AgentRCA: Nytt AI-rammeverk for feilsøking i industrien

Diagnostisering av grunnårsaken til uregelmessigheter er avgjørende for sikker drift i industrien. I mange tilfeller er dette en manuell prosess, selv med omfattende sensorutstyr. Eksisterende data-drevne metoder for automatisert feilsøking har ofte begrensninger: de fungerer som 'svarte bokser' uten evne til å forklare diagnosene, og de krever tilgang til mange merkede eksempler på feil. Dette er en utfordring da slike data ofte er sjeldne. AgentRCA, et nytt zeroshot-rammeverk, tar sikte på å løse disse utfordringene. I stedet for å lære spesifikke feil-til-årsak-koblinger, utfører AgentRCA begrunnede resonnementer underveis. Det kombinerer en data-drevet digital tvilling – en datamodell som simulerer systemets normale dynamikk – med en stor språkmodell (LLM) som er utstyrt med verktøy. Systemet samler iterativt statistisk bevis, vurderer ulike hypoteser og identifiserer den mest sannsynlige fysiske feilen som forklarer den observerte oppførselen. Studien testet AgentRCA på et virkelighetsnært flerfase-strømningsanlegg og et større kjemisk produksjonsanlegg. Resultatene viste at AgentRCA oppnådde diagnostisk ytelse som var på nivå med fullt overvåkede modeller, uten å kreve spesiell opplæring for hver enkelt feil. En viktig fordel er at systemet genererer transparente resonnement-spor, som tydelig viser koblingen mellom observerte symptomer og de underliggende fysiske årsakene. Disse funnene indikerer at autonom, hypotesedrevet resonnering kan være en praktisk vei for skalerbar, industriell årsaksanalyse.