基于图检索增强生成的报废动力电池拆解序列规划

GraphRAG-based Disassembly Sequences Planning for End-of-life Power Batteries

摘要

针对报废动力电池拆解知识难以复用所导致的序列生成效率低下问题，融合知识图谱（KG）在结构化知识表征与大语言模型在语义推理方面的互补优势，提出了一种基于图检索增强生成的报废动力电池拆解序列规划方法。首先提出基于KG标签匹配的子图生成方法，通过Cypher查询语言形成待拆解特定型号电池的专属拆解序列子图；然后建立基于混合检索和重排序的拆解知识粗粒度检索机制，以实现对目标电池组件的精确定位；最后，构建基于层级约束关系多跳推理的拆解知识细粒度检索模式，通过提取与组件关联的拆解序列信息，利用大语言模型实现拆解序列的智能生成。实验结果显示，所提方法在5种主流动力电池拆解序列生成上实现93.9%的准确率，展现出优异的可行性和有效性。

Abstract

To address the challenges of low-efficiency disassembly sequence generation caused by the lack of knowledge reusability of end-of-life power batteries， a disassembly sequence planning method was proposed based on GraphRAG， by integrating the complementary strengths of KGs in structured knowledge representation and LLMs in semantic reasoning. First， a KG label-matching-based subgraph generation method was proposed， utilizing the Cypher query language to form custom disassembly sequence subgraphs for specific battery models. Second， a coarse-grained disassembly knowledge retrieval mechanism employing hybrid retrieval and re-ranking was established to locate target battery components precisely. Finally， a fine-grained retrieval model of disassembly knowledge was constructed based on multi-hop reasoning of hierarchical constraint relations. By extracting the disassembly sequence information associated with the components， the intelligent generation of disassembly sequences was achieved using the large language model. The experimental results indicate that the proposed method achieves an accuracy of 93.9% in disassembly sequence generation across five mainstream power batteries， demonstrating the excellent feasibility and effectiveness.

Graphical abstract

关键词

拆解序列规划 / 图检索增强生成 / 知识图谱 / 大语言模型 / 报废动力电池

Key words

disassembly sequence planning / graph retrieval-augmented generation（GraphRAG） / knowledge graph（KG） / large language model（LLM） / end-of-life power battery

0 引言

当前，新能源汽车核心部件动力电池正面临着巨大的报废处理压力。数据表明，2025年我国电池回收容量达137.4 GW·h，市场规模逾千亿元^［1］。高效、环保地处理报废动力电池，不仅是构建绿色低碳制造体系的关键场景，更是保障新能源汽车产业可持续发展与国家资源安全的战略需求。

拆解序列规划（disassembly sequence planning， DSP）是保障报废动力电池资源利用率与拆解效益的关键^［2］，国内外已有诸多研究。XIAO等^［3］提出基于电池拆卸图模型的动态拆卸贝叶斯网络方法，推导最佳拆卸序列。张雷等^［4］构建了产品拆解约束图，利用人工蜂群算法进行拆解规划求解。YU等^［5］构建了电池拆解信息本体，提出了一种从规则库生成有效拆卸序列的策略。在序列优化求解方面，ZHAN等^［6］开发了双目标DSP优化模型，基于北苍鹰优化算法设计了元启发式求解策略。JIA等^［7］构建了不确定条件下废旧零部件拆解序列的多目标优化模型。刘志峰等^［8］提出了一种基于模拟退火粒子群优化算法的拆解序列规划方法。此外，梁佩等^［9］构建了面向多产品拆解序列规划问题的模型与算法。郭洪飞等^［10］提出了基于综合评价的拆解序列和拆解深度决策方法。现有DSP研究虽在拆解信息建模、序列生成与优化等方面取得了进展，但传统基于图模型或矩阵模型的方法难以有效融入拆解语义信息，限制了历史拆解知识的复用与扩展。此外，动力电池复杂的嵌套式拓扑结构也导致求解算法计算复杂度剧增，难以获得高质量解。

知识图谱（knowledge graph，KG）凭借其三元组建模能力，可显式表征电池组件层级、拆解步骤及工具依赖关系，并通过图结构灵活扩展优势及时表达和更新装配关系与拆解信息^［11］，为DSP提供结构化知识支撑。WANG等^［12］构建了语义本体结构的电池拆解KG以生成拆解序列。江志刚等^［13］提出一种从动态数据流中提取个性化拆解工艺知识的KG构建方法。WU等^［14］通过构建可动态更新和扩展的KG以导出最优拆卸序列。LI等^［15］基于KG生成报废电池的拆解序列，通过重用节点序列知识完成目标拆解任务。然而，由于电池型号多样化、结构非标准化的特点，不同型号电池的同名组件可能因结构差异需差异化处理，现有KG检索容易因语义冲突导致误匹配，致使序列生成错误。此外，电池组件间复杂的嵌套式拓扑结构也使得利用KG生成拆解序列时会跨越多个层级节点进行检索，这种多跳推理问题仅依靠KG检索难以实现。

近年来，检索增强生成（retrieval-augmented generation， RAG）的出现为解决上述问题提供了新的思路。RAG能将外部知识库（如KG）与大语言模型（ large language model，LLM）紧密结合起来，一方面可利用LLM增强KG多跳推理能力，另一方面也可以利用KG来改善通用LLM（如DeepSeek）因缺乏专业知识而产生知识幻觉的问题^［16］。ALAWWAD等^［17］提出了PLRTQA框架，使用LLM和RAG增强文本教科书问答。然而，传统RAG依赖文本相似度的检索机制难以解析KG中复杂的语义关联，存在忽视实体间关系、缺乏全局信息整合的缺陷。图检索增强生成（GraphRAG）通过引入图结构数据处理能力，支持从KG中灵活检索相关子图信息并进行语义整合，适配复杂专业场景。HU等^［18］构建了基于LLM和KG的问答系统，支持自然语言问题的粗-细粒度解析。LI等^［19］通过获取KG的路径提供给LLM，实现智能合规性检查。LIU等^［20］将航空装配KG通过检索增强嵌入到大语言模型中，提供基于知识的推理响应。可见，GraphRAG可通过图结构表示实体间层次与非层次关系，同时结合自然语言处理减少不相关及错误信息干扰，在多跳推理时能够跟随关系链，支持更复杂的推理，为型号多样、组件关系复杂的报废动力电池DSP提供了一条可行思路。

为此，本文提出了一种基于GraphRAG的报废动力电池拆解序列规划方法，通过KG标签匹配实现拆解目标电池的拆解序列子图生成，通过粗粒度检索实现拆解目标电池组件节点定位，利用细粒度检索实现以组件节点关系约束的多跳路径推理，进而通过LLM生成目标电池拆解序列。该方法通过层级约束关系显式解析电池复杂的拆解逻辑，并利用LLM的自然语言处理能力对检索路径进行深度语义解析与上下文集成，实现特定型号报废电池拆解序列的精准生成。

1 总体框架

本文所提方法包括下面三个阶段。

1）基于KG标签匹配的拆解序列子图生成。通过Cypher查询语言检索KG中与目标电池型号标签关联的节点及关系网络，形成拆解序列子图。

2）基于混合检索和重排序的拆解知识粗粒度检索。首先使用BERT-Base-Chinese-NER模型提取查询关键词，构建Cypher查询语句，匹配候选实体；然后通过acge_text_embedding模型将查询和子图实体向量化，基于余弦相似度计算匹配候选实体；最后利用BGE Re-Ranker Large模型对候选实体进行语义相似度评分，实现待拆解电池组件节点的定位。

3）基于层级约束关系多跳推理的拆解知识细粒度检索。基于组件节点开展以关系约束的多跳路径推理，在拆解序列子图中执行三跳路径搜索，并通过基于子路径哈希的路径筛选获取拆解序列信息，然后输入LLM生成拆解序列。

2 方法

2.1 基于KG标签匹配的拆解序列子图生成

在多型号场景下，利用KG将特定电池组件间的约束关系、拆解属性与型号特征深度融合，以抑制跨型号组件结构差异对DSP的干扰。KG通过三元组（实体-关系-实体）结构显式表征拆解序列信息，将完整语义信息映射为电池组件、零件、拆解步骤及工具四层实体，主要通过“包含”“关联”“使用”三类关系形成层级化语义网络。其中，组件层实体表征动力电池的功能模块（如电池包外壳、电池管理系统），其拆解顺序遵循零件连接优先级与工具依赖规则；零件层实体定义组件的物理构成（如螺栓、线束），通过“包含”关系与组件绑定；拆解步骤层实体描述零件的移除顺序与相关属性信息（如零件的位置与数量），通过“关联”关系映射至零件实体；工具层实体则记录操作所需设备（如螺丝刀、扳手），通过“使用”关系与拆解步骤关联。通过层级解耦的实体独立建模方式，当新增电池拆解信息时，KG可将与其对应的节点以及约束关系整合至原始知识图谱，利用层级化语义网络特性校验新增节点的唯一性，并基于型号区分建立与既有层级的逻辑关联，以确保跨型号共享实体的语义一致性，实现跨型号拆解知识的可扩展复用。

针对不同型号电池因拓扑结构相似但连接逻辑差异导致的跨型号同名实体语义歧义问题，设计了标签（型号）匹配技术，以动力电池标签（型号）为核心构建Cypher查询语句，在KG中检索所有携带特定标签（型号）的节点（n）、关联节点及其关系（r）与属性（m），动态筛选满足标签（型号）约束的节点及关系网络，形成型号专属拆解序列子图，作为后续检索的约束。例如，针对单一型号电池的特有节点（如“Model S 85 kWh”所特有的零件/拆解步骤节点），分配对应型号的单一标签（如“Model S 85 kWh”）；而对于跨型号共享节点（如通用组件“电池包”），则标记多型号标签（如“Model S 85 kWh”“SE16”），通过标签叠加实现同构实体的差异化表征。基于KG标签匹配的拆解序列子图形成伪代码如下：

Input：KG、MATCH （n：｛Label｝）-［r］->（m） RETURN n， r， m

Output：拆解序列子图 LabelSubgraph

1：LabelSubgraph ← O ∥ 初始化子图为空

2： for each node n in KG do

3： if hasLabel（n， modelLabel） then

4： LabelSubgraph ← LabelSubgraph ∪ ｛n｝ ∥ 将节点添加到子图

5： for each node n1 in LabelSubgraph do

6： for each node n2 in LabelSubgraph do

7： if n1 is connected to n2 in KG then

8： add the relationship between n1 and n2 to LabelSubgraph

9： for each node n in LabelSubgraph do

10： for each attribute a of n do

11： add a to the attributes of n in LabelSubgraph

12： return LabelSubgraph ∥ 返回拆解序列子图

2.2 基于混合检索和重排序的拆解知识粗粒度检索

2.2.1 基于实体匹配的关键词检索

利用BERT-Base-Chinese-NER模型实现拆解任务查询中的实体提取，并据此构建Cypher查询语句以检索拆解序列子图中的实体。该模型基于BERT框架，专为中文命名实体识别任务设计，通过以下流程实现与KG的交互。

首先，针对待拆解电池组件提及的查询，模型进行分词处理，将文本分割为子词单元，转换为模型可接受的格式。分词后的tokens被映射到对应的ID序列，通过嵌入层被转换为768维的向量表示，并通过12层Transformer结构生成上下文相关的表示向量\mathit{x}。模型输出层将表示向量传递给多个全连接层，i用于表示当前计算概率的类别，而j用于遍历所有类别以计算指数和，通过线性变换公式\mathit{z}=\mathit{x}\mathit{W}+\mathit{b}（\mathit{W}和\mathit{b}为分类层参数）计算每个类别的原始得分\mathit{z}，并使用Softmax函数转换为概率分布p_i，从而确定最可能的实体标签。Softmax函数表达式为

p_i=\mathrm{e}\mathrm{x}\mathrm{p}(z_i)/\sum _j\mathrm{e}\mathrm{x}\mathrm{p}(z_j)（1）

式中：z_i为第i个类别的得分。

其次，利用BIO标注方案对文本中字符进行标注（B表示实体的起始，I表示实体内部，O表示非实体部分），标注出组件名称等关键实体。

最后，将标注后的实体（‘question’）通过ner_pipeline聚合，生成面向KG的Cypher查询语句，并结合正则表达式对拆解序列子图中的实体进行精确字符串匹配，检索出候选实体，并将其收集形成候选列表X₁，如图1所示。

2.2.2 基于余弦相似度的向量检索

为应对拆解任务查询因实体错写、漏写导致的实体匹配失效问题，采用acge_text_embedding模型实施向量检索，其嵌套表征学习框架可深度解析拆解领域的专业语义，实现查询文本与拆解序列子图实体间的隐式语义映射，如图2所示。

首先，针对拆解序列子图中的第\alpha（\alpha=1，2，…，n）个实体，模型通过encode方法将其映射至768维向量空间，构建了型号专属语义\mathit{U}（n×768矩阵），其中每行对应一个实体的深度语义特征。同时，对拆解任务查询执行文本预处理及向量化操作，生成查询向量\mathit{q}（1×768矩阵）。随后，通过矩阵运算\mathit{U}中每个向量{\mathit{u}}_{\alpha }与\mathit{q}的余弦相似度，得到一个1×n的相似度分数矩阵，根据分数对实体进行降序排序，通过余弦相似度结果大于某一阈值这一标准，得到\mathit{U}中与\mathit{q}相似的k个实体，检索出候选实体列表X₂。余弦相似度计算公式如下：

\mathrm{c}\mathrm{o}\mathrm{s}\theta =\frac{{\mathit{u}}_{\alpha }·\mathit{q}}{||{\mathit{u}}_{\alpha }||||\mathit{q}||}（2）

2.2.3 基于BGE Re-Ranker的候选实体优选

针对混合检索得到的候选实体列表X₃（X₁与X₂的集合），需从中精准定位与拆解任务查询语义一致的待拆解电池组件节点。采用BGE Re-Ranker Large模型对候选实体进行语义重排序，该模型与嵌入模型不同，它将问题与实体作为输入，直接输出相似性分数。确定组件节点的流程如图3所示。

首先，模型对拆解任务查询及候选实体进行分词清洗，随后提取语义特征，并编码为问题嵌入向量\mathit{m}及实体嵌入向量{\mathit{c}}_i，并通过位置编码增强上下文感知能力，将生成的{\mathit{t}}_{\mathrm{m}}与{\mathit{t}}_{\mathrm{c}}添加到嵌入向量中组成{\mathit{m}}^{\mathrm{\text{'}}}与{\mathit{c}}_{\mathit{i}}^{\mathit{\text{'}}}，形成用于后续处理的嵌入向量对{\mathit{e}}_i。

其次，通过模型的多自注意力机制计算问题向量和实体向量的注意力权重，以识别它们之间的相互作用和语义联系。注意力加权的值向量为

\mathit{a}=Attention\left({\mathit{m}}^{\mathrm{\text{'}}},\mathit{K},\mathit{V}\right)=Softmax(\frac{{\mathit{m}}^{\mathrm{\text{'}}}{\mathit{K}}^{\mathrm{T}}}{\sqrt[]{d_{\mathrm{k}}}})\mathit{V}（3）

式中：\mathit{K}与\mathit{V}是{\mathit{c}}_{\mathit{i}}^{\mathbf{\text{'}}}的集合；d_{\mathrm{k}}为\mathit{K}的维度；Softmax表示归一化指数函数。

继而，前馈网络对向量进行深入分析，评估它们对整体语义的贡献：

f(\mathit{a})=\mathrm{m}\mathrm{a}\mathrm{x}(\mathrm{0},\mathit{a}{\mathit{W}}_{\mathrm{1}}+{\mathit{b}}_{\mathrm{1}}){\mathit{W}}_{\mathrm{2}}+{\mathit{b}}_{\mathrm{2}}（4）

式中：{\mathit{W}}_{\mathrm{1}}、{\mathit{W}}_{\mathrm{2}}为权重矩阵；{\mathit{b}}_{\mathrm{1}}、{\mathit{b}}_{\mathrm{2}}为偏置项。

经过24层Transformer结构的处理，问题向量和实体向量的信息得到整合，并在输出层生成相关性评分\mathit{s}：

\mathit{s}=Softmax({\mathit{W}}_{\mathrm{s}}f(\mathit{a})+{\mathit{b}}_{\mathrm{s}})（5）

式中：{\mathit{W}}_{\mathrm{s}}、{\mathit{b}}_{\mathrm{s}}为输出层的权重偏置。

最终，通过.view（-1）方法将\mathit{s}转换为一维数组以便比较。选择最高分实体x_{\mathrm{1}}作为组件节点。

2.3 基于层级约束关系多跳推理的拆解知识细粒度检索

在定位出待拆解电池组件节点后，需在拆解序列子图中查询获取完整的拆解序列知识以生成拆解序列。为避免无关知识干扰，提出了以约束关系为指引的组件节点多跳推理策略，通过检索跨层级关联节点来构建完整的拆解序列知识路径。为此，设计了一种基于层级约束关系的多跳推理方式，通过Cypher查询语句“MATCH path= （a ｛name： 'component'｝）-［*1..3］->（b） WHERE ALL（r IN relationships（path） WHERE type（r） IN ［'包含' ，'关联'， '使用'］） RETURN path”，一次性获取从组件节点A出发，层级间约束关系为r，路径长度L为1至3跳的所有可能路径P，其中，限定关系类型r为“包含”“关联”或“使用”以确保路径有效且满足KG模式层的语义约束。3跳路径推理代表了数据结构的内在平衡性。

为筛除查询过程中产生的冗余路径，设计了一套基于子路径哈希的重复路径筛选机制。首先，对检索到的路径P按升序排列，初始化一个集合H用于存储已覆盖的子路径哈希值。接着，遍历每条路径P_i，提取当前路径的节点序列n_i和关系序列r_i并计算其哈希值h(P_i)。若该哈希值h(P_i)不在已覆盖的哈希集合H中，则进一步检查当前路径是否为已存在于路径列表P_{\mathrm{f}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}中的其他路径的子路径。若不是，则将当前路径加入最终路径列表P_{\mathrm{f}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}，并将当前路径的所有超路径哈希值添加到已覆盖集合H中，标记为已覆盖。最后，若最终路径列表P_{\mathrm{f}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}为空，则返回目标组件节点A自身信息。其中，哈希值h(P_i)计算表达式为

h(P_i)=Hash(n_{\mathrm{1}}||r_{\mathrm{1}}||n_{\mathrm{2}}||r_{\mathrm{2}}||\dots n_i||r_i||）（6）

式中：Hash表示抗碰撞哈希函数（SHA-256）。

最后，将检索的拆解序列信息与拆解任务查询一并输入至LLM提示模板中，为LLM提供明确的上下文环境，通过LLM对信息的解析生成拆解序列，流程如图4所示。

3 案例

3.1 实验设计与数据集构建

基于动力电池拆解领域多源异构数据构建了拆解知识图谱，数据来源涵盖多种型号的电池BOM清单、电池回收企业拆解报告、多型号动力电池拆解工艺表、领域研究论文及工厂作业指导书等资料。

实验选取5种主流的车辆型号电池作为数据样本：“奔驰BT0024”“宝马SE16”“特斯拉Model S 85kWh”“福田MGL48C01Y”“越野A1310A”。此外，构建了包含82条标准化拆解任务查询的实验集用于验证，覆盖5类主流动力电池型号的典型应用场景。实验集设计遵循以下原则：针对“奔驰BT0024”“宝马SE16”“特斯拉Model S 85kWh”和“福田MGL48C01Y”4类结构相似型号（构建时共享17个组件名称），各设计17道同构查询，验证同名组件在不同型号中的路径推理能力；“越野A1310A”型号含14个组件（其中4个与上述型号同名），设计14道查询验证方法在部分共享组件场景下的鲁棒性。以三重结构化关联呈现的实验集如表1所示：第一列是任务描述，即自然语言查询与目标型号的对应关系；第二列是标签约束，即型号标签匹配的Cypher语句；第三列是路径推理，即包含任务查询中组件节点的多跳Cypher语句。通过自然语言到图谱操作的精准转换，实现实验过程的可重复性和透明化。

实验选用Neo4j数据库作为信息检索的数据源，并采用ChatGLM4-9B模型作为文本生成器。实验运行环境基于Ubuntu 22.04操作系统，硬件配置包括高性能AMD EPYC 9754 128核处理器以及NVIDIA RTX 4090 GPU，支持Python 3.10编程语言和PyTorch 2.1.0深度学习框架，并兼容CUDA 12.1计算架构，以客观验证所提出方法的可行性与有效性。

3.2 可行性验证

本节通过实例系统验证所提方法三个阶段的技术可行性。以｛“越野A1310A”｝-｛低压连接器的拆解序列是什么？｝为例，展示从查询输入到序列生成的技术流程。

在基于KG标签匹配的拆解序列子图生成阶段，输入目标型号标签“越野A1310A”后，系统自动构建并执行Cypher查询，从KG中检索出与“越野A1310A”相关的所有节点及其关系网络，形成型号专属拆解序列子图作为约束。图5展示了其部分层级可视化图形，包括该型号电池的组件、零件、拆解步骤及工具等节点之间的关联。对于型号特有节点，组件层“低压连接器”及其专属零件“M5紧固螺栓”、拆解步骤“10.2”与工具“螺丝刀、扳手”仅约束于当前子图；而跨型号共享节点，组件层“电池包外壳”通过多标签机制隔离了其他型号的关系路径。该阶段有效隔离了跨型号的干扰，为后续检索提供了精确化的数据环境，验证了该阶段的可行性。

在基于混合检索和重排序的拆解知识粗粒度检索阶段，输入查询“低压连接器的拆解序列是什么？”后，模型内部自动完成了目标组件节点的定位。各个步骤的打印输出结果如图6所示。可以看出，关键词检索与向量检索（大于阈值0.6）返回了5个候选实体；重排序模型对候选实体基于查询进行综合评估，其评分不再局限于0到1之间，最终选择分值最高的“低压连接器”为目标节点，展示了所提方法的可行性。

基于层级约束关系多跳推理的拆解知识细粒度检索阶段的示例如表2所示。针对已定位的组件节点“低压连接器”，运用Cypher查询语言执行关系约束的多跳路径检索，获取了从组件层节点出发的所有1至3跳路径，经子路径哈希消重后，得到了与“低压连接器”相关的三条有效路径，其中第三条信息中拆解步骤不涉及使用工具。随后将路径信息（Context）与查询问题一并输入ChatGLM4-9B的提示模板中，生成结构化拆解序列，展现了此阶段的可行性。

3.3 综合性能评估与分析

3.3.1 各阶段性能评估

为验证各阶段的性能优势，对上述5种型号电池的82条标准化查询进行了测试。

1）基于KG标签匹配的拆解序列子图生成。此阶段的主要目的是为后续阶段提供一个更为精准的数据环境，可通过移除此阶段，分析后续阶段准确率的变化进行间接评估。

2）基于混合检索和重排序的拆解知识粗粒度检索。此阶段的核心任务是从拆解序列子图中精准识别与拆解任务查询相对应的组件节点，因此以准确率作为衡量标准。通过计算正确识别出组件节点的各型号问题数占其总问题数的比率来进行评估。

3）基于层级约束关系多跳推理的拆解知识细粒度检索。此阶段的关键是从组件节点出发，通过多跳推理准确挖掘与问题语义一致的路径信息，因此以准确率作为验证指标。对于此阶段准确率的评估，本文仅针对那些已成功完成组件节点定位的问题进行考量，且只有当最终推理出的路径与预先设定的标准路径完全吻合时才被视为正确。因此，此阶段的准确率是正确推理出路径的问题数量除以所有对应型号组件节点定位正确的问题总数。

三个阶段的性能效果如表3所示。当移除阶段一时，阶段二和阶段三直接作用于完整KG。此时，阶段二的平均准确率从93.9%降至84.2%，降低了9.7%；阶段三的平均准确率降至16.7%，降低了83.3%。这一现象源于两阶段不同的技术特性。阶段二主要依赖实体名称的精确匹配与语义相似度计算，其性能受跨型号干扰的影响相对有限，但不同型号间的相似节点干扰仍导致9.7%的准确率损失。阶段三需在KG中构建多跳语义链，其性能高度依赖子图生成的型号隔离效果，即使组件节点已被准确识别，推导出的路径仍可能错误地关联到非目标型号的电池数据中。对于前4种型号17个同名组件，推理过程会同时匹配4种型号的关联路径，导致100%误匹配率；因第5种型号14个组件中仅4个与其他型号同名，且2个同名组件未被错误定位，使其阶段三准确率保持在83.3%；在保留阶段一且正确定位组件节点的情况下，由于设计的关系约束推理模式，阶段三经过实验返回的路径信息全部满足预先设定的关系路径。该实验证明，阶段一能够显著降低不同型号间实体歧义的影响；阶段二与阶段三能依据查询问题进行精确的信息检索。

3.3.2 横向对比实验

为客观评估GraphRAG方法的性能优势，设计了对比实验，以RAG与ChatGLM4-9B作为评测模型，基于统一测试集（82道跨型号拆解任务查询）进行系统性评测。

GraphRAG方法采用所构建的KG作为外部知识库，而采用RAG评测模型时，则将构建KG时的拆解信息文本通过LangChain技术集成到RAG方法中，生成器均采用了ChatGLM4-9B，并配置相同的检索模型；此外，为区分RAG与ChatGLM4-9B实验，在对话时RAG方法选择对话模式为本地知识库对话且选择LLM模型为ChatGLM4-9B，即使用拆解信息作为外部知识库，用ChatGLM4-9B集成回答；而ChatGLM4-9B则直接选择LLM对话，即不调用外部知识库。同时，三种方法的实验运行环境都基于Ubuntu 22.04操作系统，硬件配置为AMD EPYC 9754 128核处理器以及NVIDIA RTX 4090 GPU，确保对比实验的公平性和有效性。

对GraphRAG、RAG和ChatGLM4-9B分别进行测试，将各模型的回答与事先设定的标准答案进行比对，确定回答的准确率。最后计算每种方法针对每个型号问题的正确回答比例与总正确回答比例，结果如表4所示。

实验结果显示，GraphRAG方法在响应5种不同型号动力电池的拆解问题时的平均准确率达到93.9%，显著优于RAG（33.5%）和ChatGLM4-9B（7.3%），彰显了该方法在拆解序列规划方面的有效性。这一结果主要归因于三者在数据处理能力和应用场景适配性上的本质区别。在跨型号拆解数据处理场景下，GraphRAG方法通过知识图谱的标签匹配技术，实现了跨型号拆解知识的精准隔离与拆解子图生成，能够精准隔离不同型号电池的拆解知识，从而保障了不同型号拆解序列的可靠性；而RAG方法缺乏对型号差异性的精细识别能力，在处理多型号电池拆解任务时，容易出现信息混淆，误匹配到其他型号的拆解序列，导致生成拆解序列的准确性下降。

此外，面对复杂的推理场景，GraphRAG方法凭借多跳推理机制可以准确捕捉层级节点间的关联关系。RAG无法解析“组件-零件-拆解步骤-工具”间的隐性依赖，在解析电池拆解信息中蕴含的复杂关系和逻辑依赖时准确率不高。

ChatGLM4-9B由于缺乏拆解知识输入，在面对高度专业化的动力电池拆解问题时生成的答案与拆解任务契合度极低，表现欠佳。

4 结论

提出了一种基于GraphRAG的报废动力电池拆解序列规划方法，并以5种主流型号电池拆解案例对所提方法进行了实验验证。结果表明，基于KG标签匹配的拆解序列子图生成技术提供的精确数据环境，显著提高了后续阶段的准确率，有效解决了跨型号间拆解信息混淆的问题；基于混合检索和重排序的拆解知识粗粒度检索能够以93.9%的准确率准确识别拆解任务查询中的组件节点；基于层级约束关系多跳推理的拆解知识细粒度检索模式在正确定位组件节点的情况下对拆解序列路径信息进行完全匹配，实现了拆解序列生成。此外，采用GraphRAG、RAG、ChatGLM4-9B对5种不同型号电池拆解序列规划进行对比实验，本文方法平均准确率分别领先60.4%和86.6%，验证了方法在适应性和有效性方面的卓越表现，展现了其高效复用拆解信息的能力。

受限于课题组电池拆解数据的积累以及计算资源，本研究在知识图谱的完善性、混合检索和多跳推理等方面仍存在一定的局限。未来将通过采用更广泛的数据源，并整合包括文本、图像、视频等多种形式的拆解数据，构建更具通用性和广泛性的KG，以涵盖更多类型的电池和拆解工艺。同时，探索针对性的优化策略以降低硬件要求，优化计算资源去更好地适应实际的工业场景，促进该方法的落地应用。

参考文献

[1] 陈铭， 王志刚， 张宇平. 关于退役动力电池机器人拆解智能化的思考［J］. 汽车与配件， 2023（5）： 54-58.

[2] CHEN Ming， WANG Zhigang， ZHANG Yuping. Thoughts on the Intelligentization of Dismantling of Retired Power Battery Robot［J］. Automobile & Parts， 2023（5）： 54-58.

[3] 程贤福， 周健， 肖人彬， 等. 面向绿色制造的产品模块化设计研究综述［J］. 中国机械工程， 2020， 31（21）： 2612-2625.

[4] CHENG Xianfu， ZHOU Jian， XIAO Renbin， et al. Review of Product Modular Design from Perspective of Green Manufacturing［J］. China Mechanical Engineering， 2020， 31（21）： 2612-2625.

[5] XIAO Jinhua， ANWER N， LI Weidong， et al. Dynamic Bayesian Network-based Disassembly Sequencing Optimization for Electric Vehicle Battery［J］. CIRP Journal of Manufacturing Science and Technology， 2022， 38： 824-835.

[6] 张雷， 彭宏伟， 卞本阳， 等. 复杂产品并行拆解建模及规划方法研究［J］. 中国机械工程， 2014， 25（7）： 937-943.

[7] ZHANG Lei， PENG Hongwei， BIAN Benyang， et al. Parallel Disassembly Modeling and Planning Method of Complex Products［J］. China Mechanical Engineering， 2014， 25（7）： 937-943.

[8] YU Jianping， ZHANG Hua， JIANG Zhigang， et al. Disassembly Task Planning for End-of-life Automotive Traction Batteries Based on Ontology and Partial Destructive Rules［J］. Journal of Manufacturing Systems， 2022， 62： 347-366.

[9] ZHAN Changshu， ZHANG Xuesong， TIAN Guangdong， et al. Environment-oriented Disassembly Planning for End-of-life Vehicle Batteries Based on an Improved Northern Goshawk Optimisation Algorithm［J］. Environmental Science and Pollution Research， 2023， 30（16）： 47956-47971.

[10] JIA Mao， DOU Hong， Chen ZHE， et al. Disassembly Sequence Planning of Waste Auto Parts［J］. Journal of the Air & Waste Management Association， 2021， 71（5）： 607-619.

[11] 刘志峰， 杨德军， 顾国刚. 基于模拟退火粒子群优化算法的拆卸序列规划［J］. 合肥工业大学学报（自然科学版）， 2011， 34（2）： 161-165.

[12] LIU Zhifeng， YANG Dejun， GU Guogang. Disassembly Sequence Planning Based on Simulated Annealing Particle Swarm Optimization Algorithm［J］. Journal of Hefei University of Technology （Natural Science）， 2011， 34（2）： 161-165.

[13] 梁佩， 付亚平， 田广东. 面向多产品拆解的拆解序列计划问题的模型与算法［J］. 计算机集成制造系统， 2023， 29（7）： 2166-2174.

[14] LIANG Pei， FU Yaping， TIAN Guangdong. Model and Algorithm of Multi-product Disassembly Sequence Planning Problems［J］. Computer Integrated Manufacturing Systems， 2023， 29（7）： 2166-2174.

[15] 郭洪飞， 陈志彬， 任亚平， 等. 基于零件回收综合评价的废旧产品拆解序列与拆解深度集成决策研究［J］. 机械工程学报， 2022， 58（4）： 258-268.

[16] GUO Hongfei， CHEN Zhibin， REN Yaping， et al. Research on Disassembly Sequence and Disassembly Length Integrated Decision of End-of-life Products Based on Parts Recovery Comprehensive Evaluation［J］. Journal of Mechanical Engineering， 2022， 58（4）： 258-268.

[17] 郭恒， 黎荣， 张海柱， 等. 多域融合的高速列车维修性设计知识图谱构建［J］. 中国机械工程， 2022， 33（24）： 3015-3023.

[18] GUO Heng， LI Rong， ZHANG Haizhu， et al. Construction of Knowledge Graph of Maintainability Design Based on Multi-domain Fusion of High-speed Trains［J］. China Mechanical Engineering， 2022， 33（24）： 3015-3023.

[19] WANG Jiangbiao， HUANG Jun， LI Ruiya， et al. Knowledge Graph Construction of End-of-life Electric Vehicle Batteries for Robotic Disassembly［J］. Applied Sciences， 2023， 13（24）： 13153.

[20] 江志刚， 谢彬， 朱硕， 等. 动态数据流驱动的再制造拆解工艺知识图谱构建方法［J］. 计算机集成制造系统， 2024， 30（3）： 879-892.

[21] JIANG Zhigang， XIE Bin， ZHU Shuo， et al. Dynamic Data Flow-driven Knowledge Graph Construction Method for Remanufacturing Disassembly Process［J］. Computer Integrated Manufacturing Systems， 2024， 30（3）： 879-892.

[22] WU Hao， JIANG Zhigang， ZHU Shuo， et al. A Knowledge Graph Based Disassembly Sequence Planning for End-of-life Power Battery［J］. International Journal of Precision Engineering and Manufacturing-Green Technology， 2024， 11（3）： 849-861.

[23] LI Jie， QU Weibin， ZHENG Hangbin， et al. Generation of Human-robot Collaboration Disassembly Sequences for End-of-life Lithium-ion Batteries Based on Knowledge Graph［J］. Artificial Intelligence for Engineering Design， Analysis and Manufacturing， 2024， 38： e13.

[24] SIDDHARTH L， LUO Jianxi. Retrieval Augmented Generation Using Engineering Design Knowledge［J］. Knowledge-Based Systems， 2024， 303： 112410.

[25] ALAWWAD H A， ALHOTHALI A， NASEEM U， et al. Enhancing Textual Textbook Question Answering with Large Language Models and Retrieval Augmented Generation［J］. Pattern Recognition， 2025， 162： 111332.

[26] HU Zhiqiang， LI Xinyu， PAN Xinyu， et al. A Question Answering System for Assembly Process of Wind Turbines Based on Multi-modal Knowledge Graph and Large Language Model［J］. Journal of Engineering Design， 2025， 36（7/8/9）： 1093-1117.

[27] LI Hao， YANG Rongzheng， XU Shuangshuang， et al. Intelligent Checking Method for Construction Schemes via Fusion of Knowledge Graph and Large Language Models［J］. Buildings， 2024， 14（8）：2502.

[28] LIU Peifeng， QIAN Lu， ZHAO Xingwei， et al. Joint Knowledge Graph and Large Language Model for Fault Diagnosis and Its Application in Aviation Assembly［J］. IEEE Transactions on Industrial Informatics， 2024， 20（6）： 8160-8169.

基金资助

国家自然科学基金(52075396)

武汉科技大学“十四五”湖北省优势特色学科项目(2023B0405)