כתבה
arXiv cs.LG ·
ראיות פיזיות ודיווח LLM לאבחון תקלות בריחים
Physically Verifiable Evidence and LLM-Based Reporting for Bearing Fault Diagnosis
פותח רשת הוכחות אבחוניות (DENet) לאיתור תקלות בריחים. המודל מספק ראיות פיזיות ודיווחים מהימנים, ומקטין את שיעור הטענות לא מבוססות.
תקציר מקורי באנגליתarXiv:2607.22797v1 Announce Type: new Abstract: Trustworthy deployment of AI-based diagnosis in safety-critical mechanical systems hinges on validation: whether a prediction can be checked against physical reality before it is acted upon. Current intelligent fault diagnosers fail this standard in two ways. Their standard output, a class label with a softmax confidence score, is an internal statistic of the classifier, offering nothing checkable against independent physical knowledge; and the growing use of generative language models in maintenance reporting adds a second risk: hallucinated content entering reports on which decisions rest. Taking bearing fault diagnosis as the testbed, this work addresses both problems from the output side. The proposed Diagnostic Evidence Network (DENet) i
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית