在增材制造领域，激光粉末床熔融（LPBF）技术因其复杂工艺而常产生多种缺陷，影响最终产品质量。传统缺陷分析方法往往缺乏可解释性和系统性。为应对这一挑战，研究人员Basit Mahmud Shahriar和Md Habibor Rahman提出了一种知识驱动的决策支持系统，该系统将结构化缺陷知识与大型语言模型（LLM）的推理能力紧密结合，旨在为LPBF工艺提供可解释的缺陷诊断和缓解指导。
该系统的核心是一个包含27种已知LPBF缺陷类型的知识库，这些缺陷按照层次类别和因果关系进行组织，形成本体结构。用户可以通过模糊自然语言查询与系统交互，获取基于文献证据的缺陷解释，以及针对缺陷原因和缓解策略的实用建议。所有推理都基于编码的过程知识，确保了输出的可靠性和可追溯性。
此外，系统还集成了一个多模态图像评估模块。该模块利用基础模型（foundation models）实现描述符引导的显微缺陷图像解释。通过语义对齐评分技术，系统能够将图像特征与缺陷描述进行匹配，从而增强诊断的准确性。这一功能对于实际生产中的快速缺陷识别尤为重要。
研究团队对系统进行了全面的评估，包括与通用视觉语言模型的定性比较、消融研究以及评估者间信度分析。在文献推导的数据集上，完全集成的系统配置表现出色，宏观平均F1分数达到0.808，并在所有配置中表现最优。Cohen's kappa分析进一步证实，模型输出与文献参考标签之间具有高度一致性。
这些结果表明，本体引导的知识表示能够显著提升LLM辅助LPBF缺陷分析的一致性、可解释性和实际应用价值。该研究为增材制造领域的智能质量控制提供了新的思路，有望推动制造过程向更可靠、更透明的方向发展。