结合知识图谱（KG）和大型语言模型（LLM）提升故障模式与风险分析的推理能力

最新推荐文章于 2025-04-17 20:26:13 发布

鸡腿爱学习

最新推荐文章于 2025-04-17 20:26:13 发布

阅读量944

点赞数 28

文章标签：知识图谱语言模型人工智能智能手机 agi 自然语言处理数据库

本文链接：https://blog.csdn.net/2401_84206094/article/details/140542649

版权

0.背景

在全球化的生产网络背景下，新产品的同步生产对跨学科团队提出了严峻的挑战，尤其是质量保证团队在生产的初期阶段遭遇的过程管控难题。故障模式与影响分析（FMEA）是一种广泛应用的风险评估手段，旨在发现并防范可能出现的故障。然而，在复杂的产品研发过程中，由于参与方众多，FMEA的应用存在方法上的不统一，文档管理复杂，以及推理能力不足等问题。

1.实际问题分析

FMEA工具的局限性：传统的FMEA工具通常是表格化的，缺乏推理能力，这限制了它们在复杂产品生产过程中识别和预防潜在失败的能力。
数据一致性和完整性问题：在多学科团队中，由于不同的FMEA方法和数据条目不一致，导致文档难以评估，完整性和一致性不明确。
信息检索和分析的复杂性：在现有的FMEA实践中，从大量数据中检索和分析具体问题是一项复杂且耗时的任务，特别是当需要进行数值数据分析和基本统计分析时。

为了应对这些挑战，大型语言模型（LLMs）与检索增强生成（RAG）技术被提出作为解决方案，尽管它们在事实知识的有效运用方面仍面临挑战。

2.解决方案-面向FMEA的知识图谱增强的检索增强生成（KG-RAG）框架

面向FMEA的知识图谱增强的检索增强生成（KG-RAG）框架旨在解决故障模式与影响分析（FMEA）中的上述实际问题。该框架使用KG的图形查询语言或矢量搜索检索信息，通过LLM来生成查询并提供结果。应用界面如下所示：

https://arxiv.org/abs/2406.18114

主要有以下几个关键步骤和特点：

①专为FMEA设计的本体建模：FMEA数据涉及复杂的因果关系和多层次的分析，这要求知识图谱（KG）能够准确地表示这些关系，所以专为FMEA设计本体。这种本体模型包括过程步骤、故障效应、故障后果、故障原因和故障措施等实体，以及它们之间的关联关系。通过这种方式，FMEA数据被转换为结构化的图形式，便于进行语义查询和分析。如下图所示：
https://arxiv.org/abs/2406.18114
②向量嵌入的生成计算：提出用于从FMEA KG中创建向量嵌入算法。这种算法通过遍历KG的树状结构，将相关的实体和关系组合成文本块，然后使用词到向量编码器生成向量表示。这些向量嵌入被用于KG中的向量搜索，以提高信息检索的准确性和效率。
https://arxiv.org/abs/2406.18114
③****知识图谱（KG）与检索增强生成（RAG）的构建：KG-RAG框架结合了KG的图查询语言和向量搜索技术，以动态更新数据并进行基本数值分析。该框架通过大型语言模型（LLM）生成查询并提供结果，旨在简化非领域专家与FMEA数据的交互。通过这种方法，实现了对FMEA数据的灵活查询和分析，提高了数据的可访问性和利用效率。如下图所示：
https://arxiv.org/abs/2406.18114
④人类研究和评估：通过一项包含FMEA专家和非专家的人类评估，验证了KG-RAG框架的有效性，并测量了上下文检索的召回率和精度。研究结果表明，该框架能够有效地检索和生成与FMEA相关的信息，同时提高了用户友好性和交互效率。

3.总结

通过创建一个专门针对FMEA数据的多标签属性知识图谱本体（Ontology），并开发了一套高效的算法来生成FMEA数据的向量嵌入，能够有效地检索和解读FMEA数据的深层语义信息。构建KG-RAG框架，将FMEA数据结构化存储于KG中，并利用向量嵌入和LLM技术，将非参数数据存储整合到知识图谱（KG）中，以此强化RAG框架的问答功能。

在处理FMEA数据时，KG的符号结构不仅提供了可解释的推理路径，还增强了数据提取和结论推断的能力，使得整个分析过程更加透明和高效。该框架不仅提高了数据检索的准确性和效率，还简化了非领域专家与FMEA数据的交互，为风险评估和决策支持提供了强有力的工具。