基于知识图谱与大语言模型增强的复杂零件工艺知识推理方法

《CIRP Journal of Manufacturing Science and Technology》：Knowledge graph and large language model-enhanced approach for process knowledge reasoning of complex parts

　　

摘要

工艺设计对零件质量具有至关重要的影响。传统上，复杂零件的工艺设计严重依赖人工经验，导致知识复用、决策制定和智能辅助等方面面临挑战。为提升复杂零件工艺设计的质量与智能化水平，本研究引入了知识图谱（KG）和大语言模型（LLM）技术，提出了一种知识增强的辅助推理方法，并建立了一个KG-LLM联合推理框架。该框架包含三个组成部分：1）从多源数据构建领域知识图谱以提供结构化知识库；2）对大语言模型进行微调以提升其对工艺语义的理解和复杂推理能力；3）基于LangChain设计知识增强的工作流以提供需求驱动的推理服务。该框架以LLM为核心推理引擎，提升了零件制造中的基于知识的推理能力。在需求解析方面，提示引导的LLM与改进的ResNet18模型协同处理多模态输入。在推理方面，采用路径约束的深度优先搜索算法挖掘相关知识，然后与LLM协同进行持续推理。实验表明，微调后的LLM的F1分数分别提升了39.6%和32.9%。改进的ResNet18模型在识别零件图像特征方面的精确度超过了97%。推理模型在噪声条件下保持了约80%的准确率，显示出强大的鲁棒性。案例研究表明，该方法在工艺路线推荐和持续推理方面具有有效性，能够确保复杂零件的设计质量。

引言

航空航天、汽车和船舶等高端装备制造业在非常规生产环境下（如高温、高压等）对设备提出了高性能要求，导致设备零部件的结构和形状日益复杂。作为设备的核心功能载体，此类复杂零件具有高功能集成度，其加工质量和生产周期直接影响设备的性能和产能[1]，[2]。作为产品设计与制造之间的桥梁，工艺设计是确保复杂零件加工质量的基础。传统复杂零件工艺设计仍然严重依赖人工经验和人工试错方法[3]，缺乏有效的知识推理和智能辅助手段。这导致企业内部积累的庞大工艺知识无法复用，难以确定合理的设计方案和工艺参数。因此，工艺设计的质量和效率难以控制。因此，如何高效地应用工艺知识来支持设计决策仍然是一个关键挑战。

随着信息技术的快速发展，对制造企业多源异构工艺数据进行结构化处理是实现落地工艺推理应用的重要前提[4]。目前，在工艺推理领域，研究人员已采用知识图谱作为开发智能应用的基础[5]。通过利用KG技术，可以对领域数据进行结构化表示以支持交互式推理。虽然这些方法在智能工艺设计方面取得了进展，但仍面临输入语义理解不足和鲁棒性欠缺等挑战。与此同时，LLM在语义理解和辅助生成方面展现出了卓越的能力[6]，[7]。与传统基于文本的生成模型不同，LLM独特的交互能力使其能够在交互式设计场景中发挥更加主动的作用[8]。因此，将LLM引入复杂零件制造的知识推理已成为一个新兴研究方向。然而，由于通用模型在专业领域存在固有的知识差距且容易产生"幻觉"，单独使用LLM往往无法满足复杂应用场景的需求。因此，有必要将这些模型与领域特定知识相结合以增强其适应性。

针对上述复杂零件工艺设计中的各种问题，本文提出了一种基于KG和LLM增强的复杂零部件工艺设计知识推理方法。该方法的核心在于构建一个层次化知识推理框架，包括以下几个关键组成部分：首先，利用KG技术对多源异构工艺数据进行结构化表示，构建支持深度关系查询的领域知识库；其次，采用参数高效微调方法将基础LLM适配到特定领域，注入先验知识以增强模型在复杂工艺环境下的语义理解和交互推理能力；随后，基于LangChain[9]架构，将KG的知识关联能力与LLM的语义解析和交互生成能力相融合，创建了一种面向零部件工艺设计的持续知识推理模型，有效缓解了LLM在专业领域的"幻觉"问题。在此基础上，通过整合图数据库与领域适配的LLM，进一步开发了复杂零部件工艺设计的智能推理系统，帮助设计师高效地应用知识。通过航空发动机相关复杂零件工艺设计的案例应用，验证了所提方法在知识推理和智能设计辅助方面的性能。

本研究的三项主要贡献如下。第一，提出了一个融合KG和LLM的复杂零件工艺设计联合推理框架。该框架以KG作为结构化知识基础，以LLM作为语义理解和方案生成的核心，通过需求解析、实体匹配、路径检索和知识增强生成之间的协同，实现了从工艺需求到推理结果的完整链路。与传统知识推理方法相比，该框架结合了语义理解的灵活性与结构化知识约束的可靠性，有效提高了工艺推理结果的准确性和可解释性。第二，构建了复杂零件工艺设计的多模态需求信息解析方法。针对需求形式多样和专业实体识别困难的问题，将提示模板引导的LLM实体提取与改进的ResNet18图像特征识别方法相结合，实现了自然语言需求和零件图像特征的统一解析，为后续KG检索提供关键实体信息。第三，开发了复杂零件工艺设计的知识增强持续推理与应用模式。采用路径约束的深度优先搜索算法获取与需求相关的知识路径，并以知识增强的LLM作为推理引擎，克服了传统知识推理方法在灵活性和智能性方面的局限。

本文其余部分组织如下：第2节回顾了知识表示与推理以及LLM辅助应用的相关研究。第3节对工艺知识进行建模和结构化，详细介绍了工艺知识推理框架的结构化表示以及领域LLM的选型与微调。第4节讨论了基于KG和LLM增强的工艺知识推理方法的设计。第5节描述了所提研究模型的实验设计并讨论了结果。第6节展示了与复杂零件工艺知识推理应用相关的案例研究。第7节讨论了本方法的贡献和实际意义。最后，第8节总结了所提方法并概述了未来研究的可能方向。

相关工作

在当前零件制造工艺的智能化发展过程中，知识推理正逐渐成为复杂零件工艺设计范式演进中的新趋势。这对复杂零件工艺质量至关重要，促使相关人员根据需求设计各种解决方案。本节回顾了知识表示与推理以及利用LLM能力进行辅助应用的相关研究。

工艺知识推理基础框架设计

工艺设计中的知识推理旨在根据任务需求从知识库中检索相关知识并生成针对特定问题的工艺方案。为支持此过程，提出了一种智能知识辅助推理框架，如图1所示。该框架以KG作为结构化知识载体，以LLM作为语义理解和策略生成的核心组件。通过将两者结合，该框架提升了

方法

复杂零件工艺场景中的设计需求具有领域特定性、知识密集性和形式多样性的特点。传统知识库或基于规则的系统无法充分解析自然语言需求，而单独使用通用LLM往往会产生不够可靠或不稳定的响应。为解决此问题，构建了一个基于KG和LLM的需求驱动联合推理框架，如图6所示。所提框架以工艺KG作为

模型微调数据集构建

构建了一个基于多轮对话的问答数据集用于模型微调，以增强LLM在工艺领域语义理解、需求表达和多轮问答交互中的适应性。数据来源包括制造资源的企业信息系统（加工特征、工艺参数和材料信息）、复杂零件的典型工艺流程（如航空发动机环形锻件、衬套零件和壳体

知识辅助工艺路线快速生成

知识辅助工艺路线快速生成是基于知识的工艺设计的典型应用场景之一。作为零件生产总体规划的重要组成部分，复杂零件的工艺路线影响零件质量和生产效率。在工艺设计中，知识辅助工艺路线快速生成可以帮助设计师减少重复设计工作。

在实际工艺设计场景中，KG与LLM的联合增强方法

讨论

实验结果和案例研究表明，领域适配、多模态实体提取和KG路径约束在复杂零件工艺推理中是互补的。改进的领域LLM性能验证了需求理解的语义适配的必要性。视觉特征识别为KG检索提供了实体入口。在案例研究中，检索到的知识路径提供了工艺实体和约束，增强了可追溯性和领域

结论

本文提出了一个KG-LLM知识约束语义推理框架，用于复杂零件工艺设计中的工艺知识复用、检索和推理。该框架利用工艺KG提供结构化的制造实体、语义关系和可追溯的知识路径，利用领域适配的LLM实现工艺需求理解和交互推理，并实现结构化工艺知识参与LLM的生成过程。

贡献声明

张振明：写作 – 审阅与编辑。徐建新：写作 – 审阅与编辑、指导。田晓贵：写作 – 原稿撰写、方法论、数据整理。

利益冲突声明

作者声明不存在可能影响本文工作的已知竞争经济利益或个人关系。

致谢

本工作得到了国家自然科学基金（资助编号52175484）、航空国家创新科学基金重点项目（资助编号10601012507）以及山东省2024年"产业赋能百场景""揭榜领题"项目（齿轮制造工艺知识增强大模型应用）的支持。

田晓贵 | 徐建新 | 张振明