通过去噪自动编码器和上下文 大语言模型 在汽车 HIL 验证中进行故障检测和可解释分类

验证汽车软件系统会产生大量的多变量测试记录，这些记录仍然需要通过耗费大量精力的手动审查和基于规则的评估进行检查，这很难检测到超出预定义规则的故障。机器和深度学习具有先进的故障诊断能力，但大多数监督模型需要大量标记数据集，对未见条件的泛化能力较差，并且对其决策提供的洞察力很少。我们提出了一种可概括且可解释的两阶段框架，用于实时验证期间的故障检测和分类。仅针对健康信号进行训练的去噪自动编码器首先通过重构错误分析来标记异常行为，从而消除了对故障标签的需要。然后，每个异常窗口被编码为相对于时间对齐的健康参考的紧凑文本统计证据，并在零样本和少样本提示下通过冻结的 大语言模型 进行分类，返回预测类别、排名替代方案、置信值、故障位置和简短的基于证据的解释。在两种动力系统和三种驾驶模式下评估了八个开源模型。该检测器在不同动力系统中的平均 F1 分数为 0.97，在不同状态下的平均 F1 分数为 0.98，平均误差低于 0.03。零样本提示被证明是不够的（最好 0.519 F1 分数），而少样本提示在稳定的情况下达到了完美的区分，这表明提示策略，而不是参数数量，决定了分类质量：90 亿参数的模型超越了所有零样本中型和大型模型。 Mistral Small 24B 因其在精度、类平衡可靠性、校准和推理成本方面的平衡而被采用作为主要管道模型，为工程师提供可解释的诊断报告和更高效的验证。