仪器仪表学报

作者：彭宇，季拓，郭楚亮

单位：彭宇,哈尔滨工业大学电子与信息工程学院哈尔滨150001,pengyu@hit.edu.cn,季拓,1.哈尔滨工业大学电子与信息工程学院哈尔滨150001; 2.哈工大郑州研究院郑州450000,,郭楚亮,哈尔滨工业大学电子与信息工程学院哈尔滨150001,

关键词：大语言模型;故障预测与健康管理;故障诊断;健康状态;剩余使用寿命;异常检测

故障预测与健康管理(PHM)技术通过监测、分析和预测设备健康状态，实现主动维护和风险规避，是保障系统安全稳定运行的关键。尽管基于物理模型和数据驱动的PHM方法体系已经较为完整，但是经典方法在面对日渐复杂的工业系统的海量异构数据，特别是非结构化文本和多模态信息时，仍然存在专家知识集成困难，以及泛化能力不足的短板。近年来，Transformer结构与大语言模型(LLM)方兴未艾，为PHM领域内专业知识的有效利用带来新兴的高精度预测范式，其应用潜力和优势包括但不限于知识提取与整合、少样本学习泛化、智能决策支持等。为全面综述大语言模型赋能PHM的现状及前景，首先，介绍PHM常见任务、Transformer结构与通用大语言模型基本概念；其次，介绍领域专用大语言模型构建任务中的领域知识构建与注入方法（包括内部参数优化和外部知识增强），给出PHM领域专用大语言模型的整体框架；然后，从部件级、子系统级、复杂系统级这3个层次，并面向任务深入剖析并综述PHM领域大语言模型框架与应用现状，包括故障诊断、健康状态估计、剩余使用寿命预测和异常检测等典型PHM领域任务；最后，从模型轻量化、边缘部署、广义复杂系统角度，展望PHM领域专用大语言模型未来应用发展的挑战和机遇。

来源：2025年第10期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第10期