Hybrid Intelligence for Root-Cause Analysis in Manufacturing: An Adaptive Knowledge-Driven Decision-Support Framework
本研究提出并验证了一种混合知识驱动型决策支持框架，该框架将语义检索、基于FMEA的工程知识以及基于石川图的情境评估与LightGBM模型相结合，旨在实现制造业中高准确度的根本原因识别，在保持对噪声数据鲁棒性的同时，有效减少专家必须调查的假设数量。
原始论文采用 CC BY 4.0 许可（https://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
在现代制造业的复杂世界中，机器以微米级的精度组装复杂的零件，但问题不可避免地会发生。线圈可能缠绕不正确，焊点可能失效，或者传感器可能误读信号。当这些缺陷发生时，它们会被记录为不符合项报告，通常由操作人员以自由流动的文本形式编写，描述他们所见所闻。随之而来的关键任务是根本原因分析：即通过严谨的过程找出缺陷发生的确切原因，以便防止其再次发生。传统上，这种调查高度依赖质量专家的经验，他们必须在零散的笔记中进行筛选，回忆过去的事件，并进行脑内的技术手册交叉比对以寻找答案。虽然人类的直觉很强大，但在信息不完整或缺陷表现出多种问题特征时，这种直觉可能会显得缓慢且缺乏一致性。工程师的目标是从仅仅发现缺陷转向完全预防缺陷，这一概念被称为“零缺陷制造”，但实现这一目标需要一种能够将日常生产数据的混乱转化为清晰、可操作的洞察力的手段。
来自萨尼奥大学和帕多瓦大学的研究团队开发了一种新方法来帮助解决这个难题。他们创建了一个混合系统，作为质量经理的决策支持工具，结合了计算机阅读文本的能力、工程安全手册的结构化逻辑以及人类与机器因素的广泛类别。该系统并非试图取代人类专家，而是旨在承担处理数千个过往案例和技术规则的繁重工作，从而呈现一份关于缺陷最可能原因的简短、排序后的列表。研究人员在一家生产机电组件的真实工厂中测试了这种方法，输入了数千份历史报告和生产记录，以观察它是否能像经验丰富的专业人员一样准确地识别问题的真实原因。
该系统通过同时倾听三种不同的“声音”来工作。第一种声音是缺陷报告本身的文本。计算机利用先进的语言处理技术来理解词汇背后的含义，通过搜索庞大的过往报告数据库，寻找即使措辞不同但意思相近的案例。第二种声音来自一份名为“失效模式与影响分析”（FMEA）的技术文档，这本质上是一张预先编写的、关于特定机器或工艺可能出错情况的地图。系统的这一部分充当过滤器，检查建议的原因在发现缺陷的生产阶段是否在物理上是可能的。例如，如果零件是在最终电气测试期间失效的，系统就会知道忽略那些只能发生在初始材料检验阶段的原因。第三种声音关注事件的上下文：谁在工作，哪台机器在运行，使用了哪批材料，以及当时的时间。通过将这些细节组织成诸如人员、机器和材料之类的标准类别，系统可以观察当前情况是否与导致特定问题的模式相匹配。
这三股信息流随后由一个经过数千个已知正确答案的案例训练过的学习引擎汇聚在一起。该引擎不仅仅是简单地累加来自三种声音的分数；它学会了如何权衡它们之间的关系。如果文本描述非常清晰但机器数据缺失，系统就知道要更多地依赖文本和技术规则。如果文本含糊不清但机器有以特定方式损坏的历史，系统则会将重心转向机器数据。这种适应性至关重要，因为工厂报告往往很凌乱，存在信息缺失或书写潦草的情况。该系统旨在处理这种不确定性，确保信息的缺乏不会导致错误的结论，而是触发另一种推理方式，依然指向最可能的答案。
当研究人员测试该框架时，结果令人瞩目。在一个针对任何给定缺陷都有二十三个可能原因的工厂环境中，该系统成功地将列表缩减到了仅有的三个首选候选方案中，且在几乎所有情况下均能做到这一点。具体而言，当所有信息都可用时，人类专家认定的真实原因出现在前三个建议中的比例高达 97.5%。更令人印象深刻的是，即使在信息部分缺失或文本嘈杂难以阅读的情况下，该系统仍保持了极高的准确性。在操作上下文（如机器或操作员详情）完全缺失的情景下，系统并未崩溃；相反，它更多地依赖于文本和技术规则，依然能够识别出超过 80% 的正确原因。这种鲁棒性表明，该系统可以在现实世界中有效运行，而在现实世界中，完美的数据是罕见的。
这项工作的实际价值在系统帮助质量团队解决一个特定产品的重复性问题时得到了证明。该工厂一直面临着在最终测试期间出现的间歇性故障，报告中的描述每次都略有不同，这使得很难发现规律。系统识别出这些不同的描述都指向同一个潜在问题，并通过交叉引用机器和测量数据，发现问题不在于产品组装，而在于测试设备本身。该设备存在接触不良的问题，且已逾期未进行校准。一旦团队将调查重点从产品转向测试台，他们就解决了问题，并且在接下来的几个月里，重复性故障的数量下降了 60% 以上。这一结果凸显了该系统不仅仅是在猜测，它提供了一条通往真相的结构化路径，让专家能够专注于验证几个强有力的假设，而不是在数十种可能性中盲目搜寻。
研究人员强调，该工具的目的不是取代人类判断。相反，它作为一个强大的伙伴，负责组织现代工厂中现有的海量信息，使调查过程变得更快、更具一致性且更易追溯。通过学习每一个被解决的新案例，该系统不断改进，建立起一个共享的知识库，帮助整个组织从错误中学习。研究证实，结合阅读文本的能力、工程规则的逻辑以及日常运营的上下文，可以创造出一种更可靠的方法来寻找制造问题的根源。虽然该系统是在一家特定的工厂中测试的，但这种方法为实现更高效、更高质量的生产提供了一条充满前景的路径，将原本混乱的缺陷修复过程转变为一门结构化的、数据驱动的科学。
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。