知识驱动的LLM决策支持系统：为激光粉末床熔融缺陷分析提供可解释性指导
当大语言模型遇上增材制造：可解释的缺陷诊断新范式
激光粉末床熔融（LPBF）作为金属增材制造的核心技术，在航空航天、医疗植入等安全关键领域应用日益广泛。然而，工艺缺陷（如孔隙、裂纹、未熔合）的识别与缓解仍高度依赖专家经验，缺乏系统化、可解释的辅助工具。一篇发表于arXiv的最新研究提出了一种知识驱动的决策支持系统，将结构化缺陷知识与大语言模型（LLM）的推理能力相结合，为LPBF缺陷分析提供可解释的诊断和缓解指导。
系统架构：本体+LLM+多模态
该系统的核心是一个包含27种已知LPBF缺陷类型的知识库，缺陷被组织为层次化类别并关联了因果关系。研究团队开发了本体集成的LLM框架，支持模糊自然语言查询，能够系统检索知识、解释缺陷成因，并基于编码的过程知识提供缓解策略。此外，系统还集成了基于基础模型的多模态图像评估模块，通过语义对齐评分对代表性微观缺陷图像进行描述符引导的解读。
评估表现：F1达0.808，一致性显著
研究通过三项实验验证系统有效性：与通用视觉语言模型的定性对比、消融研究以及评分者间信度分析。在文献派生的数据集上，完整配置的系统宏平均F1分数达到0.808，优于其他三种简化配置。Cohen's kappa分析显示，模型输出与文献参考标签之间具有高度一致性，表明本体引导的知识表示能显著提升LLM辅助LPBF缺陷分析的一致性、可解释性和实用性。
行业意义：从“黑箱”到可解释AI
当前LLM在工业应用中常因“幻觉”和缺乏领域知识而受限。该研究通过本体工程将领域知识显式注入LLM推理流程，既保留了LLM的自然语言交互优势，又确保了输出的专业可信度。多模态模块的加入更让系统能直接处理显微图像，贴近实际质检场景。这一范式有望推广到其他制造工艺的缺陷管理，推动可解释AI在智能制造中的落地。
局限与展望
论文指出，当前知识库仅覆盖27种缺陷类型，未来需扩展至更完整的工艺缺陷图谱。此外，系统在真实工厂环境中的鲁棒性和实时性仍需验证。不过，这项研究为构建人机协同的工艺诊断工具提供了清晰的技术路线——让AI不仅给出答案，更能解释“为什么”和“怎么办”。