Knowledge Graph Enhanced Retrieval-Augmented Generation for Failure Mode and Effects Analysis

失效模式和影响分析（FMEA）是减轻潜在故障的关键工具，尤其是在新产品的推出阶段。然而，FMEA工具通常是表格结构，缺乏推理能力，其有效性常常受到限制。同时，大型语言模型（LLM）为在FMEA上下文中进行推理的自定义数据集提供了新的前景。然而，LLM在需要事实知识的任务中面临挑战，而检索增强生成（RAG）方法旨在填补这一差距。RAG从非参数数据存储库检索信息，并使用语言模型生成响应。在此基础上，我们提出通过知识图谱（KG）提升非参数数据存储库的想法。通过将KG与RAG框架相结合，我们的目标是利用FMEA数据上的分析和语义问答能力。本文提出了一种新的FMEA观察本体论、从FMEA KG创建向量嵌入的算法以及KG增强的RAG框架，通过人类研究验证了我们的方法，并测量了上下文检索的召回率和精度表现。

本文试图通过增强检索辅助生成（RAG）框架的非参数数据存储库来解决FMEA工具的推理能力不足的问题，以实现在FMEA上下文中的分析和语义问答能力。

本文提出了一种为FMEA观测创建向量嵌入的算法，使用知识图谱增强了RAG框架，并通过人类研究验证了该方法的有效性。

本文的亮点包括提出了一个新的FMEA观测本体论，使用知识图谱增强了RAG框架，通过人类研究验证了该方法的有效性。

最近在这个领域中，与本文相关的研究包括使用大语言模型进行推理的工作，以及使用知识图谱进行问答的工作。例如，题为“Enhancing Pre-trained Language Models with External Commonsense Knowledge”的论文提出了一种使用外部常识知识增强预训练语言模型的方法。