过程工业中的认知操作与维护:一种基于大型语言模型(LLMs)的程序化推理代理框架,用于浆泵设备的群组管理
《Expert Systems with Applications》:Cognitive operations and maintenance for process industry: A programmatic reasoning agent framework with LLMs for slurry pump fleets
【字体:
大
中
小
】
时间:2026年08月30日
来源:Expert Systems with Applications 9.4
编辑推荐:
**摘要**
在工业5.0的推动下,流程工业的运营和维护(O&M)正从自动化监控向认知决策转变。然而,现有的代理依赖于预定义的工作流程,在处理非结构化的探索性任务时面临困难,而端到端的大型语言模型(LLMs)往往缺乏对关键资产所需的透明度。为了解决这些问题,我们提出了用于浆液
**摘要**
在工业5.0的推动下,流程工业的运营和维护(O&M)正从自动化监控向认知决策转变。然而,现有的代理依赖于预定义的工作流程,在处理非结构化的探索性任务时面临困难,而端到端的大型语言模型(LLMs)往往缺乏对关键资产所需的透明度。为了解决这些问题,我们提出了用于浆液泵群的动态程序化推理代理框架(D-PRAG)。D-PRAG使用可执行程序作为中间思维表示,将自然语言意图转换为动态分析代码,克服了静态工具的局限性。为了稳定本地轻量级模型,我们引入了双循环推理控制机制:内循环应用有限状态机(FSM)约束,而外循环根据执行反馈纠正推理,确保在资源受限的服务器上保持一致性。此外,我们还提出了一种基于不确定性的混合诊断策略,当数据驱动模型的信心不足时,该策略会自动触发基于专家知识的推理过程,从而实现决策的透明性和可追溯性。在一家大型矿物加工厂的浆液泵系统上的部署和评估表明,本地部署的Qwen3-30B-Int4模型在所提出的基准测试中取得了95.3%的总体准确率。对于L3水平的过程维护(PHM)任务,最终代理决策的召回率为100%,假阴性率为0%。该模型在单个RTX 4090上占用了21.65 GB的GPU内存,证明了其在复杂工业O&M分析中的本地部署可行性。
**引言**
在工业5.0范式的推动下(Breque, De Nul, & Petridis, 2021),流程工业的运营和维护(O&M)正从自动化监控向认知决策发展。作为矿物加工中的关键设备(Wang, Liu, Lv, & Liu, 2025b),浆液泵群在高温、高磨损和强烈波动的条件下运行,导致监测信号(如振动)表现出非稳定性和设备间差异(Khan, Tse, & Yang, 2022)。虽然条件监测系统被广泛部署并积累了大量历史数据(Tse, Cholette, & Tse, 2019),但这些数据在实践中通常仅作为趋势曲线或固定指标使用(Li, Zhou, & Zhao, 2024)。当前系统往往无法为更深层次的、特定于事件的分析提供灵活支持,例如跨设备比较、维护前后的变化量化或特定频率带的统计评估(Garcia et al., 2024, Xie and Chen, 2025)。因此,分析仍然依赖于专家的手动脚本编写或试错,使得在没有专家干预的情况下难以将可用数据转化为可验证的O&M结论(Tang et al., 2025)。
最近,大型语言模型(LLMs)的发展为构建具有高级认知能力的工业代理提供了新的技术基础(Jadhav et al., 2025, Ji et al., 2023, Li et al., 2025)。凭借其在上下文建模、知识泛化和符号推理方面的优势,LLMs被视为协调O&M意图、数据分析过程和执行动作的核心(Chen and Liu, 2025, Li et al., 2025, Liu et al., 2025),有望将自然语言请求转换为对底层工业数据的实际操作。尽管这种方法在增强人机交互方面显示出潜力(Lee, Kim, Kim, Lee, & Ryu, 2025),但现有的工业代理架构在应用于高动态性、高可靠性场景(如浆液泵群)时仍面临自主性、推理透明度和部署可靠性方面的挑战:
首先,当前的工业代理通常依赖于静态动作空间和预定义的工作流程。它们的行为受到固定任务模板和API集的限制,这限制了它们处理非结构化、探索性分析任务的能力(Singh and Hsieh, 2026, Wang et al., 2026, Wen et al., 2025)。例如,当面临“量化叶轮更换前后特定频率带内振动能量的变化”这样的指令时,由于缺乏相应的原子接口和逻辑分解能力,预设的管道往往无法满足要求。为了解决这些复杂的需求,代理必须摆脱固定流程的约束,具备动态路径规划和代码工具构建的能力。这意味着代理应该像数据分析师一样工作,通过程序化推理(Gao et al., 2023)自主规划解决方案步骤并即时生成定制代码,从而能够灵活应对不可预见、组合性和长期的任务。
其次,现有的将自然语言映射到执行动作的方法通常缺乏对计算过程透明度和可审计性的保证(Jiang & Hu, 2025)。对于涉及关键设备(如浆液泵)的O&M决策,“黑箱”端到端生成是不可接受的(Jiang, Hou, & Xia, 2025)。操作员必须能够审查代理基于其结论的数据源、处理逻辑和中间值。此外,基于传统深度学习的分析工具往往缺乏不确定性量化机制(Huang et al., 2025, Zhan et al., 2024)。因此,依赖这些工具的代理在遇到异常情况时容易做出过度自信的错误判断(Z.-Q. Ding, Qin, Zhang, & Lin, 2024)。因此,构建可信的工业代理需要建立可追溯的推理链(Wei et al., 2022)并纳入不确定性评估(Sankararaman, 2015)。这确保了每个决策在逻辑上都是可验证的、在数值上也是可靠的。
最后,由于工业现场的数据隐私限制和网络条件,O&M代理通常需要部署在本地服务器上,而不是依赖于基于云的封闭源代码LLMs。这需要系统与受参数大小限制的本地轻量级LLMs兼容。然而,与大型基于云的模型(如GPT-5)相比,这些轻量级模型在多步骤复杂推理和长期规划过程中容易发生逻辑漂移(如图1所示)或幻觉(Huang et al., 2025)。这样的故障通常会导致分析任务链的崩溃(Lu et al., 2025)。现有研究通常通过简化任务复杂性(Ji et al., 2025, Zhang et al., 2025)或依赖云计算(Gautam et al., 2025, Yoon et al., 2025)来规避这个问题。因此,在资源受限环境中对复杂工业数据进行分析的系统解决方案仍然有限(Dong et al., 2025)。
为了解决这些问题,我们提出了一个专为浆液泵群O&M设计的动态程序化推理代理框架(D-PRAG)。该框架使用可执行程序作为中间表示,将自然语言O&M意图映射到针对工业时间序列数据库的多步骤查询和分析过程中。在执行反馈的驱动下,系统不断重构分析路径,从而支持难以提前枚举的探索性O&M分析任务。为了解决复杂推理过程中本地轻量级模型的不稳定性,我们设计了一个双循环推理控制机制:内循环通过基于FSM的句法约束和观察抽象来调节单步生成,而外循环根据程序执行反馈对整个推理路径进行一致性控制。这种机制实现了模型推理轨迹的连续校正。同时,为了确保高风险场景下的决策可靠性,我们引入了可追溯的推理链表示和基于不确定性的混合诊断策略。最终,该框架使代理能够执行一系列闭环分析任务——从低级数据检索、统计分析、预测与健康管理(PHM)到结果可视化和报告生成——从而在工业现场实现了“与数据对话”的交互范式。
本文的主要贡献总结如下:
1. 构建了一种动态程序化推理范式。该范式将自然语言O&M请求组织成多步骤的程序化查询和计算过程,在执行反馈的驱动下动态调整分析路径,从而打破了现有代理对静态工具调用和预定义工作流程的依赖。
2. 建立了一种可用于工业O&M分析的可追溯推理机制。通过明确记录由数据查询、数值计算和可视化操作组成的推理链,该机制将O&M结论映射到特定的数据源和计算过程中,实现了过程级别的可审计决策支持。
3. 提出了一种基于不确定性的混合诊断策略。当数据驱动模型的信心不足时,该策略会触发基于领域证据的分析推理过程。通过实现模型预测和确定性分析证据之间的协作决策,它增强了高风险O&M场景中诊断结论的稳健性。
4. 引入了一种用于本地部署LLMs的双循环推理控制方法。基于FSM的结构约束和观察抽象调节单步生成,而执行反馈用于识别和纠正多个推理步骤中的无效程序动作。这种设计减少了结构生成错误,并为在受限计算资源下的复杂程序化分析提供了有界的恢复程序。
**章节片段**
**工业应用中的LLM驱动代理**
工业代理的发展已经从基于规则的专家系统和基于知识的方法演变为数据驱动的机器学习(ML)和多代理系统(MAS)。最近,这一发展朝着以大型语言模型(LLMs)为中心的认知代理方向发展。研究表明,LLMs可以在不需要特定任务预训练的情况下分析、分解和生成复杂工业任务的策略(Brown et al., 2020)。在提示的驱动下,这些模型减少了……
**问题表述**
本节解决了在工业场景中将非结构化O&M意图映射到可执行的低级数据操作指令的挑战。我们将这一过程建模为一个针对工业时间序列数据库的动态程序合成问题,并结合了执行优化。
**系统实现**
为了验证所提出架构在真实工业场景中的可行性和运行稳定性,我们在中国一家大型矿物加工厂的磨矿-浮选车间部署了一个原型系统。该车间包含一个由四阶段串联浆液泵配置组成的浆液输送系统,负责将来自球磨机的浆液输送到旋流器组和随后的磁选部分。
**基准测试构建和指标**
为了系统地评估D-PRAG架构在各种复杂度的维护任务中的性能,我们构建了一个包含150个测试问题的专用评估基准。根据任务的难度和类型,该基准分为五个难度级别(L1–L5),每个级别包含30个独立的测试案例。范围从基本的结构化数据检索和自定义图表绘制到涉及多步骤的对话式交互。
**结论**
为了解决当前工业代理决策中依赖预定义工作流程以及缺乏透明度和可审计性的问题,本文提出了一种专为浆液泵群设计的动态程序化推理代理(D-PRAG)架构。通过将自然语言维护意图映射到动态生成的中间代码表示,该架构克服了传统静态API调用的限制,使代理能够自主构建分析……