論文の概要: Prescriptive Agents based on Rag for Automated Maintenance (PARAM)

• arxiv url: http://arxiv.org/abs/2508.04714v1
• Date: Mon, 28 Jul 2025 14:22:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-10 09:30:49.351364
• Title: Prescriptive Agents based on Rag for Automated Maintenance (PARAM)
• Title（参考訳）: Rag for Automated maintenance (PARAM)に基づく規範的エージェント
• Authors: Chitranshu Harbola, Anupam Purwar,
• Abstract要約: 本稿では,Large Language Model (LLM) をベースとしたインテリジェンスシステムについて述べる。 提案手法は,LLM処理のための自然言語に軸受振動データをシリアライズすることで,高精度に数発の異常検出を可能にする。 マルチエージェントコンポーネントは、ベクター埋め込みとセマンティックサーチを使用してメンテナンスマニュアルを処理し、ウェブ検索を行い、包括的な手続き的知識を検索する。 Geminiモデルは、即時アクション、インスペクションチェックリスト、修正措置、部品要件、タイムライン仕様を含む構造化されたメンテナンスレコメンデーションを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial machinery maintenance requires timely intervention to prevent catastrophic failures and optimize operational efficiency. This paper presents an integrated Large Language Model (LLM)-based intelligent system for prescriptive maintenance that extends beyond traditional anomaly detection to provide actionable maintenance recommendations. Building upon our prior LAMP framework for numerical data analysis, we develop a comprehensive solution that combines bearing vibration frequency analysis with multi agentic generation for intelligent maintenance planning. Our approach serializes bearing vibration data (BPFO, BPFI, BSF, FTF frequencies) into natural language for LLM processing, enabling few-shot anomaly detection with high accuracy. The system classifies fault types (inner race, outer race, ball/roller, cage faults) and assesses severity levels. A multi-agentic component processes maintenance manuals using vector embeddings and semantic search, while also conducting web searches to retrieve comprehensive procedural knowledge and access up-to-date maintenance practices for more accurate and in-depth recommendations. The Gemini model then generates structured maintenance recommendations includes immediate actions, inspection checklists, corrective measures, parts requirements, and timeline specifications. Experimental validation in bearing vibration datasets demonstrates effective anomaly detection and contextually relevant maintenance guidance. The system successfully bridges the gap between condition monitoring and actionable maintenance planning, providing industrial practitioners with intelligent decision support. This work advances the application of LLMs in industrial maintenance, offering a scalable framework for prescriptive maintenance across machinery components and industrial sectors.
• Abstract（参考訳）: 産業機械のメンテナンスは、破滅的な失敗を防ぎ、運用効率を最適化するために、タイムリーな介入を必要とする。 本稿では,従来の異常検出を超えて,動作可能なメンテナンスレコメンデーションを提供するための,LLM(Large Language Model)ベースのインテリジェンスシステムを提案する。 数値データ解析のための従来のLAMPフレームワークを基盤として、振動周波数解析と多エージェント生成を組み合わせた総合的なソリューションを開発し、インテリジェントな保守計画を行う。 提案手法は,LLM処理のための自然言語に受動振動データ(BPFO,BPFI,BSF,FTF周波数)をシリアライズし,高精度に数発の異常検出を可能にする。 システムは障害タイプ(インナーレース、アウターレース、ボール/ローラー、ケージフォールト)を分類し、重症度を評価する。 マルチエージェントコンポーネントは、ベクター埋め込みとセマンティックサーチを使用してメンテナンスマニュアルを処理し、Web検索によって包括的な手続き的知識を検索し、より正確かつ詳細なレコメンデーションのために最新のメンテナンスプラクティスにアクセスする。 Geminiモデルは、即時アクション、インスペクションチェックリスト、修正措置、部品要件、タイムライン仕様を含む構造化されたメンテナンスレコメンデーションを生成する。 軸受振動データセットの実験的検証は, 効果的な異常検出と, 文脈的に関連するメンテナンスガイダンスを示す。 このシステムは、条件監視と実行可能なメンテナンス計画のギャップを埋めることに成功し、産業従事者にインテリジェントな意思決定支援を提供する。 この研究は、産業保守におけるLLMの適用を推進し、機械部品や産業セクター間の規範的メンテナンスのためのスケーラブルなフレームワークを提供する。

関連論文リスト

• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• LLM-R: A Framework for Domain-Adaptive Maintenance Scheme Generation Combining Hierarchical Agents and RAG [7.864939415613373]
  本稿では,大規模言語モデル(LLM-R)に基づくメンテナンススキーム生成手法を提案する。 提案手法にはいくつかの重要な革新が含まれている。 実験の結果,提案手法が生成したメンテナンス方式の精度は91.59%に達した。
  論文  参考訳（メタデータ） (2024-11-07T07:07:34Z)
• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
  この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。 本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
  論文  参考訳（メタデータ） (2024-03-15T12:47:45Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Predictive maintenance on event logs: Application on an ATM fleet [0.6961253535504979]
  一部のアプリケーションでは、センサからの出力は利用できず、代わりにマシンによって生成されたイベントログが使用される。 本稿ではまず,予測保守問題の解決に文献で使用されるアプローチについて検討し,156台のマシンのイベントログを含む新しい公開データセットを提案する。
  論文  参考訳（メタデータ） (2020-11-22T12:12:14Z)
• Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
  未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-07-07T10:00:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。