一种基于大型语言模型和知识图谱的协作方法，用于实现信息整合，以推动智能制造的发展

《Engineering Applications of Artificial Intelligence》：A collaborative approach based on large language model and knowledge graphs for information integration towards smart manufacturing

智能制造中基于LLM-KG协作框架的决策支持优化研究。提出迭代更新KG与LLM-RAG的动态协作方法，通过LLM多源数据融合构建初始KG，利用能力问题驱动优化KG结构，结合RAG增强问答准确率。实验表明该方法使船舶制造工艺决策准确率从86.18%提升至93.09%。

　　

李瑞浩|陈冲|刘颖|王涛|邵海东|程良伦

广东工业大学网络物理系统广东省重点实验室，广州，510006，中国

摘要

在智能制造时代，整合大量信息已成为一项重要任务。知识图谱（KG）是提高信息整合效率的关键技术，它可以显著提升大型语言模型（LLM）的问答性能。然而，现有方法主要将KG作为检索增强生成（RAG）的插件数据库使用，但由于KG的缺陷，无法实现准确的答案。为了解决这一问题，我们提出了一个协同的LLM-KG框架，该框架可以迭代更新KG，为RAG提供细粒度的知识。该方法首先构建一个基础本体，并利用LLM提取知识三元组，基于多源数据建立初始KG。然后，设计能力问题（CQs）来评估和优化初始KG。本体优化后，可以获得细粒度的KG，从而通过RAG实现强大的问答机制。实验研究表明，采用该方法后，问答准确率从86.18%提高到了93.09%。

引言

智能制造代表了工业运营的新范式转变，其特点是数字系统和物理系统的融合。这一新时代强调知识与先进技术的结合，从而实现更加个性化和可持续的生产过程及维护规划（Gama等人，2024年；Leng等人，2024年）。在这一背景下，过程决策成为关键组成部分，需要探索创新方法以实现行业的智能化转型（Chen等人，2023年）。强大的决策支持系统能够将原始数据转化为可操作的洞察，从而提高运营效率。为了满足智能制造中信息整合和决策支持的需求，LLM和KG的协同使用可能是一个潜在的解决方案。LLM可以处理和理解大量文本数据，提取有价值的信息和洞察。另一方面，KG提供了一个结构化的框架，用于组织和连接不同信息，从而实现更有效的决策和问题解决。通过整合这两种技术，行业可以利用先进的分析和推理能力来优化流程、预测维护需求，并以更高的敏捷性和精确度响应市场需求。

在制造业中，流程决策的制定受到多种因素的影响，包括设备的运行状态、所使用材料的质量以及劳动力的熟练程度。数据驱动的方法是制造业决策的主流。然而，制造过程中各种因素的影响往往隐藏在多源异构数据中，这些数据与决策之间的关系难以确定。KG作为一种关键技术，能够弥合不同数据源之间的差距，揭示这些影响因素之间的潜在联系（Li等人，2025b）。然而，KG的构建是一个多方面的工作，与领域专业知识密切相关。作为KG基础的本体需要精心设计，以反映数据中固有的复杂关系和层次结构（Li等人，2025a）。这一过程严重依赖于KG和RAG的整合，这不仅解决了RAG模型中的固有挑战，还为制造业的知识服务打开了新的可能性。专家的经验对于在KG中准确表示知识至关重要（Nguyen等人，2020年）。缺乏或没有此类专家知识可能导致本体不完整或不准确，从而影响KG的质量和进一步使用。

自然语言处理（NLP）领域中LLM的最新进展在通用领域表现出了强大的性能（Chang等人，2024年）。然而，由于通用背景与制造背景之间的差异，LLM的性能受到影响，导致生成的内容可能对行业造成损害（Wang等人，2023a；Zhou等人，2024年）。为了提高LLM在特定领域的性能，研究人员研究了多种方法，如微调（Gao等人，2024年）和RAG（Lewis等人，2020年）以提高响应准确性。然而，微调需要大量的计算成本，对于制造商来说可能负担不起。RAG使用外部文档或知识库来获得准确答案，这不需要高计算成本。但是，当支持文档太大且包含噪声数据时，可能无法生成准确答案，推理速度也可能不令人满意。KG通过解决几个关键问题，成为增强RAG应用的重要来源（Rao等人，2023年）。KG的结构提供的上下文相关性确保检索到的信息不仅相关，而且具有丰富的上下文信息，这对于LLM生成高质量答案至关重要。KG中不同节点的连接使它们能够高效管理复杂查询，因为图中的关系提供了更深入的上下文理解。KG在数据整合方面也表现出色，提供了统一的视图，显著丰富了RAG的响应（Wang等人，2024b）。KG和RAG的整合不仅解决了RAG模型中的固有挑战，还为制造业的知识服务打开了新的可能性。

然而，目前大多数实现将KG视为静态的检索来源，本体学习仍然是一个单向提取任务，缺乏自我纠正的机制。这些限制通常会导致持续的知识差距，需要昂贵的手动细化。为了解决这个问题，我们提出了一个双向协同框架，该框架通过使用LLM主动诊断语义缺陷来区分自己。通过生成和评估CQs，该框架识别本体中的不一致之处，并根据其在推理任务中的实际表现迭代优化KG结构。这种方法确保知识框架不仅结构化，而且不断细化，以满足特定的制造需求。最初，从不同来源（包括手册、专利和技术论文）收集的数据通过应用不同的文本数据预处理方法进行进一步整合。随后，LLM对这些数据进行分析，以建立初始KG本体。然后提取知识三元组以支持后续的问答过程。接下来使用RAG技术进行过程知识的问答，性能指标反馈到本体构建中以进行进一步优化。这种知识提取和基于RAG的问答的迭代过程最终实现了系统的整体优化。

应该注意的是，所提出的框架并不是为了替代领域专家进行知识建模。相反，它被设计为一个专家增强工具，以支持专家进行知识提取、本体细化和结构组织，从而提高建模效率和一致性。这一定位与工业5.0中以人为中心的智能系统的更广泛趋势一致，在该趋势中，AI预计将通过提高效率、情境理解和协同决策来协助人类专家（Liu等人，2026b）。尽管如此，领域专家在审查、纠正和验证最终的本体和知识图谱方面仍然不可或缺，特别是在需要深入领域理解、高可靠性和仔细质量控制的场景中。本研究的主要贡献有四个方面：（1）提出了一个能够迭代更新和细化KG和LLM-RAG的框架。通过建立KG和LLM之间的动态反馈循环，该框架确保模型保持最新，并与不断发展的KG保持一致；（2）提出了一种LLM驱动的初始本体构建方法，以建立不依赖于领域知识的KG；（3）提出了一种用于本体更新和优化的能力问题构建方法；（4）通过RAG设计了一个决策支持系统，该系统基于使用更新后的本体的细粒度KG。本文的其余部分组织如下：第2节回顾了特定领域KG构建和LLM的最新研究。第3节介绍了所提出的方法。第4节介绍了实验设置，第5节展示了结果。最后，第6节进行了讨论，第7节进行了总结。

部分片段

智能制造领域KG构建的最新进展

KG在智能制造领域始终表现出强大的能力。KG已在不同的制造场景中得到研究，如产品设计（Huang等人，2023年）、制造过程规划（Xiao等人，2023年）、预测性维护（Klein等人，2025年）和再制造（Guo等人，2024年）。不同领域的KG可以用于增强决策、优化流程并促进制造环境中的创新（Li等人，2021年；Wang等人，2022年）

方法论

本文提出的方法概述如图1所示，主要包括四个阶段：初始本体构建、用于本体优化的能力问题构建、用于细粒度KG的领域本体优化以及用于领域问答的KG-RAG。

数据集

造船涉及多个步骤和阶段，包括船舶设计、材料准备、分段船体建造、模块组装和质量检查等。在单一研究中涵盖所有这些步骤是不现实的。因此，在这项工作中，我们专注于分段船体建造中的两个代表性场景，即组装和焊接质量检查，以验证所提出的框架。我们收集了分段船体焊接质量检查阶段的多源数据

基准测试结果

为了证明使用我们提出的框架构建的领域KG与LLM结合的有效性，我们比较了在测试集上的基于推理的决策准确性。我们评估了四种配置：不同的LLM、结合文档检索增强的LLM、结合GraphRAG的LLM以及结合我们领域KG的LLM。从图3和图4可以看出，这些模型的性能存在显著差异。DeepSeek-V2模型的表现

讨论

实验结果揭示了几种有趣的现象。首先，将LLM与构建的领域KG结合用于回答造船行业的问题，其性能优于单独使用LLM或LLM结合文档的方法。这种方法不仅提高了决策的可解释性，还提高了决策的质量。此外，用于决策支持的LLM的性能显著影响了领域知识问答的有效性。

结论

本研究旨在解决智能制造信息整合中的一个关键问题。作为信息整合的主要方法，KG在LLM的帮助下被构建和优化。通过将LLM与KG结合，本研究引入了一个新的协同框架，提高了制造过程中决策的准确性和可靠性。这种迭代方法涉及将工业数据转换为结构化格式，构建基础

CRediT作者贡献声明

李瑞浩：撰写——原始草稿、软件、方法论、调查、形式分析、数据管理、概念化。陈冲：撰写——原始草稿、验证、方法论、调查、形式分析、数据管理、概念化。刘颖：撰写——审阅与编辑、监督、方法论、形式分析、概念化。王涛：撰写——审阅与编辑、软件、项目管理、方法论、形式分析、概念化。邵海东：撰写——

利益冲突声明

作者声明他们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。

致谢

我们的工作得到了中国多项资金的支持，包括广东省科技计划（2025B1111130003）、国家自然科学基金（62302103 和 52275104）以及网络物理系统广东省重点实验室（2020B1212060069）。