面向协变量时间序列的检索增强生成

虽然RAG极大地增强了LLM，但将这一范式扩展到时间序列基础模型（TSFM）仍是一个挑战。这体现在调压关断阀（PRSOV）的预测性维护中——一个高风险工业场景，其特点是(1)数据稀缺、(2)短瞬态序列和(3)协变量耦合动态。遗憾的是，现有时间序列RAG方法主要依赖生成的静态向量嵌入和可学习的上下文增强器，在这种稀缺、瞬态且协变量耦合的场景中可能无法区分相似工况。为解决这些局限，我们提出RAG4CTS，一个面向协变量时间序列的工况感知、免训练RAG框架。具体而言，我们构建了一个分层的时间序列原生知识库，实现原始历史工况的无损存储和物理信息引导的检索。我们设计了两阶段双加权检索机制，通过逐点相似度和多变量相似度对齐历史趋势。在上下文增强方面，我们引入Agent驱动策略，以自监督方式动态优化上下文。在PRSOV上的大量实验表明，我们的框架在预测精度上显著优于最先进的基线。所提系统已部署于中国南方航空的Apache IoTDB中。自部署以来的两个月内，我们的方法成功识别了一次PRSOV故障，且零误报。