基于多智能体协作的预测性运维误报分级治理架构研究
摘要
预测性维护（Predictive Maintenance, PdM）通过时序重构算法实现设备异常检测，已成为工业运维领域的重要技术范式。然而，随着监测设备规模的指数级增长，该类算法普遍面临"误报洪流"困境------即使极低的误报率（1%-2%）在成百上千台设备的海量采样点下，仍将产生大量无效告警，导致运维人员产生"警报疲劳"，真正故障被淹没于噪声之中。现有基于规则或纯统计方法的误报治理手段难以应对工业场景中高度动态、非结构化的干扰因素。
本文提出一种基于大语言模型（Large Language Model, LLM）多智能体协作的分级治理架构，将误报治理过程解构为五个逐层递进的过滤阶段。该架构以"成本逐级递增、精度逐级收敛"为设计原则，通过代码层的确定性规则、轻量级LLM的模式匹配、智能体的多源数据交叉验证、深度根因推理以及闭环反馈机制，实现从"海量告警"到"精准决策"的漏斗式收敛。研究表明，该架构可为工业设备运维场景中的误报治理问题提供一套系统化的技术范式。
关键词：预测性维护；误报治理；多智能体系统；大语言模型；检索增强生成；人机协同
1 引言
1.1 研究背景
预测性维护代表了维护策略的重大演进。相较于被动的修复性维护和刻板的预防性维护，PdM通过传感器数据与分析技术的结合，实现对设备健康状态的持续监测与故障的提前预警。近年来，基于深度学习的时序重构算法------如长短期记忆网络自编码器（LSTM-AE）、基于Transformer的变分自编码器等------凭借其无需标注数据的自监督训练范式，成为PdM领域异常检测的主流方法。该类方法通过训练模型学习正常运行模式，以重构误差作为异常评分，实现对设备偏离健康状态的灵敏捕捉。
然而，该技术路线在实际部署中面临一个日益严峻的挑战：误报率的"规模放大效应" 。即使算法将误报率控制在较低的统计水平（如1%），当监测设备数量达到数百乃至上千台、每台设备包含数十个采样点时，每日产生的误报警告数量仍可高达数百条。这些无效告警不仅增加了运维人员的工作负荷，更严重的是，大量误报的存在使得真正的异常信号被淹没，导致"狼来了"效应------运维人员逐渐丧失对告警系统的信任，最终可能在真正故障发生时延误响应。
1.2 问题界定与研究动机
现有误报治理方案主要存在三类局限。其一 ，传统基于规则的方法（如固定阈值、死区设置）虽能过滤部分明显误报，但规则难以覆盖工业场景中高度动态的干扰因素（如环境温湿度变化、电网波动、人为操作等），且规则库的维护成本随设备规模线性增长。其二 ，基于统计的异常检测方法虽能识别数据层面的离群点，但缺乏对业务上下文的理解能力------算法无法区分"数学上的异常"与"业务上需要处理的异常"。其三，单一的大语言模型虽具备强大的推理能力，但在工业场景中面临"幻觉"（hallucination）风险，可能产生看似合理实则错误的诊断结论。
上述局限的根本原因在于：时序重构算法产生的是"信号层面的异常指示"，而运维决策需要的是"物理层面的因果解释" 。两者之间存在显著的语义鸿沟。如何构建一座连接"数据异常"与"业务决策"的桥梁，是当前预测性维护领域亟待解决的关键科学问题。
1.3 相关研究
近年来，将大语言模型与智能体技术引入工业运维领域，已成为一个快速发展的研究方向。Lowenmark等人提出了MindRAG框架，通过将基于LLM的推理智能体集成到状态监测工作流中，以减少误报、增强故障严重性评估、改进决策支持。该框架采用多模态检索增强生成（RAG）技术，利用现有的标注和维护工单作为监督学习的替代标签。
在告警偏差优化方面，研究者提出了基于LLM的智能告警偏差优化智能体，以人机协作为核心概念，集成了RAG、数据库问答、外部工具调用和智能体认知架构，构建了覆盖"偏差检测---根因分析---优化建议---闭环管理"的全流程自动化方案。该研究创新性地引入了ReAct推理范式和反事实场景重构机制，结合结构因果模型进行多维度的归因分析。
在多智能体协作方面，研究者提出了混合RAG增强的LLM多智能体系统，通过结合稀疏检索与稠密检索的混合检索机制，提升了领域知识的召回率与事实一致性。另有研究探索了由无监督机器学习支持的智能体LLM框架，证明了该框架能够有效减少误报、识别根因并为操作员提供可操作的建议。在架构层面，已有研究提出了AI智能体使能的PdM方法，利用智能体开发平台构建多模态数据故障检测智能体、基于RAG的故障分类智能体、基于大模型的故障诊断智能体以及基于数字孪生的故障处理仿真智能体。
上述研究为LLM智能体在工业运维中的应用奠定了坚实基础，但在误报的逐级过滤机制设计、成本可控的分层推理架构、以及工程化落地的完整闭环方面，仍需进一步探索。本文在上述研究基础上，提出一种面向预测性运维误报治理的五级漏斗式架构，旨在为从"海量告警"到"精准决策"的转化提供一套系统化的解决方案。
2 系统架构设计
2.1 设计原则
本架构遵循三项核心设计原则。
原则一：分层防御（Defense in Depth） 。误报治理不应依赖单一技术手段，而应构建多道防线，使每一层承担不同的过滤职责。早期层级以低成本快速过滤大量明显误报，后期层级以较高成本进行精细化判断。任一层级若判定为"确定误报"，则流程终止，不再向下传递。
原则二：成本递增与精度收敛（Increasing Cost, Converging Precision） 。每一层的计算成本逐级上升，同时候选告警集合逐级缩小。这确保了有限的计算资源被集中投入到最不确定、最需要深度推理的少数案例上。
原则三：人机协同与持续进化（Human-in-the-Loop & Continuous Learning） 。系统不应试图完全替代人类专家，而应将工程师的反馈作为系统持续优化的核心驱动力。每一次"确认"或"误报"的标记，都应成为系统知识库更新的数据来源。
2.2 五层漏斗式架构概览
基于上述原则，本文提出如图1所示的五层漏斗式架构（为便于描述，以下将各层依次命名为L1至L5）。
L1------确定性规则过滤层：由代码层的硬编码规则构成，负责过滤业务层面明确可判定的无效告警（如设备处于检修状态、深夜低负荷时段的轻微波动等）。该层成本趋近于零，响应时间为毫秒级。
L2------经验模式匹配层：由轻量级LLM配合预构建的"误报模式特征库"构成，负责识别已知的、已被工程师验证过的误报模式。该层将运维经验以结构化方式注入模型上下文，实现快速模式比对。
L3------多源数据交叉验证层：由具备工具调用能力的LLM智能体构成，负责通过查询时序数据库、操作日志、相邻设备数据等多源信息，验证异常信号的物理真实性与独立性。
L4------深度根因推理层：由配备RAG能力的LLM智能体构成，负责在确认"真异常"后，通过检索设备手册、历史工单、故障案例库等知识源，进行链式推理（Chain-of-Thought），输出根因假设与处置建议。
L5------结果分发与知识沉淀层：由推送模块和报告生成智能体构成，负责将L4的输出结果实时推送至运维人员，并异步生成完整的诊断报告，同时将反馈数据回流至知识库。
各层级的成本、耗时与预期过滤效果如表1所示。
表1 五层架构各层级特征对比
| 层级 | 名称 | 执行体 | 相对成本 | 响应时间 | 累积过滤率 |
|---|---|---|---|---|---|
| L1 | 确定性规则过滤 | 规则引擎 | 极低 | 毫秒级 | ~30% |
| L2 | 经验模式匹配 | 轻量级LLM | 低 | 1-2秒 | ~70% |
| L3 | 多源数据交叉验证 | LLM智能体+工具 | 中 | 3-5秒 | ~90% |
| L4 | 深度根因推理 | LLM智能体+RAG | 较高 | 10-15秒 | 确定真异常 |
| L5 | 结果分发与知识沉淀 | 推送+报告智能体 | 低 | 异步 | 闭环管理 |
3 各层级详细设计
3.1 L1：确定性规则过滤层
L1是整个架构的第一道防线，其设计理念是**"能用确定性逻辑判断的，绝不调用AI"** 。该层由部署于告警接收端的规则引擎执行，对所有原始告警进行快速筛查。
L1的过滤规则可分为三类。第一类 是设备状态规则：若设备当前处于"检修中"、"停机"、"备用"等非运行状态，则其产生的任何告警均应被过滤。第二类 是工况语义规则：例如，在低负荷时段（如夜间）产生的轻微电压波动，若波动幅度未超过特定阈值，则可判定为正常现象。第三类是时间窗口去重规则：对于同一设备在短时间内（如5分钟内）产生的同一类型重复告警，仅保留第一条，其余合并处理。
L1的优势在于其零成本和高确定性------所有规则均为显式编码的逻辑判断，不存在误判风险（仅存在规则覆盖不足的风险）。该层可过滤约30%的原始告警。
3.2 L2：经验模式匹配层
L2的核心创新在于将运维专家的隐性经验转化为可被LLM高效匹配的显式模式库。与传统RAG方案不同，L2不采用向量检索（避免延迟与成本开销），而是将经过整理的误报模式以结构化形式直接嵌入系统提示（System Prompt）中。
误报模式库的构建过程如下：首先，收集运维工程师在日常工作中标记为"误报"的历史告警记录；其次，由领域专家对每类误报提取关键特征------包括告警类型、触发条件、关联参数变化模式等；最后，将这些特征整理为结构化的模式条目。每个模式条目包含唯一标识符、模式名称、匹配条件集合、判定结论及解释性说明。
在运行时，L2将当前告警的特征与模式库中的所有条目进行比对。若匹配任一模式的全部条件，则输出"已知误报"并附带该模式的解释；若无一匹配，则标记为"未知异常"并传递至下一层。
L2的设计关键在于模式库的精简性与代表性。研究表明，工业场景中约80%的误报可归因于不到20%的常见模式。因此，维护一个规模可控（如50-100条）但覆盖主要误报类型的模式库，即可在成本和效果之间取得良好平衡。
3.3 L3：多源数据交叉验证层
当告警无法被L1和L2判定为明确误报时，L3启动主动验证 机制。该层的核心假设是：真实的设备故障应在多个数据维度上表现出一致性------如果某个异常信号无法在其他相关数据源中得到印证，则其很可能是传感器噪声、通信干扰或环境因素导致的伪异常。
L3由配备多类数据查询工具的LLM智能体执行，其工作流程包括三个并行或序贯的验证步骤。
第一步------纵向时序验证：智能体调用时序数据库查询工具，获取该设备在异常发生前后一段时间窗口内（如前后5分钟）的高频波形数据，检查异常信号是否呈现合理的物理演化规律（如渐变而非跳变、与负载变化同步等）。
第二步------横向空间验证：智能体获取同型号、同工况、同区域的相邻设备在同一时间窗口内的同一指标数据。若多台设备呈现相同的异常模式，则提示为环境级或系统级因素；若仅目标设备独异，则增强"真异常"的置信度。
第三步------操作上下文验证：智能体查询操作票系统或工程师日志，确认异常发生时段是否存在人工操作（如参数调节、设备启停等）。若存在，则异常可能为操作伴随的正常响应。
L3的输出是对告警的初步置信度评估及相应的证据摘要。该层的核心价值在于将孤立的"数据点异常"转化为具有物理上下文的"证据链" ，为后续的深度推理奠定基础。
3.4 L4：深度根因推理层
L4是整套架构中计算成本最高、但也是最关键的层级。只有通过前三层过滤的告警（约占总量的10%以下）才会进入该层。L4的目标是：基于完整的证据链和历史知识，输出具有可操作性的根因分析与处置建议。
L4的技术实现依赖于RAG范式与链式推理（Chain-of-Thought, CoT）的结合。其知识库由三类数据源构成：结构化知识 （设备参数模板、标准操作规程）、半结构化知识 （历史工单、巡检记录、故障案例库）以及非结构化知识（设备手册PDF、技术文档）。这些知识经过文本切分与向量化处理后，存储于向量数据库中。
L4的推理流程如下。第一步------证据整合 ：智能体将L3输出的证据摘要与原始告警信息整合，形成完整的"已知事实"集合。第二步------知识检索 ：基于设备型号、异常类型、证据特征等构建检索查询，从向量数据库中检索最相关的历史案例与手册章节。第三步------假设生成 ：智能体基于已知事实与检索结果，生成多个可能的根因假设，并为每个假设赋予初始置信度。第四步------假设验证 ：智能体逐一检验每个假设是否与全部已知证据一致，排除矛盾假设，调整剩余假设的置信度。第五步------结论输出：输出排序后的根因假设列表、置信度评分、支持证据摘要，以及针对最高置信度假设的具体处置建议。
L4的设计需特别注意幻觉抑制问题。为此，可采用多重证据融合机制------只有当假设同时得到数值证据、事件证据、上下文证据和类比证据中至少两类的支持时，才予以采纳。同时，应要求智能体显式标注每个推理步骤所依据的证据来源，实现推理过程的可追溯与可审计。
3.5 L5：结果分发与知识沉淀层
L5负责将L4的推理结果转化为运维行动，并完成知识的闭环回流。该层将实时性需求 与完整性需求进行解耦设计。
实时推送通道：将L4输出的核心结论------包括根因假设（Top 1）、置信度、紧急程度和一句话处置建议------通过即时通讯工具（如企业微信）或运维平台推送至值班工程师。推送内容应简洁明了，确保工程师可在移动端快速阅读与决策。
异步报告通道：与此同时，后台启动报告生成智能体，将L1至L4的全部信息------包括原始告警、各层级的判定依据、证据链、推理过程、最终结论与建议------汇编为一份结构化的《设备异常诊断报告》。报告采用标准化模板，包含基本信息、检测记录、验证过程、根因分析、处置建议和附件等章节，存入知识库供后续追溯与审计。
反馈闭环机制：在推送消息中嵌入"确认/误报/需补充"等交互按钮，收集工程师的反馈意见。反馈数据的流向如下：（1）若标记为"误报"，系统自动提取该案例的特征，经审核后可作为新模式加入L2的模式库；（2）若标记为"确认"，则将L4的完整推理日志与结论作为新案例存入向量数据库，增强后续RAG检索的覆盖度；（3）工程师的补充说明可作为Few-shot样本，用于后续的提示词优化或模型微调。此机制确保了系统能够随着运维实践的积累而持续进化。
4 技术使能与讨论
4.1 多智能体协作框架
上述L2至L5各层级的智能体并非孤立运行，而是需要在统一的协作框架下进行任务编排与信息传递。多智能体协作框架为该架构提供了三个关键能力。
角色化分工：每个智能体被赋予明确的角色定义（Role）、目标（Goal）和背景故事（Backstory），使其在特定任务上具备"专家"的行为模式。例如，L3的"数据验证专家"被设定为精通时序数据分析与多源信息融合的角色，而L4的"根因分析专家"则被设定为具备深厚机械、电气、控制多学科知识的资深诊断角色。
动态任务编排：框架支持顺序流程（sequential）、层级流程（hierarchical）和共识流程（consensus）等多种协作模式。在本架构中，L1至L5采用顺序流程------告警依次流经各层，任一层判定为误报则流程终止。L4内部可进一步采用层级流程------根因分析专家可将"检索特定手册章节"或"查询特定历史案例"等子任务委托给专门的子智能体执行。
工具链抽象：框架通过统一的工具接口（Tool Interface）封装各类外部能力------包括时序数据库查询、RAG检索、知识库访问、消息推送等。智能体通过调用这些工具获取信息或执行动作，而不需要关心工具的具体实现细节。这种抽象使得系统具有良好的可扩展性------新增数据源或能力仅需实现对应的工具接口，无需修改智能体的核心逻辑。
4.2 检索增强生成（RAG）的关键作用
RAG在本架构中扮演着不可或缺的角色。其核心价值在于将LLM的通用推理能力与领域的专有知识相结合，从而在保持推理灵活性的同时，确保结论的事实准确性。
在L4的深度推理中，RAG解决了两个关键问题。其一 ，缓解幻觉问题------通过将推理过程"锚定"在检索到的真实文档上，显著降低了LLM凭空编造信息的风险。其二，实现知识的动态更新------当设备手册更新或新的故障案例产生时，只需更新向量数据库，无需重新训练或微调模型。
值得注意的是，RAG并非本架构中唯一的检索机制。L2的经验模式匹配采用了完全不同的检索策略------基于结构化规则的精确匹配而非向量相似度检索。这种"多种检索策略分层使用"的设计，使得每一层都能以最适合其任务特性的方式进行知识检索，从而在整体上实现效率与效果的优化平衡。
4.3 系统局限与未来方向
本文提出的架构虽然在理论层面具有较高的完整性，但在实际部署中仍面临若干挑战。
其一，LLM推理的延迟与成本问题。L3和L4涉及多次LLM调用与工具交互，端到端延迟可能达到10-20秒。对于某些对实时性要求极高的场景（如秒级响应的安全联锁），这一延迟可能不可接受。解决方案可包括：为紧急程度高的告警设置"快速通道"（跳过部分层级）、采用更轻量的模型处理L3、以及通过缓存机制减少重复检索。
其二，知识库的冷启动问题。在系统部署初期，历史工单、故障案例等知识库可能不够完备，影响L4的RAG检索效果。可通过导入行业标准手册、利用公开故障案例库、以及设计"主动学习"机制（在初期更多地依赖人工确认来积累数据）来缓解此问题。
其三，智能体推理的可解释性与审计问题。虽然本文提出了多重证据融合与来源标注等机制，但LLM的推理过程本质上仍具有"黑箱"特性。在安全关键的工业场景中，这可能导致运维人员对智能体结论的信任度不足。未来研究可探索将结构因果模型与LLM推理相结合的方法，以及开发更完善的推理过程可视化工具。
5 结论
本文针对预测性维护中时序重构算法面临的误报洪流问题，提出了一种基于大语言模型多智能体协作的五层漏斗式分级治理架构。该架构的核心贡献体现为三个方面。
第一，提出了"成本递增、精度收敛"的分层防御设计原则，将误报治理从"单一模型优化"问题转化为"多层级联决策"问题，使每一层都能以与其成本相匹配的复杂度进行处理。
第二，设计了从确定性规则过滤、经验模式匹配、多源数据交叉验证到深度根因推理的逐级递进流程，实现了从"海量告警"到"精准决策"的漏斗式收敛，有效解决了误报淹没真异常的痛点。
第三，构建了以人机协同为核心的闭环反馈机制，将工程师的每一次判断转化为系统持续进化的数据养分，使系统能够随着运维实践的积累而不断优化。
综上所述，本文提出的架构为预测性运维中的误报治理问题提供了一个系统化的技术范式。通过将代码的确定性与智能体的推理能力有机结合，该架构有望将运维人员从海量无效告警中解放出来，使其能够将精力聚焦于真正需要人类专业判断的少数关键事件上。未来工作将聚焦于该架构在储能设备运维、风电设备监测等具体工业场景中的原型实现与效果验证。
参考文献
1 Nunes P. Predictive maintenance: A review of challenges and opportunitiesJ. CIRP Journal of Manufacturing Science and Technology, 2022.
2 Löwenmark K, et al. Agent-based condition monitoring assistance with multimodal industrial database retrieval augmented generationJ. arXiv preprint arXiv:2506.09247, 2025.
3 Development of an intelligent agent for optimizing alarm deviation in equipment health models based on large language modelsC. IEEE, 2026.
4 Blended RAG-enhanced LLM multi-agent framework for anomaly detection and alert managementC. IEEE, 2025.
5 An unsupervised fault detection model enhanced by an agentic LLM layer for industrial alarm managementC. IEEE, 2025.
6 Artificial intelligence agent-enabled predictive maintenance: Conceptual proposal and basic frameworkJ. MDPI Computers, 2025, 14(8): 329.
7 A multi-dimensional feedback engine for governed adaptation in human-in-the-loop predictive maintenanceJ. ScienceDirect, 2026.
8 多智能体协作新范式：CrewAI框架技术解析与实践指南EB/OL. 百度开发者中心, 2026.
9 A systematic review of anomaly and fault detection using machine learning for industrial machineryJ. MDPI, 2026.