基于物理可验证证据与LLM报告的轴承故障诊断

arXiv cs.LG 论文
bearing-fault-diagnosis llm diagnostic-evidence validation safety-critical-systems multi-task-learning

摘要

本文介绍了诊断证据网络（DENet），一个多任务框架，它将基于AI的轴承故障诊断扩展为生成物理可验证的证据，例如预测的特征频率和脉冲的时间定位，同时使用QLoRA适配的语言模型生成受限的诊断报告，以减少幻觉内容。

arXiv:2607.22797v1 公告类型：新 摘要：在安全关键的机械系统中，基于AI的诊断的可信部署取决于验证：在执行预测之前，能否根据物理现实检查预测结果。当前的智能故障诊断器在两方面未能达到这一标准。它们的标准输出——带有softmax置信度分数的类别标签——是分类器的内部统计量，无法根据独立的物理知识进行检验；而生成性语言模型在维护报告中的日益使用又增加了第二个风险：幻觉内容进入决策所依赖的报告。以轴承故障诊断作为测试平台，本文从输出端解决了这两个问题。所提出的诊断证据网络（DENet）是一个无编码器依赖的多任务框架，将输出扩展为结构化的证据记录：分类结果、可与轴承几何和轴速决定的理论值进行比较的预测特征频率，以及可在原始波形上检查的瞬态脉冲时间定位。在四个编码器和三个公开数据集上，该证据没有带来统计显著的精度损失，在1,024点片段上的频率误差约为6 Hz，而频谱估计在结构上不适用。重要的是，预测频率与理论频率之间的偏差构成了一个无标签、推理时的验证信号：它能够以0.970和0.871的AUROC值检测误分类，并在高置信度区域（置信度推导的检测器失效的区域）保持区分能力。最后，一个QLoRA适配的语言模型被限制为翻译而非生成诊断内容，将无支撑的主张率从10-12%降低到2%，并消除了捏造的数量。
查看原文
查看缓存全文

缓存时间: 2026/07/28 06:22 

# 基于物理可验证证据与LLM的轴承故障诊断报告
来源：https://arxiv.org/abs/2607.22797
查看PDF (https://arxiv.org/pdf/2607.22797)

> 摘要：在安全关键机械系统中，基于人工智能的诊断能否可信地部署，取决于验证：即在依据预测采取行动之前，能否对照物理现实进行检查。当前的智能故障诊断器在两个方面未能达到这一标准。其标准输出（带有softmax置信度分数的类别标签）是分类器的内部统计量，无法提供任何可依据独立物理知识进行验证的内容；同时，生成式语言模型在维护报告中的日益使用带来了第二个风险：决策所依赖的报告中可能出现幻觉内容。本研究以轴承故障诊断为试验台，从输出侧同时解决这两个问题。提出的诊断证据网络（Diagnostic Evidence Network, DENet）是一个与编码器无关的多任务框架，将输出扩展为结构化的证据记录：分类结果、与轴承几何和轴速决定的特征频率可比较的预测特征频率，以及在原始波形上可检查的瞬态冲激时间定位。在四个编码器和三个公开数据集上，该证据未带来统计上显著的精度损失，在频谱估计结构上不适用的1024点片段上，频率误差约为6 Hz。关键在于，预测频率与理论频率之间的偏差构成了一种无标签、推理时的验证信号：它能够以0.970和0.871的AUROC值检测误分类，并在高置信度区域（即由置信度导出的检测器失明的区域）保持区分能力。最后，经过QLoRA适配的语言模型被约束为仅翻译（而非生成）诊断内容，将无依据的声明率从10–12%降至2%，并消除了编造的数量。

## 提交历史

来自：陈运通 [查看邮箱 (https://arxiv.org/show-email/b705868f/2607.22797)] **\[v1\]** 2026年7月24日星期五 14:09:16 UTC (6,109 KB)

相似文章

面向数据敏感领域的LLM输出的神经符号验证（扩展预印本）

arXiv cs.AI

本文提出了一种针对高风险领域LLM输出的神经符号验证架构，结合形式化符号方法与神经语义分析。在一个医疗器械损伤评估系统上进行的评估显示，该架构对结构化实体的幻觉检测率超过83%，语义虚构的检测率达72%，报告创建时间缩短30%。

证据账本裁决：实现主张-证据可追溯性

arXiv cs.AI

本文介绍了证据账本裁决（evidence-ledger adjudication），一种用于AI辅助写作中主张-证据可追溯性的工作流，并在基于AVeriTeC、CLIMATE-FEVER和SciFact构建的盲测基准上进行了评估，结果表明基于智能体的方法优于基线方法。

LAWFUL：用于潜在变量忠实使用的定律对齐见证

arXiv cs.LG

本文介绍了LAWFUL，一个用于验证神经网络是否学习并在连续变量上因果性地使用物理定律的框架，解决了覆盖感知的因果一致性和有效域测试方面的空白。该方法在Mocap2Radar transformer和多普勒频率定律上进行了演示。