基于大模型和多智能体的智能维护算法模型自动生成系统LLMAgent-PHM
LLMAgent-PHM是一种融合大语言模型与多智能体架构的智能交互系统，通过对话自动生成智能维护模型。系统构建主智能体、算法模型规划智能体与知识问答智能体，通过提示词工程与函数调用机制引导大模型生成智能维护模型生成系统，并结合检索增强生成机制构建知识库，提升问答准确性与专业性。系统还集成信号处理算法工具箱、智能维护工具箱中的近600个算法模型，实现开放场景下的智能维护模型的自动生成，包括信号处理、缺陷预示、故障诊断、健康评估、健康预测、知识发现、异常溯源等算法模型。LLMAgent-PHM具备良好的泛化性、交互智能与可扩展性，支持自然语言驱动的零样本任务操作，为高层次的各种装备智能维护算法模型生成提供支撑。
（1）基于大模型和多智能体的算法模型智能交互
LLMAgent-PHM智能交互系统采用多智能体架构，包含三个具备分工协作能力的智能体，分别为：主智能体：负责整体交互流程的协调，接收用户请求，并根据任务类型调用相应的子智能体进行处理；算法模型规划智能体：负责将用户的自然语言动作指令转换为算法模型生成流程，基于预定义的算法流程单元完成指令的自动编排；知识问答智能体：面向用户提供系统使用帮助，解答与算法模型相关的基础知识，提升用户对系统的理解和掌握程度。基于多智能体的智能交互如图1所示。
（2）算法模型规划智能体
算法模型规划智能体主要涵盖以下三个组成部分：
（1）算法设计模块：该模块负责封装最终模型执行的各类基础算法API（如信号处理、模式识别、预测、建模等），以及与智能维护算法相关的调用函数。其核心在于规范函数参数数量、格式与调用逻辑。
（2）智能体逻辑模块：该模块是算法模型规划智能体的核心部分，主要职责是理解用户输入的自然语言指令，提取指令中蕴含的任务意图，并基于预定义的函数接口，规划出一套有序的函数调用序列，即生成对应的算法函数列表。
（3）算法模型生成模块：在智能体完成动作规划后，该模块将生成的函数列表进一步整合为可供实际执行的完整动作流程。算法模型规划智能体使用大语言模型作为基准智能体。
（3）信号处理算法工具箱
信号处理智能体依托信号处理算法工具箱（机械设备信号处理工具箱算法软件包SPAgent-V2.5），生成各类信号处理算法。在机械设备信号处理算法软件包SPAgent-V2.5版本在V2.1版本基础上（参见本公众号前期文档：机械设备信号处理算法软件包SPAgent-V2.1），基于机械设备型号处理典型算法模型，以及近3年公开的各种学术文献，形成了信号处理各类经典算法模型以及最新的各类信号处理算法模型，形成了机械设备信号处理算法软件包SPAgent-V2.5版本：融合了目前各种先进的信号处理算法（可处理振动信号、转速信号、位移信号、声信号等），V2.5合计包括近200套算法开发完成，集中于最新3年的新颖算法，可应用于各种机械部件对象（如滑动轴承、滚动轴承、转子、齿轮箱、电机等）），采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想实现机械系统故障诊断与健康退化预诊维护，能应用在不同场合的设备故障诊断与监测，满足不同类型机械设备与关键部件（轴承、转子、齿轮箱等）的健康预诊与故障诊断需求。SPAgent所有算法模型可灵活地集成到各种设备诊断与健康预诊系统，提供完整的算法类调用接口，基于该工具箱的各种信号处理模型，可迅速建立起一套完整的设备故障诊断与健康预诊系统，也可支持各类系统研制与学术研究。SPAgent-V2.5包含以下机械设备型号处理算法模块：
1）时域频域信号处理模块：信号滤噪、频谱分析、时域统计分析、时频域分析、多传感信息融合、故障分离、故障诊断、多故障诊断、变转速诊断等功能；
2）可视化监测与故障诊断模块：实时波形频谱图、设备振动实时趋势、设备运行状态、振动历史比较图、单多值棒图、三维瀑布图、伯德图、提纯轴心轨迹图、二、三维全息谱图、绘制阶次谱图、启停机转速谱图、频域谱细化图、变速信号处理、稀疏保持、信号变换、形态滤波、转子动静平衡测试等算法模型；
3）信号降噪算法模块：形态滤波、梳状滤波、小波包滤波、带通滤波、一维Gabor滤波等
4）信号分解算法模块：小波分解、小波包分解、经验模态分解、变分模态分解、局部均值分解、群分解、非负矩阵分解等
5）变转速下的信号处理典型算法模块：阶次跟踪、广义解调、同步压缩变换、排列熵等典型算法模型；
6）早期缺陷预示算法模块：形态分量分析、能量分离算法、正则化正交匹配追踪、子空间追踪等
7）针对滚动轴承、滑动轴承、转子、变速箱、电机等典型关键机械部件提供各类信号分析处理算法；
8）声纹处理工具箱：梅尔倒谱系数、梅尔滤波器、Bark倒谱系数、线性预测倒谱系数等；
9）近3年公开的各种学术文献最新的各类信号处理算法模型。
（4）智能维护算法库
智能维护智能体依托智能维护算法工具箱（设备智能维护算法工具箱系统SmartAgent-V2.5），生成各类智能维护算法。设备智能维护算法工具箱系统SmartAgent融合了目前国际上各种先进的信息智能分析算法以工具箱的方式，采用了一种开发的、模块化的结构实现系统预诊算法，能应用在不同的设备健康预诊场合，满足不同的类型设备的健康预诊与故障诊断需求，如不同的输入信号、不同的预诊功能需求，不同的存储能力等，采用Python编程语言，满足不同平台需求(包括Windows、Linux)。采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想，采用了最新的信号处理、机理模型、机器学习、人工智能、深度学习、数据挖掘等技术，实现机械系统故障诊断与健康退化预诊维护，能应用在不同场合的设备故障诊断与监测，满足不同类型机械设备与关键部件（轴承、转子、齿轮箱等）的健康预诊与故障诊断需求。
SmartAgent主要包含6大功能模块：信号处理模块、健康特征抽取与选择模块、设备衰退预测模块、设备健康预测模块、设备维护知识管理与健康可视化模块、设备故障诊断模块。不同的功能模块灵活组合完成不同的任务，这种开放式的结构使得新的算法模型可以随时增加进去，也可按照客户的需求或应用背景对SmartAgent中的模块进行组合和封装。
（5）执行流程
主智能体负责理解用户的需求，针对不同的需求，执行相应的流程。在具体实现中，将算法模型智能体、基于知识库的问答智能体以及动作执行函数作为工具。主智能体协调各个智能体与函数的流程如图5所示。
最终，大模型与人工智能Agent驱动的算法模型生成系统：LLMAgent-PHM，采用语言大模型+人工智能体+知识库+工作流实现对话式算法模型动态组合建模与计算，依托大模型底层的自研信号处理算法工具箱+深度神经网络工具箱的600多种算法模型，根据设备智能维护的各种个性化需求与具体问题驱动，采用人工智能Agent技术，调度底层信号处理算法工具箱+深度神经网络工具箱的600多种算法模型，实现对话式算法模型动态组合建模与各类任务解决。
