2025年6月，我课题组胡友民教授、刘颉副教授、杨晔博士赴比利时布鲁日参加第十五届Prognostics and System Health Management Conference 2025（PHM 2025，预测与系统健康管理国际会议）。杨晔博士在会上作了题为《Knowledge Graph-based Dual-modal Collaborative QA Framework for Hydropower Operation and Maintenance》的口头报告，该研究聚焦于大语言模型与知识图谱协同赋能水电设备智能检修辅助决策。本次会议由比利时鲁汶大学、IET工程技与技术学会、瑞典研究院、瑞典皇家理工学院等机构联合主办，旨在交流复杂系统故障预测与健康管理领域的最新研究进展，是PHM领域最具影响力的国际学术会议之一，汇聚了来自全球航天、电力、能源、交通等多个关键行业的研究者和工程专家。

图1 比利时鲁汶大学会议现场

在水电站的运营与维护（O&M）领域，长期存在“大量专业知识沉淀与非结构化知识低效利用”的矛盾：一方面，海量结构复杂的专业文档（如操作手册、维护记录）中积累了宝贵的专家知识；另一方面，这些知识被“锁”在了非结构化的文本中，难以实现系统化高效率的挖掘与利用。传统的信息检索方法，例如简单的关键词搜索或滑动窗口处理，往往割裂上下文逻辑，导致信息碎片化。而即使是当前最先进的通用大语言模型（LLM），在面对“水轮机空化”或“励磁绕组绝缘老化”这类专业术语时，也常常会因缺乏领域知识而产生“知识幻觉”，生成不准确甚至错误的解答，难以满足高可靠性工业场景的需求。

为应对上述挑战，本研究开创性地提出了一个端到端的“基于知识图谱的双模态协同问答（KGD-QA）”框架。此框架的核心贡献包括三个方面：首先，设计了一种“多粒度”的文档解析策略，既能从宏观上保留文档原有的章节结构与语义完整性，又能深入到句子级别进行精细化处理，从根本上解决了传统方法带来的语境破碎问题。其次，通过构建水电领域的专业本体知识库，并结合思维链（Chain-of-Thought）提示工程与高效的LoRA微调技术，对大语言模型进行“专家级”训练，使得模型能够精准理解并抽取出专业术语间的复杂关系，从而构建出高质量的水电领域知识图谱。

图2 KGD-QA框架图

该框架最关键的突破在于独创的“双模态协同问答”机制。当用户提出诊断查询时，系统不再依赖单一的信息源，而是智能地将结构化的知识图谱（提供精准的实体关系）与非结构化的文本向量检索（提供丰富的上下文描述）进行动态融合。这种协同机制不仅确保了答案的全面性和准确性，更实现了诊断的可追溯性——答案的每一部分都可以清晰地追溯到原始文档的具体段落或知识图谱中的特定节点，显著提升了系统的透明度和可解释性，为水电运维人员提供了可靠、高效且值得信赖的决策支持，真正实现了从海量文档到智能知识服务的跨越。

图3 双模态可追溯QA效果图

AMI团队此次提出的“KGD-QA”智能问答框架，是人工智能技术与传统工业深度融合的一次突破。该研究直面行业知识利用痛点难题，通过创新的双模态协同机制，成功将繁杂技术文档转化为了可即时响应的智能诊断能力。这一成果不仅在一定程度上解决了通用大模型在专业领域常见的“知识幻觉”难题，也通过其可追溯性和可解释性，为高风险工业场景下的人工智能应用提供了新的安全可信范式。

本次会议为我校在复杂工业系统健康管理方面的研究交流与国际化合作提供了重要平台。未来，AMI课题组将致力于广义复杂系统跨域健康管理的研究，重点突破智能诊断系统的语义增强建模与工业部署路径，持续深化与国际同行的交流合作，为推动我国在智能运维与预测性健康管理领域的创新发展做出贡献。

论文下载链接：https://ieeexplore.ieee.org/document/11090152