4月22日,我院陈吉红教授、杨建中研究员牵头的“智能决策支持”团队在中国工程院院刊/中国科技期刊卓越计划领军期刊《Engineering》(中科院一区, 影响因子10.1)上,发表了题为《Intelligent Fault Diagnosis for CNC Through the Integration of Large Language Models and Domain Knowledge Graphs(集成大型语言模型和领域知识图谱的数控系统智能故障诊断研究)》原创性研究论文。我校国家智能设计与数控技术创新中心、我院2021级博士生刘宇涵为第一作者,展现了我校机械、数控系统和人工智能“双一流”交叉学科的最新研究成果。

数控系统作为现代制造业的核心组成部分,其故障诊断能力直接影响生产效率和产品质量。传统的故障诊断系统主要依赖专家系统,存在三个主要问题:(1) 故障诊断知识的组织效率低;(2) 静态知识框架与动态工程环境之间缺乏适应性;(3) 专家知识与实时数据流的整合困难。这些问题限制了传统方法处理不确定性问题的能力。
针对上述科学和工程问题,研究团队在研究论文中提出了一种数控系统智能故障诊断研究框架,该框架基于大型语言模型和领域知识图谱等关键技术,突破了传统专家系统基于符号推理的局限,显著提高了故障诊断的效率与准确性,超越了具有两年经验的工程师诊断水平。文中分别提出了基于知识图谱的检索增强(RAG)方法,以及结合大语言模型与专家知识输入的动态学习机制。

基于知识图谱的RAG方法融合了多源异构数据,通过将知识图谱划分为多个与特定故障原因关联的解决路径子图,将多轮对话转化为图谱路径的遍历过程,有效弥补了传统RAG在结构化方面的不足,增强了复杂交互任务支持能力。而动态学习机制则通过持续的用户交互,动态更新知识图谱,实现生成能力与诊断性能的协同进化。论文设计了面向垂直领域的大模型评估基准体系,并通过大量对比实验验证了所提出框架在实际工业环境中的应用可行性。目前,该系统已成功部署于华中数控“数控云管家”APP。

此项工作填补了具备自主学习能力的智能数控系统的研究空白,促进了大模型在工业领域的实际应用。
论文链接:https://doi.org/10.1016/j.eng.2025.04.003