预测性维护里最难的不是模型结构，而是数据形态：关键工况极其稀有，瞬态窗口极短，目标变量又被外部协变量牵着走。航空压力调节关断活门（PRSOV）就是典型——它的内部退化不可直接观测，只能靠歧管压力（MP）相对健康基线的偏差来判断；一次关键调节工况在每个飞行循环只出现一次，典型瞬态只有18个数据点，而MP又被动地受发动机高压转子转速（N2）与上游中压（IP）驱动。
为什么不直接上时序基座模型
时序基座模型（TSFM）在开放域很强，但工业场景的数据分布往往在预训练经验之外。更现实的问题是三条：关键工况样本太少，深度模型学不到有效表征；短瞬态若按固定长度填充（例如把18点补到64点），噪声会淹没真正的瞬态特征；只按目标曲线形状检索，容易找到“长得像但驱动逻辑不同”的历史片段，预测随之发散。
已有的时序RAG方案多依赖可学习适配器或静态向量化，前者在稀缺工况下难以收敛，后者又会把短序列压缩成失去幅值精度的嵌入。RAG4CTS的选择是：不向量化、不微调，直接在原始数据空间里检索。
按工况树存原始序列
它构建了一个分层知识库：根节点是机型（如B777），下一层是机尾号，再到具体工况实例（如PRSOV L），叶子节点存完整的原始多变量序列。检索路径本身就是元数据索引（root.group.device.sensor），不做切片、不做填充，因而保留了每个运行循环的机械完整性与数值精度。
双权重检索：关键点与协变量
检索分两阶段，权重由两部分相乘。其一是关键点权重：越靠近当前的状态与已知的未来控制输入，权重越高，并按衰减因子λ优先近期动态；同时把未来目标值掩掉，确保距离只在“历史+已知协变量”上计算，不偷看知识库里的真值。其二是协变量权重：用互信息衡量每个协变量对目标的不确定性削减，捕捉非线性物理耦合。对PRSOV来说，IP因结构上更近而具有更强、更直接的气动影响，N2是次级上游变量，权重会据此倾斜。
检索出候选后，系统用Top-1结果作为“动态代理”校准上下文拼接，而不是固定取k条。论文把这称为agent驱动的上下文增强：不同查询的k值差异很大，固定数量并非最优。
实验与上线表现
数据来自南航的CSA-PRSOV数据集，按机型（B777/A320）与发动机位置（左/右）分成四个子集；知识库用2023–2024年样本，2025年样本作查询，较新的飞机只有91条历史样本。任务是用N2与IP两个协变量预测MP的短期瞬态，历史12点、预测6点，基座模型为Chronos-2。
结果上，RAG4CTS在三类对照方法中都取得最低误差：标准深度预测器（如PatchTST、TimeMixer、iTransformer、Pyraformer）、零样本TSFM与TS-RAG。消融实验给出几个清晰边界：知识库从单架飞机扩到同机型机队，MSE从0.103降到0.058，说明同机型内的运行逻辑可迁移；再加入A320跨机型数据收益递减，机体物理差异带来的分布漂移抵消了数据量优势；检索度量用“余弦+矩阵轮廓”组合最好（MSE 0.077），加入DTW反而变差，因为时间弯曲会破坏瞬态分析需要的严格时序。
系统已部署在南航的Apache IoTDB中。据论文报告，上线两个月内成功识别出一次经确认的PRSOV故障，零误报。对高风险工业场景而言，“少报一次”和“误报一次”的代价并不对称，这个结果比单纯的MSE更有说服力。
资料来源：Retrieval-Augmented Generation with Covariate Time Series — arXiv（2026-03）。本文为技术要点整理/编译，非原文全文。