工业现场的维修记录多以自由文本形式存在，术语不统一、归因模糊，难以直接用于故障统计与知识沉淀。本实验室近期围绕“大模型+工单结构化”开展实验，基于指令微调后的开源大模型，将非结构化维修记录抽取为设备、部位、故障现象、原因、处置措施等结构化字段。
阶段性结果：
- 在某装备制造企业脱敏数据集（约1.2万条历史工单）上，字段抽取宏平均F1达0.86；其中故障原因字段因现场表述差异大，F1为0.74，是当前主要瓶颈；
- 引入领域词表与检索增强的对照实验后，罕见故障归因准确率提升约9个百分点，表明外部知识注入对长尾案例有效。
下一步计划：将结构化工单接入故障知识图谱，验证“抽取—归因—推荐处置”链路在真实工单流转中的可用性；同时评估7B级模型量化后在车间边缘服务器的推理时延，目标单条工单处理控制在2秒以内。整体判断：大模型在工业文本结构化任务上已具备落地条件，但长尾归因仍依赖领域知识持续补充，不宜高估其开箱即用能力。
评论