RAAD-LLM: Adaptive Anomaly Detection Using LLMs and RAG Integration

要約

複雑な産業環境での異常検出は、特にデータスパース性と進化する運用条件を特徴とするコンテキストで、独自の課題をもたらします。
このような設定での予測メンテナンス（PDM）は、ドメイン固有の知識を統合できる適応性があり、移転可能で、導入可能な方法論を要求します。
このホワイトペーパーでは、検索された生成（RAG）と統合された大規模な言語モデル（LLM）を活用する適応異常検出の新しいフレームワークであるRaad-llmを紹介します。
このアプローチは、前述のPDMの課題に対処します。
ドメイン固有の知識を効果的に利用することにより、RAAD-LLMは、特定のデータセットで微調整することなく、時系列データの異常の検出を強化します。
フレームワークの適応性メカニズムにより、通常の動作条件の理解を動的に調整できるため、検出の精度が向上します。
プラスチック製造プラントとSkoltech Anomaly Benchmark（SKAB）の実世界のアプリケーションを通じて、この方法論を検証します。
結果は、現実世界のデータセットで精度が70.7から89.1に増加し、以前のモデルで大幅な改善を示しています。
Semanticsで入力シリーズデータを濃縮することを許可することにより、Raad-llmは、モデルとプラント演算子の間のより協調的な意思決定を促進するマルチモーダル機能を組み込みます。
全体として、我々の調査結果は、PDMの異常検出方法論に革命をもたらすRaad-llmの能力をサポートし、潜在的にさまざまな業界で異常検出がどのように実装されるかのパラダイムシフトにつながります。

要約(オリジナル)

Anomaly detection in complex industrial environments poses unique challenges, particularly in contexts characterized by data sparsity and evolving operational conditions. Predictive maintenance (PdM) in such settings demands methodologies that are adaptive, transferable, and capable of integrating domain-specific knowledge. In this paper, we present RAAD-LLM, a novel framework for adaptive anomaly detection, leveraging large language models (LLMs) integrated with Retrieval-Augmented Generation (RAG). This approach addresses the aforementioned PdM challenges. By effectively utilizing domain-specific knowledge, RAAD-LLM enhances the detection of anomalies in time series data without requiring fine-tuning on specific datasets. The framework’s adaptability mechanism enables it to adjust its understanding of normal operating conditions dynamically, thus increasing detection accuracy. We validate this methodology through a real-world application for a plastics manufacturing plant and the Skoltech Anomaly Benchmark (SKAB). Results show significant improvements over our previous model with an accuracy increase from 70.7 to 89.1 on the real-world dataset. By allowing for the enriching of input series data with semantics, RAAD-LLM incorporates multimodal capabilities that facilitate more collaborative decision-making between the model and plant operators. Overall, our findings support RAAD-LLM’s ability to revolutionize anomaly detection methodologies in PdM, potentially leading to a paradigm shift in how anomaly detection is implemented across various industries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google