Complex System Diagnostics Using a Knowledge Graph-Informed and Large Language Model-Enhanced Framework

📄 arXiv: 2505.21291v1 📥 PDF

作者: Saman Marandi, Yu-Shu Hu, Mohammad Modarres

分类: cs.AI

发布日期: 2025-05-27

备注: 22 Pages, 11 Figures

DOI: 10.3390/app15179428

💡 一句话要点

提出基于知识图谱与大语言模型增强的复杂系统诊断框架，提升核电站等高可靠性系统诊断能力。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 复杂系统诊断 知识图谱 大语言模型 故障推理 动态主逻辑 自然语言处理 核电站 功能建模

📋 核心要点

  1. 传统诊断建模在复杂系统（如核电站）中面临挑战，难以有效处理系统复杂性带来的故障诊断难题。
  2. 该框架结合知识图谱（KG）和大语言模型（LLM），利用LLM自动构建DML逻辑，并构建KG-DML支持分层故障推理。
  3. 在辅助给水系统案例研究中，该框架在关键要素上实现了超过90%的准确率，验证了其在安全关键诊断中的有效性。

📝 摘要（中文）

本文提出了一种新颖的诊断框架，该框架集成了知识图谱（KG）和大语言模型（LLM），以支持核电站等高可靠性系统中的系统诊断。传统的诊断建模在系统过于复杂时会遇到困难，因此功能建模成为更具吸引力的方法。我们的方法引入了一种基于动态主逻辑（DML）模型的功能建模原则的诊断框架。它包含两个协调的LLM组件，包括用于从系统文档自动构建DML逻辑的基于LLM的工作流程，以及促进交互式诊断的LLM代理。生成的逻辑被编码到结构化的KG中，称为KG-DML，它支持分层故障推理。专家知识或运行数据也可以被纳入以提高模型的精度和诊断深度。在交互阶段，用户提交自然语言查询，这些查询由LLM代理解释。该代理选择适当的工具进行结构化推理，包括跨KG-DML的向上和向下传播。LLM代理区分诊断任务和解释任务，而不是将KG内容嵌入到每个提示中。对于诊断，代理选择并执行执行结构化KG推理的外部工具。对于一般查询，使用基于图的检索增强生成（Graph-RAG）方法，检索相关的KG段并将其嵌入到提示中以生成自然解释。一个关于辅助给水系统的案例研究证明了该框架的有效性，关键要素的准确率超过90％，并且工具和参数提取一致，支持其在安全关键诊断中的使用。

🔬 方法详解

问题定义：现有诊断方法在面对核电站等复杂系统时，由于系统组件间的高度耦合和状态空间的爆炸性增长，难以建立精确的诊断模型。传统方法依赖于专家知识的手动建模，效率低且容易出错。此外，当系统出现未知故障模式时，传统方法的泛化能力较差。

核心思路：利用大语言模型（LLM）的自然语言理解和生成能力，自动从系统文档中提取故障诊断逻辑，并将其转化为结构化的知识图谱（KG）。通过KG-DML实现故障原因的分层推理和传播。同时，利用LLM作为智能代理，根据用户查询选择合适的推理工具，并生成自然语言解释。

技术框架：该框架包含两个主要阶段：KG-DML构建阶段和交互式诊断阶段。在KG-DML构建阶段，首先使用LLM从系统文档中自动提取DML逻辑。然后，将提取的DML逻辑编码为KG-DML，其中节点表示系统组件和状态，边表示组件间的关系和故障传播路径。在交互式诊断阶段，用户通过自然语言提交查询，LLM代理解析查询并选择合适的推理工具（如KG上的向上/向下传播算法）。对于诊断任务，LLM代理调用外部工具进行结构化KG推理；对于一般查询，使用Graph-RAG方法检索相关KG片段，并生成自然语言解释。

关键创新：该方法的核心创新在于将LLM和KG相结合，实现了自动化、可解释和可扩展的复杂系统诊断。与传统方法相比，该方法无需手动建模，能够处理未知故障模式，并提供自然语言解释。此外，LLM代理能够根据用户查询动态选择推理工具，提高了诊断的灵活性和效率。

关键设计：DML逻辑的提取依赖于LLM的文本理解能力，需要设计合适的prompt来引导LLM提取准确的逻辑关系。KG-DML的构建需要仔细设计节点和边的类型，以支持有效的故障推理。Graph-RAG方法需要选择合适的KG嵌入方法和检索策略，以保证检索到的KG片段与用户查询相关。LLM代理的设计需要考虑如何将自然语言查询映射到KG上的推理操作，并生成清晰易懂的自然语言解释。

📊 实验亮点

在辅助给水系统案例研究中，该框架在关键要素上实现了超过90%的准确率。实验结果表明，该框架能够一致地提取工具和参数，并支持安全关键诊断。与传统方法相比，该框架能够显著提高诊断效率和准确性，并提供可解释的诊断结果。

🎯 应用场景

该框架可应用于核电站、航空航天、智能制造等高可靠性复杂系统的故障诊断与风险评估。通过自动化故障诊断流程，降低人工成本，提高诊断效率和准确性，从而保障系统安全稳定运行。未来可扩展到其他领域，如医疗诊断、金融风险管理等。

📄 摘要（原文）

In this paper, we present a novel diagnostic framework that integrates Knowledge Graphs (KGs) and Large Language Models (LLMs) to support system diagnostics in high-reliability systems such as nuclear power plants. Traditional diagnostic modeling struggles when systems become too complex, making functional modeling a more attractive approach. Our approach introduces a diagnostic framework grounded in the functional modeling principles of the Dynamic Master Logic (DML) model. It incorporates two coordinated LLM components, including an LLM-based workflow for automated construction of DML logic from system documentation and an LLM agent that facilitates interactive diagnostics. The generated logic is encoded into a structured KG, referred to as KG-DML, which supports hierarchical fault reasoning. Expert knowledge or operational data can also be incorporated to refine the model's precision and diagnostic depth. In the interaction phase, users submit natural language queries, which are interpreted by the LLM agent. The agent selects appropriate tools for structured reasoning, including upward and downward propagation across the KG-DML. Rather than embedding KG content into every prompt, the LLM agent distinguishes between diagnostic and interpretive tasks. For diagnostics, the agent selects and executes external tools that perform structured KG reasoning. For general queries, a Graph-based Retrieval-Augmented Generation (Graph-RAG) approach is used, retrieving relevant KG segments and embedding them into the prompt to generate natural explanations. A case study on an auxiliary feedwater system demonstrated the framework's effectiveness, with over 90% accuracy in key elements and consistent tool and argument extraction, supporting its use in safety-critical diagnostics.