面向可靠电梯故障诊断的知识图谱增强大语言模型

《Scientific Reports》：Knowledge graph-enhanced large language models toward reliable elevator fault diagnosis

　　

摘要

电梯系统的运行可靠性对于现代城市基础设施的安全和效率至关重要。虽然大型语言模型已展现出卓越的推理能力，但其应用于专业工业维护任务时受到领域知识缺口的限制。对通用预训练语料的依赖经常导致在面对复杂机电故障逻辑时产生幻觉或不切实际的策略。为解决这一瓶颈，我们提出了一个专为智能电梯故障诊断量身定制的结构化知识增强框架。首先，我们构建了一个从真实工业记录中衍生出来的、经过策划的、模式约束的电梯知识图谱。为了减少结构稀疏性，我们引入了一种神经符号协作的知识图谱补全策略，该策略将确定性的元路径逻辑规则与 LLM 驱动的检索后验证机制相结合。此外，我们制定了一种基于图谱的检索增强生成范式，将这些稠密化图谱先验注入 LLM 的推理流程中。对最先进模型的综合评估表明，在我们构建的电梯维护问答数据集上，所提出的框架持续提高了关键实体召回率和 BERTScore，以及在 LLM 作为评判者协议下的偏好度，表明其对领域实体的覆盖率更好，且与记录导出的参考答案更接近。这些结果表明，将生成过程基于模式约束且自动筛选的领域知识图谱是一个减少幻觉并支持更可靠的基于 LLM 的电梯故障诊断的有前景方向，但在部署到安全关键环境之前，仍需通过直接的事实性和安全措施进行进一步验证。