设备台账、维修记录、工艺文档往往分散在多个系统,一线人员遇到故障只能凭经验翻档。本文给出一条可复现路径:用 NetworkX 与 Neo4j 构建设备—故障—原因—处置的知识图谱,再用 LangChain 接入本地大模型,把维修经验沉淀为可检索、可推理的结构化资产。
一、图谱建模
核心实体包括设备、故障现象、可能原因与处置措施,关系可设计为 设备-发生-故障、故障-由-原因、原因-对应-处置。先用 NetworkX 做原型验证:
import networkx as nx
g = nx.DiGraph()
g.add_edge('泵A', '密封泄漏', relation='发生')
g.add_edge('密封泄漏', '密封老化', relation='由')
g.add_edge('密封老化', '更换密封件', relation='对应')
for u, v, d in g.edges(data=True):
print(u, d['relation'], v)二、写入 Neo4j 持久化
原型验证通过后,把图谱写入 Neo4j 以便多端共享与查询:
from neo4j import GraphDatabase
driver = GraphDatabase.driver('bolt://localhost:7687', auth=('neo4j', 'password'))
with driver.session() as s:
s.run('MERGE (a:Node {name: $a}) MERGE (b:Node {name: $b}) '
'MERGE (a)-[:REL {type:$r}]->(b)',
a='泵A', b='密封泄漏', r='发生')三、LangChain 自然语言问答
把图谱查询结果作为上下文喂给本地大模型,支持用自然语言提问:某设备常见故障有哪些、某故障可能原因与处置是什么。LangChain 的 GraphCypherQAChain 可在本地模型上做问答,建议限定只返回已存在节点,避免模型编造不存在的实体。
图谱质量取决于故障与处置数据的录入规范。建议先从一个高频设备族起步,用真实维修工单回填关系,再逐步扩展;同时给一线人员留反馈入口,让图谱随真实维修持续修正。
参考来源
Neo4j 官方文档(Python Driver 与 Cypher 基础) - Neo4j 官方网站
LangChain 官方文档(GraphCypherQAChain 与本地模型集成) - LangChain 官方网站
NetworkX 官方文档(图构建与遍历) - NetworkX 官方网站