利用知识图谱与大型语言模型的融合技术，实现精准且可解释的制造过程规划

《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》：Knowledge graph fusion with large language models for accurate, explainable manufacturing process planning

　　

Danny Hoang|David Gorsich|Matthew P. Castanier|Farhad Imani

摘要

在计算机数控（CNC）加工中，精确的工艺规划需要对刀具选择、进给速度组合以及多轴路径进行快速且基于上下文的决策，这给工程师从设计规范到最终零件检验的过程带来了巨大的认知和程序负担。传统的基于规则的计算机辅助工艺规划和知识工程方法将领域专业知识固化为静态表格，当面对未见的拓扑结构、新型材料状态、不断变化的成本-质量-可持续性权衡，或是车间约束（如刀具不可用性和能源限制）时，这些表格的灵活性就会受到限制。大型语言模型（LLMs）承诺为G代码生成等任务提供灵活的、基于指令的推理能力，但它们经常会产生错误的数值结果，并且无法提供数据来源的证明。我们提出了增强型检索知识网络增强搜索与合成系统（ARKNESS），这是一个端到端的框架，它将零样本知识图谱（KG）构建与检索增强生成相结合，为CNC工艺规划提供可验证的、数值精确的答案。ARKNESS（1）能够自动将异构的加工文档、手册、G代码注释和供应商数据表转化为增强的三元组多关系图谱，而无需人工标注；（2）它可以将任何本地部署的LLM与检索器结合使用，检索器能够提供回答查询所需的最小、基于证据的子图。通过针对280个行业精选的问题（涵盖刀具尺寸、进给速度优化和公差诊断等方面）进行基准测试，ARKNESS在多项选择题准确性上提升了高达16.6个百分点，在F1分数上提升了16.5个百分点，并在开放性回答上的ROUGE-L评分中也有显著提升。此外，由于ARKNESS的推理基于精确的三元组数据，即使使用较小的模型也能达到或超过大型云模型的精度，同时由于完全在本地运行，因此能够保护隐私并实现实时的车间推理。