风力涡轮机维护日志标签框架：通过可靠性智能的语义提取进行 LLM 驱动的数据校正和丰富

随着风力发电机组的老化，数据驱动的可靠性工程和维护优化对于管理生命周期支出和支持资产寿命延长至关重要。历史维护记录提供了现场证据的重要来源，但不一致的系统代码、通用分类字段和非结构化技术人员文本阻碍了它们的分析使用。本文提出了一种拓扑感知的 大语言模型 (LLM) 工作流程，用于审查遗留标签、提取候选维护和故障模式分类法，以及在记录级别分配结构化语义字段。该工作流程处理了 32 个陆上风电场 280 台涡轮机的 16,316 条维护记录，涵盖了 9.2 年的运营历史。它将系统特定的批量合成与粒度标记、确定性排除、结构化输出、记录级来源和明确的审查路线相结合。在三个系统代码任务针对的 2,984 条记录中，有 2,178 条提议的标签符合“高”自我报告置信度级别且没有人工审核标志的操作接受规则。接受的维护类型和操作标签分别分配给 14,251 条和 13,179 条记录。故障模式证据配置文件被分配给 11,662 条记录； 3,441 条记录被归类为信息不足，1,213 条记录被确定性工作流规则排除为“不适用”。生成的字段揭示了系统和维护类型分布的变化、更广泛的组件级操作词汇表以及特定于拓扑的候选证据配置文件。记录的 API 支出为 368.86 美元，或每个处理记录 0.0226 美元，总挂钟持续时间为 6.83 小时。与来源相关的输出构成了后续多源事件重建、基于暴露的可靠性分析以及故障模式和影响分析（FMEA）的候选语义证据。