航空發動機用上大模型：解決復雜時序問題，性能超越ChatGPT-4o

時序數據分析在工業監控、醫療診斷等領域至關重要。

比如航空發動機監控這個復雜工業場景中，工程師需分析海量多通道傳感器數據，以判斷設備狀態并制定維護決策。

然而，現有研究多聚焦于分類、預測等單一任務，與實際工業場景中專家通過自然語言進行復雜交互和決策的需求存在顯著差異。

上海交通大學航空航天學院李元祥教授團隊、上海創智學院、復旦大學數據科學學院團隊以航空發動機運維為背景，提出高效、可遷移的時序-語言橋接架構——ITFormer，將專家診斷過程抽象為”理解、感知、推理、決策”四個認知層次，并首次系統性地定義為“時序問答”任務范式。

團隊基于NASA航空發動機數據，構建了包含11萬余問答對的EngineMT-QA數據集。該數據集的任務設計緊密貼合專家的認知流程，為評估模型在真實工業場景下的推理能力提供了首個標準化基準。

結果顯示，ITFormer以模塊化設計實現了時序數據與大語言模型的高效融合，僅需訓練不足1%的額外參數，便可在通用時序問答數據集上表現出優越的性能和良好的遷移能力，展現了卓越的“即插即用”特性。它可無縫適配PatchTST、Informer、Crossformer等多種時序編碼器，以及Qwen、LLaMA、GLM等不同規模和架構的大語言模型。

此外，在使用EngineMT-QA進行預訓練后，ITFormer的性能得到進一步的巨大提升，在全部五項任務上均達到SOTA水平，其中“因果分析”準確率高達0.83。

用戶可以進行追問式探索，“昨天哪個設備的能耗最高？” “為什么它的能耗這么高？” “和上周同期相比情況如何？”。這種交互式的分析流程，讓數據探索過程更符合人類的思維習慣，從而真正實現了數據分析的大眾化。

航空發動機能用大模型了

技術難點

高維數據的語義提取：單個時序樣本可包含數萬個數值（如32通道×600時間步），如何從中提取出有效的語義特征是首要難題。

抽象語義的對齊建模：時序信號的模式變化（如緩慢上升、突然波動）與物理系統的狀態轉換（如設備老化、突發故障）之間的對應關系高度抽象，難以直接建模。

多尺度時間依賴的處理：時序數據中的關鍵信息可能分布在不同的時間尺度上，模型必須具備處理多尺度依賴的能力。

ITFormer架構與關鍵模塊

ITFormer的設計思想是作為一個輕量級的”橋梁”，在凍結預訓練時序編碼器和大型語言模型（LLM）的前提下，實現兩者的高效對齊與融合。

時間令牌位置編碼（TPE）
為精確表征多維時序數據的結構，TPE在三個層次上進行位置編碼：時間步（Temporal Steps）、通道（Channels）和時序片段（Segments），確保模型能區分不同時間點、不同傳感器以及不同數據段的語義信息。

可學習指令令牌（LIT）
為了讓模型理解具體的任務指令，LIT在文本查詢前添加了一組可學習的令牌。這些令牌通過自注意力機制，能夠從自然語言查詢中自動捕獲并濃縮任務相關的語義信息，從而指導后續的跨模態融合。

指令時間注意力（ITA）
作為ITFormer的核心創新，ITA通過一個高效的兩階段過程實現跨模態對齊：

1. 通道指令融合（Channel Instruct Fusing）：根據LIT提供的任務指令，動態地對每個時間步上的多通道特征進行加權聚合，篩選出與任務最相關的傳感器信息。
2. 時間指令注意力（Time Instruct Attention）：在上一步的基礎上，再次根據任務指令，在時間維度上進行注意力加權，聚合最關鍵的時間片段信息。
   這一設計顯著提升了計算效率，同時保證了對齊的精確性。

時間令牌即語言（TAL）
該策略將ITA融合后的時序特征向量直接視為語言令牌，并替換掉文本查詢中預設的占位符。這使得時序信息能以一種與語言模型兼容的方式，無縫嵌入到LLM的輸入序列中，從而實現端到端的建模。

EngineMT-QA數據集設計

EngineMT-QA基于真實的工業應用場景設計，其任務層次反映了專家處理時序數據的認知過程。

數據規模：包含超過11萬對高質量問答數據，源于NASA N-CMAPSS標準數據集。
數據維度：覆蓋32個傳感器通道，每個樣本包含600個時間步。
質量保證：所有數據均經過領域專家的交叉審核，確保技術準確性。

適配主流LLMs，性能實現SOTA

EngineMT-QA數據集上的性能對比

在EngineMT-QA數據集上，ITFormer的性能全面超越了包括主流多模態API，如ChatGPT-4o、Gemini，以及專用時序-文本模型Time-LLM、AutoTime在內的所有基線。尤其在需要深度分析的“推理”和“決策”任務上，F1分數和BLEU得分的顯著領先，證明了ITFormer對復雜時序-語言關系具備強大的建模能力。

ITFormer模塊有效性驗證：消融實驗

消融實驗結果量化了ITFormer各核心組件的貢獻。實驗表明：TPE（時間令牌位置編碼） 對模型性能的提升最為關鍵，是模型理解多維時序結構的基礎。同時，ITA（指令時間注意力） 與TPE的結合能夠產生顯著的協同效應。最終，包含全部組件的完整架構性能最佳，驗證了ITFormer系統性設計的有效性。

架構通用性：適配不同時序編碼器與語言模型

ITFormer展現了卓越的“即插即用”特性。實驗證明，它可無縫適配PatchTST、Informer、Crossformer等多種時序編碼器，以及Qwen、LLaMA、GLM等不同規模和架構的大語言模型。此外，隨著底層語言模型規模的提升，整體任務性能也隨之穩步提高，表現出良好的可擴展性。

跨域泛化與數據集價值

為驗證模型與數據集的通用價值，研究團隊在公開基準TimeSeriesExam上進行了測試。

結果顯示：1.ITFormer方法的有效性：即便不經過預訓練，ITFormer直接在TimeSeriesExam上訓練，其性能已在多個任務上優于通用基線，證明了其架構設計的先進性。 2.EngineMT-QA數據集的價值：在使用EngineMT-QA進行預訓練后，ITFormer的性能得到進一步的巨大提升，在全部五項任務上均達到SOTA水平，其中“因果分析”準確率高達0.83。

這充分說明，EngineMT-QA作為一個時序文本對數據集，能夠為模型提供關于時序-文本關系的本質性知識，從而顯著提升其在其他任務上的泛化能力。

推理效率驗證

效率測試表明，ITA機制相較于傳統的跨模態注意力（cross-attention），在處理多通道、長序列數據時推理速度優勢明顯。同時，LIT模塊也能有效降低長文本輸入帶來的計算開銷。這些結果證明，ITFormer的架構設計兼顧了高性能與高效率，為大規模實時應用提供了可能。

ITFormer及EngineMT-QA為時序AI社區提供了新的研究范式和寶貴資源，在工程和科學領域均具有廣闊的應用前景。

時序QA論文合集：
https://github.com/Pandalin98/Awesome-Time-Series-QA-Papers
項目主頁：
https://pandalin98.github.io/itformer_site/
論文鏈接：http://arxiv.org/abs/2506.20093