通过本体引导和过程感知的FMEA图学习与LLM跨生产线进行故障原因识别
信息检索
2025-10-20 v1
摘要
由于系统的复杂性、频繁的重新配置以及现有失效模式与影响分析（FMEA）知识的有限可重用性，自动化生产线中的故障原因识别具有挑战性。尽管FMEA工作表包含宝贵的专家见解，但它们在异构生产线之间的重用受到自然语言变异性、不一致的术语和过程差异的阻碍。为了解决这些局限性，本研究提出了一种过程感知框架，通过将制造领域概念化与图神经网络（GNN）推理相结合来增强FMEA的可重用性。首先，通过本体引导的大语言模型（LLM）提取，将来自多个生产线的FMEA工作表转换为统一的知识图谱，捕获诸如动作、状态、组件和参数等领域概念。其次，一个具有过程感知评分函数的图卷积网络（RGCN）学习同时尊重语义关系和顺序过程流的嵌入。最后，采用链接预测来推断和排序与目标生产线过程流一致的候选故障原因。在汽车压力传感器装配线上的案例研究表明，所提出的方法优于最先进的检索增强生成（RAG）基线（F1@20 = 0.267）和RGCN方法（0.400），在故障原因识别中达到了最佳性能（0.523）。消融研究证实了LLM驱动的领域概念化和过程感知学习的贡献。这些结果表明，所提出的框架显著提高了FMEA知识在异构生产线之间的可迁移性，从而支持操作员更可靠地诊断故障，并为智能制造中未来的领域自适应LLM应用铺平了道路。
引用
@article{arxiv.2510.15428,
title = {Fault Cause Identification across Manufacturing Lines through Ontology-Guided and Process-Aware FMEA Graph Learning with LLMs},
author = {Sho Okazaki and Kohei Kaminishi and Takuma Fujiu and Yusheng Wang and Jun Ota},
journal= {arXiv preprint arXiv:2510.15428},
year = {2025}
}