剩余使用寿命预测中基于多模态语言模型的时间序列检索

大语言模型 (LLM) 和智能体系统越来越多地被探索用于特定领域的维护和预测任务，这就提出了它们是否能够有效支持预测和健康管理 (PHM) 的问题。在本文中，我们研究了基于时间序列检索的多模态 大语言模型 (MLLM) 的剩余使用寿命 (RUL) 估计。我们提出了一个框架，其中从训练集中检索历史上相似的退化片段，并与测试轨迹一起转换为视觉比较工件，由 MLLM 通过结构化多模式提示进行处理。该方法在 C-MAPSS 基准的 FD001 分区上通过重复实验进行评估，将基于检索的推理与基于随机参考选择的非检索基线进行比较。结果表明，时间序列检索持续改进了评估模型中基于 MLLM 的 RUL 预测，从而产生更低的错误和更稳定的性能。同时，收益的大小取决于模型容量，这表明当底层 MLLM 能够利用检索到的证据时，检索最为有效。总体而言，该研究表明时间序列 RAG 是一种有前途的改进多模态预后推理的机制，同时也强调了当前基于 MLLM 的 RUL 估计在实际 PHM 设置中的局限性。