论文标题：Intelligent Fault Diagnosis for CNC Through the Integration of Large Language Models and Domain Knowledge Graphs

期刊：Engineering

DOI：https://doi.org/10.1016/j.eng.2025.04.003

微信链接：点击此处阅读微信文章

由华中科技大学刘宇涵、清华大学周源、中国工程院战略咨询中心刘宇飞等组成的研究团队在中国工程院院刊《Engineering》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）的研究性文章，通讯作者为刘宇飞。该研究提出了一种智能数控故障诊断系统，将大语言模型与知识图谱相结合，旨在解决故障诊断知识的组织效率低、静态知识框架与动态工程环境之间缺乏适应性以及专家知识与实时数据流的整合困难等问题。

随着新一代智能制造技术的发展，人工智能与先进制造系统的融合成为工业领域的重要趋势。大语言模型在处理复杂任务方面展现出巨大潜力，但在工业场景中的应用仍面临诸多挑战，尤其是在可靠性要求极高的故障诊断领域。传统的故障诊断系统主要依赖专家系统，存在知识更新困难、交互性差等问题。为应对这些挑战，研究团队构建了一个全面的知识图谱，整合多源数据并进行结构化表示，设计了基于知识图谱的检索增强生成（RAG）框架，并引入动态学习机制以促进知识的持续更新。

图1. 基于大型语言模型(LLM)的故障诊断决策支持系统框架?PLC:可编程逻辑控制器?

在研究中，团队首先构建了一个面向数控系统的综合知识图谱，涵盖设备（机床）、设备模块、参数、报警编号 / 信息、现象（症状）、原因及解决方案，实体间的相互关系（如图2所示）。通过自顶向下与自底向上相结合的方法。其中，自顶向下的方法基于专家系统和现有数据模型 ，为知识图谱的构建提供理论指导；而自底向上的方法则通过信息抽取技术，从半结构化或非结构化数据中识别和整合相关知识。两种策略相辅相成，既充分利用了领域内深厚的专业知识，也体现了数据驱动方法在新知识发现和验证过程中的关键作用。

图2. 数控系统故障诊断知识图谱的本体设计

研究团队提出了一种从PLC梯形图中提取知识的方法，将其逻辑关系转化为知识图谱中的节点和路径，简化故障诊断流程。在此基础上，团队进一步从历史工单中提取知识，利用大语言模型（LLM）的深度语义理解和提示工程技术，设计专用模板提取关键信息，经数据清洗和专家审核后转化为结构化的知识图谱数据。同时，团队还进行了工程数据特征提取，通过分阶段策略从单个传感器信号中提取关键特征，整合多源数据并基于操作指令变化预测潜在异常，这些特征与设备模块故障的关联被纳入知识图谱，为故障诊断提供更精准的数据支持。

图 3. 数控系统工程数据特征提取框架。Conv1d：一维卷积；BN：批归一化；MaxPool1d：一维最大池化；GAP：全局平均池化；GAT：图注意力网络；MLP：多层感知机。

在故障诊断系统的设计中，研究团队采用了基于知识图谱的RAG框架。该框架通过将多轮对话映射为知识图谱中的路径遍历，有效提升了对复杂交互式任务的支持能力。系统在接收到用户报警或描述性信息时，能够通过实体识别与语义解析迅速定位知识图谱中的相关实体及其关联子图，并在多轮交互中动态优化知识图谱中路径的遍历方向，从而提供更加精准的诊断支持。此外，团队还设计了定制化的提示词工程，通过角色提示和任务提示引导大语言模型生成符合用户需求的响应。

为确保系统的持续优化，研究团队引入了动态学习机制。该机制通过分析用户对当前答案的满意度，动态调整知识图谱中各路径的权重，并将经过专家审核的路径纳入知识图谱，实现知识库的持续扩充。实验结果表明，基于构建的基准数据集，该系统显著提高了故障诊断的准确性，甚至超越了具有两年经验的工程师。

图4 数控系统工程数据特征提取框架。 Q&A: 问题与答案

该研究不仅为数控系统的故障诊断提供了一种新的智能化解决方案，也为大语言模型在工业领域的应用提供了可参考的标准化框架。通过知识图谱与大语言模型的结合，该系统突破了传统专家系统基于符号推理的局限，有效解决了工业环境中无结构知识建模和动态环境适应的认知悖论问题。未来，研究团队将继续优化提示词设计、微调策略乃至预训练过程，以实现更广泛的工业落地应用和更优异的系统性能。

论文信息：

Yuhan Liu,Yuan Zhou,Yufei Liu,Zhen Xu,Yixin He. Intelligent Fault Diagnosis for CNC Through the Integration of Large Language Models and Domain Knowledge Graphs. Engineering, 2025

开放获取：

https://doi.org/10.1016/j.eng.2025.04.003

更多内容

流程工业大模型：挑战与机遇

让AI更智能，李静海院士团队提出“四一致”新范式

智能制造新方案：动态拍卖算法破解多代理调度难题

吕跃广院士、吴飞教授：人工智能赋能人类——特定任务驱动和通用智能评测

Engineering征稿启事：人工智能赋能工程科技