工業設備因長期在高負荷環境下運行，容易發生各類故障，從而嚴重影響生產效率。設備健康管理對提升工業安全、減少經濟損失和維護成本具有重要意義。然而，現有的健康管理方法多局限于有限的工況條件，并且通常只能執行單一的健康管理任務，難以滿足復雜工業場景的需求。
 

現有軸承健康管理任務遇到的挑戰
 

該研究提出的軸承健康管理框架
 

　　為解決這一難題，中國科學院沈陽自動化研究所智能檢測與裝備研究室的科研團隊構建了首個多模態軸承健康管理數據集(MBHM)。該數據集結合了機械振動信號和健康管理語料庫，覆蓋數百種工況條件，極大提升了數據的復雜性和現實代表性，為相關算法的開發和驗證提供了強有力的支撐。
 

　　在此基礎上，研究團隊設計了基于工業大模型的軸承健康管理框架BearLLM。該框架采用統一的振動信號表示形式，將待測信號轉換到頻域，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通過將振動信號與語義嵌入對齊，充分利用了工業大模型的強大語言理解和生成能力，實現了多種健康管理任務的統一自然語言響應。實驗結果表明，這一框架在數百種復雜工況條件下表現出了領先的性能。
 

　　相關研究成果以BearLLM: A Prior Knowledge-Enhanced Bearing Health Management Framework with Unified Vibration Signal Representation為題在人工智能領域國際會議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時的專業性障礙，還可廣泛適用于多種工作條件，為智能檢測與裝備技術在工業場景的推廣應用提供了新思路。
 

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