PHM大模型的破局之路中国科学报

西安交通大学机械工程学院教授严如强、陈雪峰团队联合华南理工大学机械与汽车工程学院教授李巍华，面向故障预测与健康管理（PHM）领域，提出大语言模型PHM-GPT，探索了PHM从面向特定对象和单一任务的“专用智能”到面向多装备、多任务的“统一智能”演进的新范式，为构建面向高端装备的新一代智能运维体系提供了新的技术路径。近日，相关研究成果发表于中国工程院院刊Engineering。

随着航空航天、轨道交通、能源装备和高端制造等领域向智能化、复杂化方向发展，高端装备智能运维对状态感知、故障诊断和维修决策提出了更高要求。而现有PHM方法大多围绕特定装备、特定工况和特定任务建立专用模型；且随着装备监测数据由单一传感信号向多源、多模态数据发展，运维需求也由单一故障识别逐步向异常检测、故障诊断和维修决策等多任务协同演进，对传统面向单一任务的深度学习范式提出了新的挑战。

针对这一问题，研究团队引入信号处理先验知识，提出信号到文本(Signal-to-Text，S2T)表示方法，将原始振动信号转换为大语言模型能够理解和处理的结构化文本表征。该方法并非简单地将信号数值“文本化”，而是借助具有物理和信号处理意义的特征描述，在保留装备健康状态关键信息的同时，建立工业时序信号与自然语言表征之间的桥梁。

在此基础上，研究团队进一步构建面向PHM任务的指令数据集InstPHM-456k，将装备状态信息、PHM专业知识和不同任务指令组织到统一的数据表达框架之中，为大语言模型学习PHM领域知识以及多任务能力提供数据基础。

此外，PHM-GPT构建了由知识注入、指令微调和下游应用微调组成的训练与应用框架，逐步将通用大语言模型的能力迁移至故障预测与健康管理领域。其中，知识注入用于强化模型对PHM领域知识的理解；指令微调使模型能够在统一框架下理解并执行异常检测、故障诊断和维修决策等不同任务；面向下游应用的微调则进一步增强模型针对具体装备和实际场景的快速适配能力。

研究团队在多个公开轴承和齿轮数据集上对PHM-GPT进行了系统验证，实验结果表明，PHM-GPT能够在统一框架下完成异常检测、故障诊断和维修决策等多类任务，并展现出跨数据集和跨机械部件的知识迁移与泛化潜力。

在公开数据集实验基础上，研究团队进一步利用直升机主减速器故障试验数据开展验证，考察PHM-GPT面对复杂真实装备和未知应用场景时的适应能力。结果显示，大语言模型由标准数据集向真实装备健康管理场景拓展的潜力，为PHM基础模型在高端装备中的进一步应用提供了实验依据。

随着多模态感知、大模型智能体和具身智能等技术进一步发展，未来PHM系统有望进一步贯通“状态感知-故障认知-维修决策-运维执行”全过程。届时，智能运维系统不仅需要能够“感知装备”和“诊断故障”，还可能进一步通过与物理装备、运维人员和运行环境的持续交互形成闭环，使高端装备智能运维逐步由单点智能和辅助决策走向更加自主的感知、推理、决策与执行。

因此，PHM-GPT所代表的探索，是PHM从“为每一个任务训练一个模型”向“让一个模型理解多个PHM任务”转变的重要尝试，也为进一步探索面向高端装备的PHM基础模型与自主运维智能体提供了新的研究方向。