汕头大学智能制造技术教育部重点实验室、汕头市高端装备智能运维与再制造技术重点实验室IMAM团队王奉涛教授在激光定向能量沉积（L-DED）设备智能运维领域取得重要进展。相关成果以论文形式发表于人工智能领域权威期刊《Applied Soft Computing》（中国科学院二区TOP，JCR Q1，IF=6.6）。

L-DED是金属增材制造的重要工艺，凭借高沉积速率、优异力学性能及不受密封舱限制等优势，在航空航天、汽车制造等领域得到广泛应用。然而，L-DED设备组成复杂，投资成本高昂，其可靠性与维护管理水平直接影响生产效率和经济效益。随着增材制造行业对产能追求的提高，设备连续运行时间不断延长，传统预防性维护周期被持续压缩，导致非计划停机风险加剧。

现有数字孪生（DT）技术虽已在设备监测可视化方面取得进展，但其应用仍受限于预定义的运行模式，对未知工况的适应性不足；同时，数字孪生系统缺乏自然语言交互能力，难以准确理解用户意图。另一方面，大语言模型（LLM）在工业场景中面临领域知识获取困难、幻觉现象以及缺乏面向渐进式故障诊断过程的系统评估方法等挑战。

针对上述瓶颈，团队将DT与LLM融合，构建了一套面向L-DED设备的双驱动智能运维系统。研究首先建立了与物理实体实时同步的虚拟孪生体，包含三维数字模型、交互式监控面板及多协议通信模块，不仅整合了视频监控流，还实现了机器人关节角度、激光功率、送粉速率等关键参数的在线映射，使用户能够远程掌握现场实际工况。

在此基础上，团队构建智能运维知识库及问答系统。知识库方面，涵盖设备操作手册、维修记录、故障案例文献等千余条专业知识片段；引入检索增强生成技术（RAG），并设计多语言扩展模块与命令检索智能体，所开发的智能运维问答助手能够理解用户意图并检索相关信息，结合实时设备数据生成可靠、可执行的操作指导，提升了运维人员处理故障的效率。

此外，现有大语言模型评估指标多关注单轮问答的答案质量，难以衡量模型在多轮、渐进式故障诊断任务中的逻辑引导能力。为此，团队将故障诊断流程抽象为有向无环图（DAG），提出了加权准确率这一评价指标，以定量评估LLM在引导用户逐步排查故障、合理判断终止节点方面的综合能力。在一系列的L-DED智能运维问答测试中，所构建的L-DED智能维护问答助手表现优于DeepSeek-r1-671B，该优势归因于本地化专业知识库的集成以及接入设备状态数据的能力。

该研究实现了DT与LLM在增材制造设备智能维护领域的深度融合，不仅为操作人员提供了智能化的交互式运维助手，也为工业大语言模型的评估建立了更符合实际诊断逻辑的DAG框架。未来，团队将在三个方向做出努力：虚拟孪生到物理实体的闭环控制、量化动态实时数据与静态知识库的边际贡献，以及探索跨机构知识共享方法。在此基础上，进一步为装备与工艺协同的工业多模态智能体研究做出贡献。

研究得到了国家自然科学基金（No. 52575128，52305544，52205110）、广东省自然科学基金（No. 2023A1515011164）以及广东省普通高校重点领域专项项目（No. 2024ZDZX3019）的资助。

来源：工学院