LAST-RAG：基于文献锚定的随机轨迹检索增强生成用于知识条件化退化模型选择
人工智能
2026-05-19 v1
摘要
基于随机过程的退化建模是估计剩余有用寿命（RUL）分布的核心方法，但合适的随机过程选择尚未得到充分考虑。现有模型选择方法主要依赖于观察到的健康指示符（HI）轨迹的统计拟合优度，但这种方法可能在观察窗口较短或信号高度噪声时选择与底层退化机制不一致的模型。为此，本文提出了Literature-Anchored Stochastic Trajectory Retrieval-Augmented Generation（LAST-RAG）。该方法同时利用观察到的HI轨迹和领域特定上下文，基于从本地证据库检索的理论和机械证据，对候选退化模型空间进行分层条件化。此外，引入基于不确定状态的基于规则的置信推理（RCRUS），以防止在分层决策不确定时过早消除候选模型。仿真实验表明，所提方法在维纳/伽马家族分类和详细退化模型分类方面均优于统计、prognostic和不确定性感知的基线方法。最终，本研究将退化模型选择从纯粹的统计拟合优度问题，重新定义为集成观察数据与领域知识的知识条件化决策问题。
引用
@article{arxiv.2605.17902,
title = {LAST-RAG: Literature-Anchored Stochastic Trajectory Retrieval-Augmented Generation for Knowledge-Conditioned Degradation Model Selection},
author = {Hanbyeol Park and Hyerim Bae},
journal= {arXiv preprint arXiv:2605.17902},
year = {2026}
}