本文提出了一种混合诊断框架，将知识图谱（KG）与大型语言模型（LLM）结合，以支持核电站等复杂高可靠性系统中的故障诊断。该框架基于动态主逻辑（DML）模型，将系统功能、组件和依赖关系组织成分层的知识图谱，以进行基于逻辑的推理。大型语言模型作为高层次的促进者，通过自动从非结构化技术文档中提取DML逻辑，将功能模型与基于语言的推理链接起来，并用自然语言解释用户查询。对于诊断查询，LLM代理选择并调用预定义工具，使用DML逻辑在KG中执行向上或向下传播，而解释性查询则检索并上下文化相关的KG片段，以生成用户友好的解释。这确保了推理透明且扎根于系统结构。这种方法减少了构建功能模型所需的手动工作量，使自然语言查询能够提供诊断洞察力。在针对核压水反应堆中使用的辅助给水系统的案例研究中，该框架在模型元素提取中达到了超过90%的准确率，并始终能够解释诊断和解释性查询。结果验证了LLM在自动化模型构建和提供可解释的人工智能辅助健康监测方面的有效性.
Marandi等人（周四）研究了这个问题。