CausalPulse：面向智能制造因果诊断的工业级神经符号多智能体副驾驶

现代制造环境需要实时、可信且可解释的根因洞见，以维持生产率与质量。传统分析流水线常将异常检测、因果推断和根因分析视为彼此隔离的阶段，限制了可扩展性与可解释性。在本工作中，我们提出 CausalPulse，一个面向智能制造因果诊断自动化的工业级多智能体副驾驶（copilot）。它通过建立在标准化智能体协议之上的神经符号架构，统一了异常检测、因果发现与推理。CausalPulse 正在 Robert Bosch 的一家制造工厂部署，与现有监控工作流无缝集成，并支持生产规模下的实时运行。在公开（Future Factories）和专有（Planar Sensor Element）数据集上的评估显示出很高的可靠性，总体成功率分别达到 98.0% 和 98.73%。分项准则的成功率达到：规划与工具使用 98.75%，自我反思 97.3%，协作 99.2%。运行时实验报告每个诊断工作流的端到端延迟为 50-60 秒，并具有近线性可扩展性（R^2=0.97），证实了其实时就绪能力。与现有工业副驾驶的比较凸显了其在模块化、可扩展性和部署成熟度上的独特优势。这些结果展示了 CausalPulse 模块化、人在回路（human-in-the-loop）的设计如何为下一代制造实现可靠、可解释且可直接投产的自动化。