《A类赛题手册》下载地址：https://www.fwwb.org.cn/news/show/598

1.命题方向

智能制造

2.题目类别

应用类

3.题目名称

基于知识的工业设备故障树智能生成与辅助构建系统开发

4.背景说明

【整体背景】

在“中国制造 2025” 战略纵深推进与工业 4.0 浪潮的驱动下，制造业正加速向数字化、智能化转型，工业设备作为生产核心载体，其运维环节的标准化、高效化水平已成为决定企业生产效率、运营成本与核心竞争力的关键因素。当前，传统工业设备故障树构建模式普遍依赖资深运维专家的个人经验，存在三大核心痛点：一是构建效率低下，复杂设备故障关联路径达数十条，人工梳理需多领域专家联合攻关，周期长达 2-3 个月；二是覆盖范围有限，人工构建难以全面覆盖设备全生命周期的潜在故障，尤其新型故障模式易遗漏；三是知识复用困难，资深专家的故障关联认知多以口头传授、纸质记录等非结构化形式存在，难以标准化转化为故障树逻辑，新人独立构建合格故障树的培养周期长达 1-2 年。

故障树分析（FTA）作为一种系统化、结构化的故障溯源方法，通过梳理 “顶事件（故障现象）- 中间事件（过渡原因）- 底事件（根本原因）” 的逻辑关联，以图形化方式清晰呈现故障与成因的传导路径，是工业设备故障分析的经典工具。但在高端装备、复杂生产线等场景下，设备结构日趋复杂（单设备核心部件超百个），传统人工构建 FTA 的方式已难以适配现代工业运维对故障树 “快速构建、全面覆盖、动态更新” 的核心需求。

近年来，人工智能技术的迅猛发展为故障树构建的升级突破提供了核心驱动力，尤其是知识图谱、深度学习、大模型等技术的落地应用，实现了从 “经验驱动构建” 到 “知识驱动 + 数据驱动构建” 的转型。通过 AI 技术对海量工业知识与数据（设备手册、维修日志、故障记录、行业标准等）的深度挖掘，可自动提取故障关联规则、生成标准化故障树结构；结合专家交互辅助优化，能快速完善故障树逻辑、适配设备迭代需求。将工业知识的结构化沉淀与 AI 的自主学习、高效关联提取能力相结合，构建 “知识抽取 - 智能生成 - 辅助优化” 的闭环体系，已成为解决传统故障树构建痛点、提升工业设备故障分析基础能力的核心路径，市场需求迫切且应用前景广阔。

【公司背景】

无锡雪浪数制科技有限公司（以下简称“雪浪云”），国家级跨行业跨领域工业互联网平台，国内首创“雪浪OS”智能制造数字底座系统，面向航空航天、工程机械、船舶、新能源等高端装备行业的设计与制造领域，提供AI for Science、建模仿真优化一体化、数字主线及工业知识中台等解决方案，自主研发：MetaD-MDO研发多学科联合仿真与优化软件（面向复杂装备研发过程的多学科设计优化软件，获“2023年度江苏省工业软件优秀产品和应用解决方案”）、MetaD-SDM TDM仿真与试验数据智能管理软件（新一代国产化智能试验数据管理与分析系统）、MetaM工厂仿真与优化软件（用于离散行业不同层级生产系统的建模仿真与实时优化，获“工信部2022年工业互联网APP优秀解决方案”）、Meta LM雪浪河图·工匠大模型（从数据接入和开发、大模型微调、大模型上架部署到大模型应用编排的全链路开发平台，获“2024年度江苏省工业软件优秀产品和应用解决方案”），助力实现工业软件国产化替代。基于长期制造业数字化服务所沉淀的工业知识，近期，雪浪云创新推出雪浪河图·工匠大模型，结合重点服务的航天航空、机械装备、能源电力、集成电路等行业的实际需求，聚焦工业知识抽取与理解、工业知识检索与问答、工业文本生成、工业代码生成以及工业数据分析五大应用方向，基于对工业知识的沉淀和理解，创造更懂工业的应用场景与行业大模型，帮助制造业企业提高效率、降低成本、提高分析与预测精度、提高客户满意度以及推动技术创新。此外，雪浪云还推出自研工业大模型一体机，设备集成了全国产高效能高性价比的算力硬件，支持本地私有化部署，确保数据安全和系统稳定性，为大模型在工业领域的应用提供了一站式全周期解决方案。

雪浪云长期与数据价值密度高的航空航天、高铁、发动机、能源化工等行业开展深度合作，是中国商飞、中航工业、中铁装备、铁建重工、徐工、潍柴、吉利等大型央国企的长期合作伙伴。同时，在中小企业数字化转型方向上，是浙江杭州临平工业云平台、江苏无锡智改数转、宁夏冶金工业互联网平台等相关区域数字化平台的承建单位、服务商，是浙江省“N+X模式”的深度策划方。并在新工业软件的创新研发方面取得突出成果，解决了行业多项国家性、国际性难题，累计联合参与并负责10余项工信部与科技部重点项目，涉及复杂装备数字孪生、设计制造运维一体化等未来工业软件新方向。

【业务背景】

在服务高端装备制造企业的过程中，通过深度调研客户运维场景，发现行业在故障树构建环节普遍存在以下核心痛点，严重制约运维基础能力建设与故障分析效率：

(1) 故障树构建低效，依赖人工经验：高端工业设备故障关联复杂，传统故障树需专家手动梳理构建，周期长、人力成本高，且难以覆盖新型故障；

(2) 知识转化困难，复用性差：分散在手册、日志、专家经验中的工业知识难以标准化提取，故障树虽有统一规范但构建门槛高、对专业性要求极强，不同专家实操中易出现逻辑偏差，导致难以跨场景复用；

(3) 缺乏辅助工具，迭代滞后：无高效的智能辅助构建工具，专家需纯手动编辑调整，面对设备迭代升级带来的故障模式变化，故障树更新周期长，难以适配实际需求。

旨在通过AI技术实现故障树的知识驱动自动生成与专家辅助构建，核心突破“人工依赖式构建”“知识难转化”的瓶颈，发挥AI在工业知识提取、故障关联建模、结构化生成中的核心价值，为故障分析与运维决策提供高质量的基础支撑。

5.项目说明

【问题说明】

结合业务实践与行业调研，当前工业设备故障树构建相关系统及方案主要存在以下核心问题，需通过本项目重点解决：

(1) 故障树构建依赖人工，效率低下：传统故障树需多领域专家协同手动梳理、绘制，周期长、成本高；面对设备迭代与新型故障，人工更新滞后，无法快速适配变化，亟需AI实现知识驱动的自动生成与快速更新；

(2) 知识提取与转化不足：海量工业知识（设备手册、维修工单等）分散且多为非结构化形式，缺乏自动化提取与标准化转化工具，难以高效支撑故障树的逻辑构建；

(3) 缺乏便捷的辅助构建能力：现有工具多为纯绘图工具，无AI辅助优化、逻辑校验、可视化调整等功能，专家构建过程中需反复核对，操作繁琐。

【用户期望】

基于上述问题，企业及下游客户对本项目开发的系统提出以下核心期望，旨在实现“高效生成、规范结构、便捷优化、知识沉淀”的核心目标：

(1) 知识驱动故障树自动生成：基于工业知识与数据（设备手册、维修单等），通过AI技术自动提取故障关联关系，生成结构完整、逻辑规范的故障树；

(2) 专家辅助构建与优化：提供可视化交互界面，支持专家对AI生成的故障树进行手动调整、逻辑补充、错误修正，AI同步学习专家修正逻辑并优化生成能力；

6.任务要求

【开发说明】

参赛团队需开发聚焦“知识驱动故障树智能生成+专家辅助构建”核心能力的系统，重点实现以下两大核心功能，突出知识驱动与AI辅助核心：

(1) 故障树AI智能生成模块：

工业知识提取：基于设备手册、公开资料等数据，通过AI技术提取故障事件（顶事件、中间事件、底事件）、事件关联关系、逻辑门规则等核心信息；

自动生成故障树：基于提取的知识及用户要求，按照FTA规范自动构建完整故障树，清晰呈现“顶事件-中间事件-底事件”的逻辑传导路径；

(2) 专家辅助构建与优化模块：

可视化编辑：提供直观的故障树图形化编辑界面，支持事件节点增删、关联关系调整、逻辑门修改等操作；

逻辑校验与提示：AI自动校验故障树逻辑合理性（如循环关联、逻辑冲突等），并给出优化建议；

【操作流程】

按“知识抽取→AI生成→专家优化”闭环流程梳理，基于已有标准化工业数据开展，各阶段分工、动作及要求明确，便于理解故障树从提取到迭代的完整链路：

阶段序号	核心步骤 （通俗说明）	输入内容	输出内容	参考
1	确定核心故障（顶事件），AI按知识类型及规则生成完整故障树	维修手册或者其他文本知识、用户指定要提取的顶事件、跟生成故障树的要求（提示词）	初始故障树（图形化展示）、带溯源依据（结构准确率≥80%）	故障树案例数据画布内表现形式.JSO
2	可视化修改故障树，AI检查逻辑问题并提示，专家修正保存	初始故障树、AI逻辑校验提示	最终故障树

（参考详见百度网盘链接: https://pan.baidu.com/s/1thpeomt8YkWyCNPeBygVpQ 提取码: f4jk）

【技术要求与指标】

核心技术要求与指标（重点考核AI智能体关键数据提取能力）：

(1) 核心算法：用深度学习（Transformer、知识图谱构建算法等）或大模型实现工业知识提取与故障树生成，需说明选型依据（注：所用技术栈必须开源，如使用大模型可以接互联网算力如阿里百炼等，所选模型支持开源）；

(2) 数据适配：支持常见格式工业数据导入（文本、表格等），支持多种数据集同时上传作为单故障树生成的依据

(3) 生成指标：AI生成故障树结构准确率≥80%，关联关系提取准确率≥85%；

【提交材料】

(1) 项目概要介绍;

(2) 项目简介 PPT;

(3) 项目详细方案;

(4) 项目演示视频;

(5) 企业要求提交的材料：

①如运用了人工智能技术训练素材，提供详细的素材介绍与来源说明；

②关键模块的概要设计和创新要点（不超过 3 个）说明文档；

③可运行的实现程序；

(6) 团队自愿提交的其他补充材料。

【任务清单】

(1) 调研大模型数据分析以及趋势预测技术；

(2) 完成所选系统关键模块的需求分析；

(3) 设计算法与关键模块的架构；

(4) 编码开发与功能实现；

(5) 测试验证主要功能和创新成果；

(6) 探索应用场景落地。

【开发工具与数据接口】

开发工具：无强制要求，适配AI核心功能开发即可；

数据支持：需参赛团队自行寻找工业设备相关场景及对应数据，用于场景开发及结果验证；也可以用 “通用型驱动系统故障数据汇总.pdf(详见百度网盘链接: https://pan.baidu.com/s/1thpeomt8YkWyCNPeBygVpQ 提取码: f4jk)”数据用于场景开发，最终考核不仅限于该数据集。

7.其他

鼓励参赛团队在以下AI核心方向探索创新，提升项目的技术先进性。

8.参考信息

无

9.评分要点

赛题评分要点见附件一：A 类企业命题初赛统一评分标准。

除以上评分要点内容外，企业还重点关注以下内容：

(1) 核心功能完整性（★★）：考察AI知识提取、故障树自动生成、专家辅助编辑、逻辑校验等模块的覆盖程度，模块间协同顺畅性，以及成果完整性与规范性；

(2) AI模型效果（★★★★）：核心考察故障关联关系提取准确率、故障树结构生成准确率、逻辑校验准确性，以及知识提取与生成的响应效率；

(3) 基础实用性（★★★）：考察可视化编辑界面的操作便捷性、系统对典型工业设备场景的适配效果；

(4) 创新性（★）：考察AI模型设计、技术融合逻辑等方面的技术创新性，以及方案解决行业核心痛点的应用创新性；