巡检工单大模型结构化抽取实验进展

设备点检与维修工单多以自由文本记录，字段缺失、表述不一，是后续统计与预警的主要障碍。本实验室近期开展基于开源大模型的工单结构化抽取实验，目标是将非结构化描述自动转换为设备、部位、故障现象、处理措施等标准字段。阶段性进展：1、采用7B级开源模型结合LoRA微调，基于约3000条历史工单构建训练集，测试集字段抽取F1达0.87，其中故障现象字段为0.82，错误主要集中在口语化表述与设备简称；2、引入厂内设备台账作为约束词典后，设备名称归一化准确率由79%提升至91%，表明领域词表对齐比单纯扩大模型规模更具性价比。下一步将与两家试点客户对接脱敏工单数据，验证跨厂区泛化能力，并评估抽取结果与OEE分析模块的联动，探索工单数据驱动的停机归因补充路径。初步结论：中等规模模型加领域约束的路线适合工业文本场景，暂不建议盲目追求更大参数模型。