一区论文学习 | 一种知识增强的多阶段推理方法用于风力涡轮机故障原因分析

论文基本信息

论文题目：A Knowledge-Augmented Multistage Reasoning Approach for Wind Turbine Fault Cause Analysis

论文日期：2026

论文链接：10.1109/TII.2026.3658534

作者：Yaping Hu、Peihan Wen、Yujie Dai

作者信息：

    Yaping Hu received the B.S. degree in logistics management from the Zhongnan University of Economics and Law, Wuhan, China, in 2023. She is currently working toward the M.S. de gree in logistics engineering and management with the School of Management Science and Real Estate, Chongqing University, Chongqing, China. Her research interests include the knowledge graph of quality management and intelligent interaction

    Peihan Wen received the B.Eng. degree in mechanical engineering and automation and the Ph.D. degree in manage ment science and engineering from Tsinghua University, Beijing, China, in 2004 and 2010, respectively. He is currently an Associate Professor with the School of Management Science and Real Estate, Chongqing University, Chongqing, China. His current research interests encom pass knowledge graph and complex networks, information systems and intelligent interaction, smart logistics, and sup ply chain management

    Yujie Dai received the B.S. degree in engi neering in 2024 from Chongqing University, Chongqing, China, where she is currently work ing toward the M.S. degree in Logistics Engi neering and Management with the School of Management Science and Real Estate. Her research interests include the knowledge graph of quality management and intelligent interaction

目录

摘要

关键词：故障原因分析，知识图谱（KG），大型语言模型（LLM），检索增强生成（RAG），风力涡轮机。

I. 引言

风能被认为是一种绿色清洁能源，近年来凭借大规模部署、连续运行和维护成本较低等优势得到了快速发展。然而，风力涡轮机长期暴露于恶劣且常常极端的环境条件下，其运行状态高度多变且复杂。这种暴露显著削弱系统性能，导致运行效率下降、故障频发，并带来越来越关键的可靠性问题。

作为由高度耦合部件构成的复杂系统，风力涡轮机带来了独特的诊断挑战。不同于只涉及孤立异常、可快速定位的单事件故障，风力涡轮机中的故障往往表现为多个相关事件共同出现的多事件故障。尽管这类场景有时也可能由彼此没有直接联系的孤立故障构成，但更多情况下，事件会沿顺序因果依赖传播，形成链式故障，并可能触发系统性中断。因此，在多事件链式故障中准确识别根本原因和传播路径，对于保障运行安全、避免经济损失至关重要。

在实际运行维护（O&M）场景中，工程师通常需要执行根因分析（RCA），以识别系统故障的潜在原因，并制定有效的修复和恢复策略。与故障诊断领域主要关注故障发生后立即识别其位置、类型和严重程度不同，RCA 的根本目标是确定导致系统失效的最终起始事件或实体。RCA 过程要求工程师综合分析来自维护记录、检查报告和实时监测数据等多种数据源的信息，并结合自身专业经验。严格分析后预期得到的结果，是一组高置信度根因以及一条经过验证、能够清楚支撑结论的因果传播路径。

然而，在真实环境中实施 RCA 会遇到若干显著挑战。一个主要障碍是可观测故障现象有限且碎片化，这往往导致诊断信息不完整。此外，来自监控与数据采集（SCADA）系统、人工维护日志和现场检查的数据具有异构性，缺少统一表示与对齐机制，从而阻碍高效的数据集成。更重要的是，在涉及多个相互关联事件的故障场景中，构建可靠因果链高度依赖资深专家的判断和经验。这种对个人隐性知识的依赖不仅妨碍有效故障分析，也限制了诊断见解的标准化和大规模传播。

传统风力涡轮机故障诊断方法包括基于规则的专家系统、统计模型和机器学习方法，它们在一定程度上能够识别故障原因。由于简单、精确且易于部署，这些方法在工业界仍被广泛采用，尤其适用于运行条件稳定、数据集结构良好的场景。然而，这些方法在刻画动态故障传播机制及其底层深层因果逻辑方面存在明显不足。近年来，知识图谱（KG）作为一种有效的结构化知识建模手段，为风力涡轮机的知识增强故障分析提供了新的思路。通过从历史维护文本中抽取关键事件及其关系，可以构建具有语义表达能力的设备知识图谱，从而支持结构化故障分析。

不过，现有图构建和推理方法往往忽视复杂设备中链式故障的演化逻辑以及事件之间的因果结构，难以充分建模由多事件驱动的传播过程。此外，基于 KG 的推理方法主要聚焦于单个定义明确的事件和静态三元组匹配，在真实场景中面对多个事件并发出现、因果链模糊的复杂情况时表现困难。图神经网络（GNN）虽然能够有效利用图结构进行推理，并支持多事件因果建模，但需要较高的数据完整性。在实际应用中，运维工程师往往只能观察到部分表面故障现象，且这些现象之间的因果关联经常模糊或不清晰，这限制了 GNN 类方法在信息不完整或模糊情况下的表现。

因此，近年来研究逐渐转向混合方法，即将结构化领域知识图谱与数据驱动模型、大型语言模型相结合，希望利用 KG 的可解释性和学习模型的灵活推理能力，更好地处理不完整、模糊或多事件故障场景。为了增强基于 KG 的故障分析方法的推理能力，已有研究尝试将 KG 与 LLM 结合。这些方法利用 LLM 的语言理解能力和 KG 的结构化表示优势，对复杂故障进行因果推理和解释。此类方法通常将检索到的子图作为外部知识上下文输入 LLM，使其能够以自然语言形式完成问答和推理。与此同时，通过检索增强生成（RAG）将 LLM 的生成过程锚定在 KG 等外部知识上，已被证明可以有效减少幻觉，并提升工业推理任务中的事实可靠性。

然而，大多数现有工作只是把检索到的故障子图直接输入 LLM，缺少对子图内部关键因果结构的深入建模。这会导致知识利用效率低下，也未能充分发挥 KG 在因果推理中的优势。为解决风力涡轮机常见多事件场景下知识检索不足和事件因果结构建模薄弱的问题，本文提出一种知识增强故障分析框架及多阶段推理方法，用于风力涡轮机故障原因分析。该框架将图结构知识与 LLM 推理能力结合起来，实现从用户查询到故障事件层面可解释 RCA 的全流程自动推理。

本文总体概念架构如图 1 所示，主要贡献如下。

1）设计一种面向多事件场景的漏斗式子图检索方法，利用链式故障传播特征，将语义嵌入与拓扑逻辑相结合，从复杂 KG 中高效筛选精确、一致的子图，从而提升故障匹配准确性和可解释性。

2）定义风力涡轮机链式故障中的五类典型故障事件因果结构，通过分析子图中的拓扑关系和事件语义，进行深层因果挖掘，以揭示复杂故障事件中隐藏的多路径根因。

3）开发一种意图驱动的模块调度智能代理机制，能够根据用户意图和上下文动态调度并组合功能模块，突破传统静态推理方式，实现灵活的任务导向推理路径和多轮会话式故障分析。

本文提出的综合框架专门用于解决图 1 所示的四个关键研究挑战。这些问题分别由本文的核心技术模块系统性处理：知识抽取策略、漏斗式子图检索方法、因果结构类型识别模块和知识增强生成模块。本文其余部分安排如下：第二节介绍相关工作；第三节介绍多阶段知识增强方法；第四节验证并分析所提方法的性能；第五节总结全文。

 

图 1：研究概念框架

II. 相关工作

A. 风力涡轮机故障诊断方法

        现有风力涡轮机故障诊断方法主要可分为基于模型、基于信号和基于知识的方法。其中，基于模型的方法通过构建部件物理模型或结合机器学习进行根因定位来实现诊断和预测。然而，这类方法高度依赖精确建模和专家领域知识，因此往往限制其泛化能力。基于信号的方法聚焦于从振动信号等传感器数据中提取特征，并结合机器学习进行诊断。不过，其决策过程常常仍是缺乏可解释性的“黑箱”。为应对复杂风力涡轮机故障以及多源知识需求，一些研究探索了融合 SCADA 数据、振动分析和人工经验等异构信息的方法，以实现 RCA。尽管这些方法在一定程度上推动了风力涡轮机故障诊断和根因定位，但在处理复杂多事件链式故障时，仍难以执行深层、动态的因果推理。  

B. 基于知识图谱的故障原因分析方法 

为解决传统故障诊断方法在分析复杂、多因素故障原因方面面临的挑战，KG 已被引入设备故障运行维护。KG 通过提供复杂领域知识的结构化表示，促进自动推理，从而减少对人工专业知识的依赖，并提升 RCA 的效率和准确性。早期 KG 应用主要关注捕捉静态且相对直接的因果关联。然而，当面对真实工业场景中故障现象的复杂依赖和多因素交互时，其表现受到限制。为更准确地建模这些复杂因果关系，并从数据源角度捕捉复杂的故障间关系，知识超图以及基于振动信号、频谱和文本的多模态融合方法被引入。就故障原因推断而言，将 KG 与贝叶斯推理结合可实现知识增强的概率诊断。尽管如此，这些方法在建模多事件、动态链式故障传播路径方面仍存在不足。

虽然基于 KG 从单一故障现象中定位原因的故障原因推断方法已成为该领域的一种范式，但在涉及并发事件、延伸故障链或模糊耦合关系的场景中，这些方法往往难以涵盖所有相关因果关联。为解决基于 KG 的深层根因挖掘挑战，图卷积网络被引入，可有效利用故障现象之间的传播关系进行多跳知识聚合和根因追踪。近年来，为增强 KG 在复杂故障机制中的推理能力，异构 KG 推理也被应用于航空发动机转子打滑分析，展示了基于 KG 的故障追踪在多因素场景中的潜力。然而，现有方法仍依赖显式关系推理，缺少对链式故障传播和多事件因果结构的建模能力。

C. 将 LLM 与 KG 结合用于原因分析

LLM 凭借强大的自然语言理解和生成能力，为故障诊断领域带来了新机遇。研究者正积极探索将 LLM 的通用推理能力与 KG 中的结构化领域知识结合起来，以克服传统方法在处理非结构化信息和复杂推理方面的局限。在故障原因分析中，KG 与 LLM 的结合主要通过两种方式实现：RAG 和微调。使用 KG 中的图结构数据微调 LLM，可以充分捕捉工业知识中的复杂相互关系，从而增强 LLM 在特定领域故障诊断中的推理能力。然而，微调主要依赖模型从训练数据中学习到的模式，缺乏对显式结构化因果知识的直接利用。因此，当面对新颖、复杂或间接因果链时，难以保证推理的鲁棒性和可解释性。

相反，RAG 方法将来自 KG 的结构化知识作为上下文提供给 LLM，用于可解释推理。由于这种方法避免灾难性遗忘，并确保 LLM 庞大的预训练知识库保持完整，因此从根本上优于参数调优方法。该方法充分利用 LLM 的动态推理能力，并能够生成详细的故障诊断报告。近期研究还通过改进检索组织方式和减少无关上下文进一步优化 RAG。不过，现有基于 RAG 的方法通常只是把故障子图提供给 LLM，缺少对子图中隐含因果关系和传播路径的更深层挖掘。

 

图 2：知识增强多阶段推理框架

III. 提出的方法

        为解决现有故障原因分析方法在捕捉链式故障和深层因果关系方面的局限，本文提出一种知识增强多阶段推理框架。不同于传统 RAG 和 KG-RAG 通常关注孤立节点检索，本文方法从简单语义匹配转向结构-因果对齐，并专门针对多事件场景进行优化。如图 2 所示，该框架包含三个核心组件。首先，通过受专家认知路径指导的 LLM 知识抽取策略构建 KG（模块 1）。其次，引入结构推理层，其中漏斗式子图检索（模块 B-3）保证并发事件之间的拓扑一致性，五类高阶因果模式（模块 B-4）用于建模链式故障的非线性传播。第三，意图驱动 Agent 机制（模块 6）动态调度并协调这些功能模块，以促进有效的人机交互。这些有针对性的设计，使该框架能够比通用 KG-LLM 混合方法更有效地捕捉故障的深层演化逻辑。漏斗式子图检索方法、因果结构模型和意图感知多轮问答机制的具体实现分别见 III-A、III-B 和 III-C，辅助模块见 III-D 和 III-E。

在实际故障原因分析中，工程师往往通过 SCADA 系统和现场检查观察到多个异常事件。因此，一个关键挑战是如何从预构建的故障事件知识图谱（FEKG）中准确检索与当前场景相关的故障子图。现有方法通常依赖关键词匹配、单点语义相似度或基于 GNN 的结构识别。然而，这些方法严重依赖完整节点信息和明确定义的关系，因此在多事件查询中，如果关系数据模糊或不完整，就会表现较差，而这正是风力涡轮机故障案例中经常遇到的情况。

为解决图 1 中的挑战 2，即复杂故障条件下实现高效、准确、可解释的子图匹配，本文提出一种面向多事件故障场景的漏斗式子图检索方法，如图 3 所示。图 3 左侧展示该模块的输入，包括候选子图集 合、故障事件节点及其语义和关系属性；中间部分概述检索过程中使用的核心模型，特别强调句子级语义嵌入的使用和拓扑一致性评估；右侧四层表示所提出漏斗策略的层级阶段，从上到下依次对应 III-A 中详细介绍的四个组成部分。该设计受到经典粗到细渐进式检索范式启发，旨在有效平衡复杂搜索任务中的计算效率和检索精度。通过融合语义和结构特征，该方法实现从初始粗匹配到细粒度验证的层级过滤过程，不仅逐步细化事件的语义对齐，更关键的是确保与底层事件逻辑高度一致。

本文采用一种结合语义匹配和结构一致性验证的四阶段过滤策略，逐步细化候选子图，从而增强多事件匹配的鲁棒性和精确性。总体过程如下。

1）通过故障事件语义匹配进行粗粒度过滤： 在第一层中，从 FEKG 快速生成初始候选子图池 G_candidate，为后续结构验证提供粗粒度过滤结果。不同于必须精确匹配查询整体语义后才启动检索的方法，本文方法支持基于部分事件信息进行子图检索。对于多事件场景中的每个事件 e，使用预训练 BERT 模型计算其描述与 FEKG 中所有节点的语义相似度。超过预设相似度阈值的节点被识别为语义匹配节点，其对应子图作为 FEKG 中预定义单元被直接检索为初始候选子图。初始候选生成效率主要取决于 FEKG 中节点数量 |V| 和语义嵌入维度。由于每个事件的相似度计算随 |V| 线性增长，该步骤时间复杂度为 O(|V|)，而所有嵌入均预先计算，以最小化运行时开销。在实验中，对于包含最多三个故障事件、图中有 5583 个节点的查询，候选生成耗时小于 1.5 秒。

2）通过多事件语义一致性进行细粒度过滤： 在初始候选池基础上，该层引入更严格的过滤机制，确保每个保留下来的子图都能全面覆 盖查询中指定的所有故障事件。不同于通常将事件匹配视为孤立节点级比较的传统方法，本文方法在事件集 合层面强制保证语义一致性。具体而言，对于每个候选子图 G，重新计算语义相似度，以验证观察场景中识别出的每个事件是否都存在对应节点。无法实现完整事件覆盖的子图将被排除。这样可保证多事件匹配中的全局一致性，并通过仅保留整体反映观察故障上下文的子图，提高下游因果分析的可靠性。

3）通过拓扑关系对齐进行结构一致性过滤： 为进一步增强检索子图的逻辑有效性和可解释性，该层验证每个候选子图内部结构是否与当前故障场景中事件之间的因果或时间关系相一致。不同于仅限于语义层比较的方法，该阶段通过将候选子图中的拓扑关系与故障场景中的拓扑关系对齐，加入事件级结构约束。故障场景被抽象为事件-关系图，其中有向边表示已知因果或时间依赖。每个候选子图都要接受检查，以确保其在方向和类型上保持这些关系。未能满足指定关系结构的子图将被排除。通过强制拓扑一致性，该步骤确保最终子图不仅包含正确事件，而且反映真实世界中的故障传播逻辑。

4）通过聚合语义相似度评分进行细粒度排序： 在前一步中，候选子图已经通过逻辑和结构完整性验证。在此基础上，引入聚合语义相似度评分，以捕捉历史故障数据中症状和原因之间的共现相关性。这种高相关性本质上代表历史记录中的高频因果路径，从统计意义上构成当前症状最可能的原因。

因此，本文提出用于计算子图语义相似度的公式。所得相似度分数 S(G_k) 本质上是衡量 与历史案例相似强度的量化指标。具体而言，对于第 k 个候选子图 G_k，该方法评估其与当前场景故障事件集 合 E 的语义对齐程度。对于每个事件 e_i ∈ E，在子图中识别出与其语义相似度最高的节点。该相似度由基于 MiniLM 的预训练句向量模型 paraphrase-multilingual-MiniLM-L12-v2 计算，该模型为事件文本和节点文本生成稠密向量嵌入。Similarity(node_j, e_i) 被定义为这些嵌入之间的余弦相似度。最终匹配分数 S(G_k) 通过对这些最大相似度取平均得到：

S(G_k) = 1|E| ∑_ei∈E ( max_nodej∈Gk Similarity(node_j, e_i) )

更高的平均 S(G_k) 值（大于 0.85）表明该子图与历史中相似故障场景具有更高共现频率，因此意味着其因果结构具有更强可复用性。通过在结构一致性之上融合该语义相似度排序公式，模型推理结果能够有效聚焦于最可能的预测性原因，显著提升排序因果路径的相关性和框架的实际效用。

B. 因果结构建模

为针对图 1 中的挑战 3，并克服传统 KG 在建模复杂因果依赖方面的局限，同时为 LLM 提供可解释、结构化的推理证据，本文提出五种典型故障事件因果结构模式。本文假设故障事件之间的因果依赖在较短时间窗口内保持相对稳定，从而使因果结构模型能够推断一致的传播模式。这些模式捕捉风力涡轮机故障场景中普遍存在的高阶因果依赖，尤其是多源和非线性传播机制。本节首先定义五类因果结构模式及其理论基础，然后说明这些抽象模式如何在检索到的故障子图中被识别和匹配，以支持后续 RCA。

1）因果结构定义

这些因果结构模式的定义来源于理论基础、经验分析和专家知识的结合。本文抽象建立在链、叉和碰撞器三种经典因果图结构基础之上。在风力涡轮机领域，它们最初分别对应顺序症状、并发症状和并发原因。然而，为了考虑工业数据中观察到的复杂交互，即多个根因呈现协同或依赖关系的情况，本文进一步细化了并发原因结构。该过程最终形成五种代表性模式，用于捕捉风力涡轮机的高频传播机制。总体而言，这些模式广泛覆盖最常见故障模式中的因果逻辑，并由表 I 中的拓扑约束严格限定，以确保精准映射。

如图 4 所示，识别出的五种因果结构模式如下。

1）并发独立根因： 多个不同故障原因独立导致一个共同后果或症状，原因之间不存在直接因果联系。

2）并发协同根因： 多个原因共同促成故障发生，且其组合效应对于触发观察到的症状是必要的。

3）层级因果链： 故障沿线性或分支式因果连接事件序列传播，形成定义良好的多层级因果链。

4）并发症状： 多个故障症状同时出现，通常源于并行因果路径或历史故障数据中频繁观察到的共现模式。

5）顺序症状： 故障症状以顺序且依赖的方式出现，一个症状的发生会持续诱发下一个症状，形成可观察效应的级联链。

2）因果结构建模与表示

五种预定义因果结构模式使用显式模式模板向量 M_k 进行形式化建模。该方法不是把每种模式仅视为顺序文本描述，而是将其作为一组严格结构约束来处理，从而支持高效且无歧义的模式识别。结构建模基于子图的局部拓扑。第 k 类模式模板向量 M_k 由局部子图必须满足的一组关键结构属性定义：

M_k = [ Attribute₁, Attribute₂, ..., Attribute_n ]

其中，Attribute₁、Attribute₂、...、Attribute_n 包括对节点类型、入度/出度和所需关系类型的具体要求。这里 node 表示节点类型，其中 C 表示故障原因，S 表示故障症状；R 表示关系类型，其中 R_cause 表示独立因果关系，R_sum 表示共同因果关系。在此基础上，五种因果模式的唯一结构约束被正式指定，如图 4 的概念映射和表 I 的形式化细节所示。

表 I 形式化结构约束

3）因果结构类型识别

在因果模式被形式化建模后，结构化推理流程的下一步是在检索到的子图中准确识别其所呈现的模式。该过程采用顺序方法，先识别原因节点，再识别症状节点，并使用模式模板向量 M_k 进行结构模式匹配。对于从 FEKG 检索到的给定子图 G，因果结构识别过程如下。

首先，识别 G 内全部节点及其对应节点类型。然后，针对 R_cause 和 R_sum 两类关系分别计算每个节点的 InDegree 和 OutDegree，从而捕捉因果依赖与症状依赖。随后，从子图中抽取关键拓扑和语义特征，并将其与代表五类因果结构的模式模板向量进行比较。接着，遍历所有原因节点，以判断其是否匹配表 I 中定义的模式 a、b 或 c；同时检查所有症状节点是否匹配模式 d 和 e。如果一个节点及其关系上下文匹配某个预定义因果结构，则将该节点及其相应前驱或后继节点抽取为已识别的因果结构实例。详细识别过程见补充材料附录 IV。 

当成功识别出一种或多种类型后，抽取构成该结构的精确节点集 合和关系集 合，从而形成最终经过结构细化的因果知识 C_causal。该知识由已识别的因果结构类型及其对应故障事件节点组成，形式化表示如下：

C. 面向智能交互的意图驱动 Agent 机制

在实际风力涡轮机故障分析中，用户询问往往通过多轮、场景驱动的交互不断演化，涉及情境澄清、因果推理和假设细化。传统固定工作流无法适应这种迭代推理需求。为解决图 1 中的挑战 4，本文引入一种意图感知模块化 Agent 机制，以实现持续、上下文敏感的交互。该 Agent 集成意图识别、模块编排和上下文管理，动态协调知识抽取、子图检索和因果结构识别等分析模块。通过根据不断变化的用户意图和对话上下文自适应调度模块并缓存中间结果，该机制实现了灵活的任务导向推理，并显著增强多轮故障分析的适应性。

如图 5 所示，Agent 通过四个核心功能组件管理整个故障分析生命周期，包括用户意图识别、历史上下文感知与缓存管理、动态模块调度与组合，以及结果集成和回答生成。具体而言，意图识别模块将用户查询分为三种渐进式分析意图：常见故障知识、传播路径分析和 RCA。基于识别出的意图，Agent 通过编排相应分析模块动态规划不同推理路径，并将其中间输出整合为外部结构化知识，引导 LLM 生成准确且可解释的回答。

意图驱动 Agent 机制可形式化建模为一系列意图-模块-响应映射。在每一轮对话 t 中，Agent 接收用户查询 Q_t 和历史对话上下文 C_t-1，并确定当前分析意图 I_t：

如图 5 所示，Agent 通过四个核心功能组件管理整个故障分析生命周期，包括用户意图识别、历史上下文感知与缓存管理、动态模块调度与组合，以及结果集成和回答生成。具体而言，意图识别模块将用户查询分为三种渐进式分析意图：常见故障知识、传播路径分析和 RCA。基于识别出的意图，Agent 通过编排相应分析模块动态规划不同推理路径，并将其中间输出整合为外部结构化知识，引导 LLM 生成准确且可解释的回答。

意图驱动 Agent 机制可形式化建模为一系列意图-模块-响应映射。在每一轮对话 t 中，Agent 接收用户查询 Q_t 和历史对话上下文 C_t-1，并确定当前分析意图 I_t：

I_t = f_intent(Q_t, C_t-1)

 其中，f_intent(·) 表示意图识别函数。基于已识别意图和当前系统状态 S_t，Agent 根据以下决策规则从模块集 合 M 中动态选择相关分析模块：

M^*_t = arg max_mi∈M P(m_i | I_t, S_t)

其中，P(m_i | I_t, S_t) 表示模块 m_i 在意图 I_t 和状态 S_t 下的估计适配度。模块集 合 M = {m₁, m₂, m₃, m₄} 对应图 2 所示四个模块，包括事件列表抽取、子图检索、因果结构识别和知识增强生成。所选模块处理查询和上下文并产生中间结果：

R_t = M^*_t(Q_t, C_t-1)

该中间结果被整合进对话记忆，用于回答生成。这一形式化过程刻画了 Agent 的自适应推理过程，即意图驱动动态模块编排，并在多轮交互中积累上下文知识。为确保所提 Agent 机制的可扩展性，本文进行了计算复杂度分析。对于 KG G = (V, E) 上包含 k 个故障事件的查询，子图检索和因果结构识别模块的复杂度分别为 O(k|V|) 和 O(|V| + |E|)，原因在于其线性遍历特征。基于 Agent 的协调引入与模块数量 n 和对话轮次 T 相关的线性开销 O(n + T)。因此，总体管道复杂度仍为 O(|V| + |E|)，可保证该框架随工业 KG 规模高效扩展，适合大规模工程部署。

该设计通过动态意图识别实现灵活模块编排和渐进式推理，有效分解复杂诊断任务，从而增强智能故障分析的整体实用性。

图 5：多轮故障分析的 Agent 机制工作流

D. 知识抽取与 FEKG 构建

为解决图 1 中挑战 1，即碎片化故障知识的系统集成问题，本文提出一种基于专家认知路径的知识抽取策略，利用 LLM 的推理能力构建 FEKG。

1）故障事件类型定义

故障描述文本通常包含关键事件信息，包括故障原因、症状、排查方法和维护策略。每个事件都涉及特定部件及其对应状态。故障原因表示潜在触发因素，例如部件失效、人为错误或环境因素；故障症状描述可观察表现，例如报警或异常运行；排查方法和维护策略包括为恢复正常运行所采取的诊断和纠正措施。在故障知识推理中，原因和症状主要用于推断根本故障，而排查与维护信息则指导有效故障处理和修复决策。

2）故障事件知识抽取

风力涡轮机故障记录通常由两部分组成：一是包含风机 ID、故障时间和型号等基本信息的结构化表格数据；二是描述导致运行中断或异常的故障现象的非结构化文本。由于文本数据是抽取因果知识的主要来源，本文假设维护记录准确描述了故障事件之间的关系，并且这些关系可以通过语言模型有效识别和抽取。结构化数据通过表到图映射直接转换为实体和属性关系，而非结构化文本则使用自然语言技术处理，以抽取隐含事件和因果知识。随后，将这两类来源整合成统一的风力涡轮机故障事件图，如图 6 所示。

专家在分析风力涡轮机等复杂系统故障时，通常遵循“观察、识别、分类、分析”的认知路径。这个多阶段过程从数据采集、故障特征化延伸到分类和因果推理，为设计基于 LLM 的故障事件抽取建立了稳健框架。通过模拟这种逐步推理过程，LLM 能够更准确地捕捉故障文本中固有的结构逻辑和语义逻辑。

图 7 展示了专家认知和 LLM 知识抽取之间的对应关系。基于该映射，本文提出 LLM 认知抽取路径（LLM-CEP），将专家认知过程转换为结构化、分步式抽取策略。该过程通过多轮问答流程遵循 LLM-CEP 策略，共包含五个阶段，每个阶段对应专家推理流程中的一个不同步骤。详细故障知识抽取提示见补充材料附录 I。

1）上下文抽取：识别并抽取故障相关片段，同时保留上下文连续性。

2）事件识别与补全：检测关键事件元素，例如部件和故障状态。

3）事件规范化：统一非标准或模糊故障表达，以保证术语一致性。

4）事件关系推断：推断事件之间的因果或顺序关系。

5）结构化输出生成：将识别出的事件和关系转换为结构化三元组。

3）FEKG 构建

知识抽取完成后，故障事件被表示为 KG 中的节点，事件类型作为节点标签，事件关系作为边。故障部件、故障状态、发生时间和识别编号等信息作为节点属性存储在 Neo4j 数据库中。每个事故中的每个事件都被分配唯一事件识别编号，使每个历史事故都能形成一个独立子图。

为增强 KG 表达能力，并确保其在动态真实工业环境中的实用性，本文实施了三项关键策略。第一，为增强图的表达能力并量化关系强度，统计特定故障原因和症状之间的共现频率，并将其存储为专门的边属性。第二，在图构建过程中应用严格的一致性验证流程，将基于规则的自动检查与专家验证相结合，以检测并纠正因果方向反转、循环依赖和关系不一致等逻辑问题。第三，为应对时变特性，实施 FEKG 动态更新机制。更新按周期调度，或由预定义的新故障数量触发。该过程采用增量方式，新故障日志首先输入 LLM-CEP 策略进行验证。在此过程中，如果识别到相似症状节点，则更新边频率属性；否则，将经过验证的新子图纳入图中，如补充材料附录 II 所示。该机制确保 FEKG 能够适应不断演化的故障模式和类型。

图 6：基于 LLM 的知识抽取方法

图 7：LLM 认知抽取路径

E. 场景解析与答案生成

III-A 至 III-C 已介绍推理框架的三个核心组件。本节聚焦输入与输出过程，它们分别对应图 2 中的模块（2）和模块（5）。具体而言，本节描述如何从用户输入中抽取故障事件和事件间关系，以及如何随后整合各分析模块输出，生成连贯的自然语言回答。

1）事件列表抽取

在用户输入查询中，往往会提到当前故障场景中的多个故障事件，并包含某些时间或逻辑关系，例如“之前”或“随后”等描述。抽取这些信息是生成当前场景子图的关键步骤，也是子图检索之前的步骤（见 III-A）。该模块基于 LLM，自动识别查询中提到的所有故障事件及其关系。结果被抽取为两个独立列表：事件列表 E 和关系列表 R：

E = [ e₁, e₂, ..., e_n ]

R = [ (e₁, r₁, e₂), ..., (e_i, r_i, e_j) ]

其中，e 表示具体故障事件，r 表示事件之间的关系。在关系列表中，事件之间的关系是稀疏的，因为查询中的关系可能模糊或缺失，从而导致当前故障子图构建不完整。

2）知识增强生成

该模块由智能 Agent 在接收到前序分析组件的处理结果后激活。以 RCA 任务为例，Agent 会依次调用事件列表抽取（见 III-E-1）、子图检索（见 III-A）和因果结构识别（见 III-B）模块。生成模块的输入定义如下：

context = ( query, E, R, G_final, C_causal )

其中，query 是用户输入问题；E 和 R 分别是对应的事件列表和关系列表；G_final 是通过漏斗式检索得到的最终子图；C_causal 表示因果结构及其对应节点列表。为解决检索到的外部事实与 LLM 内部参数知识之间可能出现的上下文记忆冲突，提示词被策略性设计为要求模型忠实于上下文。这确保 LLM 优先以高精度结构化领域知识 C_causal 作为推理主要依据，从而保证输出的准确性和可追溯性。最后，模型基于上下文信息生成对用户查询的回答：

A_response = GenerateAnswer(context)

通过整合历史故障数据、因果关系和用户意图，语言模型能够生成准确、详细且可解释的回答，帮助解释根因和故障传播路径。

IV. 实验验证与结果讨论

为评估所提方法在故障原因分析任务中的性能，本文开展了三项实验：实验 1 验证知识抽取策略的有效性；实验 2 比较并突出所提子图检索策略的优势；实验 3 评估多模块知识增强故障原因分析方法的整体性能。此外，实验 4 从主观角度评估所提模块的可解释性和可用性。

A. 数据集描述

本文从一家高科技企业收集故障相关文本数据，该企业专门从事系统集成设计、风电设备制造以及风场运行维护服务。数据集包含 1400 条故障维护日志，其中混合了半结构化数据和非结构化文本记录。具体而言，风机 ID、故障时间戳和供应商信息等半结构化信息通过关系映射处理；故障传播及相应维护动作记录于非结构化文本中。随后，这些文本记录使用本文提出的 LLM-CEP 策略进行故障事件和关系抽取。最终，通过该过程成功抽取 5583 个故障事件节点和 3780 条关系边，形成 1400 个故障事件子图，如图 8 所示。

为支持全面实验验证，本文构建了多个数据集，每个数据集对应一个特定评估目标。为验证知识抽取策略的有效性（实验 1），人工标注 300 条涉及 1103 个事件的故障记录，形成验证集，见补充材料附录 V。为评估所提漏斗式子图检索方法的性能（实验 2），编制了包含 700 个故障查询及其对应目标子图的检索数据集。这些查询按复杂度分为单事件（300 个查询）、双事件（300 个查询）和三事件（100 个查询），见补充材料附录 VI，从而能够详细评估不同故障场景下的检索效率。

为评估整体框架的推理能力（实验 3），本文基于专家知识设计了 10 个代表性风力涡轮机故障案例，覆盖来自企业的真实场景和泛化场景。针对每个案例，按照从浅到深的渐进认知路径构建多轮问答集：症状识别、传播分析和根因定位。每个场景包含三轮渐进式问题，并配有标准参考答案，以支持客观评价。此外，另构建 10 个领域特定问题用于主观评价（实验 4），由专家评审和基于 GPT 的评估对多个模型生成答案进行比较分析和排序。

图 8：Neo4j 中的 FEKG

B. 实验设置

实验 1： 该实验通过将所提知识抽取策略与两个通用 LLM 以及一个加入系统提示词的 LLM 进行比较，验证其有效性。通用 LLM 仅依赖自身内部知识，而系统提示词增强的 LLM 则提供领域特定背景知识和清晰定义的任务边界。性能通过精确率、召回率、F1-score 和完整率进行定量评估。这里，完整率指完全抽取文本数量与文本总数之比。

实验 2： 该实验验证漏斗式子图检索方法的性能，并将其与语义检索 RAG 以及近期用于故障原因分析的 KG 增强框架 KG-RAG 进行比较。在该实验中，KG-RAG 使用本文构建的 FEKG 实现，以作为代表性混合检索基线。评价指标为精确率、召回率和 F1-score。

实验 3： 该实验客观评估推理框架，并将其与通用 LLM 以及 CausalKGPT 进行比较。CausalKGPT 是一种在领域特定故障语料上微调、融合因果逻辑的混合模型。为验证模块贡献，本文进行了两项消融研究：一项通过比较包含和不包含因果结构模块的 Moonshot-v1-8k，考察因果结构模块对准确率的影响；另一项通过分析初始响应时间 T_init 和多轮响应时间 T_multi 相对于固定管道基线的表现，验证 Agent 的效率。性能使用 BLEU、BERTScore、T_init 和 T_multi 衡量。

实验 4： 该实验从主观角度评估所提模块的可解释性和可用性。通过两种互补方式比较通用 LLM 和混合模型 CausalKGPT 的回答：基于 GPT 的自动评分和专家评估。对于每个问题，GPT-5 基于因果可解释性、清晰度等维度给出综合分数。同时，领域专家人工评估推理链的逻辑一致性。

C. 实验结果与分析

实验 1 的结果见表 II（每列最佳分数以粗体表示）。所提出的 LLM-CEP 在所有评价指标上均取得最佳整体表现。

表 II 实验 1 结果

在精确率方面，四种方法得分均高于 0.8，说明通用 LLM 具备较强的故障知识抽取能力，错误抽取数量相对较少。LLM-CEP 的精确率略有下降，这是为提高召回率所做的权衡，因为推断潜在元素以保持逻辑连续性会造成轻微过抽取。值得注意的是，在通用模型中，Gemini-2.5 表现优于 Moonshot-v1-8k。然而，在召回率方面，LLM-CEP 策略显著优于其他两种方法。这种更高召回率表明其知识抽取更全面，并最终使所提方法获得最佳 F1-score。

在完整性方面，即使向基线方法提供必要背景知识，抽取完整性也未显著提高。Gemini-2.5 凭借自身更强性能，即使在基线方法经过系统提示词增强后，仍表现更好。相比之下，本文方法先对故障文本进行分段，以捕获所有与故障相关的描述，因此显著提升了抽取完整性。

表 III 实验 2 结果

表 III（每行最佳值以粗体表示）显示，所提出的漏斗式检索方法在风力涡轮机故障分析中持续优于基线方法，尤其是在多事件故障场景下。对于单事件查询，所有方法的 F1-score 均高于 77%，说明具备良好基础能力。由于结合了关键词过滤和语义匹配，本文方法与 KG-RAG 在召回率上优于 RAG。随着故障事件数量增加，RAG 和 KG-RAG 的精确率、召回率和 F1 明显下降至约 60%，主要原因在于其“多对一”向量映射无法保留细粒度因果细节。相比之下，漏斗式方法保持高性能，在双故障和三故障任务中 F1-score 分别达到 88.5% 和 87.2%。这种提升源于其迭代式粗到细过滤策略，该策略逐步细化检索范围并融合多事件上下文，从而保证复杂链式故障中一致且准确的子图检索。

表 IV 实验 3 结果

表 IV（每列最佳值以粗体表示）展示了回答生成任务中的性能比较。总体而言，融合因果知识的模型优于通用 LLM。没有因果结构模块的本文框架在 BLEU 和 BERTScore 上超过通用 LLM，尽管其表现略低于微调后的 CausalKGPT。引入因果结构模块后，本文方法取得最佳整体性能，并在所有语义一致性指标上获得最高分。

在效率方面，通用 LLM 的响应时间约为 10 秒，而 CausalKGPT 平均为 16.84 秒。由于多阶段推理架构，本文框架的初始响应时间为 36.27 秒。然而，Agent 机制显著优化了渐进式问答轮次中的效率。与固定管道相比，固定管道延迟始终约为 36 秒，而本文框架通过上下文缓存绕过冗余检索和识别模块，将多轮平均响应时间降至 27.24 秒。这一效率提升表明，所提框架在真实工业应用中能够在推理深度与计算开销之间保持可接受的平衡。

表 V 实验 4 结果

表 V（每列最佳值以粗体表示）展示了不同模型的主观评价结果。GPT-5 基于五个维度给出评分。本文方法获得最高综合分 8.5，并在相关性、可解释性和实用性方面表现最好，说明因果结构和生成模块有效增强了理解和推理质量。去掉因果结构模块后，性能下降至 6.6，略低于微调模型 CausalKGPT 的 8.0，表明显式因果建模在提升推理可靠性方面起关键作用。Gemini-2.5 生成的回答相对清晰且结构良好，但由于缺少显式因果知识引导和充分证据支持，其相关性和可解释性仍较低。

图 9 比较了本文方法、CausalKGPT 和 Gemini-2.5 对同一故障描述生成的回答。本文方法的回答整合了检索子图信息、已识别因果模式和基于推理的分析。该解释不仅能够追溯到具体历史案例，还提供深层因果推理和可执行维护建议。相比之下，CausalKGPT 虽然具有较强分析逻辑，但缺乏足够证据支持，因为其推理无法追溯到显式因果结构。通用 LLM 主要关注一般机制，缺少深层因果追踪，因此在实际诊断场景中的可用性有限。

图 9：对比实验结果

D. 讨论

实验结果表明，所提框架在推理管道各阶段均表现出优越性能。与现有方法相比，它对多事件故障场景具有更强适应性，并能产生更可解释、更可靠的因果推理结果。

具体而言，LLM-CEP 策略在人工认知推理引导下，通过聚焦步骤捕捉故障实体和因果链接，相比浅层文本关联提供了更结构化的基础。在此基础上，漏斗式检索方法通过迭代过滤保证子图之间的一致性，有效重构多事件场景中的传播路径。因果推理模块随后通过在图拓扑上建模预定义模式提升可追溯性，激活 LLM 的潜在推理能力。为优化性能，这些模块由意图驱动 Agent 机制编排，该机制基于查询意图动态调度模块，避免冗余调用和不必要计算。

在运行效率方面，尽管多阶段管道引入了更高响应延迟，但其仍处于 RCA 实际可接受阈值内。不同于毫秒级保护任务，RCA 是一种按需决策支持任务，更重视准确性和可解释性。从工程角度看，相比减少人工劳动和风机停机带来的显著经济收益，这些按需调用的低计算成本可以忽略不计，因此具备较高部署可行性。总体来看，将结构化因果建模与 LLM 集成，显著增强了故障原因分析的深度、可解释性和可信度。

V. 结论

为解决风力涡轮机故障原因分析中的挑战，本文提出一种知识增强多阶段推理框架。该框架专门针对复杂多事件链式故障进行优化，通过从简单语义匹配转向深层结构-因果对齐实现故障分析能力提升。首先，设计了一种模拟专家认知路径的知识抽取策略，与通用 LLM 相比，完整性提升 40%。其次，实现了一种漏斗式子图检索方法以保证拓扑一致性，显著增强多事件场景下的检索准确性。再次，通过五种预定义高阶模式揭示深层因果关系，提供可解释的结构化知识，并在推理质量上优于 CausalKGPT 和 ChatGPT-4o 等基准。最后，通过意图驱动 Agent 机制，框架能够遵循由浅入深的渐进认知路径进行灵活多轮推理。消融研究验证了该机制能够显著优化效率，降低后续对话轮次的平均响应时间。

然而，该方法仍存在关键局限。对于超出五种预定义模式的场景，框架会默认采用通用 LLM 推理，这可能限制因果深度。此外，该方法尚缺少实时数据集成和不确定性建模。尽管采用了 RAG 机制，LLM 固有的幻觉风险仍然存在。

未来工作将聚焦于增强系统鲁棒性和适应性。首先，为处理未预见场景，将探索演化因果结构的自动发现，并集成局部 Granger 因果检验等统计因果分析方法，用于关系预测。其次，为克服文本数据局限并更好处理时间动态，将纳入多源结构化数据，尤其是高频实时数据，并将框架扩展为时间感知动态 KG。每个故障事件和因果关系都将被赋予时间戳，以捕捉其时间有效性，使图和推理过程均能通过时间依赖建模和时间序列推理动态适应新的运行数据。