工業(yè)設(shè)備因長期在高負(fù)荷環(huán)境下運(yùn)行，容易發(fā)生各類故障，從而嚴(yán)重影響生產(chǎn)效率。設(shè)備健康管理對提升工業(yè)安全、減少經(jīng)濟(jì)損失和維護(hù)成本具有重要意義。然而，現(xiàn)有的健康管理方法多局限于有限的工況條件，并且通常只能執(zhí)行單一的健康管理任務(wù)，難以滿足復(fù)雜工業(yè)場景的需求。
 

現(xiàn)有軸承健康管理任務(wù)遇到的挑戰(zhàn)
 

該研究提出的軸承健康管理框架
 

　　為解決這一難題，中國科學(xué)院沈陽自動(dòng)化研究所智能檢測與裝備研究室的科研團(tuán)隊(duì)構(gòu)建了首個(gè)多模態(tài)軸承健康管理數(shù)據(jù)集(MBHM)。該數(shù)據(jù)集結(jié)合了機(jī)械振動(dòng)信號和健康管理語料庫，覆蓋數(shù)百種工況條件，極大提升了數(shù)據(jù)的復(fù)雜性和現(xiàn)實(shí)代表性，為相關(guān)算法的開發(fā)和驗(yàn)證提供了強(qiáng)有力的支撐。
 

　　在此基礎(chǔ)上，研究團(tuán)隊(duì)設(shè)計(jì)了基于工業(yè)大模型的軸承健康管理框架BearLLM。該框架采用統(tǒng)一的振動(dòng)信號表示形式，將待測信號轉(zhuǎn)換到頻域，通過識別其與無故障條件下信號的頻譜差異，提升故障診斷的精度。此外，BearLLM通過將振動(dòng)信號與語義嵌入對齊，充分利用了工業(yè)大模型的強(qiáng)大語言理解和生成能力，實(shí)現(xiàn)了多種健康管理任務(wù)的統(tǒng)一自然語言響應(yīng)。實(shí)驗(yàn)結(jié)果表明，這一框架在數(shù)百種復(fù)雜工況條件下表現(xiàn)出了領(lǐng)先的性能。
 

　　相關(guān)研究成果以BearLLM: A Prior Knowledge-Enhanced Bearing Health Management Framework with Unified Vibration Signal Representation為題在人工智能領(lǐng)域國際會(huì)議AAAI 2025(CCF A類)中被正式錄用。
 

　　該研究成果將助力解決普通用戶在使用軸承健康管理系統(tǒng)時(shí)的專業(yè)性障礙，還可廣泛適用于多種工作條件，為智能檢測與裝備技術(shù)在工業(yè)場景的推廣應(yīng)用提供了新思路。
 

　　本研究得到了國家自然科學(xué)基金、遼寧省應(yīng)用基礎(chǔ)研究計(jì)劃及遼寧省自然科學(xué)基金的支持。(智能檢測與裝備研究室)