样和数据分割统一编码为词元序列；然后，输入基于Transformer的基底模型，提取健康信息和退化信息至特定词元；最后，将这些特定词元用于执行下游的监测、诊断、预测等多种任务。在故障数据和长期退化数据上对提出模型的基准性能、多任务协同性能和扩展性能进行了验证，结果表明：提出的智能运维大模型能够在轴承、齿轮等多种对象上联动实现状态监测、故障诊断和寿命预测；诊断与预测多任务能够有效协同，互相促进性能提升，相较于单任务模型表现更为出色；在小样本学习、持续学习等场景下，模型能够实现快速适配部署并持续进化。因此，提出的智能运维大模型具有高通用性、易扩展性、可持续进化等特点，有望为机械设备提供通用化“一站式”健康管理服务 。

本文作为《机械工程学报》2025年第6期的封面文章发表，期望相关工作为机械设备智能运维大模型技术发展提供参考。

1

研究背景

近年来，基于深度学习的各类机械设备健康管理模型取得了显著进展。然而，现有模型参数规模小，通常只能接受特定采频、转速、模态的数据，针对齿轮、轴承等特定零部件，执行监测、诊断、预测等特定任务，且难以适应新场景，缺乏持续进化能力。随着高端设备精密性、复杂度的不断提升，工业场景对高通用、易扩展、可进化的“一站式”健康管理服务需求日益迫切。受近年来ChatGPT等语言大模型在数据、任务、场景等方面通用化发展趋势启发，提出了面向机械设备通用健康管理的智能运维大模型。

图1 面向机械设备通用健康管理的智能运维大模型框架及通用性特点

2

亮点或创新点

1.多种模式数据统一编码：通过角度域重采样与数据分割，将不同采样频率、不同工况的多模式数据统一编码为相互兼容的词元序列，使模型具备处理来源分散、形式多样的多模态数据的能力。

2.健康管理任务协同联动构建了基于Transformer的信息集成基底模型，能够从监测数据中提取健康信息和退化信息，实现状态监测、故障诊断及寿命预测等多样化健康管理任务的协同联动。诊断与预测多任务间协同增强性能表现，相较单任务模型具有更好性能表现。

3.系统级精细化感知管理：采用多标签二元编码方式，支持对设备多个位置及多种健康状态的同时监测与管理，从故障部件、故障种类、故障位置等多个维度实现设备系统级的精细化健康管理。

4.多种应用场景快速适配模型支持通过微调实现快速适配，能够在小样本学习、持续学习和迁移学习等多种场景下保持优异的诊断性能，具备良好的场景通用性和扩展能力。

3

提出大模型结构

提出大模型主要包含三个部分：健康信息集成单元、退化信息集成单元和下游任务单元，如图1所示。首先将多模式数据通过角度域重采样、幅值-分布信息分离和数据分割统一编码为词元序列，而后将其输入基于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词元，最后将这些特定词元用于执行下游的监测、诊断、预测等多种健康管理任务。通过上述流程，旨在使提出的智能运维大模型具有高通用、易扩展、可进化等特点。

图2 提出大模型的结构

4

试验验证结果

将提出大模型与ResNet架构的故障诊断模型和CNN+LSTM架构的剩余寿命预测模型进行对比，在测试集上的诊断结果和预测结果如表1所示。基于ResNet的对比方法仅能执行故障诊断任务，基于CNN+LSTM的对比方法仅能执行剩余寿命预测任务，而提出模型可以联动执行诊断、预测任务，在测试集上取得了较对比方法更优的诊断和预测结果 。

图3展示了轴承和齿轮的健康管理案例，内容包括原始全寿命振动信号（第1行）、提取的幅值指标（第2行）、模型输出的监测结果（第3行）、诊断结果（第4行）以及预测结果（第5行）。从图中可以看出，提出大模型能够准确预警轴承和齿轮的故障，在故障发生时刻精确识别出故障部件、故障类别及故障位置。此外，在监测过程中，模型还提供了较为精准的寿命预测结果，充分展现了其在对象和任务层面相较于传统专用健康管理模型的通用性和优越性。

图3 验证案例：(a)～(g)为轴承 RA-Bearing 2_5 案例，其实际失效结果为外圈故障(OF)；(h)～(n)为齿轮 RC-Gear 13 案例，其实际失效结果为小齿轮(GS)点蚀(S)、断齿(BT)

5

结论与展望

分析了机械设备监测、诊断与预测等专用健康管理模型应用的局限性，指出了健康管理模型由专用走向通用的必然趋势及通用性特点，建立了面向机械设备通用健康管理的智能运维大模型。在17个故障数据集和4个退化数据集上，开展了3个方面以及8类任务的试验，结果验证了提出模型的有效性，并得到如下结论：

(1) 提出模型相较现有专用模型，能够处理不同采频、不同工况的振动、电流等多模态数据，可同时执行状态监测、故障诊断、寿命预测任务，全面感知设备整体健康状态，实现系统级精细化健康管理。

(2) 提出模型能够通过诊断、预测多任务协同联动，促进彼此性能提升，展现出比专用任务模型更好的性能。此外，依托该大模型基底，通过微调可快速适应少量样本可用、健康状态类别持续新增等多样化场景。

(3) 尽管提出模型实现了数据、任务、场景等方面的通用化，但适用范围仍可进一步扩展探索：可扩展加入更高层的维护决策等任务；可扩展零样本、无监督等应用场景；可探索与语言大模型结合，形成通用性、扩展性、交互性更强的机械设备运维综合智能体。

6

团队研究方向

研究方向一：机械系统动态建模

该方向通过建立动力学、唯象、数字孪生等模型，对机械系统的动态特性进行分析，研究机械系统在内外激励下的动力学行为以及模型参数、故障类型等各种因素对系统响应特性的影响。

研究方向二：机械信号处理与分析

机械故障特征提取犹如“沙里淘金”，信号处理是提取故障特征的“一把利器”。该方向主要研究降噪或者用噪等先进信号处理方法与技术，揭示表征机械运行健康状况的敏感信息，建立特色监测与诊断指标，从而实现机械故障微弱特征的增强与提取。

研究方向三：大数据驱动的智能故障诊断

该方向主要研究软计算、机器学习等人工智能算法，通过建立智能诊断模型，自适应解析机械信号蕴含的复杂结构信息，探索大数据中潜在的故障演化规律，实现机械故障的智能识别。

研究方向四：机械装备剩余寿命预测

该方向主要研究基于衰退模型和数据驱动的数模联动剩余寿命预测理论与方法，实现风电机组、航空发动机、工程机械等关键零部件的剩余寿命预测，为其预测性维修提供技术支持。

研究方向五：机械装备健康维护决策

该方向主要研究剩余寿命预测驱动下基于数学规划模型与启发式优化算法的维修决策理论与技术，通过构建并优化机械装备运维模型，制订最佳维修管理方案，降低运维成本与故障率。

面向需求、服务工程：智能运维软硬件系统及平台研发

开发基于LabVIEW和Web的在线健康监测、故障诊断和智能运维软硬件系统及平台，对机械、运载、能源、冶金、石化、国防等行业的机械装备进行远程实时监测、趋势预报、智能诊断、寿命预测、维护决策，实现基于装备运行状态的预测性维护决策。

实验室一览

复杂传动系统加速寿命综合实验台

滚动轴承加速寿命实验台

制冷机可靠性测试平台

风力发电智能运维平台

高速列车转向架故障模拟实验台

锥齿轮箱加速全寿命实验台

作者及团队介绍

雷亚国， 西安交通大学教授、博士生导师；机械工程学院常务副院长、精密微纳制造技术全国重点实验室副主任、美国机械工程师协会会士（ASME Fellow）、英国工程技术学会会士（IET Fellow）、国际工程资产管理协会会士（ISEAM Fellow）、国家杰出青年科学基金获得者、科睿唯安全球高被引科学家（2019至今）、国家重点研发项目首席科学家（2项）、“三秦学者”全国一流创新团队带头人、陕西省科技创新团队带头人。现担任中国机械工程学会工业大数据与智能系统分会副主任委员、IEEE Transactions on Industrial Electronics、Mechanical Systems and Signal Processing等本领域著名期刊副主编、《机械工程学报》编委。长期从事机械系统建模与动态信号处理、大数据智能故障诊断与寿命预测、机械状态健康监测与智能维护等方面的研究工作。研发的智能诊断系统在智能制造、能源电力、交通运输等领域得到广泛应用。曾获国家技术发明二等奖、中国青年科技奖、教育部自然科学一等奖、教育部青年科学奖、科学探索奖、陕西省自然科学一等奖、霍英东教育基金会青年教师奖。

李响，西安交通大学教授、博导，国家级青年人才，英国工程技术学会会士（IET Fellow），科睿唯安全球高被引科学家，主要研究方向为工业人工智能、大模型、机器视觉、神经形态计算、智能运维等，主持国家重点研发计划项目课题、国家自然科学基金等项目，参与制定国家标准3项，研究成果在航空航天、智能制造等领域获得工程应用，担任期刊IEEE Transactions on Neural Networks and Learning Systems、Expert Systems with Applications、Pattern Recognition副主编，《机械工程学报》首届青年编委，发表ESI高被引论文24篇，ESI热点论文8篇，谷歌学术引用10000次以上，H指数46，出版英文学术专著1部，入选全球前2%顶尖科学家终身榜单，曾获中国振动工程学会基础研究二等奖、辽宁省自然科学二等奖、中国力学学会自然科学二等奖等奖项。

李熹伟， 西安交通大学机械工程学院博士研究生，英国伯明翰大学铁路研究与教育中心（BCRRE）联合培养博士。主要研究方向：机械故障诊断、健康管理大模型。

李乃鹏， 西安交通大学机械工程学院副教授，美国佐治亚理工学院联合培养博士。长期从事机械装备健康监测、寿命预测、智能运维方面研究工作。主持国家自然科学基金面上、青年项目，博士后站中特助等项目10余项，作为单位负责人承担国家基金重点项目1项。出版英文专著1部，获国家科学技术出版基金资助；在本领域权威期刊发表学术论文40余篇，其中ESI热点论文4篇、ESI高被引论文7篇，WOS总他引4500余次。参与制定国家标准4项，授权国家发明专利34件，专利权转让6件。研究成果在风电装备、工业机器人、重卡车辆等装备得到应用。曾获陕西省自然科学一等奖（第二）、中国华电集团科技进步一等奖、陕西省振动工程学会青年科技奖、陕西省优博论文等，入选中国科协青年人才托举工程、科睿唯安全球高被引科学家，连续4年入选爱思维尔全球前2%顶尖科学家榜单。

杨彬， 西安交通大学机械工程学院助理教授，加拿大多伦多大学维护优化与可靠性工程研究中心（C-MORE）联合培养博士，入选国家“博士后创新人才支持计划”、澳门学者、西安交通大学“青年优秀人才支持计划”A类、全球前2%顶尖科学家榜单。研究方向：机械故障迁移诊断理论、新一代人工智能故障诊断、高端装备大数据智能运维。主持国家自然科学基金青年项目、中国博士后科学基金面上项目等；出版学术专著1部，获工信学术出版基金资助；在本领域国内外权威期刊上发表学术论文10余篇，多篇入选ESI热点，中国百篇最具影响国际学术论文，中国科协优秀科技论文等；授权国家发明专利10余件，其中技术转让3件。为国际著名轴承制造商研发了轴承加工质量缺陷智能诊断系统，在全球最大的球轴承生产基地部署应用；曾获中国自动化学会自然科学一等奖、陕西省自然科学一等奖、陕西高等学校科学技术一等奖等奖励。担任中国自动化学会混合智能专委会委员、《机械工程学报》首届青年编委。

7

团队近2年代表论著

[1] 李响, 付春霖, 雷亚国, 李乃鹏*, 杨彬. 保证数据隐私的装备协同智能故障诊断联邦迁移学习方法[J]. 机械工程学报, 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：雷亚国

责任编辑：杜蔚杰

责任校对：张 强

审 核：张 强

JME学院简介

JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。首任院长是中国机械工程学会监事会监事长、《机械工程学报》中英文两刊主编宋天虎。

欢迎各位老师扫码添加小助理-暖暖为好友，由小助理拉入JME学院官方群！

欢迎关注JME学院视频号~

寻觅合作伙伴

有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。

感谢关注我们！《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！

版权声明：

本文为《机械工程学报》编辑部原创内容，欢迎转载，请联系授权！

在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!

联系人：暖暖

电话：010-88379909

E-mail：jme@cmes.org

网 址：http://www.cjmenet.com.cn

官方微信号：jmewechat