基于知识图谱与评审智能体的加工工艺路线生成方法

摘要: 本发明涉及一种工艺路线生成方法。背景技术:1、工艺路线是连接产品设计信息与制造执行过程的核心纽带,用于确定待加工对象的加工方法、工序顺序、检测安排及资源配置方案...
基于知识图谱与评审智能体的加工工艺路线生成方法

本发明涉及一种工艺路线生成方法。

背景技术:

1、工艺路线是连接产品设计信息与制造执行过程的核心纽带,用于确定待加工对象的加工方法、工序顺序、检测安排及资源配置方案。传统工艺路线编制工作主要依赖工艺人员的专业知识与经验,通过查阅工艺标准、参考历史案例并结合个人经验判断来完成。然而,在面对加工特征复杂、质量要求严苛或制造资源受限的情形时,人工编制方式往往难以周全考虑各类约束条件,容易引发工序设置不当、顺序安排不合理或检测环节遗漏等问题。同时,路线生成与调整依据通常分散在各类资料中,难以统一追溯和复用。

2、近年来,随着知识图谱、人工智能及检索增强生成技术的发展,使得工艺标准、历史路线和专家经验能够以结构化或可检索的形式参与工艺路线生成。然而,为确保工艺路线的工程可用性,不仅要求工艺路线生成方法能够生成工序序列,更关键的是,所生成的工序序列中各工序必须满足加工特征的工艺要求、质量检测规范要求、工序间逻辑约束和制造资源能力限制。此外,工艺路线生成结果还需经受合理性与可行性检验。

3、针对工艺知识组织、工艺路线生成及生成结果评估方面,已经出现了相关研究,例如:

4、公开号为cn119378350a的发明专利申请中公开了一种基于动态知识图谱的复杂部件工艺路线生成与分配方法,通过融合历史工艺知识和生产现场动态数据构建知识图谱,采用图递归神经网络生成工艺路线,再利用蚁群算法进行优化分配。该方法侧重于提升工艺路线生成和任务分配的自动化程度,其处理过程未考虑到对生成结果的审查与反馈修正。当生成的工艺路线中存在的工序遗漏、顺序偏差等问题时,难以及时发现和纠正,对最终生成结果的可靠性造成不利影响。

5、授权公告号为cn121303313b的发明专利中公开了一种零件加工工艺的知识驱动自动生成方法,其核心在于通过加工需求与企业资源能力的双向匹配生成加工方法链,并将知识图谱与知识大模型耦合,以为工艺决策提供优化建议。同时,该方法还对推理过程中新产生的知识进行可信度评估,将满足可信度阈值的知识增量更新至知识图谱和向量索引库。然而,该方法的可信度评估主要服务于知识筛选和图谱更新,并不能评估工艺决策结果的有效性;并且,在某种情况下,该方法的可信度评估可能会允许不够准确的知识被纳入知识图谱的,此类知识在后续检索和推理中仍可能被复用,进而对知识基础和工艺决策的可靠性产生不利影响。

6、公开号为cn120973923a的发明专利申请公开了一种大语言模型引导的飞机工艺指令“生成-自审查-修正”方法,通过检索增强生成技术以及推理模型与审查模型的协同,实现工艺指令的生成、审查和循环修正,并根据错误风险等级对推理模型进行优化或补充检索知识。该方法关注于工艺指令的生成质量提升,但未进一步分析和追溯错误产生的知识根源并确定相应的更新对象,导致评审结果难以转化为对知识基础的有效补全,制约了反馈信息的持续复用。

7、综上所述,现有技术在工艺知识组织与智能工艺规划方面,仍存在生成结果可靠性不足、评审过程可追溯性欠缺、知识基础适应性及持续优化能力不足等问题。虽然上述专利申请中公开的技术方案分别在工艺路线生成、工艺知识更新和生成结果审查等单一方面提供了相应的处理策略,但各环节之间的反馈联动与协同闭环仍不完善,难以满足复杂制造场景下对工艺路线高质量生成、动态优化与知识持续演化的综合性需求。

技术实现思路

1、基于以上背景技术,为了解决现有工艺路线生成方法存在的生成结果可靠性不足、知识基础适应性及持续优化能力不足,各环节之间的反馈联动与协同闭环仍不完善,难以满足复杂制造场景下对工艺路线高质量生成、动态优化与知识持续演化的综合性需求的技术问题,本发明提出一种基于知识图谱与评审智能体的加工工艺路线生成方法。

2、本发明的技术方案是:

3、基于知识图谱与评审智能体的加工工艺路线生成方法,其特殊之处在于,包括步骤:

4、步骤1,构建机械产品制造工艺知识图谱、机械产品制造工艺规则库和检索增强评审知识库;其中,检索增强评审知识库由从机械产品工艺资料中提取的能作为工艺路线评审依据的原文片段、原文片段分块和向量化处理后的文本向量、原文片段对应的元数据记录、文本向量的向量索引及文本向量与元数据记录的关联关系构成;元数据记录包括资料名称、条款位置和版本信息;

5、步骤2,将待加工对象的加工信息转换为标准化工艺输入数据,包括加工特征、质量要求、资源约束以及质量要求与加工特征或待加工对象整体间的关联关系;

6、步骤3,根据标准化工艺输入数据、机械产品制造工艺知识图谱和机械产品制造工艺规则库生成初始工艺路线;

7、步骤4,基于检索增强生成技术和大语言模型构建评审智能体,利用评审智能体对初始工艺路线进行评审,生成结构化评审结果;

8、评审智能体包括评审单元构建模块、检索查询语句生成模块、评审证据生成模块、评审提示信息生成模块和大语言模型,用于实现以下步骤:

9、步骤4.1,评审单元构建模块按照加工完整性、质量控制、工序顺序和资源匹配四种评审类型,将初始工艺路线拆分为针对不同评审对象的多个评审单元;评审单元包括评审类型、评审对象、待评审路线片段,约束信息和评审目的;

10、步骤4.2,检索查询语句生成模块针对每个评审单元,按照预设查询模板生成对应的检索查询语句;

11、步骤4.3,评审证据生成模块针对每个评审单元,利用其对应的检索查询语句,从所述检索增强评审知识库中检索评审依据,并将检索的评审依据按照与当前评审单元的相关性排序,取前10%构成评审证据;

12、步骤4.3,评审提示信息生成模块针对每个评审单元,将初始工艺路线、评审单元及其评审证据组合为评审提示信息;

13、步骤4.4,大语言模型针对每个评审单元分别进行评审:将评审单元对应的评审提示信息输入大语言模型进行工艺路线问题判定,大语言模型输出当前评审单元的结构化评审结果,包括评审结论、路线问题类型、问题位置、问题原因、证据来源和建议处理方式;

14、步骤5,根据结构化评审结果生成目标工艺路线:当评审结论表明初始工艺路线不存在问题时,将初始工艺路线作为目标工艺路线;当评审结论表明初始工艺路线存在问题时,根据问题位置和建议处理方式,修正初始工艺路线中的对应路线片段,得到目标工艺路线;

15、步骤6,根据结构化评审结果进行知识补全:对结构化评审结果中的问题原因和证据来源分类,将其中可复用的规则问题、图谱知识问题和案例问题分别转换为工艺规则库更新候选项、工艺知识图谱补全候选项和工艺案例更新候选项,并在人工确认后将候选项写入对应机械产品制造工艺知识图谱、机械产品制造工艺规则库或检索增强评审知识库。

16、进一步地,步骤1中:

17、机械产品制造工艺知识图谱的构建方法是:从机械制造工艺标准、机械产品历史工艺案例、机械产品工艺经验文档中提取文本,对提取的文本依次进行分段和术语规范化处理;从规范化处理后的文本中抽取工艺对象实体、工艺活动实体和资源检测实体;识别实体之间的控制关系、资源匹配关系和工序顺序关系;将实体转换为节点、将关系转换为边,形成机械产品制造工艺知识图谱;

18、机械产品制造工艺规则库的构建方法是:从机械制造工艺标准、机械产品历史工艺案例、机械产品工艺经验文档中提取工艺约束条件,将工艺约束条件转换为包含适用对象、触发条件和约束关系的不同规则项,这些规则项构成机械产品制造工艺规则库;

19、检索增强评审知识库的构建方法是:将机械制造工艺标准、经审核的制造现场问题及处置记录、历史工艺案例作为评审知识源,从评审知识源中提取能作为工艺路线评审依据的原文片段,并为每一原文片段建立元数据记录;按照语义完整性对原文片段进行分块,对分块后得到的文本进行向量化处理得到文本向量;将文本向量与对应的元数据记录关联存储,并基于文本向量建立向量索引;最终,原文片段、文本向量、元数据记录、向量索引以及文本向量与元数据记录的关联关系共同构成检索增强评审知识库,其中,文本向量与向量索引存储在milvus向量数据库中。

20、进一步地,步骤2具体为:

21、步骤2.1,对待加工对象的加工信息进行信息提取和格式规范化处理,将规范化处理后的信息分别归集至特征描述字段、质量标注字段和资源限制字段,得到结构化加工信息;

22、步骤2.2,基于预先构建的工艺识别词典和识别规则,从步骤2.1得到的结构化加工信息中识别加工特征、质量要求和资源约束,并建立质量要求与加工特征或待加工对象整体间的关联关系;

23、步骤2.3,对识别得到的加工特征、质量要求、资源约束以及质量要求与加工特征或待加工对象整体间的关联关系进行字段化封装,形成标准化工艺输入数据。

24、进一步地,步骤2.2中的工艺识别词典用于从加工信息中提取加工特征信息、质量要求信息和制造资源信息;工艺识别词典根据机械产品工艺资料构建,包括加工特征词典、质量要求词典和制造资源词典;识别规则用于将识别出的加工特征信息与质量要求信息关联;识别规则根据机械产品工艺资料构建。

25、进一步地,步骤3具体为:

26、步骤3.1,以步骤2得到的标准化工艺输入数据中的加工特征和质量要求为检索条件,在步骤1构建的机械产品制造工艺知识图谱中检索相匹配的初始候选工序,并结合资源约束筛选出候选工序;

27、步骤3.2,将筛选出的候选工序与对应加工特征、质量要求和资源约束关联,形成候选工序集合;

28、步骤3.3,调用步骤1建立的机械产品制造工艺规则库,为候选工序集合中的各候选工序建立约束关系,包括先后关系、依赖关系和禁止关系,从而将分散的候选工序组织为工序有向图;

29、步骤3.4,对工序有向图进行拓扑排序或约束求解,得到初始工艺路线。

30、进一步地,步骤4.2中的预设查询模板包括加工完整性查询模板、质量控制查询模板、工序顺序查询模板和资源匹配查询模板,分别对应四类评审单元;各查询模板具体如下:

31、加工完整性查询模板:材料/零件类型 + 加工特征 + 质量要求 + 当前已有工序+ 加工工序及工序完整性要求;

32、质量控制查询模板:加工特征 + 质量要求 + 当前已有检测/控制工序 +质量控制及检测工序要求;

33、工序顺序查询模板:当前路线片段 + 相邻工序关系 + 工序先后顺序要求;

34、资源匹配查询模板:待评审工序 + 质量要求 + 已匹配资源 + 资源能力满足要求。

35、进一步地,步骤4.4中的大语言模型采用qwen2.5-72b-instruct。

36、进一步地,步骤6中:工艺规则库更新候选项包括适用对象、触发条件、约束关系和证据来源;工艺知识图谱补全候选项包括实体、关系和证据来源;工艺案例更新候选项包括工艺路线调整记录和工艺路线调整后生成的目标工艺路线。

37、本发明的有益效果是:

38、1.本发明通过知识图谱与规则库生成初始工艺路线,利用检索增强评审知识库和评审智能体对初始工艺路线进行证据化评审与针对性修正,并将评审结果分类反馈至相应知识基础(知识图谱、规则库或检索增强评审知识库),形成工艺路线生成、评审、修正和知识更新的闭环,提高了工艺路线生成的可靠性与可解释性,增强了工艺知识的复用能力以及知识基础对复杂制造场景的适应和持续优化能力。

39、2.本发明将评审过程中发现的规则缺失、知识关系错误及案例不足,反馈至相应知识基础,一方面避免了同类问题在后续路线生成中重复出现的情形,提升了工艺路线的生成质量,另一方面将评审结果转化为对知识基础的补全,使得反馈信息得以持续复用。

40、3.本发明生成的加工工艺路线可以指涵盖了”铸造、锻造、焊接、热处理及装配工艺”的加工工艺路线,也可以指仅考虑切削加工(车、铣、刨、磨、钻)及部分成形加工(冲压)的加工工艺路线。