From Detection to Action: Using LLM Agents for Fault-Tolerant Control

• 类型：arxiv
• 标识：2606.28011
• 链接：http://arxiv.org/abs/2606.28011v1
• 主分类：agent
• 形态：method
• 被引：1
• 被引来源：Semantic Scholar
• S2被引：1
• OpenAlex被引：0
• 影响力被引：0
• TLDR：We propose an agentic Large Language Model (LLM) framework for active Fault-Tolerant Control (FTC) that transforms fault detection outputs into constraint-aware recovery actions grounded in plant-specific knowledge. The approach couples (i) a multi-agent workflow that decomposes operator duties into monitoring, planning, action synthesis, simulation, validation, and reprompting; (ii) a Digital Process Plant Twin (DPPT) that exposes plant data, models, and a simulation service for pre-execution testing; and (iii) a Graph Retrieval-Augmented Generation (Graph RAG) layer built on the CPSMod ontol
• OpenAlex ID：W7166520415
• OpenAlex DOI：10.48550/arxiv.2606.28011
• DOI：10.48550/arxiv.2606.28011
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2606.28011
• OpenAlex更新：2026-07-19
• 副分类：rag
• 待LLM分类：否
• 标题中文：从检测到行动：基于 LLM Agent 的容错控制
• TLDR中文：本文提出一种基于 Agentic Large Language Model (LLM) 的主动容错控制 (FTC) 框架，可将故障检测输出转化为基于特定工厂知识的、符合约束的恢复动作。该方法结合：(i) 将操作员职责分解为监测、规划、动作合成、仿真、验证与重新提示的多 Agent 工作流；(ii) 数字过程工厂孪生 (DPPT)，提供工厂数据、模型以及用于执行前测试的仿真服务；(iii) 基于 CPSMod 本体构建的 Graph Retrieval-Augmented Generation (Graph RAG) 层。
• 来源文件：
• /inbox/tom/_candidates/2026-06-29-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]