大语言模型赋能轨道交通机车检修：图拓扑约束的检索增强推理框架

本文介绍了面向轨道交通机车维护的知识图谱数据集，该数据集支持基于大语言模型的图拓扑约束检索增强推理框架，为工业设备智能检修提供新的技术路径。该项目结合知识图谱与大语言模型的优势，解决传统检修记录非结构化难以利用的问题，具有重要应用价值。

轨道交通机车运行依赖定期检修，但传统检修记录多为非结构化文本，难以被计算机有效理解利用。知识图谱能结构化存储实体及关系，支持复杂查询推理；大语言模型则擅长从非结构化文本抽取知识、生成自然语言回答，二者结合为解决检修难题提供新思路。

该开源数据集包含三大核心组件：1.检修记录样例数据：去标识化的表格样例，含原始文本、涉及部件、故障类型等字段；2.知识图谱关系数据：JSON格式存储机车部件、故障现象等实体及关系，支持复杂查询；3.提示词模板集合：覆盖实体抽取、关系抽取、实体链优化、回答生成等环节的提示词模板。

核心技术框架为"图拓扑约束的检索增强推理框架"，流程分三阶段：1.知识图谱构建：用大语言模型从非结构化检修记录抽取实体和关系，降低构建成本且保持准确性；2.检索增强：用户提问时，利用图谱拓扑结构检索相关实体和关系路径；3.推理与回答生成：将检索到的图谱信息作为上下文输入大语言模型生成回答，缓解幻觉问题。

该数据集与框架可应用于：1.智能检修问答：维修人员通过自然语言查询获取诊断建议和维修方案；2.知识发现与挖掘：通过图分析发现故障关联模式、优化维修资源配置；3.培训与知识传承：结构化存储检修知识，便于新员工学习，助力企业知识沉淀。

该项目展示了知识图谱与大语言模型结合的典型范式：知识图谱提供结构化事实基础和可解释推理路径，大语言模型提供语义理解和生成能力，二者结合保证输出准确性和可解释性。此技术路线对工业知识管理有借鉴意义，未来多模态大模型和图神经网络技术将推动工业知识图谱更智能高效。