CausalPulse：用于智能制造中因果诊断的工业级神经符号多智能体 Copilot
人工智能
2026-04-01 v1
摘要
现代制造环境需要实时、可信且可解释的根因见解，以维持生产力和质量。传统分析管道常将异常检测、因果推断和根因分析视为孤立阶段，限制了可扩展性和可解释性。本文提出 CausalPulse，一个工业级多智能体 copilot，自动化智能制造中的因果诊断。它通过建立在标准化 agentic 协议之上的神经符号架构，统一了异常检测、因果发现和推理。CausalPulse 正在部署于罗斯博世制造厂，无缝集成现有监控工作流程，支持大规模生产实时运行。针对公共（Future Factories）和专有（Planar Sensor Element）数据集的评估显示，系统高度可靠，分别实现 98.0% 和 98.73% 的整体成功率。按准则计的成功率达到 98.75%（计划和工具使用）、97.3%（自省）和 99.2%（协作）。运行实验报告端到端延迟为 50-60 秒/诊断工作流，近线性可扩展性（R^2=0.97），确认实时就绪。与现有工业 copilot 的比较凸显了在模块化、可扩展性和部署成熟度方面的显著优势。这些结果表明，CausalPulse 的模块化、人类在回路设计，使可靠、可解释且面向生产的制造自动化成为可能。
关键词
引用
@article{arxiv.2603.29755,
title = {CausalPulse: An Industrial-Grade Neurosymbolic Multi-Agent Copilot for Causal Diagnostics in Smart Manufacturing},
author = {Chathurangi Shyalika and Utkarshani Jaimini and Cory Henson and Amit Sheth},
journal= {arXiv preprint arXiv:2603.29755},
year = {2026}
}
备注
10 pages, 8 figures, 4 tables, Accepted at AAAI-MAKE 2026 (AAAI Spring Symposium on Machine Learning and Knowledge Engineering for Knowledge-Grounded Semantic Agents)