近日，上海理工大学出版学院网络与新媒体系青年教师苗润生与2023级新闻传播学硕士研究生吴涛及其他合作者，在列车转向架智能故障诊断与知识图谱交叉方向取得重要进展，相关研究成果以”基于知识图谱与大语言模型的图RAG转向架故障诊断方法“（Graph RAG-based fault diagnosis for train bogies using knowledge graphs and large language model）为题，发表在《知识系统》（Knowledge-Based Systems）上。苗润生讲师为该论文第一作者，上海理工大学出版学院为论文第一完成单位。
高速列车转向架作为保障行车安全与舒适的关键部件，其故障诊断长期面临故障耦合性强、非线性特征明显、现有振动分析方法与深度学习模型解释性不足等挑战。受近年来知识图谱与大语言模型在工业诊断中成功应用的启发，研究团队创新性地提出了“图检索增强生成”框架，将非结构化维修日志中的隐式知识转化为可解释、可追溯的故障推理链条，实现了从“黑箱诊断”到“透明推理”的范式跨越。
研究团队构建了一套包含四阶段的全流程诊断框架：数据预处理标准化多模态故障记录；基于大语言模型的自动化知识图谱构建，并通过提示工程融入领域知识；图编码和检索将知识图谱转化为结构化图嵌入，实现基于查询向量的精确子图检索；以及基于检索上下文的可解释故障分类与归因分析。该框架不仅显著提升了诊断准确性，更通过知识图谱实现了故障因果链的可视化与可验证，为铁路安全运维提供了可信任的智能决策支持。
在真实转向架故障数据集上的实验表明，该方法在加权F1分数上较现有先进方法提升超过2.47%，Top-10准确率提升超过3.26%，归因一致性高达92.67%，显示出优异的诊断可解释性与推理透明度。此外，研究还设计了增量索引机制，支持知识图谱的动态更新，在新增50个故障案例后，系统召回率提升8.4%，F1分数提升5.1%，表现出良好的适应性与扩展性。
该研究将图检索增强生成技术引入轨道交通故障诊断领域，实现了从“基于数据的分类”到“基于知识的推理”的跨越，为复杂工业系统的智能运维提供了可解释、可演进的新范式。其模块化设计也具备向航空航天、能源电力等其他安全关键领域推广的潜力，标志着人工智能在高端装备运维中向“可信智能”迈进的重要一步。从传播学与知识管理视角看，该研究将知识图谱与大语言模型引入复杂工业场景，探索了专业知识的结构化组织、语义关联与智能化传播，为传播学中知识管理、知识图谱及智能传播技术在工程与安全领域的应用提供了新的实践范例。
作为文科学院教师，苗润生聚焦国家重大战略需求与行业前沿问题，勇于突破学科边界，将人工智能、数据科学等新兴工科范式深度融入新闻传播与知识服务研究，展现了文科教师主动拥抱技术变革、推动知识创新的前瞻视野与科研能力。出版学院始终坚持以“文工交融、协同创新”为发展理念，鼓励教师面向智能时代开展跨学科探索。
未来，出版学院将继续依托学校多学科综合优势，以AI赋能、数据驱动、文工融合为主线，进一步推动科研范式转型与人才培养模式创新。鼓励更多教师立足文科基础，拓展智能技术应用场景，构建相互滋养、协同共进的学科生态体系。
基于Graph RAG的列车转向架故障诊断方法框架
列车转向架知识图谱可视化示意图
