Forskning fra arXiv viser, at store sprogmodeller (LLM'er) og agentiske AI-systemer kan blive væsentligt bedre til at forudsige restlevetiden (RUL) af maskiner, når de får adgang til historisk lignende nedbrydningsmønstre. I et nyt studie præsenteres en ramme, hvor tidsserie-søgning henter lignende segmenter fra træningsdata og præsenterer dem for en multimodal sprogmodel som en visuel sammenligning.
Resultaterne, evalueret på C-MAPSS benchmark, viser konsistent lavere fejl og mere stabil præstation sammenlignet med en baseline uden retrieval. Ifølge undersøgelsen er fordelen størst, når modellen har kapacitet til at udnytte den hentede evidens, hvilket understreger, at tidsserie-RAG er en lovende mekanisme til at forbedre prognostisk ræsonnering i praktiske PHM-sammenhænge.
For beslutningstagere i vedligeholdelses- og produktionsindustrien betyder dette, at AI-drevne prognosesystemer kan blive mere pålidelige, hvilket potentielt reducerer uplanlagt nedetid og optimerer vedligeholdsplanlægning. Selvom metoden stadig har begrænsninger i praktiske anvendelser, peger resultaterne på, at investering i retrieval-baserede AI-løsninger kan give konkurrencemæssige fordele.
