Knowledge-Graph-Guided Retrieval-Augmented LLMs for Explainable Root Cause Analysis in Automotive HiL Validation
本文提出了一种知识图谱引导的检索增强型大语言模型框架，该框架将汽车硬件在环时序数据转化为富含功能关系与历史案例的紧凑型诊断证据，以实现可解释、泛化且高准确度的根因分析与故障定位。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一名正在试图破解谜团的侦探，但你的“犯罪现场”不是案发现场，而是一个出现故障的汽车计算机。在制造安全汽车的世界里，工程师们不仅仅是把车开上路；他们会将汽车的大脑（计算机）放入一个被称为“硬件在环”（Hardware-in-the-Loop, HiL）的巨大模拟器中。这就像是一款视频游戏，真实的汽车计算机被接入其中，但道路、引擎和天气都是由数学构建而成的。这种设置会产生海量的数据——每秒钟都有数千个数字在变化，就像一台从未真正移动过的汽车的心跳监测仪。
问题在于，当模拟过程中出现问题时，数据看起来就像是一团混乱的涂鸦。传统的工具就像是一把手电筒，只能告诉你：“嘿，这里有点不对劲！”但它们无法告诉你问题是从哪里开始的，或者为什么会发生。它们擅长发现烟雾，却不擅长寻找火源。最近，科学家们开始尝试使用“大语言模型”（LLM）——即那些可以写诗或与你聊天的超聪明人工智能大脑——来提供帮助。但通常情况下，这些人工智能更像是“猜测者”；它们可能会幻觉出一个解决方案，或者被庞大的数据量搞糊涂。为了解决这个问题，研究人员正试图教会这些人工智能使用“知识图谱”（Knowledge Graph），这本质上是一张关于汽车每个部件如何相互连接的巨大且有序的地图。大问题在于：我们能否将这张地图与人工智能的大脑结合起来，不仅能找到故障，还能像经验丰富的技师一样，准确解释到底发生了什么？
这篇论文介绍了一个聪明的全新系统，它扮演着一个拥有超能力的侦探角色：它不仅仅是观察那些杂乱无章的数字，而是首先将它们转化为一份简短、易读的“诊断报告”。你可以这样想：与其交给侦探一份长达一万页的通话记录，不如给他们一份一页纸的摘要，上面写着：“通话者在第5分钟时情绪变得激动，然后在第10分钟时线路变得安静。”该系统将原始、混乱的汽车数据转化为这些精简的线索，例如“这个信号跳变得太快了”或者“这个传感器的反应比预期的晚了2秒”。
一旦线索准备就绪，该系统会进行两件聪明的事。首先，它会咨询它的“知识图谱”——即汽车解剖结构的地图——以查看哪些部件在物理上是相互连接的。如果发动机转速传感器出现异常，地图就会知道燃油泵和排气系统接下来可能会受到影响。其次，它表现得像一名图书管理员，在以往的汽车故障数据库中搜索，寻找类似的案例。它会询问：“我们以前见过这种特定的线索模式吗？”
最后，它将所有这些有组织的证据——摘要线索、连接图以及过往案例——交给人工智能（LLM）。人工智能不仅仅是在猜测，它扮演着推理引擎的角色。它观察证据并说道：“好吧，发动机转速传感器首先出现了异常，地图显示它与节气门相连，而且我们发现了上周的一个类似案例，当时节气门是罪魁祸首。因此，我90%确定节气门是根本原因。”研究人员在两个不同的汽车系统上测试了该系统：一款汽油发动机和一辆电动汽车。结果令人印象深刻。该系统在汽油发动机上正确识别出故障确切位置的准确率达到了90%，而在电动汽车上则达到了94%。更棒的是，当系统观察整个测试运行过程而非仅仅是微小的片段时，在他们进行的测试中，其正确率达到了100%。
作者谨慎地指出，这还不是能解决世界上所有汽车问题的“魔杖”。他们针对特定类型的故障（称为“增益故障”，即信号变得过强或过弱）以及相对较小的一组测试数据进行了测试。他们还指出，如果两个部件在同一时刻发生故障，拆解起来可能会更加困难。然而，这项研究表明，通过为人工智能提供一个结构化的地图和一种学习过往案例的方式，我们可以从仅仅“检测”错误转向真正的“诊断”错误，从而使制造更安全的汽车的过程变得更快，也让工程师更容易理解。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。