风电可靠性分析常卡在同一件事：CMMS 里的工单是技术人员随手写的自由文本，系统码不一致，失效模式缺失，最终无法按部件、动作或机理分层。一项覆盖 31 个陆上风场、280 台机组、16,316 条记录、9.16 年（2017-01-04 至 2026-03-04）的研究，用拓扑感知的 LLM 工作流把这些记录变成可审计的结构化标签。
先统一编码，再谈智能
数据来自 IBM Maximo。研究把 WORKORDER、WORKLOG 与 FAILURECODE 按工单号对齐，把同一工单的多条工作日志按时间排序、去重，与主描述、故障码描述合成 Merged_Descriptors；再用正则清洗换行、标记、转义符，屏蔽承包商、站点等敏感标识，并归一化常见缩写。原始数据用 RDS-PP 分类，123 个活跃旧码被映射到 99 个目标码：风机 75→63，平衡厂用 48→36；目标分类含 24 个功能组（19 个风机、5 个厂用）。把 Pitch System 单独拆出后，风机分组从 18 个变成 19 个。这一步看似枯燥，却决定了后续标签能否跨场站复用。
五类任务，逐条留证据
语义工作流分五类任务：系统码分类（缺码、旧 Pitch 类别可疑或带审计标记的记录，按目标分类提出系统码与部件）；系统码审计（把当前分配与合并文本对照，返回二值重标标记、证据理由、置信层级与复核标记）；按系统与拓扑分批抽取候选动作分类与失效模式档案；维修类型与动作标注（Corrective、Reset、Preventive、Predictive、Inspection、Retrofit 六类，加系统专属动作标签）；失效模式标注（按系统与拓扑专属的失效模式证据字典逐条推理）。
失效模式档案不是一句标签，而是标题、常见机理、可能症状与候选原因四部分；它们从分组记录与领域知识中合成，给记录提供工程上下文。流程同时设置模式约束、确定性排除与聚合规则、来源链接，使每一步都能追到原文。模型提出的标签只有在“自报高置信”且“无人工复核标记”时才被接受，否则进入复核。
验收：71.5% 的记录补出了失效模式
系统码更新被接受 2,178 条，目标是 2,984 条；失效模式标签覆盖 11,661 条记录，占 71.5%。记录在案的任务耗时合计 6.83 小时。质量评估用平衡概率抽样抽了 800 条：系统码、维修类型、动作、失效模式结果四个字段的等权平均批准率为 86.3%，分别为 94.8%、87.3%、85.6%、77.5%。改变系统码与维修类型必须有来源支持；保留具体标签则除非被文本反驳，否则视为通过。
质性复核也发现了问题：部分动作标签缺乏文本支持，一些失效模式类别的边界不清；失效模式评估还覆盖了特定标题以及未解决、未匹配或不适用状态。换句话说，这是一套“可审计的半自动数据工程”，不是让模型替工程师签字。它的价值在于把 9 年多的工单变成可按动作与机理分层的证据，为事件重建、基于暴露量的可靠性分析和 FMEA 提供可追溯的输入。
对知识工程的启示
工业知识工程最容易失败的地方，不是模型不够强，而是分类体系与记录粒度对不上。这项研究把大量精力花在编码映射、文本合并、置信门槛与来源链接上；模型只是流水线的一环。对准备做“工单智能化”的企业，先回答三个问题：系统码是否统一、动作与失效模式是否有可执行的分类、每条标签能否回到原文。三件事不成立，再大的模型也只能产出看起来专业的噪声。
资料来源：Wind Turbine Maintenance Log Labelling Framework: LLM-Driven Data Correction and Enrichment via Semantic Extraction of Reliability Intelligence — arXiv（2026）。本文为技术要点整理/编译，非原文全文。