多智能体协同的精密电机测试全流程自动化

精密电机出厂前的测调判定，长期靠工程师盯着波形、凭经验下结论，同一条曲线换个人可能换个说法。项目把这套人工判断重建成四层自动流程：测试数据先转成可比较的量化指标，再由大模型（Large Language Model，LLM）按场景路由到对应的贝叶斯诊断网络（Bayesian Diagnostic Network），给出判定、根因与证据清单。网络结构与阈值来自现场专家经验，逐条确认后入库；判错的案例回流更新判据，系统越用越准。方法已在散热风扇启动故障诊断场景完成开发验证。

多智能体大模型调度贝叶斯诊断网络精密电机测试

项目概述

精密电机测调的合格判定长期依赖个人经验：工程师看一眼相电流波形和转速曲线就下结论，跨人员、跨时间的口径难以对齐，结论也很难回溯到具体依据。本项目把这条人工流程重建为自动、可解释、可回溯的诊断流程——测试数据逐层加工成量化指标，大模型按场景调度专职诊断网络，每条结论都附上所依据的测量证据与经验出处。散热风扇启动故障诊断是这套方法的第一个落地场景。

研究目标

多路测试数据到可比较量化指标的自动加工

把现场专家经验转化为可计算的诊断网络与判据

大模型按场景调度专职诊断网络完成推断

判定结果、根因定位与证据清单的自动产出

研究方法

以三相电流波形、红外实测转速、芯片估算转速与参数配置为输入，先算出波形指标与两路转速偏差，核对参数是否在经验范围内；再由大模型按场景与线索，把测试路由到启动类、运行类等按故障原因集拆分的诊断网络。原因耦合与判断阈值来自现场经验而非数据拟合，判据经双方确认后入库并记录出处。

技术路线

1
把波形变成能比较的数
输入是三相电流波形、红外实测转速、芯片估算转速，加上本次参数设定值。第一步不做判断，只把连续波形折算成可比较的量化指标：波形的量化数值、两路转速之间的偏差，以及参数是否落在经验范围内。越往上走信息越少、结论越明确，判断才有共同的度量基础。
2
大模型给这次测试派网络
诊断不靠一张大网通吃。故障原因按启动类、运行类等分组，每组建一张贝叶斯诊断网络，可单独增删不牵动其他。大模型读取场景与指标线索，路由到对应网络，只调用相关判据。网络写入了原因间的影响关系，参数中心值取程序标准值，波动范围由同工况重复验证确定。
3
结论连着证据一起给
产出不是一个孤零零的合格与否，而是三件套：判定给出正常、异常或存疑；根因指到具体哪个参数、该往哪个方向调；证据清单逐条列出这个结论依据了哪些测量证据、对应哪条经验、这条经验出自哪个案例。证据不足时明确标存疑并说明缺口，不做硬性判定。
4
判错的案例回来改判据
现场判错的案例和新确诊的故障都回流到知识资产一侧。大模型把零散调试记录整理成标准案例，再转化为判据与网络更新。每条更新要双方确认才生效，不确认不入库；改了哪条判据、依据哪个案例、谁确认的，全部留痕。更新后网络在下一轮测试生效，闭环合上。