論文の概要: A Trustworthy Industrial Fault Diagnosis Architecture Integrating Probabilistic Models and Large Language Models

• arxiv url: http://arxiv.org/abs/2510.03815v1
• Date: Sat, 04 Oct 2025 14:11:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.273971
• Title: A Trustworthy Industrial Fault Diagnosis Architecture Integrating Probabilistic Models and Large Language Models
• Title（参考訳）: 確率モデルと大規模言語モデルを統合した信頼性の高い産業故障診断アーキテクチャ
• Authors: Yue wu,
• Abstract要約: このアーキテクチャはベイジアンネットワークベースの診断エンジンを通じて予備解析を行う。 認知量子モジュールは、初期診断のエキスパートレベルの仲裁を行う。 ケーススタディでは、HCAAが従来のモデルにおける複雑な特徴パターンや知識のギャップに起因する誤判断を効果的に修正することが確認されている。
• 参考スコア（独自算出の注目度）: 7.074098396770342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 産業断層診断における不確実性の解釈可能性,一般化,定量化という観点からは,従来の手法や深層学習の手法には限界があり,産業断層診断における信頼性の欠如が根本問題となっている。 このアーキテクチャはベイジアンネットワークベースの診断エンジンを通じて予備解析を行い、マルチモーダル入力機能を備えたLLM駆動の認知量子モジュールを備えている。 このモジュールは、構造的特徴と診断チャートを分析して、初期診断のエキスパートレベルの仲裁を行い、競合が特定された後の最終的な決定を優先順位付けする。 システム出力の信頼性を確保するため、アーキテクチャは、温度校正に基づく信頼性校正モジュールと、予測校正誤差(ECE)などの指標を用いてシステムの信頼性を客観的に定量化するリスク評価モジュールとを統合する。 複数の故障型を含むデータセット実験の結果, 基準モデルと比較して28ポイント以上の診断精度が向上し, 校正ECEは75%以上削減された。 ケーススタディでは、HCAAが従来のモデルにおける複雑な特徴パターンや知識ギャップに起因する誤った判断を効果的に修正し、工業アプリケーションのための信頼性の高い説明可能なAI診断システムを構築するための、新しい実用的なエンジニアリングソリューションを提供することを確認した。

関連論文リスト

• Probabilistic Machine Learning for Uncertainty-Aware Diagnosis of Industrial Systems [2.7946438090394903]
  本研究では、アンサンブル確率論的機械学習を用いて、データ駆動一貫性に基づく診断の診断特性を改善するフレームワークを提案する。 本手法はアブレーション法と比較解析法の両方を用いていくつかのケーススタディで評価され, 診断基準の範囲で一貫した改善が見られた。
  論文  参考訳（メタデータ） (2025-09-23T08:59:20Z)
• Consultation on Industrial Machine Faults with Large language Models [0.0]
  本稿では,Large Language Models (LLMs) を用いて故障診断精度を向上させる手法を提案する。 実験の結果,本手法はベースラインモデルよりも優れ,精度は91%であった。
  論文  参考訳（メタデータ） (2024-10-04T08:22:16Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• Integrating LLMs for Explainable Fault Diagnosis in Complex Systems [0.0]
  本稿では,原子力プラントなどの複雑なシステムにおける故障診断の説明可能性を高めるための統合システムを提案する。 物理に基づく診断ツールとLarge Language Modelを組み合わせることで、障害を識別するだけでなく、その原因と意味を明確かつ理解可能な説明を提供する新しいソリューションを提供する。
  論文  参考訳（メタデータ） (2024-02-08T22:11:21Z)
• Generalized Out-of-distribution Fault Diagnosis (GOOFD) via Internal Contrastive Learning [8.583116999933731]
  本稿では,診断サブタスクを統合するために,一般化されたアウト・オブ・ディストリビューション障害診断フレームワークを提案する。 内部のコントラスト学習とマハラノビス距離に基づく統一的な断層診断手法が提案手法の基盤となる。 提案手法は,複数の故障診断タスクに適用可能であり,既存の単一タスク法よりも優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2023-06-27T07:50:25Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
  データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。 モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。 提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
  論文  参考訳（メタデータ） (2021-10-17T13:42:37Z)
• An Uncertainty-Informed Framework for Trustworthy Fault Diagnosis in Safety-Critical Applications [1.988145627448243]
  深層学習に基づく予後・健康管理(PHM)の信頼性の低さは、安全に重要な資産におけるその適用を妨げる。 本稿では,障害の診断とOODデータセット検出のための不確実性インフォームドフレームワークを提案する。 提案手法は, 安全クリティカルなアプリケーションにおいて, 未知に対処し, 故障診断の信頼性を高める上で特に有利であることを示す。
  論文  参考訳（メタデータ） (2021-10-08T21:24:14Z)
• Anytime Diagnosis for Reconfiguration [52.77024349608834]
  我々は、いつでも直接診断できるflexdiagを紹介し分析する。 特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
  論文  参考訳（メタデータ） (2021-02-19T11:45:52Z)

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。