使用 大语言模型 进行汽车软件验证的传感器级故障诊断

在硬件在环 (HIL) 平台上对汽车软件进行系列前验证会产生大量多变量传感器记录，其针对功能安全要求的评估超出了手动审查在活动规模上所能维持的范围。基于阈值的工具报告已发生偏差，但既不能识别其性质，也不能定位其来源，而数据驱动的分类器虽然准确，但依赖于大型标记数据集并返回不透明的决策，这与 ISO 26262 所要求的可追溯性不一致。本研究探讨了开源指令调整的 大语言模型 (LLM) 在给定传感器行为的文本描述的情况下是否可以充当用于验证循环内的故障检测和诊断的数据高效且可解释的引擎。提出了一个两阶段框架：dSPACE 实时平台上的自动需求检查首先隔离违反安全要求的记录，并且仅检查这些记录，将信号的滑动窗口简化为统计、关系和上下文描述符，嵌入固定提示中，并通过 4 位低秩自适应 LLM 映射到故障位置并附有书面理由。涵盖 2 至 80 亿个参数的四个模型系列在涵盖六个注入故障类别的汽油发动机案例研究中进行了调整和测试。最小的模型与最大的模型匹配，准确度为 81.6%，而同等大小的模型未能收敛，这表明特定任务适应下的诊断能力遵循收敛而不是参数计数，整个适应和评估周期适合单个商品加速器。