A Trustworthy Industrial Fault Diagnosis Architecture Integrating Probabilistic Models and Large Language Models

📄 arXiv: 2510.03815v1 📥 PDF

作者: Yue wu

分类: eess.SY, cs.LG, eess.SP

发布日期: 2025-10-04

备注: 1tables,6 figs,11pages

💡 一句话要点

提出融合概率模型与大语言模型的工业故障诊断架构，提升诊断可信度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 工业故障诊断 贝叶斯网络 大语言模型 可解释性 置信度校准

📋 核心要点

  1. 传统方法和深度学习在工业故障诊断中存在可解释性差、泛化能力弱、不确定性量化困难等问题。
  2. 提出一种融合贝叶斯网络和大型语言模型的架构，利用多模态输入进行专家级仲裁，提升诊断可信度。
  3. 实验表明，该架构在诊断准确率上提升超过28%，校准后的预期校准误差降低超过75%。

📝 摘要（中文）

针对工业故障诊断中传统方法和深度学习方法在可解释性、泛化性和不确定性量化方面的局限性，以及工业故障诊断中可信度不足的核心问题，本文提出了一种新的架构。该架构通过基于贝叶斯网络的诊断引擎进行初步分析，并采用具有多模态输入能力的大语言模型驱动的认知仲裁模块。该模块通过分析结构化特征和诊断图表，对初步诊断结果进行专家级别的仲裁，并在识别出冲突后优先考虑最终决策。为了确保系统输出的可靠性，该架构集成了基于温度校准的置信度校准模块和风险评估模块，使用预期校准误差（ECE）等指标客观地量化系统的可靠性。包含多种故障类型的数据集上的实验结果表明，与基线模型相比，所提出的框架将诊断准确率提高了28个百分点以上，同时校准后的ECE降低了75%以上。案例研究证实，HCAA有效地纠正了由复杂特征模式或传统模型中的知识差距导致的误判，为构建用于工业应用的高可信、可解释的AI诊断系统提供了新的实用工程解决方案。

🔬 方法详解

问题定义：工业故障诊断面临可解释性、泛化性和不确定性量化方面的挑战。传统方法依赖专家知识，难以处理复杂故障；深度学习方法虽然性能优越，但缺乏可解释性，难以信任其诊断结果。此外，现有方法难以有效量化诊断结果的不确定性，导致风险评估困难。

核心思路：本文的核心思路是将概率模型（贝叶斯网络）和大语言模型（LLM）相结合，构建一个可信的工业故障诊断架构。贝叶斯网络用于初步诊断，提供概率解释；LLM则模拟专家进行认知仲裁，利用多模态信息（结构化特征和诊断图表）来纠正贝叶斯网络的潜在错误，提高诊断的准确性和可信度。

技术框架：该架构包含以下主要模块：1) 基于贝叶斯网络的诊断引擎，用于初步分析；2) LLM驱动的认知仲裁模块，接收结构化特征和诊断图表作为输入，进行专家级仲裁；3) 置信度校准模块，基于温度校准方法，调整模型输出的置信度；4) 风险评估模块，使用ECE等指标量化系统可靠性。整体流程是：首先通过贝叶斯网络进行初步诊断，然后由LLM进行仲裁，最后进行置信度校准和风险评估。

关键创新：该架构的关键创新在于融合了概率模型和大型语言模型，利用LLM的认知能力来提升诊断的可信度。与传统方法相比，该架构具有更强的可解释性和泛化能力。与纯深度学习方法相比，该架构能够提供更可靠的诊断结果，并量化诊断结果的不确定性。

关键设计：LLM的prompt设计至关重要，需要引导LLM模拟专家进行诊断。温度校准模块使用温度参数来调整模型输出的置信度，降低过自信或欠自信的风险。风险评估模块使用ECE等指标来量化系统的可靠性，为用户提供决策依据。贝叶斯网络的结构需要根据具体的工业场景进行设计，以准确捕捉变量之间的依赖关系。

📊 实验亮点

实验结果表明，所提出的框架在包含多种故障类型的数据集上，诊断准确率比基线模型提高了28个百分点以上，同时校准后的预期校准误差（ECE）降低了75%以上。案例研究证实，该架构能够有效纠正由复杂特征模式或传统模型中的知识差距导致的误判。

🎯 应用场景

该研究成果可应用于各种工业场景的故障诊断，例如航空航天、电力系统、制造业等。通过提高诊断的准确性和可信度，可以减少设备停机时间，降低维护成本，提高生产效率。未来，该架构可以进一步扩展到其他领域，例如医疗诊断、金融风险评估等，为构建高可信、可解释的AI系统提供参考。

📄 摘要（原文）

There are limitations of traditional methods and deep learning methods in terms of interpretability, generalization, and quantification of uncertainty in industrial fault diagnosis, and there are core problems of insufficient credibility in industrial fault diagnosis. The architecture performs preliminary analysis through a Bayesian network-based diagnostic engine and features an LLM-driven cognitive quorum module with multimodal input capabilities. The module conducts expert-level arbitration of initial diagnoses by analyzing structured features and diagnostic charts, prioritizing final decisions after conflicts are identified. To ensure the reliability of the system output, the architecture integrates a confidence calibration module based on temperature calibration and a risk assessment module, which objectively quantifies the reliability of the system using metrics such as expected calibration error (ECE). Experimental results on a dataset containing multiple fault types showed that the proposed framework improved diagnostic accuracy by more than 28 percentage points compared to the baseline model, while the calibrated ECE was reduced by more than 75%. Case studies have confirmed that HCAA effectively corrects misjudgments caused by complex feature patterns or knowledge gaps in traditional models, providing novel and practical engineering solutions for building high-trust, explainable AI diagnostic systems for industrial applications.