基于工艺数据规范表达的工艺知识泛化

A Process Knowledge Generalization Based on Standardized Expression of Process Data

摘要

航空领域中的长周期、长流程零件的工艺设计知识复用率低，缺乏有效的知识推荐与继承。当前的工艺知识泛化方法主要集中在利用模糊知识、推理算法，克服工艺方法对环境的依赖性方面，这些方法对解决形式化表达的不完备性和不一致性帮助不大。以工艺数据规范表达为基础，再进行知识图谱构建与启发式搜索工艺推荐，得到了知识复用率较高的结果，为长周期、长流程零件的高复用率、高效率、知识驱动零件工艺规划提供了一种思路。

Abstract

In the aviation field， the reuse rate of process design knowledge for parts with long cycles and complex processes was low， and there was a lack of effective knowledge recommendation and inheritance. The current methods for process knowledge generalization mainly focused on using fuzzy knowledge and reasoning algorithms to overcome the dependence of process methods on the environment. These methods did not significantly help in addressing the incompleteness and inconsistency of formalized expressions. This paper was based on the standardized expression of process data， the knowledge graph construction and heuristic search for process recommendations were carried out， resulting in a higher knowledge reuse rate， which provided a way of thinking for the high-reusability， high-efficiency， and knowledge-driven process planning of parts with long cycles and complex processes.

Graphical abstract

关键词

工艺知识泛化 / 工艺规划 / 工艺数据规范表达 / 知识图谱 / 启发式搜索

Key words

process knowledge generalization / process planning / standardized expression of process data / knowledge graph / heuristic search

Author summay

郑乔，男，2000年生，硕士研究生。研究方向为航空宇航制造。E-mail：[e-mail]

吕瑞强^*（通信作者），男，1986年生，研究员。研究方向为数字化制造。E-mail： [e-mail]。

0 引言

航空领域中有很多长周期、长流程零件，这些零件的工艺设计和制造过程中缺乏有效的知识推荐与继承，同时存在工艺人员凭个人经验进行大量重复性设计工作的问题。为解决航空零件工艺设计过程中有效知识提取难度大等问题，提高知识复用率与共享能力，迫切需要围绕航空零件要求严、零件数量多、制造周期长的特点，针对飞机零件工艺设计流程长、效率低、协同性差、工艺知识的积累和应用差等问题，开展知识驱动的零件工艺规划。

有关智能制造的研究历史悠久，对计算机辅助工艺过程规划（CAPP）的研究也有40余年。随着大数据及人工智能时代的到来，知识图谱和大语言模型（large language model，LLM）技术逐渐成熟，传统的工艺规划问题也在渐渐被克服。有学者指出CAPP的推广受限于工艺数据知识获取和对工艺人员的依赖^［1］。目前主流解决方法是利用专家系统克服环境依赖性，利用工艺数据规范表达解决形式化表达方法中的不完备性和不一致性^［1-2］。知识图谱因其对路线生成和推理的优秀能力而被广泛用于工艺路线获取。李征^［3］通过建立模式层和数据层完成了工艺路线知识图谱的构建，基于已有的图搜索方法进行改进并增加了推荐功能。彭仕鑫等^［4］提出了自顶向下和自底向上结合的知识图谱构建方法，应用在航空航天领域并实现了工艺路线推荐目的。本文通过由底层的数据向上抽象出模型层的方法构建知识图谱。专家系统也对工艺规划有所帮助，杨圣斌^［5］建立了COMOS FEED工艺集成平台，完成了本地标准化定制工作，成为企业的工艺设计阶段的设计集成平台。张朝朝等^［6］针对航空航天环形锻件开发了一套CAPP系统，很好地实现了环形锻件的工艺编制功能，缩短工艺设计时间，提高生产效率。近年来，神经网络和大模型的崛起也为工艺过程规划提供了新的理念。泛化能力最早指机器学习算法对新鲜样本的适应能力，魏海坤等^［7］指出泛化能力的影响因素有样本质量、先验知识等，与CAPP的算法高度吻合。ZHAO等^［8］通过以知识建模为先验知识，将跨模态知识泛化到目标数据集。MA等^［9］提出了一种新的正则化方法，通过针对特征经验方差施加惩罚函数来提高神经网络的泛化能力。近两年，知识泛化渐渐泛指所有生物体或机器的学习手段，神经网络和大模型也广泛运用于工艺规划领域。商亚琴等^［10］引入了LLM技术，在专业数据知识库的基础上开发新型工艺推荐系统。伍缘杰^［11］基于工艺知识库提出了用于选区激光熔化（selective laser melting，SLM）技术工艺推荐的案例推理-粒子群混合模型，实现了基于相似历史数据的优选推荐。曹勇^［12］提出了一种基于聚类算法的零件典型工艺路线获取方法，提出基于竞争神经网络的全局K-Medoids聚类算法，同时采用规则关联的工艺规划获取。纪贵阳等^［13］在ChatGLM-6B模型上面向工艺规范文本注入学习，提高了模型对工艺知识的学习和应用能力。

目前，人工智能、LLM、知识图谱和机器学习等技术已经被广泛地应用于工艺规划，数据库、集成平台等专家系统也有很多企业都有过尝试和实践，但是对工艺数据规范表达的研究始终不足，最新的LLM技术对形式化表达克服不完备性和不一致性的帮助有限，输出结果标准化、规范化程度不足，仍需要一些传统算法的帮助。研究对历史工艺数据的规范表达和泛化，是充分利用这些知识、提升这些知识的积累和应用、提高知识复用率的必要手段，因此，本文提出了一种以工艺数据规范表达为基础的知识泛化算法，用来实现长周期、长流程零件的高复用率、高效率、知识驱动零件工艺规划。

1 工艺知识泛化流程

作为海量的工艺知识的载体，制造大纲（fabrication order，FO）包含了全面、细致的工艺知识，如零件的批次、加工的设备、加工的工序工步及所根据的标准规范等，其中，工序最为重要。工序是制造中的基本制造单元，能提供包括但不限于作业内容、方法、设备、人员等信息。编写制造大纲的关键问题是：①采用哪些工序；②如何排序这些工序；③每个工序具体如何描述。

目前，这些问题往往是由有经验的工艺人员结合历史经验、工艺规程以及标准规范编写，而CAPP就是在工艺人员回答这三个问题的过程中提供帮助，甚至直接帮助工艺人员回答这三个问题。

针对上述三个关键问题，结合工艺人员的实际情况，作出以下分析：

1）回答“采用哪些工序”，需要工艺人员借助零件数模的特征树、工程注释以及历史相似零件信息，选出加工此零件的工艺所需关键工序，为此，需要一个可供工艺人员挑选的工艺标准库。

2）回答“如何排序这些工序”，需要工艺人员参考历史的工艺流程和工艺规范知识，对工序进行排序并添加辅助工序，为此，需要一个存储并分析历史工序关系的图谱。

3）回答“每个工序具体如何描述”，需要工艺人员根据工艺标准规范编写每个工序的具体信息，并按照零件特征等参数填写具体尺寸，为此，需要对每一类工序进行标准化，得到此类工序的名称、对应部门、描述模板等信息。

结合以上需求，本文提出了一种基于工艺数据规范表达的工艺知识泛化方法，流程如图1所示，以协助工艺人员回答三个关键问题，从最基本的工序开始依次构建标准工序集、标准工艺集和最后输出针对零件的制造大纲模板，具体如下：

1）以历史工艺数据中的工艺描述部分为关键部分，对其进行自然语言分词处理，并以此为关键词进行K-means聚类操作，得到若干工序簇。每个工序簇为一类工序，通过LLM辅助得到此类工序的名称，通过贪心算法得到此类工序的标准工序描述，两者一一对应得到标准工序集。

2）以标准工序集为标准对历史工艺数据进行分类，将原本的工艺链条中的每条工序抽象为标准工序名称，并将各个工艺流程链整合为工艺流程图。为减少节点个数并优化算法，运用图论知识将单链结构整合为工艺模块，进一步得到工艺路线图谱和标准工艺集。

3）对于新零件输出制造大纲模板，由工艺人员参考推荐给出所需工艺模块，选择工艺分支，将此作为输入，在工艺路线图谱上进行A-star搜索，得到新工艺流程链。根据名称从标准工艺集中寻找对应工序，并补全工艺描述等信息，得到新制造大纲模板。

2 基于历史数据的工艺数据规范表达

2.1 基于聚类算法的工序文本分类

作为工序标准化的第一步，将历史数据中的工序按描述命名是必要的，以此为基础才可对每一类工序的描述进行知识泛化和标准化。本节先采用K-means算法对工序的文本进行聚类，再用贝叶斯分类的方法微调，将历史工序分为若干个簇。

K-means算法具有操作简单、运行速度快等优点，广泛应用于文本聚类。本文运用该算法，通过逐次迭代来优化数据集的聚类结果，目的是使聚类数量与数据集的真实分类数相吻合，以确保每个数据点都能被正确归类到其对应的类别中。对一个包含n个数据点的数据集D进行聚类分析，其核心步骤概述如下：

1）预设数据集的分类数k，并随机选取k个数据点作为初始的聚类中心。

2）依据剩余数据点与这些中心点的距离，将每个数据点分配到距离最近的中心点所代表的簇。

3）计算每个新生成类别的下一轮迭代中心点；此过程循环进行，直至聚类中心稳定或达到预设的最大迭代次数。

根据航空领域特点对经过K-means算法聚类的数据集进行优化，分为聚类前和聚类后两种优化方式：

1）聚类后贝叶斯分类微调。由于航空领域零件工艺知识重复性高、相似度高，因此聚类算法结果中的工序簇紧密度大、分离度高。根据这一特点，将聚类后的工序簇作为训练集，将工序之中关键词是否出现作为属性构建属性向量，以此进行贝叶斯分类，并进一步微调。

2）聚类前自然语言分词。因为航空领域中的专有名词多，特殊的描述方式多，所以处理通用语言的模型往往不能很好地处理飞机零件工艺知识以及识别工序中的关键词。根据这一特点，在聚类前用自然语言处理的方法对工序描述进行分词。本文采用word2vec分词算法，并借助事先标注的、针对航空领域工序描述的专用词典辅助分词，其中专用词典包含470个通用场景下使用频率不高的航空领域常用词汇，分词后去除标点符号和“及”“并”“和”等对加工无影响的介词。对分词后的工序再进行K-means聚类。

对结果用XB（Xie-Beni）指标V_XB进行评估，计算公式如下：

V_{\mathrm{X}\mathrm{B}}(k)=\frac{{\displaystyle \sum _{i=\mathrm{1}}^k}{\displaystyle \sum _{x\in x_i}^{}}{d}^{\mathrm{2}}(x,c_i)}{n\underset{i,j\ne i}{\mathrm{m}\mathrm{i}\mathrm{n}}{d}^{\mathrm{2}}(c_i,c_j)}（1）

其中，d^{\mathrm{2}}(x,c_i)表示簇x_i中心c_i到元素的距离，d^{\mathrm{2}}(c_i,c_j)表示x_i、x_j两簇的中心c_i、c_j之间的距离。XB指标是一个关于簇内距离平方与簇间距离平方比值的函数，簇内距离平方与聚类结果的紧密度有关，簇间距离平方与聚类结果的分离度有关。XB值越小聚类效果越好。对数据集进行聚类测试，得到的结果如表1所示。

由此可见，工序的描述比较规律，文本差异较小，聚类效果很好。将两种优化方式相结合可以使聚类效果得到进一步提升。

2.2 大模型辅助命名的工序标准化

由聚类算法处理得到的若干工序簇，基本可以认为每个簇中的工序可以规范表达成一种类正则表达式写法，同时需要给这一类工序取一个名字。本节用通用大模型抽取抽象关键词的方法为工序簇命名，同时利用分词和贪心算法给出一种此类工序的标准格式，最后通过人工调整得到标准工序集。工艺人员只需要人工审核和调整通用大模型提供的几个备选名称，节省了时间和精力。

将部分有工序名称的工序样本作为数据集，经过规范化和人工调整对剩余数据集进行训练。算法流程如图2所示。针对每一条工序，大模型会给出三种不同的名字备选。在一个大小为m的工序簇中，可以提取出3m个备选名称，选出出现次数最多的那个作为这个簇的名称。

考虑到大模型给出的一些名称不符合常用工序名称的习惯，如“涂一层CMS-CT-202 I型4类底漆”，人工考量了同种涂底漆工序的相似性，可以将备选名称改为“涂底漆”并选择。同时，还有第二种情况，如对数控铣“加工第二面”，往往在工序描述中会有翻面等字眼，若大模型将“翻面”第一优先备选，则需要人工剔除，选择剔除后频率最高的备选名称“加工第二面”。

接下来，对每个簇的工序分别进行知识泛化，抽象出一种类正则表达式的标准化表达方式。首先对工序描述进行分词，并将所有关键词进行计数，如在“铬酸阳极化”工序簇中，采集到48个工序样本，共出现了7种不同表述，如表2所示。去除“该”“有”等非关键词，共有“铬酸阳极化”“合格证操作”“操作规程”“精孔”“尺寸”等关键词，分别统计关键词出现的次数，按出现次数从多到少排序。采用贪心算法，从出现次数最多的关键词开始依次放入序列中，每次添加关键词的位置取决于此关键词与序列已有关键词的相对位置概率，如图3所示。

最终，按顺序向结果序列中放入了5个关键词，剩余关键词出现次数过少则不予采用，而“精孔”等关键词出现次数不过半，需要工艺人员参考实际情况决定是否需要采用，从而得到“铬酸阳极化”工序簇的工序标准化写法：“铬酸阳极化，（零件有精孔　　，）合格证操作，操作规程　　。”（“　　”需要工艺人员填写，括号中为可选语段）。

2.3 工序标准化结果

在试验过程中，对肋条类/腹板类/框类/梁类/缘条类/长桁类等92个机加件、211批次的工艺流程、共5497条工序进行了工序标准化，主要的知识泛化对象为各个工序的工序描述，次要对象为工序的操作部门、操作代码、对应零件号系列号等。

对试验结果进行分析，5497条工序共分为25个工艺模块，每个工艺模块包含最多8个工序节点，共有98个工序节点。部分标准化结果如表3所示，不同工艺模块所含的工序节点个数如图4所示。

表3中，每个模块中的工序对应工艺流程中的一个相对独立的任务，如CMM测量等，通常为2~4个工序节点合并而成。由此，“推荐一条由若干道工序连接而成的工艺路径”的任务可以转化为“推荐一条由若干道工艺模块连接而成的工艺路径”和“在每个模块中寻找一条工序路径”两个分任务。因为模块数量仅为工序节点数量的1/4左右，所以工作量随节点数量减少而减少，准确性也相应提高，并且针对每个模块可以根据零件具体情况定制工艺流程，如零件若为工艺组件，则供料模块由“提供零件”工序开始，否则由“供料”工序开始，灵活性更高。

若工艺模块如图4a所示，则位于独立工序区，代表此模块只有一道工序，这一般意味着这道工序通常比较独立，在两个模块之间起到承上启下的作用，选不选用此模块视情况而定；若工艺模块如图4b所示，则位于固定工序区，代表此模块只有少量工序，这一般意味着模块中的工序顺序固定、基本全部选用、关联性强，一般是一些独立功能，如特殊测量和特殊处理等；若工艺模块如图4c所示，则位于灵活工序区，代表此模块内工序数量较多，这种模块一般工序分支较多，需要工艺人员选择选用的分支或具体选用哪些工序，如供料模块分为一般棒料和工艺组件两条分支，而零件检验模块有硬度检验、称重等一些检验工序通常一起出现，但是选用哪些检验工序需要视零件加工情况由工艺人员选择。

2.4 工序知识图谱构建

将已命名的工序簇与工序数据集中的工序一一对应，查询现有制造大纲中的工序在标准工序集中的位置及名称，若在制造大纲中的工序顺序为“工序A-工序B-工序C-…”则在图谱中分别构建两条节点A至节点B、节点B至节点C的边权为1的边，即构建三元组(A,\mathrm{1},B)和(B,\mathrm{1},C)，如果所构建的边已存在，则边权加一，即三元组(h,r,t)中的r变为r+\mathrm{1}，以此类推，将所有制造大纲中的工艺流程全部输入至图谱中，如图5所示，每个节点代表一道标准工序，一条节点A到节点B边权为e的边，代表在历史数据中工序B为工序A的下一道工序的情况出现了e次。

从图5中可以看出，流程图为一张有向有环图，而且路径复杂，源头不单一，不利于图谱的搜索和路径提取。一张结构简单的有向无环图更利于后续的工作，为此提出一些优化方案。

由于锉修和去毛刺等节点入度和出度均很高，因此将每个锉修节点和附近工序的节点进行整合，例如：将紧接在数控加工工序后面的那一道锉修和数控加工合成一个加工节点，将在供料后的倒锐边工序和供料合成一个供料节点等。去除点图上的锉修节点后流程图谱基本变成无环图。接着，还可以整合更多的节点，通过寻找途中的单链结构将单链整合成一种节点。流程图中的单链结构分为三种情况：①如图5a所示，若干个节点一次相连，链首只有一个父节点，链尾只有一个子节点，按节点内容可将途中三个节点合为一个“荧光渗透”模块，此模块的父节点为原链首父节点，子节点为原链首子节点；②如图5b所示，某节点只有一个父节点，但有若干子节点，按节点内容可将此节点和它的父节点合为一个“供料”模块，将原来的若干子节点作为模块的子节点；③如图5c所示，某些节点组成了类树状结构，即有一些叶节点满足每个叶节点到唯一根节点有且仅有一条通路，按节点内容可将这些节点合为一个“入库”模块，模块中每个节点仅有一条路通向模块外，同时仅有一条唯一通路通向根节点。结合以上三种情况，将所有节点打包入模块，若有节点不属于任何模块，则单独创建一个模块安置此节点。

最终得到“工艺模块-工艺节点”图谱，如图6所示，其中黑色节点为一个工艺模块，白色节点为工艺节点，每个模块中对应着一些工艺节点，每个工艺节点代表一道标准工序，节点之间的边权代表在历史数据中子节点紧邻父节点之后的次数。

最终的工艺规划任务转化为图上搜索任务，需要寻找一条满足条件的由黑色节点组成的工艺模块链，再由每个黑色节点的Start边指向的白色节点为起始点，寻找一条由白色节点组成的工序链。如果一个黑色节点有多条Start边，则需要工艺人员在更多的前置条件中做出选择，如毛料类型和加工零件特征等，后续称每条Start边对应的工序连为一条“工艺分支”，称选择Start边为“选择工艺分支”。最后，将每个黑色节点的“工艺分支”依次连接，并作为最终结果提供给工艺人员作为参考。

3 基于启发式搜索的零件工艺规划

根据已有的工艺流程图谱，运用图论和知识图谱为CAPP和工艺流程推荐算法提供一定的帮助。当前的工艺流程推荐算法要完成的任务是，根据工艺人员选定的特有步骤，或是工艺人员自己填写的一些工序，预测后续工序或预测其他位置工序，并进行排序。对应到工艺流程图谱上就是寻找一条路径，满足路径中包含一些特有节点，并且优先选择历史中出现次数比较多的情况。

为了使边权更能代表概率，将图谱中的边权作出以下修改：若一个节点a_i的出度为n_i，以此节点为起点的一条边e_j原有的边权（即在历史数据库中，子节点代表模块紧接在父节点代表模块之后的次数）为m_j，则将这条边的边权改为\mathrm{l}\mathrm{n}\frac{n_i}{m_j}。在新边权的图中，假设一条路径S依次经过p个点a_{\mathrm{1}}~a_p，依次经过p-1条边e_{\mathrm{1}}~e_{p-\mathrm{1}}，则路径长度可表示为

d_S={\displaystyle \sum _{i=\mathrm{1}}^{p-\mathrm{1}}}\mathrm{l}\mathrm{n}\frac{n_i}{m_i}=\mathrm{l}\mathrm{n}{\displaystyle \prod _{i=\mathrm{1}}^{p-\mathrm{1}}}\frac{n_i}{m_i}（2）

其中n_i为路径上第i个点的出度，m_i为路径上第i条边的原边权。又有经过点a_i的前提下，经过边e_i的概率为\frac{m_i}{n_i}，所以在经过路径S起点的情况下，依次经过S上每个节点的概率为

P_S={\displaystyle \prod _{i=\mathrm{1}}^{P-\mathrm{1}}}\frac{m_i}{n_i}=\mathrm{e}\mathrm{x}\mathrm{p}(-d_S)（3）

由式（3）可知，P_S与d_S成负相关，即路径上所有边权之和越小，路径出现概率越大。

因为所有工序流程都是由“供料模块”始、到“入库模块”终，所以路径的起点和终点确定，故任务转换成了条件最短路问题：即在有向图中寻找一条起点和终点确定的最短路，经过特定的若干必经点。考虑到每次必经点都会变化，但是有向图不会变，所以选择用启发式搜索中的A-star算法来解决，首先采用广度优先搜索（breadth first search，BFS）算法或其他单源最短路算法计算出每个点到起点的距离和到终点的距离，然后将经过必经点个数加入A-star的估值函数计算，从而推出最短路径。A-star搜索算法是一种在人工智能领域广泛使用的搜索方法，该算法对评价函数进行了优化，利用启发式函数对即将遍历的状态节点进行评估，然后选择函数值较小的状态节点进行扩展，直到找到目标节点或遍历完所有状态节点。A-star算法的核心是第x个节点的代价函数f(x)，其计算式如下：

f(x)=g(x)+h(x)（4）

其中，f(x)表示当前第x个节点的代价，g(x)表示从起点开始到当前第x个待评价节点的真实移动代价，h(x)表示从当前第x个待评价节点的位置到终点位置的估计移动代价。针对必经点问题，引入一个二进制串或一个集合Set来存储此路径经过的必经点，将经过的必经点个数Count作为评价的第一关键字，以代价函数f(x)为第二关键字。遍历过程中，记录状态节点最优状态的扩展来源，以方便回溯。A-star算法流程如表4所示。

根据算法所得到的规划路径确定工艺流程中的工艺模块及顺序，若工艺模块有多种情况，则需工艺人员选择本次推荐所属的情况分支。在确定完每个模块的工艺分支并获取到分支中的工序及顺序后，从标准工序集中获取每个工序的标准写法，将结果拼合得到整个工艺流程及工序描述。至此，本文完成了从工艺人员所给出的若干关键模块到整个工艺流程生成推荐的算法流程阐述。

4 软件应用与验证

4.1 零件工艺规划验证

为推动航空制造向数字化转变，以达到优化资源、节省成本、提高质量和提高知识复用率的目的，本节将算法与自研的工艺设计软件整合，面向某型飞机的框梁类结构件进行验证，在工艺设计过程中进行了FO自动化编制，最终形成了完整的工艺信息模型。下面针对各模块应用验证过程进行详细说明。

首先，工艺设计人员在软件中接收任务进行FO的编制。然后进行几何和非几何特征识别与解析，可调用加工编程软件打开模型，通过集成平台的特征识别功能将数模几何信息和结构树的非几何信息进行识别和解析。特征识别的部分结果如图7所示。

进入工艺树后开始进行工艺路线规划，特征识别的几何和非几何结果将作为算法的输入信息。非几何信息以文本形式在集成平台展示，如“铝的铬酸阳极化按操作规程1001”、“荧光渗透检查按操作规程1002”，算法按识别的文本信息生成对应所需关键工艺模块，作为算法的输入。几何信息多为数模的特征，通过集成平台的特征识别功能识别数模的加工面数、是否需要精加工等加工信息，将其作为数控加工模块的工艺分支选择根据，并作为算法的输入。部分信息与输入对应结果如表5所示。

软件支持一键自动推送匹配当前零件需要的工艺路线，路线按照相似度排序。对于某框零件，工艺设计完成后共计54道工序，如图8所示，效果良好，可对每个工序进行工艺描述推荐，包括基本信息、所需设备、工装及引用工艺规范情况，如图9所示。

工序描述的推荐基于历史数据的工艺数据规范表达，参照标准化得到的标准工序集，找到每道工序的标准描述、操作代码、企业的对应部门等，并根据历史数据寻找每道工序对应的工艺标准规范和操作规程，具体效果的展示图可扫描本文首页的OSID二维码获得。

4.2 零件工艺规划效果

本文继续从肋条类、腹板类、框类、梁类、缘条类和长桁类这6类机加结构件中选择了20个机加件进行测试，将输出与工艺人员实际编写的制造大纲进行比较，作为算法流程的评判标准。

为表征结果的准确率，需要量化算法输出结果和实际工作中工艺人员编写的制造大纲的差距。为此，引入“偏移率”概念：对输出的工艺流程进行一次修改、增加、删除工序操作算一步，将输出的工艺流程修改为实际的工艺流程所需的最少操作步数，表示为“偏移量”，将偏移量和实际工艺流程中的工序数之比作为“偏移率”，用来表示输出结果与实际情况的相似度。比较结果如图10所示，总体结果优秀，但有输出结果较长、对特殊零件不准确和关节模块数占比较高的不足，尤其第12个样本有明显的偏移。

本文从6类零件中根据样本集各选取了2~5个不同的零件，实际工序数从14~44道均有分布，偏移率基本小于25%，表明工艺规划算法的知识复用率超过了70%，可以有效地减少工艺人员的工作量。

5 结语

此次研究主要利用聚类算法和大语言模型实现工艺数据的规范表达，再利用知识图谱和启发式搜索实现知识驱动的零件工艺规划，通过工序标准化解决工艺数据中的不完备性和不一致性，通过启发式搜索和知识泛化克服工艺方法对环境的依赖，实现了计算机辅助工艺过程规划的进一步推广，对工艺设计领域的人工智能技术应用提供了新的研究视角和途径。借助集成平台对框类验证件进行了制造大纲验证，工艺推荐结果偏移率普遍低于25%，知识复用率高。同时得到了肋条类、腹板类、框类、梁类、缘条类和长桁类这6类机加件的标准工序库和标准工艺流程图谱，为这类长周期、长流程零件的工艺规划提高了效率和复用率，为其他零件的工艺规划提供了一条新的思路。

未来工作优化可以在优化输入、规则辅助两个方面提出一些优化方案。优化输入方面，针对关键模块输入可以预设供料和入库两个必定包含的模块，同时根据工注释预设一些关联性较强的模块，针对处于“灵活工序区”的工艺模块应给工艺人员更多的分支和选项，这样既不会增加工艺人员的负担，也能增加输入的针对性。规则辅助方面，针对一些特殊零件、特殊情况编写一些针对性规则，在不改变标准工序库和历史数据集的情况下，得到更符合零件情况的输出结果。

参考文献

[1] 王涌泉. 基于三维CAPP系统的工艺数据应用的研究［D］. 济南：山东大学，2019.

[2] WANG Yongquan. Application Research of Process Data in 3D CAPP System［D］. Jinan： Shandong University， 2019.

[3] 刘跃岩. 面向特征的航天器舱段类零件机加工艺决策方法研究［D］. 哈尔滨：哈尔滨工业大学，2023.

[4] LIU Yueyan. Research on Feature-oriented Decision-making Method for Machining Spacecraft Section Parts ［D］. Harbin： Harbin Institute of Technology， 2023.

[5] 李征. 基于知识图谱的工艺路线推荐方法研究［D］. 北京：北京交通大学，2021.

[6] LI Zheng. Research on Process Route Recommendation Method Based on Knowledge Graph［D］. Beijing： Beijing Jiaotong University， 2021.

[7] 彭仕鑫，肖彪，赵正彩，等. 航天复杂薄壁零件加工工艺知识图谱构建及其应用［J］. 机电工程，2024，41（4）：709-719.

[8] PENG Shixin， XIAO Biao， ZHAO Zhengcai， et al. Construction and Application of Knowledge Graph for Processing Technology of Complex Thin-walled Aerospace Parts［J］. Journal of Mechanical & Electrical Engineering， 2024， 41（4）： 709-719.

[9] 杨圣斌. 炼油工艺设计集成系统标准化研究［J］. 山东化工，2024，53（9）：252-255.

[10] YANG Shengbin. Research on Standardization of Refining Process Design Integration System［J］. Shandong Chemical Industry， 2024， 53（9）： 252- 255.

[11] 张朝朝，叶蕾，曹志勇，等. 基于WEB的航空航天环形锻件CAPP系统开发［J］. 精密成形工程，2023，15（5）：164-175.

[12] ZHANG Chaochao， YE Lei， CAO Zhiyong， et al. Development of WEB-based CAPP System for Aerospace Ring Forgings［J］. Journal of Netshape Forming Engineering， 2023， 15（5）： 164-175.

[13] 魏海坤，徐嗣鑫，宋文忠. 神经网络的泛化理论和泛化方法［J］. 自动化学报，2001，27（6）：806-815.

[14] WEI Haikun， XU Sixin， SONG Wenzhong. Generalization Theory and Generalization Methods For Neural Networks［J］. Acta Automatica Sinica，2001，27（6）：806-815.

[15] ZHAO Long， PENG Xi， CHEN Yuxiao， et al. Knowledge as Priors： Cross-modal Knowledge Generalization for Datasets Without Superior Knowledge［C］∥IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR 2020）.Seattle， 2020：6527-6536.

[16] MA Chenyu， JIA Jinfang， HUANG Jianqiang， et al. DisRot： Boosting the Generalization Capability of Few-shot Learning via Knowledge Distillation and Self-supervised Learning［J］. Machine Vision and Applications，2024，35（3）：1-13.

[17] 商亚琴，滕薇，曹杨，等. 基于LLM的工艺推荐系统设计研究［J］. 造纸装备及材料，2024，53（5）：28-30.

[18] SHANG Yaqin， TENG Wei， CAO Yang， et al. Research on Design of Process Recommendation System Based on LLM［J］. Papermaking Equipment and Materials， 2024， 53（5）： 28-30.

[19] 伍缘杰. 激光选区熔化工艺数据库与工艺推荐研究［D］. 武汉：华中科技大学，2022.

[20] WU Yuanjie. Research on Laser Selective Melting Process Database and Process Recommendation［D］. Wuhan： Huazhong University of Science and Technology， 2022.

[21] 曹勇. 基于数据挖掘的工艺知识发现与重用研究［D］. 济南：山东大学，2019.

[22] CAO Yong. Research on Process Knowledge Discovery and Reuse Based on Data Mining［D］. Jinan： Shandong University， 2019.

[23] 纪贵阳，王裴岩，余卓. 面向工艺规范文本的大语言模型知识注入方法研究［J］. 计算机科学与探索，2024，18（9）：2361-2369.

[24] JI Guiyang， WANG Peiyan， YU Zhuo. Research on Knowledge Injection Method of Large Language Model for Process Specification Texts［J］. Journal of Frontiers of Computer Science and Technology， 2024， 18（9）： 2361-2369.