航空发动机用上大模型让模型解决复杂时序问题
时序数据分析在工业监控、医疗诊断等领域至关重要。
比如航空发动机监控这个复杂工业场景中，工程师需分析海量多通道传感器数据，以判断设备状态并制定维护决策。
然而，现有研究多聚焦于分类、预测等单一任务，与实际工业场景中专家通过自然语言进行复杂交互和决策的需求存在显著差异。
上海交通大学航空航天学院李元祥教授团队、上海创智学院、复旦大学数据科学学院团队以航空发动机运维为背景，提出高效、可迁移的时序-语言桥接架构——ITFormer，将专家诊断过程抽象为”理解、感知、推理、决策”四个认知层次，并首次系统性地定义为“时序问答”任务范式。
团队基于NASA航空发动机数据，构建了包含11万余问答对的EngineMT-QA数据集。该数据集的任务设计紧密贴合专家的认知流程，为评估模型在真实工业场景下的推理能力提供了首个标准化基准。
结果显示，ITFormer以模块化设计实现了时序数据与大语言模型的高效融合，仅需训练不足1%的额外参数，便可在通用时序问答数据集上表现出优越的性能和良好的迁移能力，展现了卓越的“即插即用”特性。它可无缝适配PatchTST、Informer、Crossformer等多种时序编码器，以及Qwen、LLaMA、GLM等不同规模和架构的大语言模型。
此外，在使用EngineMT-QA进行预训练后，ITFormer的性能得到进一步的巨大提升，在全部五项任务上均达到SOTA水平，其中“因果分析”准确率高达0.83。
用户可以进行追问式探索，“昨天哪个设备的能耗最高？” “为什么它的能耗这么高？” “和上周同期相比情况如何？”。这种交互式的分析流程，让数据探索过程更符合人类的思维习惯，从而真正实现了数据分析的大众化。
