IHGR-RAG: إطار محسن للتوليد المعزز بالاستخراج لتقييم حالة معدات القوى بدقة وقابلية للتفسير

يُعد تقييم حالة معدات القوى أمرًا حيويًا لتحسين استراتيجيات الصيانة. ومع ذلك، تعتمد الأساليب المستندة إلى المعرفة بشكل كبير على المحاذاة اليدوية بين خصائص فشل المعدات ومعلومات الإرشادات، في حين تعتمد الأساليب المستندة إلى البيانات أساسًا على التجارب الميدانية للكشف عن الحالات الشاذة. يواجه كلاهما تحديات من حيث عدم الكفاءة وحدود التوقيت. مع تزايد دمج أنظمة المعلومات، تمثل نسبة كبيرة من المعلومات المتعلقة بتقييم الحالة في صيغ نصية، مثل تنبيهات النظام وسجلات التجارب. على الرغم من أن النماذج اللغوية الكبيرة (LLMs) والتوليد المعزز بالاستخراج (RAG) تظهر وعدًا في معالجة هذه المعلومات النصية، إلا أن تطبيقها العملي مقيد بهلوسات النماذج اللغوية الكبيرة وآليات الاستخراج ذات الحبيبات الخشنة في RAG، التي تكافح مع عناصر الإرشادات المتشابهة دلاليًا ولكن المختلفة سياقيًا. ولمعالجة هذه القضايا، يقترح هذا البحث إطار RAG محسن يدمج آليات استخراج هرمية وعالمية (IHGR-RAG). يشمل الإطار ثلاث استراتيجيات تحسين شاملة: آلية إعادة صياغة الاستعلام تعتمد على هندسة التعليمات باستخدام التعلم القليل العينات، نهج متكامل يجمع بين آليات الاستخراج الهرمية والعالمية، وخط أنابيب تحسين التوليد بسلسلة التفكير الصفرية. بالإضافة إلى ذلك، تم تطوير معيار تقييم كمي مخصص للمهام لتقييم أداء النموذج بدقة. تشير النتائج التجريبية إلى أن IHGR-RAG يحقق تحسينات في الدقة بنسبة 4.14٪ و5.12٪ في مهمة مطابقة عنصر الإرشاد الصحيح فقط، مقارنة بأساليب RAG التقليدية والهرمية المستقلة على التوالي. تؤكد دراسات الإلغاء فعالية كل وحدة. يُعزز هذا العمل مراقبة الصحة الديناميكية لمعدات القوى من خلال موازنة القابلية للتفسير والدقة وقابلية التكيف مع المجال، مما يوفر مسار تحسين فعال من حيث التكلفة للسيناريوهات ذات البيانات المشروحة المحدودة.