基于 RAG 的用于自动维护的处方性智能体 (PARAM)

工业机械维护需要及时干预以防止灾难性故障并优化运营效率。本文提出了一个集成的大型语言模型 (LLM) 驱动的智能维护系统, 超越传统异常检测, 提供可操作的维护建议。建立在我们先前的 LAMP 框架用于数值数据分析基础上, 我们开发了一个综合解决方案, 将轴承振动频率分析与多智能体生成相结合, 实现智能维护规划。我们的方法将轴承振动数据 (BPFO、BPFI、BSF、FTF 频率) 序列化为自然语言以供 LLM 处理, 从而实现高精度的零样本异常检测。系统对故障类型 (内圈故障、外圈故障、滚珠/滚筒故障、 cage 故障) 进行分类, 并评估严重程度。多智能体组件通过向量嵌入和语义搜索处理维护手册, 同时进行网络搜索以检索全面的程序知识并获取最新的维护实践, 以便提供更准确、更深入的建议。Gemini 模型随后生成结构化的维护建议, 包括立即行动、检查清单、纠正措施、配件需求和时间表 specifications。在轴承振动数据集上的实验验证显示, 系统实现了有效的异常检测和情境相关的维护指导。该系统成功地搭建了条件监控与可操作维护规划之间的鸿沟, 为工业从业者提供了智能决策支持。本工作推动了 LLM 在工业维护中的应用, 提供了一个可跨越机械组件和工业领域的可扩展维护框架。