산업 현장에 로봇이 늘어나면서 고장 진단의 중요성도 커지고 있다. 로봇이 멈추면 생산 라인이 멈춘다. 숙련된 엔지니어가 고장 원인을 파악하는 데도 시간이 걸리고, 숙련자가 줄어드는 상황에서는 더 큰 문제다. 고장 진단 지식을 체계화하면 빠른 원인 파악과 예방이 가능하다. 그런데 지식그래프를 만드는 것 자체가 노동 집약적이다.
Advanced Engineering Informatics에 발표된 연구는 대형 언어 모델(LLM)을 활용해 산업 로봇의 고장 진단 지식그래프를 정밀하게 구축하는 방법을 제시한다. 기존 지식그래프 구축은 엔지니어가 수동으로 엔티티와 관계를 정의해야 했지만, LLM이 이 과정을 자동화하면서 정밀도도 높인다.
연구는 로봇 고장 진단 매뉴얼, 유지보수 로그, 센서 데이터, 기술 문서 등에서 LLM이 엔티티(고장 유형, 원인, 증상, 부품)와 관계(원인-결과, 증상-고장, 교체-부품)를 자동 추출하는 파이프라인을 구축했다. 추출된 엔티티와 관계는 전문가 검증을 거쳐 지식그래프에 통합된다.
핵심 결과를 보면, LLM 기반 엔티티 추출은 기존 규칙 기반 방법보다 F1 점수에서 15% 이상 높았다. 특히 애매한 표현과 약어를 맥락에서 이해하는 능력이 LLM의 강점이었다. 고장 원인과 증상 간의 관계 추출 정확도도 향상되어, "모터 과열"과 "베어링 마모" 같은 암시적 관계를 LLM이 잡아냈다. 구축된 지식그래프는 고장 진단 정확도를 기존 규칙 기반 시스템 대비 20% 향상시켰다.
정밀 지식그래프의 핵심은 세분화된 엔티티와 관계다. 기존 지식그래프는 "모터 고장" 같은粗粒度 엔티티에 머물렀지만, LLM은 "모터 과열", "모터 진동", "모터 전류 이상" 등 세분화된 엔티티를 추출하여 진단 정밀도를 높였다.
이 연구의 의미는 지식그래프 구축의 병목—수동 엔티티 및 관계 정의—을 LLM으로 완화했다는 것이다. 전문가의 역할은 검증과 보완으로 축소되어, 지식그래프 구축 시간과 비용이 크게 감소한다.
한계로는 LLM의 환각—존재하지 않는 관계를 만들어내는 현상—을 완전히 제거하지 못해 전문가 검증이 여전히 필요하다. 또한 학습 데이터에 없는 신규 고장 유형에 대한 추출 정확도가 떨어진다. 로봇 유형별로 고장 패턴이 다르므로 도메인 적응이 필요하다.
로봇 고장 진단 시스템을 구축 중이라면 LLM 기반 엔티티 추출을 먼저 시도하라. 유지보수 로그와 매뉴얼을 LLM에 입력해 엔티티와 관계를 추출하고, 전문가가 검증하는 반복적 프로세스가 효율적이다. 완전 자동화보다 인간-LLM 협업 모델이 현재로서는 가장 실용적이다.
📖 *Large language model assisted fine-grained knowledge graph construction for robotic fault diagnosis* |
논문 원문
※ 이 기사는 학술 논문을 바탕으로 작성되었습니다. 실제 적용 시 환경에 따라 다를 수 있으니 전문가와 상담하세요.
As the number of robots in industrial sites increases, the importance of fault diagnosis is also growing. When a robot stops, the production line stops. It takes time even for skilled engineers to identify the cause of a fault, and with a decreasing number of skilled workers, this becomes an even bigger problem. Systematizing fault diagnosis knowledge enables rapid cause identification and prevention. However, creating a knowledge graph itself is labor-intensive.
A study published in Advanced Engineering Informatics presents a method for precisely constructing a fault diagnosis knowledge graph for industrial robots using large language models (LLMs). In traditional knowledge graph construction, engineers had to manually define entities and relationships, but LLMs automate this process while also improving precision.
The research established a pipeline where the LLM automatically extracts entities (fault types, causes, symptoms, parts) and relationships (cause-effect, symptom-fault, replacement-part) from robot fault diagnosis manuals, maintenance logs, sensor data, and technical documents. The extracted entities and relationships are integrated into the knowledge graph after expert validation.
Looking at the key results, LLM-based entity extraction scored more than 15% higher in the F1 score compared to existing rule-based methods. In particular, the ability to understand ambiguous expressions and abbreviations in context was a strength of the LLM. The accuracy of relationship extraction between fault causes and symptoms also improved, with the LLM capturing implicit relationships such as between "motor overheating" and "bearing wear." The constructed knowledge graph improved fault diagnosis accuracy by 20% compared to existing rule-based systems.
The core of a precise knowledge graph lies in fine-grained entities and relationships. Existing knowledge graphs remained at coarse-grained entities like "motor failure," but the LLM extracted fine-grained entities such as "motor overheating," "motor vibration," and "motor current abnormality," thereby increasing diagnostic precision.
The significance of this study is that it alleviated the bottleneck of knowledge graph construction—manual entity and relationship definition—using LLMs. The role of experts is reduced to validation and supplementation, significantly decreasing the time and cost of knowledge graph construction.
As for limitations, LLM hallucinations—the phenomenon of generating non-existent relationships—could not be completely eliminated, so expert validation is still required. Additionally, extraction accuracy drops for new fault types not present in the training data. Since fault patterns differ by robot type, domain adaptation is necessary.
If you are building a robot fault diagnosis system, try LLM-based entity extraction first. An iterative process of inputting maintenance logs and manuals into the LLM to extract entities and relationships, followed by expert validation, is efficient. Rather than full automation, a human-LLM collaboration model is currently the most practical approach.
📖 *Large language model assisted fine-grained knowledge graph construction for robotic fault diagnosis* | Original Paper
※ This article is based on an academic paper. Actual applications may vary depending on the environment, so please consult with an expert.
