《Neural Networks》:LLM-Driven Human-AI Collaborative Decision Support System for Complex Industrial Processes: A Case Study in Metallurgy
编辑推荐:
Youcheng Zong|Runda Jia|Kang Li|Dazhan Xue|Liqiang Zhang|Dakuo He中国辽宁省沈阳市东北大学信息科学与工程学院,邮编110004摘要在复杂的工业过程中,多源异构数据常常形成数据孤岛,阻碍了数据整合并降低了人类决策者的认
Youcheng Zong|Runda Jia|Kang Li|Dazhan Xue|Liqiang Zhang|Dakuo He
中国辽宁省沈阳市东北大学信息科学与工程学院,邮编110004
摘要
在复杂的工业过程中,多源异构数据常常形成数据孤岛,阻碍了数据整合并降低了人类决策者的认知效率。我们提出了一个基于大型语言模型(LLMs)的复杂工业过程人机协作决策支持系统。该系统采用元认知推理框架来分解任务并协调工具,整合了基于反馈的知识检索(维护不断发展的领域知识库)和增强记忆的SQL构建器。后者使得无需对模型进行微调即可通过自然语言访问时间序列和关系数据。这些组件构成了一个统一的架构,在实时和安全约束下协调技术文档、处理数据以及操作员反馈。该系统提供可解释的高层次建议,同时保持人类决策者的控制权。我们在一家钢铁厂的钢包预热过程中部署了该系统,并构建了一个包含340个查询的专家注释评估语料库。使用DeepSeek-V3作为驱动LLM,该系统在该语料库上的回答正确率达到99.1%,在实际推理时间限制下提供了可靠且高效的决策支持。
引言
现代工业工厂越来越多地依赖密集的异构传感器网络来持续收集多维和多模态的生产数据。这些工厂利用数据分析、物联网、云计算和人工智能(Ahmed等人,2022年)实现实时监控、预测性维护和智能调度。这种数字基础设施提高了生产效率和产品质量。同时,工业信息化也带来了新的挑战。时间序列信号、离散结构化记录和跨阶段的关系数据通常存储在孤立系统中(Jiang等人,2024年),形成了数据孤岛,阻碍了综合分析。这些孤岛成为认知障碍:它们限制了机器对复杂工业过程的感知,并削弱了人类决策者分析和优化操作的能力。
为了处理复杂工业过程中的多源异构数据,现有研究主要采用统计建模(Wang等人,2022a)、机器学习(Zong等人,2025)和神经网络(Zong等人,2023)从抽象数据表示中提取可解释的状态信息。模型预测控制(Wan等人,2024)和强化学习(Wang等人,2022b)进一步用于实现最优过程控制。然而,在面对数据孤岛时,这些方法严重依赖于人类专家的启发式知识。这种依赖性导致了复杂的预处理流程、响应延迟以及人机协作中的低认知效率。
大型语言模型(LLMs)的最新进展为解决这些挑战提供了新的方法(Brown等人,2020年;Liu等人,2024a;Yang等人,2024a)。预训练的LLMs可以作为认知增强工具:它们广泛的知识和推理能力支持复杂的数据分析。它们已经应用于代码生成(Nam等人,2024)、生产力工具(Jin等人,2024;Li等人,2024b)和自动驾驶(Chen等人,2024;Yang等人,2024b)等领域。在这些领域,对LLMs进行领域特定数据的微调是一种常见的适应策略。LoRA(Hu等人,2021)和QLoRA(Dettmers等人,2024)等技术降低了训练成本,但大规模微调仍然面临硬件、数据和专业知识的限制。对于垂直工业场景,构建高质量的领域数据集并反复微调LLMs因此变得困难,这促使了轻量级、实时的决策支持解决方案的发展。
检索增强生成(RAG)(Gao等人,2023;Lewis等人,2020)提供了一种替代重复领域特定微调的实际方法。通过整合外部知识库,RAG将知识更新与LLM参数分离,避免了完整模型重新训练的高成本。然而,将LLMs应用于复杂工业过程仍然具有挑战性。它们的自然语言接口不适合直接解析工业时间序列和其他多源异构数据,当前的设计对人机协作决策的支持也有限。因此,一个核心的开放问题是如何利用LLMs的归纳推理能力构建人与机器之间的双向认知通道,使它们成为工业感知和人类决策之间的桥梁。
表1从三个维度总结了主流RAG和文本到SQL方法在工业实时决策中的结构局限性:实时准备性、异构数据协调和人机协作。
为了解决这些挑战,我们构建了一个基于LLM的人机协作决策支持系统,用于复杂工业过程中的系统级集成。该系统使用LLMs分析和归纳处理多源异构数据,并为人类操作员生成具有认知意义的输出。它采用动态知识更新机制,通过自然语言交互协调技术文档、过程数据和算法工具。通过这种方式,该系统在保留人类决策主导权的同时提供决策支持。它不是取代统计建模、时间序列预测或强化学习和模型预测控制,而是在其基础上添加了一个认知决策支持层,并将模型输出与技术文档和操作员反馈结合起来。
本文的主要贡献如下:
1.我们设计了一个基于LLM的人机协作决策支持架构,将代理任务分解、检索增强推理和文本到SQL集成到一个针对复杂工业过程的统一流程中。
2.我们用基于反馈的知识检索模块和增强记忆的SQL构建器实现了这一架构。这些组件在明确的延迟和安全预算下共同处理技术文档、时间序列传感器数据和关系数据库,而无需对底层LLM进行微调。
3.我们在一家钢铁厂的钢包预热过程中部署了该系统,并构建了一个包含340个查询的专家注释评估语料库。该语料库为基于LLM的决策支持在过程工业中的应用提供了现实的测试平台和系统评估,涵盖了答案正确性、知识召回率、SQL鲁棒性和人类参与行为。
本文的其余部分组织如下。第2节回顾相关工作。第3节介绍所提出的方法。第4节报告实验结果和讨论。第5节总结本文。
章节片段
相关工作
LLMs的最新进展将其认知能力从通用任务扩展到了工业过程应用。现有研究主要集中在模型微调和特定任务的RAG上。Wang等人(2024a)使用晶圆数据集微调LLMs以实现制造过程中的图像识别。Fu等人(2024)使用钢铁制造数据微调LLMs以理解生产过程并提供辅助信息。
方法
本节介绍了复杂工业过程中人机协作决策支持系统的架构,如图1所示。该系统以元认知推理框架为核心引擎,负责任务分解、工具调用和结果归纳。基于反馈的知识检索模块通过人类验证的问答互动动态丰富和查询领域知识库,而增强记忆的SQL构建器
实验设置
我们使用典型的复杂工业钢铁厂的钢包预热过程作为实验场景,如图5所示。钢包预热是钢铁精炼中的关键预处理步骤。它通过高温燃料气体加热去除钢包内衬的水分,从而延长钢包使用寿命并减少出钢时的熔钢温度下降。预热系统包括空气和气体供应子系统,用于控制
结论
本研究开发了一个基于LLM的人机协作决策支持系统,旨在解决复杂工业过程中的数据孤岛和认知障碍。它结合了元认知推理框架、基于反馈的知识检索和增强记忆的SQL构建器来处理和分析多源异构工业数据。在DeepSeek-V3的驱动下,该系统在钢包预热任务中的回答正确率达到99.1%,知识召回率达到99.5%,SQL匹配率达到98.5%
CRediT作者贡献声明
Youcheng Zong:撰写——审稿与编辑,撰写——原始草稿,可视化,验证,软件,项目管理,方法论,调查,形式分析,数据管理,概念化。Runda Jia:监督,资源管理,项目管理,形式分析,概念化。Kang Li:监督,项目管理,数据管理。Dazhan Xue:验证,形式分析,数据管理。Liqiang Zhang:监督,资源管理。Dakuo He:
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。