现有轴承健康管理任务遇到的挑战

该研究提出的轴承健康管理框架

工业设备因长期在高负荷环境下运行，容易发生各类故障，从而严重影响生产效率。设备健康管理对提升工业安全、减少经济损失和维护成本具有重要意义。然而，现有的健康管理方法多局限于有限的工况条件，并且通常只能执行单一的健康管理任务，难以满足复杂工业场景的需求。

为解决这一难题，中国科学院沈阳自动化研究所智能检测与装备研究室的科研团队构建了首个多模态轴承健康管理数据集（MBHM）。该数据集结合了机械振动信号和健康管理语料库，覆盖数百种工况条件，极大提升了数据的复杂性和现实代表性，为相关算法的开发和验证提供了强有力的支撑。

在此基础上，研究团队设计了基于工业大模型的轴承健康管理框架BearLLM。该框架采用统一的振动信号表示形式，将待测信号转换到频域，通过识别其与无故障条件下信号的频谱差异，提升故障诊断的精度。此外，BearLLM通过将振动信号与语义嵌入对齐，充分利用了工业大模型的强大语言理解和生成能力，实现了多种健康管理任务的统一自然语言响应。实验结果表明，这一框架在数百种复杂工况条件下表现出了领先的性能。

相关研究成果以BearLLM: A Prior Knowledge-Enhanced Bearing Health Management Framework with Unified Vibration Signal Representation为题在人工智能领域国际会议AAAI 2025（CCF A类）中被正式录用。

该研究成果将助力解决普通用户在使用轴承健康管理系统时的专业性障碍，还可广泛适用于多种工作条件，为智能检测与装备技术在工业场景的推广应用提供了新思路。

本研究得到了国家自然科学基金、辽宁省应用基础研究计划及辽宁省自然科学基金的支持。（智能检测与装备研究室）

论文：https://arxiv.org/abs/2408.11281

数据集：https://hf-mirror.com/datasets/SIA-IDE/MBHM