Key points are not available for this paper at this time.
La gestion efficace et l'utilisation des connaissances en maintenance des équipements de mine de charbon constituent une base indispensable pour faire progresser l'établissement de mines intelligentes. Ces connaissances présentent des problèmes tels que la dispersion, le faible partage et la gestion insuffisante, ce qui limite le développement de l'intelligence dans les mines de charbon. Pour résoudre ces problèmes, un modèle de langage large pour la maintenance des équipements de mine de charbon basé sur des textes multi-sources (XCoalChat) a été proposé afin de mieux gérer et utiliser les vastes connaissances existantes sur la maintenance des équipements de mine de charbon. Le jeu de données sur la maintenance des équipements de mine de charbon basé sur ReliableCEMK-Self-Instruction a été construit pour obtenir une quantité large et diversifiée de connaissances par le biais de la génération d'échantillons. Visant à résoudre le problème illusoire du modèle de langage large, une méthode d'amélioration de graphe de connaissances basée sur le « Système de Maintenance des Équipements de Mine de Charbon — Cycle de Vie Complet — Spécification » a été proposée pour améliorer la densité de connaissances. Un mécanisme de réglage fin triple-LoRA et une méthode d'optimisation de préférence directe DPO ont été intégrés au sommet du modèle de base, garantissant que XCoalChat peut gérer plusieurs Q XCoalChat a également pris le moins de temps de raisonnement en moyenne. XCoalChat a surpassé d'autres modèles de langage large principaux, ce qui vérifie que XCoalChat est un modèle de langage large efficace dans le domaine de la maintenance des équipements de mine de charbon.
Cao et al. (Sun,) ont étudié cette question.