机械诊断分析是机械设备状态监测与故障诊断的核心手段，但其面临着一个核心困境，即传统专家系统流程固化，而端到端的深度模型虽具自适应学习能力，却存在“黑箱"与可复现性不足等问题。

提出一种自主信号处理的神经符号多智能体框架：以大语言模型（LLM）作为决策中枢，协同一个由可解释的、符号化的信号处理算子构成的工具库，实现自主的振动信号分析与诊断。框架采用规划-执行-审查的多智能体架构，迭代优化信号处理决策链。同时为确保LLM规划的逻辑自洽，避免出现算子的错误调用，所有算子都依据其维度变化与语义变换特性被形式化规约。具体地，将算子划分为升维、同维、降维、多信号四类，并给出供大模型理解的语义信息加以约束。

轴承故障诊断数据集上的验证表明：本框架能够自主生成具有清晰物理含义的信号处理决策链，成功复现了“包络谱-峭度"等专家级可解释的诊断算法。在清华大学轴承数据集的单域测试中，Gemini 2.5 Pro版本达到97.8%的准确率；在渥太华大学变转速数据集的跨域测试中，仅用“加速"和“减速"工况训练，在未见过的工况上实现了99.3%的准确率，证明了框架的泛化能力。该研究为构建可信、可复现且可扩展的新一代智能诊断系统提供了一种具有潜力的范式。