团队题目：基于轻量化RAG的船舶装备故障诊断智能问答系统
一、解决的用户需求
我们聚焦航运业智能化转型中的核心痛点——船舶关键装备故障诊断的知识获取困境。具体而言，系统解决三类需求：
- 即时性需求：一线船员在远洋航行中遭遇发动机熄火、液压系统泄漏、导航系统失灵等突发故障时，无法实时连线岸上专家，急需离线可用的智能诊断助手。
- 精准性需求：船舶术语专业性强（如"四机一炉"、甲板机械），同一故障现象存在多种表述方式（如"主机排烟温度异常"与"柴油机排气过热"），传统关键词检索难以实现语义匹配。
- 知识沉淀需求：企业积累的故障案例、维修方案分散在纸质手册与工程师笔记中，随着资深船员退休，经验知识面临流失风险，亟需结构化沉淀。
二、解决用户痛点的核心招数
我们采用"知识图谱+RAG双引擎"技术架构，设计四招破局：
第一招：领域本体建模。构建包含故障现象、故障原因、维修步骤、零部件、注意事项五大核心实体的本体结构，统一"主机滑油压力低""增压器喘振"等专业术语的表述规范，实现知识的机器可理解。
第二招：混合检索增强。融合关键词精确匹配与语义向量相似度计算，通过LangChain框架实现"故障描述→语义理解→知识图谱检索→大模型生成"的完整链路。例如输入"船晃得厉害，舵机有响声"，系统能语义关联到"舵机液压系统气蚀故障"。
第三招：轻量化离线部署。选用≤7B参数的开源模型（如Llama 3、GLM-4），通过模型量化与知识蒸馏压缩体积，适配船舶普通PC的8GB内存限制，确保无网络环境下的30秒内启动与3秒内响应。
第四招：可追溯答案生成。所有维修建议标注知识来源（出自哪本手册、哪个案例），通过Neo4j可视化界面展示故障原因与解决方案的关联路径，避免"黑箱"误导。
三、为用户带来的核心价值
- 效率跃升：将平均故障响应时间从"等待卫星通讯+专家研判"的数小时缩短至3秒内，降低船舶滞港损失与航行安全风险。
- 成本优化：减少对稀缺专家资源的依赖，使初级船员具备中级诊断能力，预计降低30%的应急维修成本。
- 知识资产化：将分散的纸质文档转化为包含500+实体、80+关系的结构化知识图谱，支持新装备类型与故障案例的快速导入，成为企业可复用的数字资产。
- 培训赋能：可视化知识图谱可作为船员沉浸式培训工具，加速经验传承。
四、竞争格局分析
当前市场存在三类竞争者：
通用大模型（如ChatGPT、文心一言）：缺乏船舶领域专业知识，无法区分"辅机"与"应急发电机"的故障差异，且依赖网络、存在幻觉风险。
传统专家系统（如部分船厂自研诊断软件）：基于规则匹配，无法处理自然语言描述的多样性，知识更新成本极高。
工业设备管理平台（如西门子MindSphere）：聚焦预测性维护与物联网监控，侧重"事前预警"而非"事中诊断"，且部署成本高、不适合中小型航运企业。
我们的差异化优势在于：垂直领域深度（船舶装备专用）+ 轻量化离线能力（海上场景刚需）+ 可解释生成（维修建议可追溯），填补了"专业深度"与"部署便捷"之间的市场空白。
五、产品推广策略
- 场景化试用：与航运企业合作开展"首航免费试用"，在远洋货轮上部署离线版本，收集真实故障案例数据，以实测准确率（目标≥80%）建立口碑。
- 生态捆绑：与船舶设备制造商（如中船集团、潍柴动力）合作，将系统预装于其交付的船舶PC终端，作为售后服务增值包。
- 行业认证：申请中国船级社（CCS）或国际海事组织（IMO）相关技术认可，将合规性作为进入国际航运市场的通行证。
- 知识社区运营：建立开放的船舶故障案例众包平台，鼓励船员贡献匿名化维修记录，以UGC模式持续扩充知识图谱，形成"数据-模型-用户"的增长飞轮。
总结：我们的系统以"轻量化RAG+领域知识图谱"为核心，将分散的船舶维修经验转化为可随时调用的智能助手，让每一次远洋航行都拥有"随行专家"的守护。