技術要約：検索拡張型マルチエージェントO&Mアシスタントによる蓄電池システム（BESS）の追跡可能な故障診断

問題提起

大規模な蓄電池システム（BESS）には、アラーム、セルレベルの測定値、デバイス・トポロジー、診断テーブル、履歴ケース、およびメンテナンス文書を含む多様なデータソースを統合した運用・保守（O&M）の意思決定が求められる。現在のモニタリングプラットフォームは閾値超過をフラグ立てすることはできるものの、電圧の不一致、抵抗のドリフト、短絡リスク、容量の乖離、あるいは熱異常といった複雑な問題に対して、追跡可能な説明を提供できないことが多い。

既存のワークフローは断片化されており、オペレーターは一つのプラットフォームでアラームを確認し、データベースから時系列曲線を検索し、外部のマニュアルを調べ、最終的な判断のために専門家に相談するという作業を手動で行わなければならない。さらに、データ駆動型のモデルは異常検知やSOH（健全状態）の推定を行うことができるが、通常はスコアやラベルを出力するのみであり、追跡可能なメンテナンス上の意思決定を提供するものではない。一般的な大規模言語モデル（LLM）は、プライベートな知識に基づくグラウンディング、制御されたデータベースアクセス、保守的なリスク推論、および監査可能なエビデンスがなければ、この領域では安全ではないと見なされている。

手法

提案するシステムは、検索拡張型（RAG）マルチエージェント推論フレームワークに基づいた、追跡可能なBESS故障診断アシスタントである。これは、運用データ、ドメイン知識、視覚的エビデンス、およびレポート生成を統合するものである。

システムアーキテクチャとタスクモデル

本アシスタントは、ユーザーのリクエストを以下の3つの特定のBESSビジネスルートに整理する：

1. アラート（Alerting）： アラームイベントおよび異常テーブルの分析。
2. トラブルシューティング（Troubleshooting）： 診断テーブルとRAGエビデンスを用いた、観察された症状や微弱な信号の調査。
3. ステーション/デバイスの時系列分析（Station/Device Time-Series Analysis）： 時間経過に伴う機器の測定値の検証。

複雑性を認識するルーターがタスクを振り分ける：

• 単純なタスク： 単一エージェントのスーパーバイザーに送られ、直接的なアクション（DATABASE、RETRIEMENT、CHART、またはDIRECT）を実行する。
• 複雑な診断質問： 事前検索、ドラフト生成、スーパーバイザーとリサーチャーの協調、情報の圧縮、および最終レポートの合成を含む「ディープリサーチ」パスへとルーティングされる。

コアモジュール

1. スキーマ制約付きデータベースアクセス：

   • 「計画・実行（plan-then-execute）」設計を採用しており、LLMはビジネスルートと構造化されたクエリプラン（テーブル、フィールド、フィルタ、時間範囲）を予測する。
   • 決定論的なサニタイザが、スキーマのホワイトリストおよびルート・テーブルのマッピングに照らしてプランを検証し、不正なフィールドを削除し、エイリアスを正規化し、安全でない制限値をクランプ（固定）した上で、実行可能なSQLを生成する。
   • 返された行は、回答生成のためのエビデンス・バンドルへと変換される。

2. ハイブリッド・テキスト・画像検索（RAG）：

   • マニュアル、標準、手順、およびケースは、画像メタリンクを伴うテキストチャンクとしてオフラインでパースされる。
   • オンライン検索は、重み付けスコアリング関数 $s(d) = \alpha \cdot \text{BM25}(d) + (1-\alpha) \cdot \text{Emb}(d)$ を用いて、高密度検索（dense retrieval）とBM25を融合させる。
   • テキストは回答の根拠となり、リンクされた画像は、手順、形態学的分析、および波形解釈のための視覚的エビデンスを提供する。

3. マルチエージェントによるエビデンス合成：

   • 高度な複雑性を伴う質問（例：ドキュメントを横断した根本原因分析）のために予約されている。
   • スーパーバイザーエージェントがリクエストを分解し、リサーチャーエージェントを派遣し、知見を圧縮し、結論、エビデンス、リスク判断、および推奨アクションを含む診断レポートを生成する。

主な貢献

本論文は、4つの主要な貢献を概説している：

1. BESS O&Mタスクモデル： 蓄電池の運用に特化した、複雑性を認識するルーティング機能を備えたフレームワーク。
2. スキーマ制約付きデータベースアクセス： 厳格なスキーマ検証を通じて、自然言語からSQLへの安全かつ正確な翻訳を保証するメカニズム。
3. ハイブリッド・テキスト・画像RAG： マニュアル、手順、および故障分析図にアクセスし、マルチモーダルな推論をサポートする検索システム。
4. マルチエージェントによるエビデンス合成： 複数のソースからのエビデンスを合成することで、追跡可能な結論とアクションを生成するワークフロー。

予備評価および結果

本システムは、匿名化された運用データと、3つのビジネスルート、7つのクエリ可能なテーブル、99個のドキュメント、6,741個のテキストチャンク、717個の画像、および486個の画像リンク付きチャンクを含むプライベートなBESSメンテナンス知識ベースを用いて評価された。

定量的知見：

• ルーティング： フルシステムは、品質スコア4.44、レイテンシ40.01秒で、70.0%のアクション精度を達成した。対照的に、ルーティングのないアブレーション版では、精度が20.0%に低下し、レイテンシは87.45秒となった。
• データベースアクセス： スキーマ制約付きモジュールは、安全で実行可能なSQLクエリプランの生成において100%の成功率を達成した。スキーマ検証がない場合、不正なフィールドやルート・テーブルの不一致により、成功率は**0%**に低下した。
• 診断： フル・マルチエージェント・システムは、品質スコア4.80（レイテンシ95.33秒）を達成した。これは、マルチエージェント推論のないバリアントの3.60（レイテンシ60.99秒）と比較して高い。著者らは、マルチエージェント・アプローチが、レイテンシは高くなるものの、完全性と追跡可能性を向上させると述べている。

ケーススタディ：
プロトタイプは、以下の4つの代表的なケースの生成に成功した：

• マイクロショート回路スコアに基づくISCリスクのエビデンス検索。
• クラスターレベルのテレメトリ・クエリとトレンドの可視化。
• ドキュメントおよび画像エビデンスを用いたBESSナレッジベースの検索。
• バッテリーパックの再発するアラームおよび異常の分析。

重要性と主張

本論文は、本研究を、アルゴリズムによる電池診断と実用的なO&M意思決定支援との間の架け橋として位置付けている。システムは、エネルギー貯蔵の安全性、運用データ、故障カテゴリ、およびメンテナンスアクションを中心に据え、LLMエージェント、RAG、およびツールを、ドメインロジックの代替ではなく、それをサポートするメカニズムとして使用するように設計されている。

著者らは、BESS特有のタスクルーティング、スキーマ制約付きデータベースアクセス、ハイブリッド・テキスト・画像検索、およびエビデンスに基づく回答合成を通じて、信頼性が向上すると主張している。論文は、詳細なフィールド統計および追加の専門家ラベル付きケーススタディを最終論文で報告することを明記しており、現在の評価が予備的な性質のものであることに対して謙虚な姿勢を維持している。