本文从能源行业中的设备预诊断和健康管理、生产质量管理、生产效率管理等方面，简单说明融合知识图谱、大语言模型和AI智能体的知识工程实践。
1. 从数据工程走向知识工程
与其他行业一样，能源企业长期积累了SCADA、DCS、PLC、EAM、MES、ERP、LIMS、检修工单、运行日志、设备台账、图纸、规程、事故报告和专家经验。这些数据能够支撑监控、统计和报警，却难以直接支撑跨系统、跨专业的复杂决策。
例如，某台风机齿轮箱温度升高，数据平台可以展示曲线，规则系统可以判断温度超限，机器学习模型可以识别异常，但生产人员还需要知道：异常是否由润滑不足引起，是否会发展为轴承故障，是否应立即停机，库存是否有备件，维修会造成多少发电损失，以及该事件是否会影响场站生产计划。
这些问题不仅是数据分析问题，也是知识工程问题。系统必须理解设备结构、运行工况、故障机理、质量标准、维修规程和生产约束，并将它们组织为可计算、可追溯、可复用的知识体系。
在这一体系中，知识图谱负责描述能源对象、属性及其关系；LLM负责自然语言理解、知识抽取、语义检索和结果解释；AI Agent负责围绕业务目标规划任务、调用工具并推动流程闭环。三者结合后，知识工程就从静态的知识整理，发展为知识获取、建模、推理、应用和反馈更新的完整体系。
2. 知识工程总体架构
以能源行业为例，知识工程的核心对象包括设备、部件、测点、工艺、参数、故障、原因、质量指标、效率指标、检修活动、人员、备件、环境和安全约束等。
例如：
风力发电机组包含齿轮箱；齿轮箱包含高速轴承；高速轴承具有振动和温度测点；振动升高可能表明轴承磨损；轴承磨损可能由润滑不足导致；润滑不足需要检查油位、滤芯和润滑泵；轴承故障会降低设备可利用率并影响发电量。
知识不仅包括静态关系，还应包括时间、状态、概率和因果关系。例如，某设备曾经发生过某类故障，某参数在特定工况下偏离基线，某处置措施在某型号设备上验证有效。因此，知识图谱应能够表达动态状态和事件演化。
从工程角度看，三类数据存储各有侧重：时序数据库保存连续测点，知识图谱表达实体、关系、状态和因果，向量数据库检索规程、报告和日志。LLM通过RAG访问这些知识源，AI Agent再根据任务调用诊断模型、预测模型、规则引擎、工单系统和调度系统。
3. 知识工程的关键环节
3.1 建立统一领域本体
知识工程首先要解决"企业中的对象是什么"以及"对象之间如何关联"的问题。能源企业常存在设备名称、编码和层级不一致的情况。例如，"主变""主变压器"和"T01变压器"可能指向同一资产；"轴承温度""轴瓦温度"和"Bearing Temp"也可能是同一测点。
因此，应建立统一能源领域本体，明确设备层级、部件类型、测点属性、故障分类、质量指标和效率指标。设备模型可包括电站、机组、系统、设备、部件、测点和事件；故障模型应包括现象、模式、原因、后果、诊断方法和处置措施；生产模型则描述工艺段、输入、产出、质量标准、能耗和安全约束。
本体不必一次覆盖所有业务，应优先支持高价值场景，如风机齿轮箱、锅炉受热面、变压器和储能电池，再逐步扩展。
3.2 多源知识获取与融合
能源行业的知识既存在于结构化数据，也存在于工单、日志、报告、图纸、技术手册和专家经验中。设备台账和测点清单可以通过接口导入；工单和报告需要进行文本解析；图纸和手册可能需要OCR、表格识别和术语标准化；专家经验则通过访谈、规则编写和案例整理获取。
LLM可以完成实体识别、关系抽取、事件抽取和故障案例归纳。例如，从"5号机组给水泵入口压力持续下降，经检查发现滤网堵塞，更换滤网后压力恢复正常"中抽取设备、异常现象、故障原因、处置措施和验证结果，并将其与设备、测点和工单关联。
但是，LLM抽取的内容不能未经审核直接进入生产图谱。系统应保留原始证据、来源文件、时间、抽取模型和置信度，并通过规则校验、数据比对和专家确认形成可信知识。涉及安全和关键设备的知识，必须经过人工审核。
3.3 动态状态知识建模
静态知识只能描述设备"是什么"，动态知识还要说明设备"当前处于什么状态"。健康度、运行模式、负荷区间、告警状态、寿命阶段和维修状态都应作为时态信息管理。
例如，可以把实时数据转化为状态事件：
轴承温度连续30分钟超过同工况基线，设备处于高风险状态，关联事件编号为E202501。
这样，Agent在处理任务时可以同时查询设备结构、历史案例和当前状态，而不必从大量原始数据中重新理解现场情况。
4 生产管理中的知识工程应用
4.1 PHM中的知识工程应用
设备预诊断和健康管理PHM的重点，是把"测点异常"转化为"可解释的设备风险和维修行动"。
以风电机组为例，时序模型发现齿轮箱高速轴振动持续上升。PHM知识图谱可以关联该测点所属部件、相关测点、故障模式、历史维修记录和诊断规则。系统进一步分析润滑油温度、油液颗粒度、转速、负荷和环境温度，从多源证据判断异常原因。
AI Agent可以先检查数据质量，排除传感器漂移；再分析异常趋势和工况基线；随后查询该型号齿轮箱的故障模式和历史案例；然后调用故障诊断及剩余寿命模型；最后结合备件库存、人员安排和计划停机窗口生成处置建议。
LLM不应直接猜测故障，而应将模型结果和结构化知识组织为可审查结论。例如：
"2号风机齿轮箱高速轴承振动在额定负荷下持续上升，伴随润滑油温度偏高。结合该型号设备过去两次'滤芯堵塞---润滑不足---轴承磨损'案例，当前优先怀疑润滑系统异常。建议先检查油位、过滤器压差和润滑泵出口压力；若检查结果正常，再安排振动频谱和油液颗粒度分析。"
结论应附带数据来源、时间范围、参考案例和置信度。对于剩余寿命预测，还应结合停机损失、备件周期和安全风险，形成立即维修、降载运行、加强监测或计划检修等策略。
4.2 PQM中的知识工程应用
生产质量管理PQM的重点，是建立"生产条件如何影响质量结果"的关联和因果知识。
能源生产质量涉及供电质量、蒸汽参数、燃气质量、环保排放、储能性能和检维修质量等。质量指标通常受到设备、原料、工艺、环境和人员操作的共同影响。以燃气电站NOx排放异常为例，系统需要综合分析燃气组分、热值、机组负荷、燃烧温度、氧量、空燃比、燃烧器状态和环保标准。单一指标超限不能直接说明根因，必须综合多个因素。
知识图谱可以表达如下因果路径：
燃气热值变化导致空燃比偏离；空燃比偏离造成燃烧温度升高；燃烧温度升高导致NOx排放增加；排放超标触发质量事件和环保风险。
也可以表达设备故障路径：
燃烧器喷嘴积碳导致局部燃烧不均匀；燃烧不均匀造成温度场偏差；温度场偏差造成排放波动和机组效率下降。
质量Agent接到"分析昨日排放超限原因"的任务后，可以自动获取质量数据、设备状态、燃料化验、操作日志和历史案例，调用质量预测与因果分析模型，再由LLM形成带有证据的分析报告。
PQM知识工程能够把质量报告中的"问题---原因---措施---结果"转化为可检索案例，并按照工艺段、设备型号和质量指标分类。再次出现类似异常时，系统可以匹配历史案例并评估措施有效性。质量闭环结果还应反向更新PHM和PEM。例如，某质量异常确认由换热器结垢导致，则应增加换热器故障知识；如果结垢同时造成能耗上升，则应更新效率损失模型。
4.3 PEM中的知识工程应用
生产效率管理PEM的重点，是解释效率损失，并在安全、质量和成本约束下进行优化。
能源行业的生产效率受设备健康、工艺参数、负荷、环境、原料、调度和维修资源等因素影响。风电场发电量下降时，应区分风资源不足、设备停机、性能退化、偏航误差和限电等因素；火电机组煤耗升高时，则需要分析负荷率、锅炉效率、受热面状态、辅机电耗、给水温度和燃料品质。
知识图谱将这些因素与设备、事件和生产结果关联起来。例如：
受热面结渣导致排烟温度升高，排烟温度升高造成锅炉效率下降，锅炉效率下降增加单位发电煤耗，并可能增加吹灰和检修需求。
PEM Agent可以读取负荷预测、天气、燃料价格、设备健康度、质量标准、环保约束和检修计划，调用机组组合、负荷分配或能耗优化模型生成生产方案。知识图谱提供设备能力边界、工艺约束和操作规则，LLM负责解释方案的原因、预期收益和潜在风险。
PEM不能只追求短期产量，需要综合系统考虑整个生产流程。例如，提高机组负荷可能增加发电量，却会加速设备退化；减少检修可能降低短期停机，却会提高故障概率。因此，PEM必须读取PHM的健康风险和PQM的质量约束，形成安全、质量、效率和成本的综合优化。
5. 统一的Agent协同机制
PHM、PQM和PEM Agent应共享统一的领域本体和知识图谱，而不是分别维护孤立的知识。协调Agent负责处理设备风险、质量要求和效率目标之间的冲突。
例如，某储能电站电池簇温差扩大。PHM Agent判断存在一致性退化和热安全风险；PQM Agent发现可用容量和充放电效率下降；PEM Agent计算降额运行会减少调峰收益。协调Agent可以形成分阶段建议：短期限制充放电倍率并提高监测频率，中期检查液冷系统和电芯一致性，长期安排电池簇更换或重组。
在这里，Agent的核心不在于对话聊天，而在于可靠的工具调用。它应能够调用时序查询、图谱查询、诊断、预测、优化、工单、库存和权限工具，并记录输入、输出、时间、操作者和执行结果，保证过程可追溯。
6. 知识治理与安全
无论哪个行业，知识工程必须重视知识质量。企业应统一设备编码、测点名称、故障类别和质量指标，建立知识来源、版本和审核机制，使重要知识能够追溯到规程、报告、传感器数据或专家确认记录。同时，要区分事实、规则、经验和模型结论，避免不同可信度的知识混用。
LLM应采用RAG和证据约束机制。对于诊断、质量和调度结论，应展示数据来源、参考文档、模型版本、置信度和适用条件。出现知识冲突时，应交由规则引擎或专家审核，不能由LLM自行选择未经验证的结论。
AI Agent必须受到权限和边界控制。涉及启停机、负荷调整、保护定值和关键阀门操作的指令，应保留人工审批；Agent只能在授权范围内访问系统和执行操作。所有动作应具备审计、回滚和异常中止能力。
7. 结语
知识工程不是简单地把文档转换成知识图谱，也不是为传统系统增加聊天入口，而是围绕生产目标，建立知识获取、建模、推理、决策和反馈更新的完整体系。
在PHM中，知识图谱把测点异常连接到设备结构、故障机理、历史案例和维修资源，LLM生成可解释诊断，AI Agent推动预警到工单的闭环。在PQM中，系统关联原料、设备、工艺、环境和质量结果，实现质量预测、根因分析和整改验证。在PEM中，系统结合设备健康、质量要求、生产计划和经济约束，识别效率损失并生成可执行的优化方案。
三者通过统一知识图谱协同，形成"设备状态影响质量，质量影响效率，效率决策反过来影响设备寿命"的闭环，最终构建可解释、可追溯、可复用、可持续演进的能源生产知识工程体系。