摘要
大语言模型（LLMs）能够整合多源信息并生成结构化的维护建议。然而，其输出可能低估风险且随时间波动，从而降低决策的实际可执行性。针对这些问题，本研究提出了一种基于大语言模型的轴承预测性维护可信方法。首先，将梯度提升与分位数回归相结合以预测剩余使用寿命（RUL），随后进行运行工况收缩偏差校正和宽度缩放的保形校准。经校准的RUL信息和无泄漏特征随后驱动大语言模型，以确定健康阶段、风险等级、维护动作和人工审核请求。随后施加安全约束、时间连续性约束和事件级人机协同审核，以生成最终维护决策。与传统逻辑回归和随机森林模型的对比阐明了大语言模型的性能边界，而跨轴承泛化实验检验了该方法在不同轴承上的适用性。所提出的方法将概率性RUL信息、结构化大语言模型决策、多层约束和人工审核整合为一个稳定、可靠且可追溯的维护决策系统。该方法为关键机械部件的可信预测性维护提供了解决方案，并建立了从感知数据到维护决策的端到端路径。
