FMEA 表格里躺着大量专家经验，但复用率很低。原因不神秘：不同产线的设备构成、功能分解和术语都不一样，同一类“芯片贴装偏移”在一条线上叫 misalignment，在另一条线上可能写成 position error；再加上产线频繁改造，按工作表单元格组织的知识几乎无法迁移。OGPAL 想把 FMEA 从“表格”变成“可检索的图”，让一条线的经验去解释另一条线的故障。
换一套概念：Action、State、Component、Parameter
第一步是本体设计。传统做法把 Failure、Cause、Effect 这些工作表字段直接搬进图谱，粒度停留在单元格；OGPAL 改为制造域概念：动作（Action）、状态（State）、部件（Component）、参数（Parameter），再叠加一层 FMEA 本体，用 has_Cause 连接故障与原因，用 happens_At 把故障挂到具体工序功能上。这样“贴装机把芯片放到基板”可表示为“动作 place 作用于部件 chip”，而“芯片偏移”则是某部件某参数的状态偏差。
落地靠大模型：逐句解析 FMEA 记录，把候选词归入四类概念，再与本体候选词表比对，能匹配就复用标识符，匹配不上就在相应概念下新建条目。于是图谱里出现 acts_on、affects、has_Cause、happens_At、precedes 等关系。作者在 50 条 Failure 与 50 条 Function 记录上抽样评估抽取 F1，先确认建图质量再谈推理。
把工序顺序写进损失函数
第二步是图学习。编码器用 RGCN，适配多关系图；链接预测用 ComplEx 打分，能同时表达对称与非对称关系。真正的巧思在“顺序感知”：每个故障实体通过 happens_At 映射到工序，两个工序在流程上的相对位置算出一个距离，再用衰减因子与未知关系惩罚调整得分。直觉很朴素——后道工序的故障，不该被高分为前道工序的原因。最终得分由 ComplEx 与顺序项按权重相加，用二元交叉熵训练，负样本靠随机替换尾实体生成。
实验配置是两层 RGCN、隐藏维度 128，节点特征由 128 维 PCA 文本嵌入与 16 维类型嵌入拼接，AdamW、学习率 1e-3、1000 轮、1:5 负采样；顺序项取衰减因子 0.7、惩罚项 -0.1、权重 0.6。
跨线检索的效果
训练数据来自 11 个 FMEA 数据集、共 1213 条记录，覆盖视觉检测、芯片与板级装配、点胶、工件转运、压铸去毛刺、机加、车身装配与包装、雷达模块装配等工序，产品从小型电子件到大型汽车件。推理目标是汽车压力传感器装配线，含芯片装配、点胶与视觉检测；两位专家独立给出三类典型故障的原因集合，每个场景 10 至 23 条候选。
结果：OGPAL 的 nDCG@20 达到 0.719，高于纯 RGCN 的 0.559 和 RAG 基线的 0.450。消融实验分别去掉领域概念化、去掉顺序感知、只用目标产线数据训练，性能均下降，说明“本体对齐”和“工序先验”各有用处，跨线迁移也确实带来了增益。
要点
OGPAL 把“知识复用”重新定义成一个排序问题：不是让模型背下另一条线的故障描述，而是把描述抽象成动作、状态、部件、参数，再用图结构和工序顺序约束候选。对工厂的启示是，FMEA 不该只作为审计文档存档；如果按统一本体重建，它就能变成故障诊断的检索底座。
资料来源：Fault Cause Identification across Manufacturing Lines through Ontology-Guided and Process-Aware FMEA Graph Learning with LLMs — arXiv（2025-10-17）。本文为技术要点整理/编译，非原文全文。