近日，上海理工大學(xué)出版學(xué)院網(wǎng)絡(luò)與新媒體系青年教師苗潤生與2023級新聞傳播學(xué)碩士研究生吳濤及其他合作者，在列車轉(zhuǎn)向架智能故障診斷與知識圖譜交叉方向取得重要進展，相關(guān)研究成果以”基于知識圖譜與大語言模型的圖RAG轉(zhuǎn)向架故障診斷方法“（Graph RAG-based fault diagnosis for train bogies using knowledge graphs and large language model）為題，發(fā)表在《知識系統(tǒng)》（Knowledge-Based Systems）上。苗潤生講師為該論文第一作者，上海理工大學(xué)出版學(xué)院為論文第一完成單位。

高速列車轉(zhuǎn)向架作為保障行車安全與舒適的關(guān)鍵部件，其故障診斷長期面臨故障耦合性強、非線性特征明顯、現(xiàn)有振動分析方法與深度學(xué)習(xí)模型解釋性不足等挑戰(zhàn)。受近年來知識圖譜與大語言模型在工業(yè)診斷中成功應(yīng)用的啟發(fā)，研究團隊創(chuàng)新性地提出了“圖檢索增強生成”框架，將非結(jié)構(gòu)化維修日志中的隱式知識轉(zhuǎn)化為可解釋、可追溯的故障推理鏈條，實現(xiàn)了從“黑箱診斷”到“透明推理”的范式跨越。

研究團隊構(gòu)建了一套包含四階段的全流程診斷框架：數(shù)據(jù)預(yù)處理標準化多模態(tài)故障記錄；基于大語言模型的自動化知識圖譜構(gòu)建，并通過提示工程融入領(lǐng)域知識；圖編碼和檢索將知識圖譜轉(zhuǎn)化為結(jié)構(gòu)化圖嵌入，實現(xiàn)基于查詢向量的精確子圖檢索；以及基于檢索上下文的可解釋故障分類與歸因分析。該框架不僅顯著提升了診斷準確性，更通過知識圖譜實現(xiàn)了故障因果鏈的可視化與可驗證，為鐵路安全運維提供了可信任的智能決策支持。

在真實轉(zhuǎn)向架故障數(shù)據(jù)集上的實驗表明，該方法在加權(quán)F1分數(shù)上較現(xiàn)有先進方法提升超過2.47%，Top-10準確率提升超過3.26%，歸因一致性高達92.67%，顯示出優(yōu)異的診斷可解釋性與推理透明度。此外，研究還設(shè)計了增量索引機制，支持知識圖譜的動態(tài)更新，在新增50個故障案例后，系統(tǒng)召回率提升8.4%，F(xiàn)1分數(shù)提升5.1%，表現(xiàn)出良好的適應(yīng)性與擴展性。

該研究將圖檢索增強生成技術(shù)引入軌道交通故障診斷領(lǐng)域，實現(xiàn)了從“基于數(shù)據(jù)的分類”到“基于知識的推理”的跨越，為復(fù)雜工業(yè)系統(tǒng)的智能運維提供了可解釋、可演進的新范式。其模塊化設(shè)計也具備向航空航天、能源電力等其他安全關(guān)鍵領(lǐng)域推廣的潛力，標志著人工智能在高端裝備運維中向“可信智能”邁進的重要一步。從傳播學(xué)與知識管理視角看，該研究將知識圖譜與大語言模型引入復(fù)雜工業(yè)場景，探索了專業(yè)知識的結(jié)構(gòu)化組織、語義關(guān)聯(lián)與智能化傳播，為傳播學(xué)中知識管理、知識圖譜及智能傳播技術(shù)在工程與安全領(lǐng)域的應(yīng)用提供了新的實踐范例。

作為文科學(xué)院教師，苗潤生聚焦國家重大戰(zhàn)略需求與行業(yè)前沿問題，勇于突破學(xué)科邊界，將人工智能、數(shù)據(jù)科學(xué)等新興工科范式深度融入新聞傳播與知識服務(wù)研究，展現(xiàn)了文科教師主動擁抱技術(shù)變革、推動知識創(chuàng)新的前瞻視野與科研能力。出版學(xué)院始終堅持以“文工交融、協(xié)同創(chuàng)新”為發(fā)展理念，鼓勵教師面向智能時代開展跨學(xué)科探索。

未來，出版學(xué)院將繼續(xù)依托學(xué)校多學(xué)科綜合優(yōu)勢，以AI賦能、數(shù)據(jù)驅(qū)動、文工融合為主線，進一步推動科研范式轉(zhuǎn)型與人才培養(yǎng)模式創(chuàng)新。鼓勵更多教師立足文科基礎(chǔ)，拓展智能技術(shù)應(yīng)用場景，構(gòu)建相互滋養(yǎng)、協(xié)同共進的學(xué)科生態(tài)體系。

基于Graph RAG的列車轉(zhuǎn)向架故障診斷方法框架

列車轉(zhuǎn)向架知識圖譜可視化示意圖