Когда ЧПУ «обретает голос»: интеллектуальное технологическое планирование на основе больших моделей и графов знаний

Аннотация

Планирование технологии числового программного управления — включая выбор инструмента, определение параметров резания, упорядочивание операций, проектирование схем закрепления — долгое время зависело от личного опыта инженеров и разрозненных бумажных справочников и является наиболее трудно поддающимся стандартизации и наиболее трудно передаваемым наукоёмким звеном производственной цепочки. Появление больших языковых моделей (LLM) дало надежду на «автоматическое составление технологических регламентов машиной», однако проблема «галлюцинаций» LLM при принятии числовых решений в прецизионной обработке делает их практически непригодными в сценариях с допуском ±5 мкм. В данной статье систематически анализируется технический путь интеграции графа знаний и больших языковых моделей — посредством архитектуры генерации с дополнением на основе поиска (RAG) структурированный граф знаний об обработке используется как «внешняя память», LLM отвечает лишь за понимание намерения пользователя и генерацию прослеживаемого ответа, а все конкретные числовые значения (диаметр инструмента, скорость резания, подача) точно извлекаются из графа. На примере выбора инструмента и оптимизации скорости подачи показано, как система интеграции графа знаний и LLM обрабатывает реальный технологический запрос типа «при обработке кольцевой канавки в Inconel 718 какой инструмент и какие параметры резания выбрать» и выдаёт проверяемый источник ответа. Далее рассматривается осуществимый путь развёртывания подобных систем внутри предприятия — преобразование накопленных технологическим отделом тысяч технологических карт, отчётов об испытаниях инструмента, анализов аномалий качества в собственный граф знаний предприятия, что позволяет «перелить» технологический опыт из голов мастеров в запрашиваемые, выводимые и обновляемые цифровые активы и предоставить цехам ЧПУ малозатратный путь от «управления опытом» к «управлению знаниями».

I. Когнитивный тупик технологического планирования

Технологическое планирование обработки на станках с ЧПУ по своей сути представляет собой процесс принятия решений по поиску оптимального решения в условиях ограничений. Инженеру необходимо одновременно учитывать: материал заготовки (твёрдость, вязкость, теплопроводность), доступный в инструментальной библиотеке инструмент (покрытие, диаметр, длина кромки), характеристики станка (мощность шпинделя, диапазон частот вращения, жёсткость), требования к точности обработки (размерный допуск, допуск формы и расположения, шероховатость поверхности), а также цели производительности (такт на единицу изделия). Количество ветвей типичного дерева технологических решений может достигать сотен, при этом технологические возможности большинства малых и средних производственных предприятий в высокой степени зависят от «личной базы данных» одного-двух опытных инженеров.

Такая модель «человеческий мозг как технологическая библиотека» сталкивается с тройным кризисом: во-первых, выход на пенсию или текучесть опытных мастеров уносят с собой ключевые технологические знания предприятия; во-вторых, непрерывно появляются новые материалы и новый инструмент, и скорость обновления личного опыта не поспевает за технологическими итерациями; в-третьих, тенденция многономенклатурного мелкосерийного производства заставляет для каждой новой детали заново «начинать с нуля» разработку технологии, что сопряжено с крайне высокими временными затратами.

Традиционные системы автоматизированного планирования технологии (CAPP) пытались закрепить технологические знания с помощью баз правил и таблиц решений, однако их «жёстко закодированная» сущность делает их беспомощными перед лицом не встречавшихся ранее топологий деталей или новых состояний материала.

II. Граф знаний: превращение технологических знаний из «скрытых» в «явные»

Граф знаний (Knowledge Graph) — это структурированная база данных, представляющая знания в виде триплетов «сущность-отношение-сущность». В области обработки на станках с ЧПУ технологические знания можно смоделировать в следующем виде:

(сущность) Inconel 718 → [свойства материала] → (сущность) твёрдость HRC45, теплопроводность 11,4 Вт/м·К

(сущность) особенность кольцевой канавки → [рекомендуемый тип инструмента] → (сущность) цельная твердосплавная сферическая концевая фреза

(сущность) цельная твердосплавная сферическая концевая фреза + покрытие AlTiN → [рекомендуемая скорость резания] → (сущность) 25–35 м/мин

(сущность) скорость резания 30 м/мин + диаметр инструмента 12 мм → [расчётная частота вращения шпинделя] → (сущность) 796 об/мин

Преимущество такого структурированного представления состоит в том, что данные точны и прослеживаемы — за каждым рекомендуемым значением стоит конкретный технический источник (например, отчёт об испытании инструмента или справочник по резанию); цепочка рассуждений ясна — пользователь видит полную логику «поскольку A, следовательно B»; лёгкость обновления — новые результаты технологических испытаний могут в любой момент добавляться в граф, поддерживая библиотеку знаний в «живом» состоянии.

III. 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 задавать вопросы на повседневном языке: «Каким инструментом обрабатывать эту деталь?», не изучая структурированный язык запросов. Однако присущая LLM проблема — склонность к «галлюцинациям» при принятии точных числовых решений, например выдача несуществующего диаметра инструмента или рекомендация скорости резания, выходящей за допустимый диапазон инструмента, при этом технологам зачастую трудно отличить истинность ответа, поскольку нет оснований для уверенности в его правильности.

Архитектура генерации с дополнением на основе поиска (RAG) предлагает решение. Её рабочий процесс таков:

Инженер задаёт технологический вопрос на естественном языке (например, «обработка глубокой канавки в материале Ti6Al4V, диаметр 10 мм, глубина 25 мм, рекомендуйте инструмент и параметры»)

Система векторизует вопрос и выполняет поиск в графе знаний наиболее релевантных сущностей и подграфа отношений

Найденные структурированные триплеты «встраиваются» в контекстное окно LLM как «доказательная база» для генерации ответа

LLM отвечает лишь за организацию точных данных из графа в ответ на естественном языке с приложением ссылок на источники данных

Такой подход строго ограничивает способность LLM к «творческой генерации» пределами доступных данных, и каждое выводимое числовое значение может быть прослежено до конкретного источника, хранящегося в графе.

Экспериментальные исследования показывают, что система технологического планирования на основе LLM, дополненной графом знаний, повышает точность множественного выбора на 16,6 процентных пункта и F1-меру на 16,5 процентных пункта на 280 промышленных технологических тестовых заданиях по выбору инструмента, оптимизации скорости подачи, диагностике допусков и др. Что ещё важнее, такая архитектура позволяет предприятиям развёртывать локально большие модели меньшего масштаба параметров (а не полагаться на облачные гигантские модели), обеспечивая защиту технологических данных и одновременно достигая точности ответов, сопоставимой со сверхбольшими моделями.

IV. Внутрикорпоративное развёртывание: от «библиотеки технологических карт» к «графу технологических знаний»

Для большинства предприятий обработки на станках с ЧПУ построение графа знаний не начинается с нуля. Внутри предприятия обычно уже накоплен значительный объём структурированных или полуструктурированных технологических материалов:

Технологические карты: фиксируют последовательность операций, выбор оборудования, параметры резания для каждого типового типа деталей

Отчёты об испытаниях инструмента: фиксируют данные испытаний на долговечность для различных комбинаций «инструмент-материал»

Анализ аномалий качества: фиксирует анализ корневых причин дефектов обработки и корректирующие меры

Библиотека программ CAM: уже проверенные стратегии траекторий инструмента и комбинации параметров

Ключевые работы по преобразованию этих материалов в граф знаний включают: определение типов сущностей (материал, инструмент, станок, особенность обработки, технологические параметры, показатели качества) и типов отношений («применимо», «рекомендуется», «ограничение», «приводит к»); использование инструментов автоматизированного извлечения информации (можно задействовать LLM для первичной фильтрации, а затем технологический эксперт проверяет ключевые триплеты) для извлечения структурированных знаний из неструктурированного текста.

После построения графа сферы его применения далеко выходят за рамки «системы вопросов и ответов»:

Обучение новичков: вновь принятые инженеры-технологи могут быстро ознакомиться с типовыми технологическими решениями предприятия через вопросы

Технологическая экспертиза: система может автоматически проверять соответствие вновь составленного технологического регламента «лучшим практикам» в графе знаний и помечать аномалии

Непрерывная оптимизация: результаты каждого успешного испытания по улучшению технологии попадают в граф, обеспечивая эволюцию библиотеки знаний синхронно с производственной практикой

V. Ограничения и перспективы

Система интеграции графа знаний и LLM не является универсальной. Качество её ответов строго ограничено охватом графа — для новых материалов или совершенно новых геометрических особенностей, которые предприятие никогда не обрабатывало, система не может дать ответ, и по-прежнему необходимо полагаться на экспериментальное проектирование инженера. Кроме того, построение и поддержание графа требуют постоянных вложений человеческих ресурсов. Однако с долгосрочной точки зрения управления знаниями в производстве преобразование «опыта человеческого мозга» в «запрашиваемую цифровую базу знаний предприятия» является неизбежным выбором в ответ на волну выхода на пенсию стареющих рабочих. Сочетание больших языковых моделей и графов знаний впервые предоставляет отрасли обработки на станках с ЧПУ инженерный путь систематизации, верифицируемости и устойчивой эволюции «скрытого опыта» — не заменяя ИИ инженера-технолога, а делая ИИ «неутомимым технологическим помощником» инженера.

Zuanxin — профессиональный эксперт по производству на станках с ЧПУ, присылайте нам чертежи, и наша компания в течение 12 часов предоставит вам расценки