IHGR-RAG: Ein verbessertes Retrieval-augmented Generation Framework für eine genaue und interpretierbare Zustandsbewertung von Energieanlagen

Die Zustandsbewertung von Energieanlagen ist entscheidend für die Optimierung von Wartungsstrategien. Wissensbasierte Ansätze sind jedoch stark auf manuelle Abstimmungen zwischen Anlagenausfallmerkmalen und Leitlinieninformationen angewiesen, während datengesteuerte Methoden überwiegend vor Ort Experimente zur Erkennung abnormaler Zustände durchführen. Beide Ansätze stehen vor Herausforderungen hinsichtlich Ineffizienz und zeitlicher Einschränkungen. Mit der zunehmenden Integration von Informationssystemen wird ein erheblicher Teil der zustandsbewertungsbezogenen Informationen in Textform dargestellt, wie Systemwarnungen und Versuchsprotokolle. Obwohl Large Language Models (LLMs) und Retrieval-Augmented Generation (RAG) vielversprechend bei der Verarbeitung solcher textbasierten Informationen sind, wird ihre praktische Anwendung durch Halluzinationen der LLMs und grobgranulare Abrufmechanismen von RAG eingeschränkt, die Schwierigkeiten mit semantisch ähnlichen, jedoch kontextuell unterschiedlichen Leitlinienpunkten haben. Um diese Probleme zu adressieren, schlägt dieses Papier ein verbessertes RAG-Framework vor, das hierarchische und globale Abrufmechanismen integriert (IHGR-RAG). Das Framework umfasst umfassend drei Optimierungsstrategien: einen Query-Rewriting-Mechanismus basierend auf Few-Shot-Learning Prompt Engineering, einen integrierten Ansatz, der hierarchische und globale Abrufmechanismen kombiniert, sowie eine Zero-Shot Chain-of-Thought-Generierungsoptimierungspipeline. Zusätzlich wurde ein aufgabenspezifischer quantitativer Evaluationsbenchmark entwickelt, um die Modellleistung rigoros zu bewerten. Experimentelle Ergebnisse zeigen, dass IHGR-RAG Genauigkeitsverbesserungen von 4,14 % beziehungsweise 5,12 % bei der Aufgabe des exakten Abgleichs des korrekten Leitlinienpunkts im Vergleich zu konventionellem RAG und eigenständigen hierarchischen Methoden erzielt. Ablationsstudien bestätigen die Effektivität jeder Komponente. Diese Arbeit fördert die dynamische Gesundheitsüberwachung von Energieanlagen durch die Balance von Interpretierbarkeit, Genauigkeit und Domänenanpassungsfähigkeit und bietet einen kosteneffektiven Optimierungspfad für Szenarien mit begrenzten annotierten Daten.