Когда CNC «заговорит» — интеллектуальное планирование процессов на основе больших моделей и графов знаний
Аннотация
Планирование процессов механической обработки с ЧПУ — включая выбор инструмента, определение параметров резания, последовательность операций, проектирование приспособлений — долгое время зависело от личного опыта инженеров и разрозненных бумажных справочников, являясь самым сложным для стандартизации и передачи знаний звеном в производственной цепочке. Появление больших языковых моделей (LLM) вселило надежду на «автоматическое написание технологических процессов машиной», однако проблема «галлюцинаций» LLM при принятии численных решений в прецизионной обработке делает их практически неприменимыми в условиях допусков ±5 мкм. В данной статье систематически анализируется технический путь интеграции графов знаний и больших языковых моделей — через архитектуру дополненной генерации (RAG), где структурированный граф знаний по обработке выступает в роли «внешней памяти», а LLM отвечает лишь за понимание намерений пользователя и генерацию отслеживаемых ответов, при этом все конкретные числовые значения (диаметр инструмента, скорость резания, подача) точно извлекаются из графа. На примере выбора инструмента и оптимизации подачи демонстрируется, как гибридная система «граф знаний-LLM» обрабатывает реальные технологические запросы, такие как «обработка кольцевой канавки из Inconel 718, выбор инструмента и параметров резания», и предоставляет проверяемые источники ответов. Дополнительно рассматриваются возможные пути внедрения таких систем на предприятиях — преобразование тысяч накопленных технологических карт, отчетов об испытаниях инструмента и анализе дефектов качества в корпоративный граф знаний, что позволяет «перелить» технологический опыт из голов специалистов в доступный, логически выводимый и обновляемый цифровой актив, предоставляя цехам ЧПУ недорогой путь перехода от «опытного» к «знаниевому» управлению.
I. Интеллектуальная дилемма технологического планирования
Планирование процессов механической обработки с ЧПУ по сути является процессом принятия решений по поиску оптимального решения в условиях ограничений. Инженеру необходимо одновременно учитывать: материал заготовки (твердость, вязкость, теплопроводность), доступный инструмент в инструментальном складе (покрытие, диаметр, длина режущей кромки), характеристики станка (мощность шпинделя, диапазон оборотов, жесткость), требования к точности обработки (допуски размеров, формы и расположения, шероховатость поверхности), а также цели производительности (время цикла на деталь). Количество ветвей типичного дерева технологических решений может достигать сотен, при этом технологические возможности большинства малых и средних производственных предприятий критически зависят от «личной базы данных» одного-двух опытных инженеров.
Эта модель «человеческий мозг как технологическая база» сталкивается с тройным кризисом: во-первых, уход на пенсию или текучка опытных специалистов уносит с собой ключевые технологические знания предприятия; во-вторых, постоянное появление новых материалов и инструментов опережает скорость обновления личного опыта; в-третьих, тенденция к многономенклатурному мелкосерийному производству требует каждый раз «начинать с нуля» разработку техпроцесса для новой детали, что влечет крайне высокие временные затраты.
Традиционные системы автоматизированного планирования технологических процессов (CAPP) пытались закрепить технологические знания с помощью правил и таблиц решений, но их «жестко закодированная» природа делает их беспомощными при столкновении с невиданными ранее топологиями деталей или новыми состояниями материалов.
II. Граф знаний: превращение технологических знаний из «неявных» в «явные»
Граф знаний (Knowledge Graph) — это структурированная база данных, представляющая знания в виде триплетов «сущность-отношение-сущность». В области обработки с ЧПУ технологические знания могут быть смоделированы следующим образом:
(Сущность) Inconel 718 [Свойства материала] (Сущность) Твердость HRC45, теплопроводность 11,4 Вт/м·К
(Сущность) Признак кольцевой канавки [Рекомендуемый тип инструмента] (Сущность) Цельная твердосплавная концевая фреза со сферическим концом
(实体) 整体硬质合金球头铣刀 + AlTiN涂层 [推荐切削速度] (实体) 25-35 м/мин
(实体) 切削速度30 м/мин + 刀具直径12mm [计算得主轴转速] (实体) 796 об/мин
Преимущества такой структурированной записи: данные точны и прослеживаемы, каждое рекомендуемое значение имеет конкретный технический источник (например, отчет об испытаниях инструмента или справочник по резанию); цепочка рассуждений ясна, пользователь видит полную логику «потому что A, следовательно B»; легко обновляется — новые результаты технологических испытаний могут быть в любой момент добавлены в граф, поддерживая базу знаний в «живом» состоянии.
3. Большая языковая модель + граф знаний: сочетание точности и гибкости
Преимущество больших языковых моделей (таких как GPT-4, Llama-3 и др.) заключается в способности понимать и генерировать естественный язык — инженер может задать вопрос на повседневном языке: «Какой инструмент использовать для обработки этой детали?», не изучая структурированные языки запросов. Однако неотъемлемая проблема LLM — склонность к «галлюцинациям» при принятии точных числовых решений: например, выдача несуществующего диаметра инструмента или рекомендация скорости резания, выходящей за допустимые пределы, при этом технологу часто трудно отличить истину от вымысла из-за отсутствия уверенности в правильности ответа.
Архитектура RAG (Retrieval-Augmented Generation) предлагает решение. Ее рабочий процесс:
Инженер задает вопрос по технологии обработки на естественном языке (например, «Обработка глубокого паза из Ti6Al4V, диаметр 10 мм, глубина 25 мм, рекомендуемый инструмент и параметры»)
Система векторизует вопрос и извлекает наиболее релевантные сущности и подграфы отношений из графа знаний
Извлеченные структурированные триплеты «встраиваются» в контекстное окно LLM в качестве «доказательной базы» для генерации ответа
LLM отвечает только за преобразование точных данных из графа в ответ на естественном языке с указанием источников данных
Этот подход строго ограничивает «креативные способности» LLM доступными данными, и каждое числовое значение в выводе можно отследить до конкретного источника в графе
Экспериментальные исследования показывают, что система планирования процессов на основе LLM с усилением графа знаний повышает точность множественного выбора на 16,6 процентных пункта и F1-меру на 16,5 процентных пункта в 280 промышленных задачах по технологии обработки, включая выбор инструмента, оптимизацию скорости подачи и диагностику допусков. Более того, такая архитектура позволяет предприятиям развертывать локально модели меньшего размера (вместо облачных гигантских моделей), обеспечивая безопасность технологических данных и достигая точности, сопоставимой с очень большими моделями.
IV. Внутреннее развертывание на предприятии: от «библиотеки технологических карт» к «графу знаний по технологии»
Для большинства предприятий ЧПУ построение графа знаний не начинается с нуля. Внутри предприятия обычно уже накоплено множество структурированных или полуструктурированных технологических материалов:
Технологические карты: записывают последовательность операций, выбор оборудования и параметры резания для каждой типовой детали
Отчеты об испытаниях инструмента: записывают данные о сроке службы для различных комбинаций инструмент-материал
Анализ отклонений качества: запись корневых причин и корректирующих мер для дефектов обработки
Библиотека CAM-программ: проверенные стратегии траекторий и комбинации параметров
Основные этапы преобразования этих материалов в граф знаний включают: определение типов сущностей (материал, инструмент, станок, признак обработки, технологический параметр, показатель качества) и типов отношений («применимо», «рекомендуется», «ограничивает», «приводит к»); использование инструментов автоматического извлечения информации (первичная фильтрация с помощью LLM, затем проверка ключевых триплетов технологами) для извлечения структурированных знаний из неструктурированного текста.
После построения графа его применение выходит далеко за рамки «системы вопросов и ответов»:
Обучение новых сотрудников: новые инженеры-технологи могут быстро ознакомиться с типовыми технологическими решениями предприятия через запросы
Технологическая экспертиза: система автоматически проверяет соответствие новых технологических инструкций «лучшим практикам» из графа знаний и отмечает отклонения
持续优化：每次成功的工艺改进试验结果进入图谱，使知识库随生产实践同步演化
五、局限与展望
知识图谱-LLM融合系统并非万能。其回答的质量严格受限于图谱的覆盖范围——对于企业从未加工过的新材料或全新几何特征，系统无法给出答案，仍需依赖工程师的设计实验。此外，图谱的构建和维护需要持续投入人力。但从制造业知识管理的长期视角看，将“人脑经验”转化为“企业可查询的数字知识库”是应对老龄化技工退休潮的必然选择。大语言模型与知识图谱的结合，为CNC加工行业第一次提供了一条将“隐性经验”系统化、可验证化、可持续演进的工程路径——不是用AI替代工艺工程师，而是让AI成为工程师的“永不疲倦的工艺助手”。
BQUQ是专业CNC生产专家，请传图纸我们，我司在12小时内为你报价
