Neues RAG-Modell verbessert Vorhersage bei industriellen Druckventilen

Ein neues Retrieval‑Augmented Generation‑Framework, RAG4CTS, setzt neue Maßstäbe in der Vorhersage von Ausfällen bei industriellen Druckregulierern. Durch die Kombination von physikbasiertem Wissen und dynamischer Kontextoptimierung gelingt es dem System, selbst bei knappen Daten und kurzen, transienten Sequenzen präzise Prognosen zu liefern.

Die Herausforderung liegt in der vorausschauenden Wartung des Druckregulierers und Abschaltventils (PRSOV), einem Hochrisikoszenario, bei dem Datenknappheit, kurze Zeitreihen und gekoppelte Kovariaten die Analyse erschweren. Traditionelle Zeitreihen‑RAG‑Ansätze nutzen statische Vektor‑Embeddings und lernbare Kontext‑Augmenter, die oft ähnliche Betriebszustände nicht unterscheiden können.

RAG4CTS arbeitet regime‑sensitiv und ohne zusätzliche Trainingsschritte. Es baut eine hierarchische, native Zeitreihen‑Wissensdatenbank auf, die Rohdaten verlustfrei speichert und physikbasierte Abrufe ermöglicht. Ein zweistufiges, bi‑gewichtetes Abrufsystem vergleicht historische Trends punktweise und multivariate, um die relevantesten Muster zu identifizieren.

Für die Kontext‑Augmentation setzt das Modell einen agentenbasierten Ansatz ein, der den Kontext selbstständig und selbstüberwachend optimiert. In umfangreichen Tests am PRSOV‑Datensatz übertrifft RAG4CTS die führenden Baselines deutlich in der Vorhersagegenauigkeit.

Die Lösung ist bereits in Apache IoTDB bei China Southern Airlines implementiert. Seit der Einführung konnte das System innerhalb von zwei Monaten einen PRSOV‑Fehler erkennen, ohne einen Fehlalarm auszulösen – ein bedeutender Fortschritt für die industrielle Wartung.