一种基于知识图谱与大模型的辅助系统技术方案

本发明专利技术属于机器健康管理技术领域，涉及一种基于知识图谱与大模型的辅助系统，包括：数据资源库，存储有机器健康管理相关的知识数据资源；知识图谱构建模块，基于知识数据资源构建基础知识图谱；知识图谱校验模块，对基础知识图谱进行校验，获得知识图谱；大模型训练模块，使用知识数据资源对基础大模型进行训练；大模型微调模块，使用知识数据资源对训练后的大模型进行微调，获得行业垂直大模型；需求输入模块，供用户输入查询指令；协同处理模块，让知识图谱与行业垂直大模型互相协同，以获得融合后的内容；知识赋能模块，其用于输出融合后的内容，以为企业人员的工作进行赋能

【技术实现步骤摘要】
一种基于知识图谱与大模型的辅助系统


[0001]本专利技术属于机器健康管理
，涉及一种机器健康管理用辅助系统，尤其涉及一种基于知识图谱与大模型的辅助系统
。

技术介绍

[0002]维修服务的质量逐渐成为各工业制造厂家的核心竞争力之一
。
各大厂家和从业者也在探索各种提升售后维修服务质量和口碑的方法
。
随着大量维修记录
、
维修案例等数据的积累，部分从业者开始引入大数据和人工智能技术来提升售后维修服务的质量
。
[0003]机器健康管理是指在机器运行过程中，通过对机器的状态和性能进行实时监测
、
分析和预测，以实现对机器的健康状况进行评估
、
预测和维护管理的一项技术
。
然而在机器健康管理领域中，如何有效地进行故障诊断
、
维修与预测性养护仍然面临着诸多挑战
。
传统的故障诊断和维修方法主要依靠人工经验和专业知识，这种方法存在着诊断和维修效率低
、
易出错
、
准确度不高等问题
。
同时，传统的机器健康管理方法也难以满足大规模的实时监测和预测分析需求，因此需要将人工经验和专业知识与现代化的技术手段相结合，以提高机器健康管理的效率和精准性
。
[0004]目前，国内外在机器故障诊断
、
维修与预测性养护领域已经涌现出了一些新的技术和方法，如基于机器学习的故障诊断
、
基于智能算法的故障维修
、
基于大数据分析的预测性养护等
。
[0005]其中，基于机器学习的故障诊断方法是一种利用机器学习算法对机器运行过程中产生的数据进行分析和建模，以实现对故障进行诊断和预测的方法
。
该方法具有较高的准确性和效率，但是需要大量的标记数据和计算资源，因此在实际应用中存在较大的局限性
。
[0006]基于智能算法的故障维修方法是一种利用智能算法对故障维修过程进行优化和管理的方法
。
该方法可以大大提高维修的效率和精准度，但是需要大量的专业知识和经验，因此在普及应用方面存在一定的困难
。
[0007]基于大数据分析的机器预测性养护方法是一种利用大数据分析工具对实际运行数据进行实时分析和预测，以实现对机器预测性养护的方法
。
该方法可以有效地提高机器的运行效率和延长机器的寿命，但是需要大量的数据存储和计算资源，因此在实际应用中也存在一定的限制
。
[0008]因此，针对上述现有技术中存在的缺陷，需要研发一种新型的机器健康管理用辅助系统
。

技术实现思路

[0009]为了克服现有技术的缺陷，本专利技术提出一种基于知识图谱与大模型的辅助系统，其具有高效
、
准确的优点，可以大大提高机器健康管理的效率和精准性，进一步推动机器健康管理进入大数据和智能化管理时代
。
[0010]为了实现上述目的，本专利技术提供如下技术方案：
[0011]一种基于知识图谱与大模型的辅助系统，其特征在于，包括：
[0012]数据资源库，其存储有机器健康管理相关的知识数据资源；
[0013]知识图谱构建模块，其用于基于所述知识数据资源构建基础知识图谱；
[0014]知识图谱校验模块，其用于对所述基础知识图谱进行校验，以获得知识图谱；
[0015]大模型训练模块，其用于使用所述知识数据资源对基础大模型进行训练；
[0016]大模型微调模块，其用于使用所述知识数据资源对训练后的大模型进行微调，以获得行业垂直大模型；
[0017]需求输入模块，其用于供用户输入查询指令；
[0018]协同处理模块，其用于让所述知识图谱与所述行业垂直大模型互相进行协同，以获得与所述查询指令相匹配的融合后的内容；
[0019]知识赋能模块，其用于输出所述融合后的内容，以为企业人员的工作进行赋能
。
[0020]优选地，让所述知识图谱与所述行业垂直大模型互相进行协同，以获得与所述查询指令相匹配的融合后的内容具体包括：
[0021]协同处理模块将所述查询指令与所述知识图谱相关联，以获得改进后的指令；
[0022]协同处理模块将所述改进后的指令输入所述行业垂直大模型；
[0023]所述行业垂直大模型基于所述改进后的指令进行内容的生成并将生成的内容反馈给所述协同处理模块；
[0024]所述协同处理模块将所述生成的内容与所述知识图谱相关联，以获得与所述查询指令相匹配的融合后的内容
。
[0025]优选地，所述协同处理模块采用
Copilot
引擎构建而成
。
[0026]优选地，所述知识图谱构建模块包括：
[0027]概念和关系设计子模块，其用于依据知识图谱中的知识结构对所述知识数据资源进行业务抽象和数据建模，从而建立知识图谱概念模型，所述知识图谱概念模型定义了实体类型
、
实体类型的属性项和实体类型之间的关系；
[0028]信息抽取子模块，其用于对所述知识数据资源进行信息抽取，抽取出实体对象
、
实体对象的属性以及实体对象之间的关系；
[0029]图谱构建子模块，其用于基于所述信息抽取子模块的抽取结果对所述知识图谱概念模型进行填充，以获得所述基础知识图谱
。
[0030]优选地，所述知识图谱校验模块包括：
[0031]知识萃取子模块，其用于从所述知识数据资源中提取出故障特征；
[0032]专家经验挖掘子模块，其用于从专家经验中提取出故障模式和修复方法；
[0033]图谱校验子模块，其用于对所述故障特征
、
故障模式和修复方法进行分类和标注，并通过知识关联技术将它们组织成一个有机的校验知识图谱，并用所述校验知识图谱对所述基础知识图谱进行校验，以获得所述知识图谱
。
[0034]优选地，所述基础大模型为采用了基于
Transformer
的编码器
‑
解码器结构的大模型
。
[0035]优选地，所述大模型训练模块也用于使用所述知识图谱对所述基础大模型进行训练
。
[0036]优选地，所述知识赋能模块包括：
[0037]CT
优化子模块，其用于输出识别的
CT
瓶颈单元并输出优化策略；
[0038]设备调试
SOP
生成子模块，其用于生成设备调试
SOP
；
[0039]设备维修
SOP
生成子模块，其用于生成设备维修
SOP
；
[0040]故障分析报告生成子模块，其用于生成故障分析报告；
[0041]预测性维修报告生成子模块，其用于生成预测性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于知识图谱与大模型的辅助系统，其特征在于，包括：数据资源库，其存储有机器健康管理相关的知识数据资源；知识图谱构建模块，其用于基于所述知识数据资源构建基础知识图谱；知识图谱校验模块，其用于对所述基础知识图谱进行校验，以获得知识图谱；大模型训练模块，其用于使用所述知识数据资源对基础大模型进行训练；大模型微调模块，其用于使用所述知识数据资源对训练后的大模型进行微调，以获得行业垂直大模型；需求输入模块，其用于供用户输入查询指令；协同处理模块，其用于让所述知识图谱与所述行业垂直大模型互相进行协同，以获得与所述查询指令相匹配的融合后的内容；知识赋能模块，其用于输出所述融合后的内容，以为企业人员的工作进行赋能
。2.
根据权利要求1所述的基于知识图谱与大模型的辅助系统，其特征在于，让所述知识图谱与所述行业垂直大模型互相进行协同，以获得与所述查询指令相匹配的融合后的内容具体包括：协同处理模块将所述查询指令与所述知识图谱相关联，以获得改进后的指令；协同处理模块将所述改进后的指令输入所述行业垂直大模型；所述行业垂直大模型基于所述改进后的指令进行内容的生成并将生成的内容反馈给所述协同处理模块；所述协同处理模块将所述生成的内容与所述知识图谱相关联，以获得与所述查询指令相匹配的融合后的内容
。3.
根据权利要求2所述的基于知识图谱与大模型的辅助系统，其特征在于，所述协同处理模块采用
Copilot
引擎构建而成
。4.
根据权利要求3所述的基于知识图谱与大模型的辅助系统，其特征在于，所述知识图谱构建模块包括：概念和关系设计子模块，其用于依据知识图谱中的知识结构对所述知识数据资源进行业务抽象和数据建模，从而建立知识图谱概念模型，所述知识图谱概念模型定义了实体类型
、
实体类型的属性项和实体类型之间的关系；信息抽取子模块，其用于对所述知识数据资源进行信息抽取，抽取出实体对象
、
实体对象的属性以及实体对象之间的关系；图谱构建子模块，其用于基于所述信息抽取子模块的抽取结果对所述知识图谱概念模型进行填充，以获得所述基础知识图谱
...

【专利技术属性】
技术研发人员：肖东宝，刘丁枭，马晋辰，吴浩，
申请(专利权)人：北京智谱华章科技有限公司，
类型：发明
国别省市：