论文
LAST-RAG：面向知识条件化退化模型选择的文献锚定随机轨迹检索增强生成
LAST-RAG: Literature-Anchored Stochastic Trajectory Retrieval-Augmented Generation for Knowledge-Conditioned Degradation Model Selection
摘要
基于随机过程的退化建模是估计剩余使用寿命（RUL）分布的核心方法；然而，如何选择合适的随机过程尚未得到充分研究。现有模型选择方法主要依赖观测健康指标（HI）轨迹的统计拟合，但当观测窗口较短或信号噪声很大时，这种方法可能选出与底层退化机制不一致的模型。为解决这一问题，本文提出文献锚定随机轨迹检索增强生成（LAST-RAG）。所提方法同时利用观测的HI轨迹与领域特定上下文，并基于从本地证据库检索到的理论和机理证据，对候选退化模型空间进行层次化条件约束。此外，引入不确定状态下的基于规则的置信推理（RCRUS），以防止在层次化决策不确定时候选模型被过早排除。基于仿真的实验表明，所提方法在维纳/伽马家族分类和细粒度退化模型分类上均优于统计类、预测类和不确定性感知的基线方法。最终，本研究将退化模型选择从一个纯粹的统计拟合优度问题，重新构建为一个融合观测数据与领域知识的知识条件化决策问题。
