面向基于知识的故障诊断的意图感知因果图检索增强生成：特种车辆案例研究

《Neurocomputing》：Intent-aware causal graph retrieval-augmented generation for knowledge-grounded fault diagnosis: A special-purpose vehicle case study

　　摘要基于运维记录的故障诊断需要在症状、部件、原因和维护措施之间建立证据连接。传统的检索增强生成方法主要依赖语义相似度，可能会检索到文本相关但物理不一致的证据。为解决这一问题，本文提出了一种面向知识驱动故障诊断的意图感知因果图检索增强生成框架。首先，从不结构化的运维记录中构建加权有向因果知识图谱，将故障实体、类型化关系、物理权重和维护证据联合表示。然后识别查询意图，以动态调整关系权重，使根因诊断、影响分析、定位和一般查询等不同诊断任务能够激活不同的图遍历偏好。一种语义-拓扑自适应剪枝策略进一步将查询特定的语义相关性、意图调节后的图权重和路径约束相结合，以便为大语言模型辅助的答案生成选择紧凑且合理的多跳证据路径。在专用车辆运维基准上的实验表明，与传统基于向量和基于图的RAG基线方法相比，本文方法在多种语言模型骨干网络上均实现了更高的根因检测率、诊断准确性和综合诊断得分。结果证明了意图感知的图检索和语义-拓扑证据剪枝在所评估的运维场景中对知识驱动的故障诊断的有效性。引言健康监测和维护对于复杂设备的安全可靠运行至关重要。此类设备通常包含耦合的机械、电气、液压和控制子系统。其运行状态可能随载荷、环境、任务谱和维护历史而变化。关键部件的故障会降低功能性能、运行安全性和维护效率。现有研究为基于模型、基于信号和基于数据的故障诊断提供了重要基础[1], [2]。然而，运维场景中的故障诊断还需要有效利用技术文档、报警日志和现场维护记录。尽管近年来取得了进展，复杂设备的智能维护仍面临三个挑战。第一个挑战是如何将非结构化的运维知识组织为机理一致的诊断表示。技术手册和维护记录包含关于故障现象、根本原因、部件关系和维修操作的有用描述。这些描述往往不完整、异构且分散于不同来源。深度诊断模型可以从监控信号中学习判别性特征[3]。基于图和语义表示的方法也改善了在有限或混淆证据下的故障诊断[4], [5]。然而，许多现有方法仍然聚焦于结构化信号、预定义标签或案例级推理，并不能直接回答需要因果解释、影响分析或部件定位的自然语言维护问题。大语言模型为运维知识交互提供了灵活接口，但直接生成可能会引入无依据或不一致的内容[6]。因此，需要一种结构化知识表示来使大语言模型辅助诊断建立在设备故障机理之上。第二个挑战是如何根据每个查询的推理目的检索证据。RAG通过在答案生成前检索外部证据来减少无依据的生成[7]。传统的基于向量的RAG对语义匹配有效，但当相关证据分布在不同运维记录中时，可能会丢失多跳故障逻辑。基于图的RAG将知识表示为实体、关系和路径[8]。面向路径的检索进一步利用关系路径来组织生成所需的证据[9]。近期的RAG研究还表明，自适应检索和细粒度知识精炼可以改善证据质量[10], [11]。然而，故障诊断需要的不只是检索相关文本。因果、表现和结构关系具有不同的工程含义。诊断、影响分析、定位和一般查询也需要不同的遍历偏好。任务感知检索研究表明，检索可以从任务描述中获益[12]。因此，在复杂设备运维诊断中，查询意图应引导关系加权与图激活。第三个挑战是如何在多跳图检索中抑制噪声证据。密集的子系统与部件连接对于表示设备拓扑是必要的，但遍历经过高度枢纽节点或弱相关邻居时也可能引入拓扑噪声。将所有语义匹配的文本块或所有图邻接路径发送给大语言模型会降低答案的特定性，也可能引入证据冲突[13]。知识图谱推理研究进一步表明，混淆案例需要仔细区分相关证据与诊断有用的证据[14]。因此，检索应保留在语义上相关、物理上合理且与检测到的推理意图一致的紧凑路径。为解决上述三个挑战，本文提出了一种意图感知因果图RAG框架（IA-CGRAG），并在专用车辆运维场景中进行了检验。从不结构化的运维记录中构建加权有向因果知识图谱，表示故障实体、类型化关系和维护证据。然后识别主导查询意图，并调整关系增益以激活与意图一致的子图。最后，一种语义-拓扑自适应剪枝策略将查询特定的语义相关性与意图调节后的图权重和路径约束相结合，以保留紧凑的推理路径。所得路径为下游大语言模型提供与所需推理方向一致的证据。本文的主要贡献总结如下：(1) 开发了一种本体约束的加权因果知识图谱构建流程，将非结构化的运维记录组织为类型化实体和有向关系。在基于大语言模型的抽取过程中自动生成边级关系强度，而全局关系类型先验在领域专家指导下一次性指定。(2) 提出了一种意图感知关系增益机制，使图加权与每个查询所需的推理方向对齐。该机制根据查询意图调整关系权重，并为后续路径剪枝提供任务特定的拓扑先验。(3) 开发了一种语义-拓扑自适应剪枝策略，从意图激活的图中选择紧凑的多跳证据路径。该策略结合来自预训练文本编码器的语义相关性、显式关系权重和图路径约束，从而在检索过程中减少拓扑噪声。本文其余部分组织如下。第2节回顾相关文献。第3节介绍IA-CGRAG框架及三个核心模块：知识图谱构建、意图感知关系加权和语义-拓扑路径剪枝。第4节报告实验设置、对比结果、检索证据的专家评估和消融分析。第5节总结全文并讨论未来工作。章节片段相关工作本节回顾了与本文所解决三个挑战相关的研究：故障知识组织、意图感知证据检索以及多跳检索中的噪声抑制。方法论本节介绍所提出的IA-CGRAG框架。首先定义核心符号以避免歧义。设用户查询表示为$q$，检测到的意图标签为$i$，其中$\mathcal{I}=\{i_1, i_2, i_3, i_4\}$分别表示故障诊断、影响分析、空间定位和一般查询。复杂设备运维知识库被建模为加权有向图$G=(V, E, R, w)$，其中$V$是实体集合，$E$是有向边集合，$R$是关系类型集合，$w$为每条边分配静态权重。实验设置实证评估在一个专有运维语料库上进行，该语料库采集自一个专用车辆系统及其关键支撑子系统。源材料包括技术文档、现场维护记录、状态监控日志和报警记录，涵盖不同运行载荷和环境条件。这些记录以自然语言描述了故障现象和维护操作，为评估所提出方法提供了异构的多子系统场景。结论本文提出了面向运维文本中知识驱动故障诊断的IA-CGRAG框架。该框架将非结构化的维护知识结构化为加权因果图，根据查询意图调整关系优先级，并结合基于图的拓扑约束与查询特定的语义相关性来选择多跳证据路径。所得路径为大语言模型辅助的诊断响应生成提供结构化、任务对齐的证据。基于从某系统衍生的基准进行的实验表明……作者贡献声明王哲哲：撰写——初稿、方法论、形式化分析。易小建：撰写——审阅与编辑、项目管理、调查研究、资金获取、概念构思。利益冲突声明作者声明他们不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。作者简介王哲哲于2021年获得南京航空航天大学机械工程学士学位，2024年获得北京理工大学武器系统工程硕士学位。目前在北京理工大学攻读武器科学与技术博士学位。当前研究方向包括故障诊断与预测性健康管理和维护。