基于知识图谱的航空器组装过程规划:该方法通过集成大语言模型(LLMs)和结构化学习模型(SLMs)来实现
《JOURNAL OF MANUFACTURING SYSTEMS》:Aircraft assembly process planning based on knowledge graph constructed by integrating LLMs and SLMs
【字体:
大
中
小
】
时间:2025年12月06日
来源:JOURNAL OF MANUFACTURING SYSTEMS 14.2
编辑推荐:
马云飞|郑帅|杨政|郑沛|冷洁武|洪俊
西安交通大学软件工程学院,中国陕西省西安市710049
**摘要**
在商用飞机制造中,工艺规划是设计和生产之间的关键桥梁,确保设计概念的准确实现,并显著提高制造效率和产品质量。随着知识图谱技术的发展,在使用历史工艺文档进行商
马云飞|郑帅|杨政|郑沛|冷洁武|洪俊
西安交通大学软件工程学院,中国陕西省西安市710049
**摘要**
在商用飞机制造中,工艺规划是设计和生产之间的关键桥梁,确保设计概念的准确实现,并显著提高制造效率和产品质量。随着知识图谱技术的发展,在使用历史工艺文档进行商用飞机制造工艺规划方面取得了显著进展。然而,传统的基于深度学习的方法在构建知识图谱时严重依赖手动对象选择和标签分配,这使得流程非常耗时。此外,这些方法在工艺规划领域经常面临挑战,包括低领域特定术语识别率和实体提取不完整等问题。为了解决这些挑战,本文提出了一种结合大型和小型语言模型的混合方法来构建飞机工艺规划知识图谱。首先,采用基于聚类的多智能体方法对工艺规划数据进行预注释,然后由领域专家重新注释缺陷数据以创建高质量的数据集。随后,使用在该数据集上训练的小型语言模型和大型语言模型(LLM)构建了一个用于飞机工艺规划的知识提取框架KE-LSM。实验结果表明,KE-LSM的性能优于现有的命名实体识别模型。最后,KE-LSM被应用于一家商用飞机制造公司,并开发了一个原型系统以促进智能工艺规划。希望这项研究能为基于LLM的解决方案在飞机制造领域的应用提供有价值的见解和支持。
**引言**
作为产品开发的最后阶段,装配是复杂产品制造生命周期中最关键的环节之一[1]。它不仅需要大量的时间和人力资源投入,还直接决定了产品的性能质量、生产成本和交付周期[2][3]。以飞机装配为例,飞机装配涉及众多组件、工具和合理的装配计划流程。飞机装配占飞机制造总劳动力的大约50%;其成本占比超过飞机总成本的40%[4]。因此,在飞机装配过程中,科学合理的工艺规划对于确保生产效率和产品质量至关重要。为了解决这一挑战,可以使用智能技术将工艺知识转化为结构化数据并有效利用。这不仅为新产品的工艺规划提供了坚实的基础,还显著降低了工艺规划的成本并提高了整体效率。此外,在工艺规划中分享和重用工艺知识的迫切需求日益突出,主要体现在以下两个方面:(1) 必需对工艺进行持续迭代和优化。工艺知识不仅对当前规划至关重要,而且对未来类似产品的规划也有显著影响[5];(2) 工艺规划需要克服经验障碍。经验往往是无形的信息,存在于工艺工程师的头脑中,而高员工流动率经常导致知识缺口[6]。如果能够有效地提取、组织和重用工艺知识,就可以大大降低新手的培训成本和工艺规划难度,同时确保工艺知识的连续性和稳定性。
知识图谱作为一种大规模语义网络和图数据库技术,可以系统地捕捉不同概念之间的语义关系,并通过逻辑分层和语义关系组织大规模的非结构化工艺数据[7]。这使得知识图谱成为分享和重用工艺知识的有效工具[8]。知识图谱擅长处理制造过程中积累的大量历史工艺数据,并能揭示大规模数据中的隐藏知识关系。但是,传统的基于深度学习的方法在构建知识图谱时仍然严重依赖手动对象选择和标签分配来生成高质量的数据集,这使得流程非常耗时[9]。随着生成式AI技术的发展,特别是大型语言模型(LLM)的进步[10][11],在构建知识图谱的方法上取得了新的突破。通过在大规模通用语料库上进行预训练,LLM获得了丰富的语言表示和隐式知识结构,使其能够在少量样本甚至零样本条件下执行实体识别和关系提取等知识图谱构建子任务[12]。在工艺规划领域,这一能力使LLM能够自动从非结构化文本中识别关键工艺实体(如零件、设备、材料等)及其语义关系。通过基于上下文信息逻辑推断潜在的工艺依赖关系,它显著减少了对手动规则和标记的依赖。然而,LLM在构建工艺规划知识图谱时仍面临一些关键挑战和限制:(1) LLM可能会生成幻觉。LLM生成的内容可能与实际数据和事实不符,导致提取的工艺知识偏离真实的装配逻辑。在飞机装配工艺规划场景中,这种幻觉通常源于工艺术语的区域性和稀有性。例如,“stringer”和“longeron”等术语在通用语料库中很少出现,导致训练样本不足。LLM容易将它们错误地分类为普通动词或生成无关概念,从而将错误的组件依赖关系或装配关系引入知识图谱中,影响工艺规划的准确性和仿真的可靠性;(2) 通用大型语言模型在航空航天制造等领域的专业知识覆盖不足,难以准确识别复杂的术语及其上下文语义。这一限制在处理具有复合修饰结构的技术词汇时尤为明显。例如,“polysulfide sealant primer”是一种常用的飞机结构装配密封材料,其含义来源于化学性质“polysulfide”和功能成分“primer”。传统的知识提取方法或通用LLM通常会将该术语错误地分割为两个独立实体“polysulfide”和“primer”,忽略了两者之间的整体语义关系,导致知识图谱中的实体粒度不一致和语义表达不完整。这种术语理解上的误解可能会在后续的聚类和推理过程中导致语义偏差,降低图谱的准确性和可解释性;(3) LLM的计算成本和推理延迟较高。在处理大规模工艺语料库时,LLM通常需要对长文本进行全局上下文计算,这导致与传统深度学习模型相比,内存使用、计算负荷和响应时间显著增加。对于航空航天制造领域的知识图谱构建任务而言,这使得系统在提取批量工艺文档或多源异构数据时难以实现高吞吐量和低延迟处理,影响知识的实时性能和自动化。同时,LLM的推理效率对硬件环境非常敏感,在实际部署中通常需要昂贵的GPU集群或高性能计算平台,这不仅增加了系统成本,还限制了模型在工业生产环境或资源受限环境中的应用范围。
为了解决这些挑战,我们提出了一种利用大型和小型语言模型协作构建飞机工艺规划的知识图谱方法。首先,采用基于聚类的多智能体方法框架对工艺规划数据进行预注释,然后由领域专家重新注释缺陷数据以构建高质量的数据集。随后,小型语言模型(SLM)进行领域特定微调,以获得精确的实体识别和边界检测能力。SLM的预测结果用于生成结构化提示信息,从而增强大型语言模型的输入。LLM结合SLM提供的语义线索及其自身的语言理解和推理能力进行全局语义分析,并输出最终的命名实体识别结果。这种协作机制消除了对大型语言模型进行微调的开销,以更低的内存和计算成本实现了可部署性,同时保持了提取质量。
**总结**
本文的主要贡献如下:
(1) 为了提高注释质量并解决ICL中手动上下文选择的限制,我们提出了一种基于聚类的多智能体方法进行半监督命名实体识别(NER),通过使智能体细化标记数据来提高注释准确性;
(2) 提出了一种基于大型和小型模型组合的飞机工艺规划知识提取模型,适用于隐私敏感、资源有限的制造环境;
(3) 设计并开发了KE-LSM原型系统,包括工艺知识提取、知识图谱可视化和工艺知识问答等模块。
本文的其余部分安排如下:第2节讨论相关方法,第3节介绍方法论框架,第4节展示实验结果,第5节提供飞机装配工艺生成的原型系统,第6节总结本研究的工作和未来方向。我们将在https://github.com/Ultrama0227上公开原型系统的代码。希望这项研究能为基于LLM的解决方案在工业5.0领域的广泛应用铺平道路。
**相关工作**
本节概述了本文的研究背景,包括关于知识提取的相关文章、LLM在数据注释中的应用、命名实体识别的最新进展、结合大型和小型语言模型的相关方法,以及研究中的空白和动机。
**方法论**
如图1所示,所提出的框架分为三个阶段:数据采集和数据聚类、基于聚类的多智能体半监督NER,以及LLM和SLM的知识提取。该框架旨在通过多阶段协作处理高效构建工艺规划知识数据库。在数据采集和数据聚类阶段,使用OCR技术标准化装配概要,并进行数据清洗以生成数据。
**商用飞机装配工艺数据分类和语义建模**
在商用飞机装配系统中,工艺信息的结构化对于提高生产效率至关重要。作为核心工艺文档,装配概要通常包含十个连续执行的装配过程,每个过程代表包含特定操作(如定位、连接或检查)的最小操作单元。这些过程不仅为现场操作提供了指导基础,还隐含了各种关系。
**原型系统**
基于所提出的方法,我们开发了一个专门应用于商用飞机的工艺规划和问答系统原型,以示例说明该方法的实际应用。如图9所示,该系统整合了许多模块,包括工艺知识管理、数据注释、知识提取、知识图谱可视化、装配过程生成等模块。以下部分介绍了系统架构和功能。
**结论和未来工作**
本文提出了一种用于构建飞机装配工艺规划知识图谱的流程,包括用于数据预注释的CMA-NER和用于命名实体识别的KEM-LSM。CMA-NER结合了k-means聚类和多智能体框架,实现了LLM之间的协作数据注释,减少了对外部注释工作的依赖。KEM-LSM通过结合LLM的通用能力和高效性,在准确性和效率之间取得了平衡。
**作者贡献声明**
马云飞:撰写 – 初稿、软件、方法论、形式分析、数据整理;
郑帅:撰写 – 审阅与编辑、撰写 – 初稿、验证、监督、软件、方法论、调查;
杨政:撰写 – 审阅与编辑、软件、方法论;
郑沛:可视化、验证、监督、方法论;
冷洁武:撰写 – 审阅与编辑、撰写 – 初稿、资源、方法论、形式分析;
洪俊:验证、监督。
**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号