arXiv cs.AI· Nam V. Nguyen, Hoang Van Truong, Hieu D. D., Duy Khuong Nguyen, Quang Pham, Tung Kieu·· 3 天前AI 评分31
Agentic4PDM：面向工业故障诊断的宿主治理证据准入框架
Agentic4PDM: Host-Governed Evidence Admissibility for Industrial Fault Diagnosis
AI 导读
Agentic4PDM 通过 LLM 智能体将信号与各类候选标签参考对比、识别未决差异并提出后续测量，由确定性宿主控制器执行契约校验的门控裁决（CCGA），区分佐证性支持与参考性信息。该框架支持无需任务专用诊断模型的免训练诊断，在轴承与电机诊断挑战及客户提供的未过滤工业测试集上，聚合 macro F1 优于所评估的诊断与智能体基线，消融实验进一步支持受治理工作流的价值。
正文 · AI 翻译
摘要：我们将工业故障诊断作为一个分类任务来研究，即将传感器时间序列窗口分配到预定义的健康状态或故障类型。标签稀缺和工况变化使得反复训练专用分类器成本高昂。然而，周期性、趋势和瞬态等结构仍可能具有诊断信息价值，并可通过可复用的分析工具加以检验。LLM 智能体可以选择并解释这些工具，但固定规则或从训练中得出的指导可能无法解决每个信号的歧义，而无约束的解释可能夸大微弱或相互矛盾的结果。我们提出 Agentic4PDM，一个将自适应调查与证据使用控制分离的框架。LLM 智能体将每个信号与来自每个候选类别的带标签参考进行比较，识别未解决的差异，并提出后续测量。一个确定性软件控制器（称为 host）执行契约检查的门控裁决（CCGA）：它检查请求，要求在观察结果之前承诺一个完整的工具批次，并根据工具对带标签参考的检查结果分配证据角色。这些角色将佐证性支持与参考性信息区分开来。Judge Agent 提出诊断，而控制器检查协议合规性并记录调查过程。Agentic4PDM 支持使用预训练表示和带标签参考进行免训练诊断，无需任务特定的诊断模型，并提供一种额外调查训练模型预测的标准设置。在选定的轴承和电机诊断挑战以及由我们的客户提供的未过滤工业测试集上进行的实验表明，在评估的诊断和智能体基线之上，总体宏 F1 有所提升。消融实验进一步支持了受治理工作流的价值。
| 评论： | 67 页，12 幅图，包括附录 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.17786 [cs.AI] |
| （或 arXiv:2610.17786v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17786 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Nam Nguyen [查看电子邮件]
[v1]
2026年10月13日星期二 06:14:27 UTC（3,858 KB）
来源：arXiv cs.AI · arxiv.org