基于大语言模型启发式进化的用于动态装配质量控制的自主AI智能体框架
《ADVANCED ENGINEERING INFORMATICS》:An autonomous AI Agent framework for dynamic assembly quality control via LLM-based heuristic evolution
【字体:
大
中
小
】
时间:2026年07月15日
来源:ADVANCED ENGINEERING INFORMATICS 11.5
编辑推荐:
宋一田|孙燕宁|江杰|刘丽兰|高增贵|秦伟•将动态装配质量控制重新定义为生产漂移环境下的元优化问题。•提出一种自主型人工智能代理,用于优化算法的闭环进化。•开发基于大语言模型生成的启发式方法,并通过进化操作符与自我反思机制对其进行优化。•在柴油发动机装配过程中验证该框架,以实现质
宋一田|孙燕宁|江杰|刘丽兰|高增贵|秦伟•将动态装配质量控制重新定义为生产漂移环境下的元优化问题。•提出一种自主型人工智能代理,用于优化算法的闭环进化。•开发基于大语言模型生成的启发式方法,并通过进化操作符与自我反思机制对其进行优化。•在柴油发动机装配过程中验证该框架,以实现质量提升。引言装配是实现产品设计意图、确保功能性能与可靠性的关键环节,尤其在高端设备制造中更为重要,这类产品的特点在于结构复杂、公差要求严格以及性能标准极高[[1], [2]]。统计数据显示,产品全生命周期中超过60%的质量问题源于制造与装配阶段[3]。在工业实践中,尤其是对于高价值、高性能设备,尽管单个组件均符合规格要求,但组装后的产品仍可能无法满足尺寸或功能上的要求[[4], [5]]。这种现象主要是由于装配控制不足,即工艺参数虽处于名义约束范围内,却未被以最优或协调的方式配置。从系统角度来看,高端设备的装配质量控制需要在多阶段、多变量且高度耦合的生产流程中精确协调多种工艺参数,同时还要持续应对零件差异、设备状态、环境变化以及人为操作所带来的不确定性[6]。在这种动态的生产环境下,保持装配质量的一致性始终是一个难题,因为静态的或一次性设计的工艺参数优化策略难以持续发挥效果。为通过工艺参数优化提升装配质量,现有方法已从经验驱动逐步发展为物理驱动和数据驱动的方法。经验法则,包括试错法与实验设计法(DOE),在工业领域仍较为常用。这些方法会系统地调整工艺参数,并根据产品缺陷与机械性能来评估结果[7]。然而,过度依赖物理实验使得这类方法成本高昂且耗时较长,尤其是在复杂的多阶段装配流程中[8]。为减轻实验负担,人们提出了物理驱动方法。这类方法利用有限元分析(FEA)等数值方法来模拟和评估装配工艺参数[9]。例如,宋等人[10]提出了一种装配公差分析方法,该方法结合了统一雅可比-托索尔模型与表面模型形状,能够考虑形变误差及部分并行连接情况。虽然物理驱动模型能够实现高精度且具备较强的物理可解释性,但其计算成本会随着系统复杂度的增加而迅速上升,这限制了其在大规模优化及实时决策场景中的应用。随着生产和检测数据的不断增加,研究重点逐渐转向数据驱动的工艺参数优化。人们探索了多种优化技术,包括群体智能算法[11]、进化算法[12]以及混合策略[13],其目标均为最小化质量偏差与生产成本,或最大化装配质量与效率[14]。在这些方法中,首先建立替代模型或预测模型,将装配工艺参数与质量指标相关联,随后再运用智能优化算法寻找最优的工艺参数配置。例如,Medhi等人[12]利用人工神经网络建立质量预测模型,通过整合模型输出与目标要求来制定优化目标,并将非支配排序遗传算法Ⅱ(NSGA-Ⅱ)与基于理想解相似度的排序法(TOPSIS)相结合,用于优化工艺参数。此外,模拟退火算法(SA)[15]、遗传算法(GA)[16]、差分进化算法(DE)[17]、贝叶斯优化算法(BO)[18]等多种优化算法也被证明是解决非线性、高维度且高度耦合的装配工艺参数优化问题的有效工具。然而,根据“无免费午餐”定理[19],没有任何一种优化算法能够在所有问题场景中始终优于其他算法。实际上,算法的有效性往往取决于具体应用场景[20]。如图1所示,在真实的工业环境中,当生产条件、产品型号或批次特性发生变化时,优化性能往往会下降[21]。从工程角度而言,工艺参数优化方案的设计、调优与部署仍然严重依赖于人类专家的经验。数据分析师通常了解算法机制,但缺乏深入的工艺知识;而工艺工程师则拥有丰富的行业经验,但在修改算法结构、超参数及搜索策略方面存在困难。这种算法知识与工艺知识之间的壁垒,导致优化模型无法自主适应不断变化的情况,进而造成维护成本高昂、适应性有限,以及智能装配质量控制缺乏长期稳定性。这些局限性表明,动态装配质量控制的核心挑战并非仅仅在于如何选择优化算法,而在于如何优化优化过程本身。本质上,设计、调优及修改优化算法的人类工作流程其实属于一种元层面的决策过程,这一过程可以被抽象为优化问题。一旦建立起这样的抽象模型,就能够自主设计出适用于特定生产状态的优化算法。人工智能领域的突破,尤其是深度学习与大语言模型方面的进展,正在深刻改变科学发现、工业系统以及技术创新的格局[[22], [23], [24]]。AlphaGo[25]在策略游戏领域的成就、AlphaFold[26]在蛋白质结构预测方面的突破、AlphaCode[27]在代码生成方面的表现,以及AlphaEvolve[28]在程序生成方面的成果,都表明人工智能已经超越了仅为特定任务服务的工具范畴,发展成了能够自主生成假设、设计算法并产出可执行代码的系统,从而显著加快了科学与工程创新的进程[[29], [30], [31]]。这种范式转变使得算法开发从手动编码转向由自然语言引导的构建、优化与调优,这一趋势已经开始影响工业实践。例如,西门子推出了工程助手工具,用于快速生成可编程逻辑控制器(PLC)代码[32]。受这些进展的启发,近期有研究开始探索利用大语言模型来辅助算法设计。刘等人[33]系统地梳理了利用大语言模型进行算法设计的技术路径,并创新地将这些方法分为四类,分别称为优化器、预测器、提取器与设计器。在特定应用场景中,杨等人[34]首次发现,当同时提供问题描述以及用自然语言表达的历史轨迹时,大语言模型能够逐步优化优化任务中的解决方案。Romera-Paredes等人[35]提出了FunSearch方法,用于为已有的开放性问题发现新的算法与科学成果。刘等人[36]提出了启发式进化方法(EoH),该方法将大语言模型与进化算法相结合,实现启发式的自动设计。在此基础上,叶等人[37]提出了反思进化方法(ReEvo),使大语言模型能够进行自我反思并对生成的代码进行迭代改进。类似地, Chi等人[38]开发了一种基于差分进化算法的大语言模型引导式启发式评估框架,而黄等人[39]则进一步展示了大语言模型在为高维度问题设计自主多目标优化算法方面的潜力。除了优化领域,刘等人[40]还推出了一套统一的Python平台,支持利用大语言模型进行各类算法设计工作。该技术的应用范围还扩展到了启发式方法的选取[41]、启发式方法的生成[42]以及自动超参数配置[43],充分体现了大语言模型作为计算设计工具的通用性。尽管这些研究为大语言模型驱动的算法设计奠定了重要基础,但大多数研究都是针对通用优化基准、算法发现任务或常规的启发式生成场景展开的,其在工业场景中的应用仍有待深入探索。此外,独立运行的大语言模型往往缺乏持久状态存储以及通过工具实现的执行机制,这使得它们难以在现实世界的各种约束条件下可靠地实现“规划-执行-观察-修正”的闭环流程。为克服这些局限,人工智能代理作为一种系统级架构应运而生,它通过将规划、工具调用、内存管理、执行监控以及基于反馈的自我修正等功能整合在一个统一的过程中,使大语言模型从被动的代码生成工具转变为具有目标导向能力的决策者[[44], [45], [46], [47]]。在这种架构中,大语言模型充当高级控制器,负责协调外部计算资源,而人工智能代理框架则负责对任务进行结构化分解并明确各角色的职责,从而更可靠地实现复杂工程目标的自主完成。例如,董等人[48]利用多个承担不同角色的大语言模型代理组成虚拟团队,让这些角色在没有人工干预的情况下自主协作完成代码生成任务。刘等人[49]则构建了用于概念设计的基于大语言模型代理的工作流。郑等人[50]则将智能制造中的传统流程建模为基于大语言模型代理的工作流。尽管这一技术尚处于发展初期,但人工智能代理具备了动态优化能力,为构建自适应的智能制造系统奠定了基础。基于上述认识,本文提出了一种用于动态装配质量控制的自主型人工智能代理框架,该框架通过演化优化启发式方法而非直接调整工艺参数来实现系统适配。在该框架中,人工智能代理负责管理启发式优化算法的端到端设计流程,而大语言模型则充当推理引擎,负责生成并优化可执行的启发式代码。本文的主要贡献如下:(1) 在生产漂移环境下对动态装配质量控制进行元层面重构。本研究是最早将动态装配质量控制明确视为元优化问题的研究之一,其目标不仅是优化工艺参数,还包括持续优化优化算法本身。这一重构揭示了高端设备装配中静态、一次性设计的优化方案所存在的固有局限,为在不断变化的生产条件下实现长期质量控制提供了理论依据。(2) 提出一种自主型人工智能代理框架,可实现制造优化算法的闭环进化。该框架用于全程管理启发式优化算法的生命周期,包括算法的生成、执行、评估、反思与修正。与传统需要人工干预的优化流程不同,该框架有效解决了工艺工程师与算法设计师之间的知识壁垒,使得算法能够在实际制造环境中在较少人工干预的情况下实现持续优化。(3) 开发了一种专为装配质量优化设计的大语言模型驱动的启发式演化机制。该机制是在ReEvo的基础上开发的,专门用于装配工艺参数的优化任务。它通过选择、交叉、变异、短期自我演化反思以及长期自我总结反思等机制,不断演化出可执行的启发式代码。通过将制造性能反馈纳入启发式演化循环,LLMGH机制有助于在复杂、高维度且受多种因素影响的装配环境下,高效地发现并不断优化优化策略。本文的其余部分结构如下:第2节阐述动态装配质量控制问题的定义;第3节提出基于大语言模型驱动的启发式演化方法的自主型人工智能代理框架;第4节展示将该框架应用于柴油发动机装配的实验结果;第5节则对全文内容进行总结并展望未来。问题描述虽然第1节从应用角度阐述了实现算法层面自适应的必要性,但本节则从元优化的视角对这一问题进行正式定义。在高端设备的装配质量控制中,目标是确定合适的装配工艺参数,以便在复杂且不确定的生产条件下,使组装出的产品满足严格的质量标准。设x=x1,x2,...xd?表示装配工艺参数向量,其中d为参数的数量。方法论本节介绍了为解决第2节所提出的元优化问题而开发的方法。该方法并未直接优化装配工艺参数,而是着眼于将算法层面的自适应作为一个明确的、自主的过程来实现。为此,该研究构建了一个基于人工智能代理的框架,用于管理启发式算法生成的整个流程,同时在大语言模型驱动的启发式机制中,将其作为核心的优化手段。案例研究为验证所提出的框架,本文选择柴油发动机装配过程作为案例进行研究。所有实验均在配备NVIDIA GeForce RTX 4060Ti显卡、Intel(R) Core(TM) i9-14900 K处理器(3.2 GHz)以及32 GB内存的Windows 11工作站上完成。结论本文提出了一种基于大语言模型驱动的启发式演化方法的自主型人工智能代理框架,用于实现动态装配质量控制。与那些直接寻找固定参数配置的传统工艺参数优化方法不同,该框架通过演化优化启发式方法本身来实现系统适配。这样一来,该框架为不同批次间的工艺参数优化提供了元层面的解决方案,同时也有助于弥合数据领域与工程实践之间的知识差距。资金支持本研究得到了中国国家自然科学基金的支持[项目编号:52305545]。作者贡献声明宋一田:写作——审稿与编辑、写作——初稿撰写、可视化、软件开发、方法设计、概念构思。孙燕宁:写作——审稿与编辑、写作——初稿撰写、项目管理、资金申请、概念构思。江杰:可视化、数据整理。刘丽兰:监督指导、项目管理、概念构思。高增贵:监督指导、项目管理。秦伟:项目管理、数据整理。利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
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