A Trustworthy Industrial Fault Diagnosis Architecture Integrating Probabilistic Models

该文章提出了一种融合概率模型与大语言模型（LLMs）的工业故障诊断架构HCAA，旨在解决传统及深度学习诊断方法在可解释性、泛化性和不确定性量化上的不足，显著提升诊断可信度与准确性。

一、文章主要内容总结

1. 研究背景：工业4.0背景下，设备可靠性对生产效率至关重要，但传统故障诊断方法依赖专家经验、泛化性差，深度学习模型则存在“黑箱”问题且缺乏不确定性量化，难以满足安全关键领域的“可信AI”需求。
2. 核心架构（HCAA）：包含四大核心模块
   • 概率模型诊断引擎：基于贝叶斯网络，从振动信号中提取时域、频域、阶次和包络四类特征，输出初步诊断结果及置信度。
   • LLM驱动的认知仲裁模块：以Qwen2.5-VL-32BInstruct为基础，接收结构化特征与非结构化诊断图表（如频谱图），模拟专家逻辑进行交叉验证，当与初步诊断冲突时拥有最终决策优先级。
   • 置信度校准模块：采用温度缩放（Temperature Scaling）方法，修正模型“过度自信”或“自信不足”问题，提升输出可靠性。
   • 风险评估模块：通过期望校准误差（ECE）、风险-覆盖率曲线（AURC）等指标，量化系统可信度。
3. 实验结果：在包含6类故障的旋转机械数据集上，HCAA较基准模型诊断准确率提升超28个百分点，校准后ECE降低超75%，AURC低至0.09