机电装备广泛应用在生产制造、交通运输、能源供应等领域，是保障现代工业生产效率和稳定性的基础^[1]. 然而，机电装备在长期运行过程中，由于多种因素的影响，如环境变化、操作负荷、设备老化等，会出现故障或性能下降，影响整个生产系统的效率与安全. 尤其是压力容器、电梯、立体车库等特种机电装备的运维形式复杂多样，涉及供电、传动、信号、控制等多个维度的故障，根因难以快速溯源^[2-4].

传统设备运维依赖于人工判断和纸质手册匹配，对于结构复杂、故障耦合度高的机电装备，不仅效率低、准确性差，而且无法实现知识的积累与复用^[5]. 为了提升知识利用效率，知识图谱（knowledge graph, KG）被广泛应用于设备结构建模与故障关系表达. KG通过图结构表达实体之间的语义连接，在提升运维知识组织与检索效率方面已初见成效^[6]. Shi等^[7]基于多种约束关系建立运维知识图谱，实现知识的集成与管理. 刘华一等^[8]基于语义网技术构建机床故障溯源知识模型，提高知识收集和集成效率. 贝毅君等^[9]在数控机床维护领域引入知识图谱补全技术，扩展运维领域知识，提高知识问答的准确性. 但其推理能力有限，尤其在处理耦合复杂、多级联动的故障路径时难以胜任.

大语言模型（large language model, LLM）的快速发展为智能运维提供了新的研究方向. 通用大模型（如GPT-4）可同时解析文本日志、时序指标和拓扑图，有效提高故障定位的准确率. 采用智能运维（AIOps2.0）的企业的平均故障恢复时间（MTTR）较传统模式缩短90%，运维成本下降50%^[10]. Zheng等^[11]提出基于预训练和微调的LLM方法，用于复杂系统的故障诊断. Pang等^[12]提出ParInfoGPT框架，将自监督重建网络和弱监督分类网络结合，用于旋转机械故障溯源.

然而，LLM在处理特定工业场景中的复杂问题时，还是难以提供足够准确和具体的回答^[13]. 知识图谱的可解释性和LLM强大的推理能力天然互补，因此很多研究者把KG集成到LLM中从而实现LLM的可解释性推理. Liu等^[14]提出联合知识图谱和大型语言模型的知识增强模型，利用KG中的图形结构数据对LLM进行前缀调整（Prefix-tuning），实现了航空装配系统中可靠的故障定位. Wen等^[15]提出MindMap的思维导图提示过程，通过将KG引入LLM，使其能够理解KG输入并结合内外部知识按照思维导图的路径进行推理.

机电装备的运维工作涉及大量复杂的领域知识，通用LLM由于缺乏对特定设备结构、原理、故障模式的先验理解，很容易在生成推理过程中出现“幻觉”现象. 检索增强生成方法（retrieval-augmented generation, RAG）通过引入外部数据库知识库扩展LLM的知识边界，进而生成与专业领域更相关的答案，可以减少幻觉^[16-17]. 张鹤译等^[18]利用LangChain框架结合大语言模型与知识图谱提出基于提示学习的问答系统范式，实现了模型回答与知识图谱的匹配转换，增强了模型回答的专业性. 李莉等^[19]通过微调得到电力设备诊断大模型，结合RAG技术开发了电力设备缺陷诊断助手，提高了电力设备运维智能化水平. Ojima等^[20]探索知识图谱和大语言模型的融合，构建了基于两者检索增强生成的汽车故障分析知识管理系统. Luo等^[21]提出ChatKBQA，利用生成再检索代替检索再生成方式，使用微调的LLM生成逻辑形式，然后用无监督检索方法检索和替换实体和关系，以更直接地改进生成和检索.

现有研究在工业故障识别与维护建议生成方面取得了一定效果，但仍难实现机电装备运维场景中知识关联和复杂逻辑推理，难以处理机电装备多维故障关联问题. 思维链^[22]（Chain-of-Thought, CoT）提示技术被证明可以促使LLM进行深层次的思考推理，CoT提示技术通过将问题分解为多个解决步骤，在提升模型推理准确性的同时，也增强了推理过程的可解释性. Wu等^[23]提出增强思维链的知识改写（Chain-of-Thought enhanced knowledge rewriting, CoTKR）方法，该方法交替生成推理路径和相应知识，将从KG检索到的子图改写为LLM能理解的自然语言格式，提高了结合RAG的LLM在复杂知识图谱问答上的性能.

综上所述，当前KG方法结构清晰但推理有限，LLM方法推理强但缺乏工程语义支撑，两者在机电装备运维场景中的深度融合仍有待突破. 本研究提出思维链增强的机电装备运维方案智能生成方法，探索“知识图谱-社区结构划分与思维链推理融合”的新机制. 通过对多源异构运维数据进行结构化预处理，构建包含设备拓扑与故障因果链的本体模型；引入思维链技术增强大模型的因果推理能力，结合参数高效微调策略完成领域模型训练；进一步利用图检索增强技术（graph RAG）实现多零部件知识的社区划分与语义聚合，使得大模型能够整合多组件的维修知识进行深度推理，从而实现面向机电装备的从故障溯源到运维方案生成的智能运维闭环. 最后，通过性能评估和应用验证证明本研究所提方法的有效性.

机电装备常面临多源异构数据、多零部件耦合以及故障链复杂等挑战，传统的基于规则或单点诊断的问答系统难以支撑从故障识别到运维方案生成的全过程推理. 为了实现从“现象识别”到“方案生成”的智能运维闭环，构建如图1所示的思维链增强的机电装备运维方案智能生成框架，探索“知识图谱-社区结构划分与思维链推理融合”的新机制. 该框架融合了2个核心技术：思维链增强的机电装备故障溯源模型与运维方案智能生成机制.

数据层聚焦于对机电装备运维领域的多源异构数据进行标准化处理，包括运维日志、组件文档、图像信息等，以支持本体构建和推理输入.

在存储层中，结合机电装备的结构特点，构建包含设备拓扑与故障因果链的本体模型，并通过思维链提示方式组织“故障现象-原因排序-解决方案”推理路径，实现具备因果推理能力的故障溯源领域模型；同时，采用Graph RAG技术识别多个零部件说明文档的拓扑关系，利用LLM自动构建零部件知识图谱，并通过Leiden算法依据零部件类别和相关性进行社区划分，并嵌入到向量数据库中，为后续的维修方案推理提供结构支撑.

交互层负责协调模型推理与知识检索：当用户输入自然语言问题后，系统首先调用故障溯源模型，按故障因果链条输出可能原因排序及排查路径；在维修方案生成的多部件协同场景下，进一步调用图谱社区结构，触发图检索增强生成流程，生成具备上下游逻辑、维修顺序与操作参数的完整维修建议，最终实现语义理解、因果识别与方案推理的联动闭环.

在机电装备的运维领域，为了实现历史数据重用和多维度的运维方案生成，构建的运维知识图谱和零部件知识图谱主要选取了3种数据源. 1）运维数据：从机电装备的实际运维管理系统中获取运维数据，包括设备状态监测数据、故障记录、维护日志等. 这些数据反映了机电设备在实际使用中的运行情况，为故障知识图谱的动态更新和维护提供了实时支持. 2）零部件说明文档：机电系统各个零部件的使用说明文档，包括技术参数、安装指南、维修手册等. 这些文档详细描述了零部件的具体使用说明、互换性信息、维护周期等一系列细节. 3）故障图片：故障图片通过与故障知识图谱的故障现象节点相关联，直观地展示各类故障，以实现文本、图像多维度的类比推理.

机电装备的运维数据及零部件说明文档展现出明显的多源异构特性，需要多层次、多技术融合的方法整合处理这些多样化数据. 针对运维数据，须从机电运维管理系统中导出特定字段的数据，然后利用日志解析工具进行解析. 对于零部件说明文档，从各类PDF文件中提取出文本信息，移除页眉、页脚和水印等非主体内容，并清理多余的空白字符与换行符，确保资料格式的文本标准化. 处理后的文本往往带有口语化特征，且零部件名称不统一，因此须借助大语言模型进行去口语化处理，并统一零部件的命名规则，以确保数据的规范性和一致性. 多源异构数据预处理流程如图2所示，文本数据去口语化的效果如表1所示.

与医疗、交通领域相比，机电装备运维知识本体建模面临着更高的结构复杂性和更强的故障耦合性. 首先，机电装备的子系统间具有更强的物理耦合与功能协同关系，例如控制系统与传动系统之间通常通过实时信号反馈与执行动作联动完成操作流程，具有跨系统、强依赖的结构特性. 其次，机电装备中的故障具有明显的时序触发链和部件联动机制，即一个故障可能由多个部件协同失效引发，根因定位必须结合上下游部件的结构逻辑和历史频次信息，而不仅仅是基于单一实体的静态属性. 此外，运维知识还须考虑设备工况、负载变化、外部干扰等运行上下文因素，这对本体模型的动态可扩展性和因果关系表达能力提出了更高要求.

机电装备运维领域知识本体模型的设计是构建知识图谱的重要环节，通过多源异构数据集成和结构化存储，可以为智能运维提供结构化的知识表示和可解释的推理结果. 建立知识本体模型可以将复杂的设备系统和故障信息进行系统化整理，支持更高效的故障溯源和维修方案生成. 根据机电装备的功能和结构特点，对机电系统进行子系统的划分，每个子系统由多个相关的零部件组成，各个零部件再链接到对应的故障现象、故障原因和解决方法. 例如，将智能立体车库机电系统划分为4大子系统：控制系统、台车系统、升降驱动系统和轿厢系统，每个类别包含各子系统的零部件，各个零部件通过“fault”关系关联到各自的故障现象，故障现象通过“reason”关系关联到故障原因，故障原因通过“solution”关系关联到解决方案. 智能立体车库机电系统的实体和关系如表2所示，智能立体车库机电系统知识本体模型如图3所示.

由于机电系统零部件关系复杂且相互依赖，不同的故障原因也可能导致相同的故障现象. 尽管LLM在文本生成任务中展现出卓越性能，但其因果推理能力仍受限于训练数据的统计偏差与知识更新的滞后. 当面对需要多步逻辑演绎的机电故障溯源任务时，通用LLM的表现通常并不理想. 因此，本研究引入CoT技术进一步提升LLM的推理能力和可解释性. CoT在结构上表现为<input, Chain-of-Thought, output>三元组形式，通过输入包含思维链的上下文学习（in-context learning, ICL）启发LLM逐步展开思考并解决问题.

机电装备的故障溯源通过结合历史运维数据，对故障原因进行可能性排序. 以运维数据中的故障现象和故障原因对应的频次统计为依据，将故障原因分为强、中、弱3个等级，进而关联到各自的解决方案以及对应的零部件. 思维链增强的故障溯源模型的定义，有助于在故障溯源时快速定位最可能的故障源，使LLM按照“故障现象→原因排序→解决方案”的故障溯源路径进行层次清晰、符合工程逻辑的推理. 故障溯源模型如图4所示.

针对机电装备领域知识提取，采用基于LLM提示的学习方法^[24]，设计了相应的提示词模板，通过设计合适的提示，控制模型生成符合特定语法、语义或领域约束的特定输出，提高生成结果的准确性. 机电装备领域知识提取的提示词模板包括目标任务、规则定义和返回格式定义3部分，如表3所示. 1）目标任务：明确任务目的，列出须提取的实体类型（如“零部件”、“故障现象”）及关系（如“可能原因”、“解决方案”），并设定输出格式规范. 2）规则定义：定义具体的提取规则，包括实体和关系类型，帮助模型聚焦任务范围. 3）返回格式定义：通过示例明确输出格式，确保结果逻辑清晰、规范一致.

本研究采用图形数据库Neo4j作为知识存储工具，采用三元组（节点-关系-节点）模型进行知识表示. 节点代表机电装备及相关运维数据，关系描述节点之间的逻辑联系，而属性则增强了节点和关系的表达能力. 使用Cypher语言将整理好的CSV格式数据批量导入至Neo4j数据库中. 如图5所示，Neo4j可以直观展示机电装备运维系统的层次结构和故障信息.

故障溯源通常涉及多个逻辑阶段，LLM可能无法完全理解用户意图，进而难以对机电故障问题实现有效的逻辑推理并生成正确回答. 受专业运维工程师故障溯源工作流程启发，设计问题识别、知识检索、知识联想、CoT提示词生成和归纳推理5个模块，如图6所示，帮助领域模型对机电故障实现有效分析和诊断. 故障溯源流程如下.

1）问题识别. 当用户提出问题Q时，LLM通过问题识别prompt模板识别出智能立体车库机电系统相关的关键词：

(1)$ \text{KW}=({\text{kw}}_{\text{1}}{\text{,kw}}_{\text{2}}\text{,}\cdots{\text{,kw}}_{m}). $

式中：KW表示与问题相关的m个关键实体词组成的序列.

2）知识检索. LLM会根据识别出的关键词进行Cypher查询语句的生成，并发送到领域知识图谱.

(2)$ \text{ST}=\text{LLM}(\text{KW}). $

式中：ST表示LLM根据关键词生成的Cypher查询语句.

3）知识联想. 通过查询领域知识图谱搜索出相关的知识子图，知识子图包含故障现象、故障原因、解决方案等节点信息.

(3)$ \text{GR}=({\text{gr}}_{\text{1}}{\text{,gr}}_{\text{2}}\text{,}\cdots{\text{,gr}}_{n}). $

式中：GR表示图谱中与关键词相关的n个子图结构.

4）CoT提示词生成. 为了引导大语言模型进行链式推理，结合子图信息GR与用户问题Q，生成结构化的思维链提示（Chain-of-Thought prompt）：

(4)$ {\text{prompt}}_{\text{CoT}}=\text{LLM}(Q,\text{GR}). $

该提示以自然语言形式构建推理路径，引导模型逐步分析故障原因与解决方案.

5）归纳推理. 在思维链提示引导下，引入贝叶斯推理机制对候选故障原因进行概率排序，排序结果以故障现象e与候选原因$ {c}_{i} $的后验概率表达：

(5)$ P(\left.{c}_{i}\right| e)=\frac{P(\left.e\right| {c}_{i})P({c}_{i})}{P(\text{e})}. $

式中：$ P(\left.{c}_{i}\right| e) $表示某一原因c_i导致该现象e的条件概率, $ P({c}_{i}) $表示先验概率. $ P({c}_{i}) $由知识图谱中统计的历史故障频次计算获得.

(6)$ P({c}_{i})={{{N}_{{{c}_{i}}}} \mathord{\left/ {\vphantom {{{N}_{{{c}_{i}}}} {\sum\limits_{k=1}^{j}{N}_{{{c}_{k}}}}}} \right. \kern-\nulldelimiterspace} {\sum\limits_{k=1}^{j}{N}_{{{c}_{k}}}}} . $

式中：$ {N}_{{{c}_{i}}} $表示历史故障原因$ {c}_{i} $发生次数.

结合CoT提示词和故障原因排序，LLM进一步从GR中推理出最相关的（强、中、弱）故障原因和解决方案，将结果返回给用户.

(7)$ \text{CoT}=\text{LLM}({\text{prompt}}_{\text{CoT}},P), $

(8)$ y=\text{LLM}(\text{CoT}). $

由于生成式大规模语言模型通常具有庞大的参数规模，传统的全参量微调方法可能需要大量的计算资源和时间才能完成. 参数高效微调方法应运而生，其中低秩适应（low-rank adaptation , LoRA）微调方法^[25]通过权重矩阵的低秩分解，将参数更新量约束在低维子空间，在保持模型性能的同时，减少微调所需的计算资源和时间. Zhao等^[26]评估了310个基于LoRA微调的大语言模型，证明了微调方法通过优化大模型参数，提高了大模型输出的一致性和稳定性，从而在一定程度上缓解了幻觉问题.

采用LoRA技术针对故障溯源这一下游任务对基座模型进行机电装备运维领域故障知识注入. 假定有一个由参数$ \varPhi $定义的预训练自回归语言模型$ {P}_{\varPhi }(y|x) $，故障溯源下游任务由上下文-目标序列构成的训练数据集来表示，即微调数据集构造为$ {Z}={\{({{x}_{i}},{{y}_{i}})\}}_{i=1,\cdots ,N} $，其中$ {x}_{i},{y}_{i} $均为token序列，$ {x}_{i} $代表前文构造的$ {\mathrm{CoT}} $,$ {y}_{i} $代表前文构造的模型输出$ y $. 在传统全量微调中，模型会先以预训练的权重$ {\varPhi }_{0} $作为初始状态，通过最大化条件语言建模目标对$ \Delta \varPhi $进行优化：

(9)$ \underset{\varPhi }{\max }\sum\limits_{(x,y)\in {{Z}}}\sum\limits_{t=1}^{|y|}\log\; \left({P}_{\varPhi }({y}_{t}|x,{y}_{ \lt t})\right). $

而在LoRA微调中，$ \Delta \varPhi $被编码到一个维度较低的参数$ \varTheta $，$ \left| \varTheta \right| \ll {\varPhi }_{0} $，在微调过程中基于以下目标函数对该参数优化：

(10)$ \underset{{}_{\varTheta }}{\max }\sum\limits_{(x,y)\in {Z}}\sum\limits_{t=1}^{|y|}\log \left({p}_{{{\varPhi }_{0}}+\Delta \varPhi (\varTheta )}({y}_{t}|x,{y}_{ \lt t})\right). $

式中：$ {p}_{{{\varPhi }_{0}}+\Delta \varPhi (\varTheta )}({y}_{t}|x,{y}_{ \lt t})$为由网络计算得到的条件概率值.

给定预训练模型的权重矩阵$ {{\boldsymbol{W}}}_{0}\in {\bf{R}}^{d\times k} $的前向传播过程：

(11)$ h={{\boldsymbol{W}}}_{0}x+\Delta {\boldsymbol{W}}x. $

式中：$ \Delta {\boldsymbol{W}} $为微调产生的参数增量. 构建低秩分解约束：

(12)$ \Delta {\boldsymbol{W}}={\boldsymbol{BA}};\;{\boldsymbol{B}}\in {\bf{R}}^{d\times r},\;{\boldsymbol{A}}\in {\bf{R}}^{r\times k},\;r\ll \min\; (d,k). $

在训练过程中冻结原始参数$ {{\boldsymbol{W}}}_{0} $，仅优化低秩矩阵A、B的参数. 在LoRA微调过程中，参与训练的权重维度远低于原始模型权重维度，训练参数量可以压缩到原始参数量的0.01%. 该设计在有效保留模型通用语言理解能力的同时，借助构建的思维链增强数据集$ ({\mathrm{CoT}},y) $，可以实现机电装备运维领域故障知识的高效注入.

机电装备故障溯源领域模型，能够基于输入的问题识别可能的故障零部件及其排序路径. 然而，设备故障往往涉及多个功能模块与复杂的组件组合，单一的故障定位难以支撑完整的维修方案制定. 本研究引入Graph RAG技术^[27]，通过构建结构清晰的零部件知识图谱并进行社区结构划分，实现多源异构故障组件的归类建模与语义聚合，在故障溯源之后构建适用于多零部件联动分析的结构化知识环境. 结合图谱结构与思维链领域模型的链式推理能力，在完成故障定位后生成面向多组件的智能维修方案.

机电装备运维场景往往有着多模态数据融合的需求，在进行故障溯源时，除了故障现象的文本内容外，工程师也会上传故障现场的图片作为记录. 当故障溯源涉及到故障图片的甄别时，采用BLIP-2视觉语言模型，自动解析故障图片中的关键信息，并生成结构化描述：<零部件>发生了<故障现象>，并交由人工审核. 然后通过查询机电装备运维领域故障知识图谱，对比故障图片和查询到的图片，进行故障的初步匹配，如图7所示.

在复杂机电装备中，零部件之间存在高度的结构耦合与功能关联，直接对整张图谱进行检索易导致语义干扰、计算复杂度高的问题. 为此，引入图谱社区划分机制，将图谱划分为若干结构紧凑、语义关联度高的子图（即社区），以支持更高效的向量检索和运维知识聚合. 本研究采用Leiden算法对零部件知识图谱进行社区划分. 该算法基于图的模块度优化原理，能够在保持图连接性的同时，获得更加紧凑和稳定的社区划分结构. 社区划分的主要依据包括功能相关性（如同属调度系统或控制系统）、组件间拓扑连接关系（是否存在物理结构上的直接联动）以及故障共现频率（历史运维数据中实体同时参与同一类故障的频度统计）. 社区划分后，通过Node2Vec算法将每个社区作为独立语义单元嵌入向量空间，以支持高效的“社区级召回+节点级匹配”式两级检索. 在图谱更新或语义聚类变动时，系统能够动态调整社区边界与向量嵌入，确保推理结构的一致性与可扩展性.

为了增强大模型对图谱结构的理解能力，设计了社区报告机制，用于在社区嵌入完成后生成结构化语义摘要. 社区报告由大语言模型自动生成，包含社区内的代表性节点、关系分布、零部件类别标签以及功能语义描述，社区报告要求如图8所示. 具体过程为：提取每个社区中的核心节点及其一阶邻接节点（主要是子系统和相应的零部件）；调用LLM对社区子图进行摘要生成，输出面向故障分析与方案建议的语义标签（如“驱动系统电机部件”）；根据实体间关联程度，归纳出上下游关联部件，并对各个零部件的相关性给予说明，供后续推理调用. 社区报告的引入使领域大模型在进行方案生成前，能够快速定位任务场景，获取任务语境所需的结构上下文信息，从而提高生成响应的准确性、可解释性.

通过图谱社区结构的划分与报告机制的配合，实现了从低层次节点关系到高层次语义组织的图谱组织优化，为后续基于Graph RAG的运维知识调用与深度推理奠定了基础.

在完成图谱社区划分与语义组织后，通过融合社区向量检索、提示词构造与思维链增强领域模型响应，实现对多组件场景下的智能运维方案生成. 本研究采用“自上而下的语义召回+自下而上的响应整合”机制. 基于用户问题中的关键词定位对应社区及核心零部件节点，通过社区级召回确定任务相关的结构语境. 随后在社区内进行实体级检索，提取对应实体属性、上下游关联零部件及相关性说明，用于构造思维链提示. 在响应生成过程中，领域模型会基于相关实体的说明、先输出中间响应草案，再结合社区语义摘要与任务上下文进行语义补全，逐步合成完整维修建议，包括排查路径、可选替换件及执行参数、解决方案优先级排序等内容. 方案生成过程如图9所示，通过思维链增强领域模型和Graph RAG技术的结合，完成了机电装备运维场景下“现象识别→可能原因排序→故障定位路径→零部件关联协同→维修建议合成”的故障逻辑推理和运维方案生成，构成了“图谱-社区-提示-响应”语义增强闭环.

Graph RAG算法的伪代码如下.

算法：Graph RAG algorithm

Require： 问题文本Q, 零部件知识图谱G

1: communities ← leiden(G) //对整个知识图谱G进行社区划分

2: embeddings ← graph_embedding(communities)//对划分后的社区进行图形向量嵌入

3: entities ← entity_linking(Q)//从问题文本中提取关键实体

4: for each entity in enties do

5: 　sub_communities ← retrieve_community(entity,embeddings)//在图向量空间检索与实体相关的社区

6: end for

7: for each community in communities do

8: 　sub_entities ← retrieve_entity(community,entity)//在相关社区匹配相关实体

9: end for

10: text ← trans(sub_communities，sub_entities)//将检索到的子社区以及实体转换成相关文本

11: result ← model(Q,text)//将问题文本和检索到的相关文本合并输入领域模型，生成最终回答

为了验证本研究所提方法建立的领域模型的性能，借助企业真实工业运维数据，构建了400条智能立体车库专业运维领域思维链增强问答数据集，其中350条数据用于训练，50条数据用于验证. 考虑到Llama3-8B^[28]在语言理解与多跳推理任务中表现出色，尤其适用于机电装备运维场景中多轮复杂问答的语义解析任务；同时，Llama3系列在微调和与Graph RAG集成方面具有良好支持，开源生态较为完备，便于与领域知识图谱结合进行定制化开发；Llama3-8B在24 GB显存环境下即可运行训练. 因此，综合性能、推理能力与资源约束因素，选用Llama3-8B作为基座模型开展研究. 开发环境为Windows10，CPU为13th Gen Intel(R)Core(TM)i7-13700 K 3.40 GHz，内存为64 GB，GPU为RTX 3090 24G，微调过程中的超参数设置^[25,29]如表4所示.

为了评估模型回答的语言质量与语义覆盖，采用BLEU-4与ROUGE-L这2项评价指标. BLEU-4衡量模型回答与参考答案在n-gram级别的精确匹配程度，在短语级别上评估模型答案与参考答案的一致性；ROUGE-L评估模型回答与参考答案之间最长公共子序列（LCS），反映回答覆盖参考答案核心内容的能力. 两者结合用于衡量模型的精确度与完整性. BLEU-4^[30]、ROUGE-L^[31]评价指标计算表达式如下：

(13)$ \text{BLEU-4}=\text{BP}\times \text{exp}\left(\sum\limits_{i=1}^{4}{w}_{i}{\mathrm{log}}\;{p}_{i}\right). $

式中：BP为长度惩罚项，用于惩罚较短的候选文本；$ {w}_{i} $为权重，平均分布为0.25；$ {p}_{i} $为n-gram精确匹配率的几何平均.

(14)$ \text{ROUGE-L}=\frac{\text{LCS}}{\text{Ref\_len}}. $

式中：LCS为候选文本与参考文本之间的最长公共子序列的长度；$ \text{Ref}\_\text{len} $为参考文本的总长度.

评估结果如表5所示，可见本研究提出的思维链增强领域模型在BLEU-4和ROUGE-L这2个指标上均表现出显著优势，BLEU-4、ROUGE-L得分分别为0.413、0.518，远高于Llama3-8B以及未注入领域知识的GPT-4. BLEU-4反映模型回答在短语层级的精确匹配能力，结果表明，本研究模型在专业术语、表达结构方面更贴近参考答案；ROUGE-L衡量公共子序列匹配能力，结果表明所生成答案在内容覆盖和逻辑连贯性上更具一致性. 性能的提升得益于多个关键技术的协同作用. 第2章中构建的知识本体模型为模型提供了结构化的领域语义背景. 在此基础上，结合专业的故障溯源流程，通过思维链模块引导大模型展开多步推理，使其推理路径更符合专家经验，生成内容更加精确. 相比之下，GPT-4虽具备强通用表达能力，但缺乏本体知识嵌入与结构约束，输出往往泛化程度高、缺乏重点；而Llama3-8B作为开源基座模型，在无微调情况下语义覆盖不足、推理能力薄弱，导致得分偏低. 综上，说明通过思维链增强的故障知识注入，可以在不牺牲模型轻量化的前提下，有效提升模型性能.

针对智能立体车库常见问题“升降机对中运行超时”的不同模型的回答效果如表6所示. 通过对回答内容的比较可以看出，GPT-4和Llama3-8B更倾向于列举通用机械系统中的典型故障，虽然涵盖范围广，但内容冗长、缺乏针对性，且未能结合本地工况进行排序分析，导致排查路径不清晰，实际可操作性较低. 相比之下，微调后的领域模型结合具体场景中的高频故障信息，能够对可能原因进行合理排序，并优先输出最具代表性的根因，同时给出更具指导性的排查建议，生成结果更贴近工程实践. 这一差异本质上反映出3类模型在“故障推理路径构建能力”方面的显著差异. GPT-4虽然具备强大的通用语言建模能力，但在缺乏运维领域结构化知识注入的情况下，其推理过程主要依赖预训练阶段的通用知识，难以精准掌握具体设备的结构特征与故障规律；未经微调的Llama3-8B作为参数量较小的通用开源模型，表现更受输入格式和上下文设计影响，对故障溯源任务适应性较弱；与之相比，本研究构建的思维链增强的领域模型在训练阶段显式注入了“故障现象→原因排序→解决方案”路径信息，构建了层次清晰、符合工程逻辑的推理框架. 领域模型不仅能识别故障因子的相对可能性，还可基于知识图谱中的统计频次与结构上下游关系进行排序与归因，使生成内容更符合实际运维人员的诊断流程. 从响应速度来看，工程实践中一位资深维修工程师从故障识别到完成方案制定平均需耗时约3 min，经验不足者耗时更长. 而本研究构建的领域模型在运行环境中平均响应时间约为15 s，能够在保证生成质量的同时显著提升故障定位与方案推理的效率，为复杂场景下的快速排障提供有效支持，展现出良好的工程应用潜力.

将本研究方法应用到智能立体车库运维知识系统中，系统通过思维链增强的故障溯源模型与Graph RAG运维方案生成模块的协作配合，实现了故障溯源与运维方案生成的智能运维.

整体运维流程可分为2个阶段.

1）故障溯源. 以典型“平移超时”故障为例，当用户输入自然语言查询“机械手平移超时故障排查”时，首先通过LLM进行语义解析，提取出与设备结构相关的关键故障三元组（如<机械手，Fault，平移超时>），并基于此构造对应的Cypher查询语句. 随后，在构建好的运维知识图谱中检索相关子图，获取候选故障原因及其历史关联方案. 系统依据子图中节点频次与结构关系，构造具备因果顺序的思维链提示（CoT Prompt），用于引导大语言模型按“现象-原因-方案”的路径进行推理. 在提示构造中引入贝叶斯推理机制，使原因优先级同时考虑知识图谱中先验频次与当前工况的匹配程度，最终生成多级有序的故障假设，并给出相应的排查建议. 如图10所示，系统结合图谱知识与LLM推理能力，输出包括轨道湿滑、负载异常、传感器损坏等可能原因，辅助用户完成结构化的故障定位与排查路径判断.

2）运维方案生成. 在完成故障溯源后，系统将排序后的高可能性故障零部件“制动器与整流块”作为输入，进入Graph RAG驱动的运维方案生成阶段. 此阶段基于自动化构建的零部件知识图谱及其社区划分结构，通过图向量空间检索，定位故障组件所属社区，并提取对应的社区报告与实体信息. 当用户查询涉及“BMG8制动器”和“BG1.5整流块”时，系统依次从对应社区中获取：制动器社区的间隙调整标准与操作流程“间隙应控制在0.30~1.20 mm，调整顺序与测量方法”；整流块社区中的判断逻辑与电压测量标准“输入220 V时输出应约为96VDC”；2个组件之间的功能关联路径，用于确定影响传递链条. 随后，系统调用思维链增强的领域模型，结合上述结构化信息进行中间语义整合，引导生成结构清晰、操作性强的维修建议. 输出内容涵盖排查顺序、操作细节、替换件参数等，构成完整的跨零部件运维方案，如图10所示.

提出思维链增强的机电装备运维方案智能生成方法，将大语言模型与知识图谱深度融合，提出“知识图谱-社区结构划分与思维链推理融合”的新机制. 通过数据预处理和领域知识本体建模，实现了多源异构运维知识的语义对齐，通过领域知识图谱的构建与思维链增强方法的应用，实现了专业运维知识向基座大模型的有效注入；采用Graph RAG技术，自动化构建了零部件知识图谱并实现了社区划分，使大模型能够整合多个零部件的维修知识进行深度推理，生成高质量的运维方案，从而实现故障溯源到运维方案生成的智能运维闭环. 实验结果表明，所提出的领域模型在BLEU-4、ROUGE-L之类的指标上均显著优于通用大模型，在保证轻量化部署的前提下具备更高的任务适配性，平均生成时间控制在15 s以内，具备良好的工程可用性. 系统充分发挥了大语言模型在自然语言理解与知识推理方面的优势，同时借助知识图谱的结构化信息，有效缓解了大模型可能出现的幻觉问题，从而增强了回答的可靠性与专业性. 在机电装备运维场景中，该系统不仅为工程师提供了高效的知识推理服务，还在一定程度上替代了传统的人工查阅功能手册的方式，为工业用户带来了更加智能化、自动化的运维决策支持.

尽管本研究方法已在智能立体车库之类的典型复杂机电系统中进行了验证，但仍存在不足，当前知识图谱的更新仍需人工审核，图谱动态维护机制仍有待优化. 在未来工作中，将进一步将本研究方法扩展至电梯、工业机器人、数控机床等典型复杂装备中. 后续研究将聚焦于图谱维护更新范式、迁移适应性分析之类的方向，推动智能运维技术在更广泛工业领域的落地与深化应用.