【儀表網(wǎng) 研發(fā)快訊】4月22日，機械學院陳吉紅教授、楊建中研究員牽頭的“智能決策支持”團隊在中國工程院院刊/中國科技期刊卓越計劃領軍期刊“Engineering”上，發(fā)表了題為“Intelligent Fault Diagnosis for CNC Through the Integration of Large Language Models and Domain Knowledge Graphs”(集成大型語言模型和領域知識圖譜的數(shù)控系統(tǒng)智能故障診斷研究)研究論文，展現(xiàn)了機械、數(shù)控系統(tǒng)和人工智能交叉學科的最新研究成果。國家智能設計與數(shù)控技術創(chuàng)新中心、學院2021級博士生劉宇涵為第一作者。
 

　　數(shù)控系統(tǒng)作為現(xiàn)代制造業(yè)的核心組成部分，其故障診斷能力直接影響生產(chǎn)效率和產(chǎn)品質量。傳統(tǒng)的故障診斷系統(tǒng)主要依賴專家系統(tǒng)，存在三個主要問題：(1)故障診斷知識的組織效率低；(2)靜態(tài)知識框架與動態(tài)工程環(huán)境之間缺乏適應性；(3)專家知識與實時數(shù)據(jù)流的整合困難。這些問題限制了傳統(tǒng)方法處理不確定性問題的能力。
 

　　針對上述科學和工程問題，研究團隊在研究論文中提出了一種數(shù)控系統(tǒng)智能故障診斷研究框架，該框架基于大型語言模型和領域知識圖譜等關鍵技術，突破了傳統(tǒng)專家系統(tǒng)基于符號推理的局限，顯著提高了故障診斷的效率與準確性，超越了具有兩年經(jīng)驗的工程師診斷水平。文中分別提出了基于知識圖譜的檢索增強(RAG)方法，以及結合大語言模型與專家知識輸入的動態(tài)學習機制。
 

　　基于知識圖譜的RAG方法融合了多源異構數(shù)據(jù)，通過將知識圖譜劃分為多個與特定故障原因關聯(lián)的解決路徑子圖，將多輪對話轉化為圖譜路徑的遍歷過程，有效彌補了傳統(tǒng)RAG在結構化方面的不足，增強了復雜交互任務支持能力。而動態(tài)學習機制則通過持續(xù)的用戶交互，動態(tài)更新知識圖譜，實現(xiàn)生成能力與診斷性能的協(xié)同進化。論文設計了面向垂直領域的大模型評估基準體系，并通過大量對比實驗驗證了所提出框架在實際工業(yè)環(huán)境中的應用可行性。目前，該系統(tǒng)已成功部署于華中數(shù)控“數(shù)控云管家”APP。
 

　　此項工作填補了具備自主學習能力的智能數(shù)控系統(tǒng)的研究空白，促進了大模型在工業(yè)領域的實際應用。