基于事件状态知识图谱增强的GraphRAG模型，用于订单驱动的3D打印供应链配置

《Expert Systems with Applications》：Event-state knowledge graph-enhanced GraphRAG for order-driven 3D printing supply chain configuration

大规模定制化3D打印供应链中，提出了一种融合事件-状态知识图谱（ESKG）与图检索增强生成（GraphRAG）的智能配置框架。通过动态构建ESKG建模事件驱动的状态演化，设计BS-LRTE混合方法实现结构约束与语义推理的协同，利用ESKG增强GraphRAG的本地知识库，有效解决多工厂协作的任务分解与资源配置问题。实验验证其在正常与异常场景下的准确配置能力。

　　

臧天硕|李玉珂|杨茂林|姜平宇

西安交通大学制造系统工程国家重点实验室，中国西安710049

摘要

在大规模批量定制的3D打印供应链中，领军企业需要将复杂的客户订单分解为多个制造任务，并在分布式工厂集群中协同执行这些任务。然而，由于缺乏统一的订单分解过程和集群级资源建模与推理机制，基于订单的多工厂协同供应链配置仍然是一个重大挑战。本文提出了一种智能供应链配置方法，该方法将事件状态知识图（ESKG）与基于图的检索增强生成（GraphRAG）相结合。该方法首先通过定义六类事件状态描述三元组来构建一个动态可更新的ESKG。随后，引入了一种BS-LRTE混合提取方法来提取这些三元组。该方法使用BERT-BiLSTM-CRF模型作为结构约束模块，以及大型语言模型（LLM）作为语义推理和补全模块，从而提高了对隐含工程语义的识别能力，同时减少了生成模型中的幻觉现象。最后，开发了一种基于ESKG-GraphRAG的混合检索增强机制，其中ESKG作为GraphRAG的本地知识库，实现了文本语义检索与结构化推理之间的协同作用。通过消融研究系统分析了关键组件（包括ESKG、GraphRAG和LLM）对推荐性能的贡献。此外，还使用代表性案例对不同规模的LLM进行了比较分析。实验结果表明，所提出的框架在正常和异常情况下都能实现准确的供应链配置。

引言

在智能制造时代，大规模批量生产的模式从根本上重塑了3D打印供应链的组织结构，这些供应链正从线性、单一企业主导的系统演变为由多个自主3D打印工厂组成的分布式、可重构的制造集群（Nikookar等人，2024年）。在这个系统中，每个工厂作为一个独立、自主的生产节点，可以根据客户订单动态加入或离开集群，进行协作生产并共享资源，从而形成一个去中心化、订单驱动的协作制造网络（Wu等人，2025年）。然而，随着3D打印工厂集群规模的扩大和订单任务复杂性的增加，供应链运营中出现了新的矛盾：客户订单通常涉及包含多种材料、精度水平和组件的复杂制造任务，而不同工厂的设备能力、工艺流程和交付计划各不相同。这种差异使得传统的静态供应商管理和手动协调机制无法满足动态生产需求，突显了需要智能供应商推荐系统来支持3D打印工厂集群内的协作生产。在这种背景下，能够考虑多供应商协作的供应链配置已成为3D打印产业链高效运行的关键因素。如何在订单任务分解和制造资源匹配的整个过程中动态识别和推荐合适的供应商，仍然是当前智能制造系统面临的一个重大挑战。

基于知识图（KG）的方法已被广泛用于供应商推荐（Tu等人，2024年），这些方法构建了领域知识并支持对互连实体和关系的推理。近年来，许多研究人员探索了供应链领域KG的构建（Sezer等人，2023年；Yang等人，2024年；Zhao等人，2022年），以支持供应商选择、资源分配和生产调度的智能决策。传统的KG构建方法主要包括手动建模、表格结构映射（Li等人，2025年）以及基于预训练模型（如BERT）的三元组提取（Ren等人，2023年），这些方法可以在一定程度上捕捉制造知识中的语义关联。然而，随着LLM的快速发展，基于提示的三元组提取和语义解析成为更灵活的知识构建方法（Yang等人，2024年），进一步增强了从非结构化制造语料库中识别实体和关系的能力。GraphRAG架构的引入（Knollmeyer等人，2025年；Wang等人，2026年；Hussien等人，2025年；Han等人，2025年；Zhang等人，2026年；Zeng等人，2025年；Xiao等人，2025年）使LLM能够整合KG中的结构化知识，从而实现更强的上下文意识和推理能力，为复杂供应链场景中的知识增强决策提供了新的技术途径。

然而，在面向大规模批量定制的3D打印供应链中，仍有几个关键挑战需要解决：

•

如何超越传统的静态KG建模范式，来表示3D打印供应链中由事件触发和状态演变产生的动态知识，仍然是一个未解决的问题。在订单执行、产能波动和异常事件期间，实体状态和关系结构不断演变（Zang等人，2025年）。然而，能够明确建模此类事件驱动的结构和状态更新的事件状态知识图（ESKG）尚未完全建立。

•

如何从多维非结构化供应链数据中准确提取捕捉工程语义的结构化知识仍然是一个关键挑战。在订单分解和执行过程中，关键的工程语义通常隐含在过程约束、资源状态和事件中。由于传统深度学习模型在模拟跨上下文依赖性方面的能力有限，它们难以同时实现领域特定的精确性和语义泛化，从而限制了复杂实体和关系的准确提取（Pan等人，2024年；Wei等人，2024年；Musamih等人，2026年；Jiang等人，2026年；Chen等人，2026年）。

•

如何在满足过程约束的同时实现多个工厂之间的协同供应链配置是一个进一步的挑战。在涉及过程和产能的耦合约束下，基于向量相似性或静态规则的传统检索方法无法对动态知识进行可解释的推理，限制了它们在支持可执行配置决策方面的有效性。

为了解决这些挑战，本文提出了一种基于ESKG增强的GraphRAG集成框架。该框架首先定义了六类新的三元组来表征事件、状态及其相关关系。通过从供应链订单、制造过程描述和相关文本数据中提取事件状态三元组，构建了一个动态演变的ESKG。此外，引入了一种BERT-结构和LLM-推理三元组提取（BS-LRTE）混合提取方法。该方法使用BERT-BiLSTM-CRF模型作为结构约束模块，同时利用LLM进行语义推理和补全。实验结果表明，所提出的方法提高了对复杂制造语义的识别能力，同时减少了生成模型中常见的幻觉现象。最后，开发了一种基于ESKG-GraphRAG的混合检索增强机制，其中ESKG作为GraphRAG的本地知识库，实现了文本语义检索与结构化推理之间的协同作用。在涉及新能源车辆内部组件定制生产的代表性3D打印供应链场景中验证了该框架的有效性。进一步进行了消融研究，系统分析了关键元素（包括ESKG、GraphRAG和LLM）对推荐性能的贡献。此外，还对不同规模的LLM进行了比较分析。结果表明，所提出的框架在正常和异常操作场景下都能实现准确的供应链配置。

本研究的主要贡献总结如下：

•

提出了一种用于3D打印供应链的动态ESKG构建方法，能够有效建模事件和状态驱动的知识演变。

•

设计了一种BS-LRTE协同语义增强策略，将BERT-BiLSTM-CRF与LLM相结合，以实现高精度提取复杂的供应链语义。

•

开发了一种基于ESKG-GraphRAG的混合检索增强机制，以支持3D打印供应链的智能配置。

本文的整体结构如下：第2节回顾了相关工作。第3节描述了所提出的GraphRAG集成技术框架。第4节描述了案例研究。第5节总结了本文并讨论了未来的研究方向。

部分摘录

KG在3D打印供应链表示中的应用

在3D打印供应链的表示中，KG将分散在生产数据库、专家经验和纸质订单中的知识整合到一个统一的语义网络中，支持检索和推理。现有研究探索了各种类型的知识图来表示3D打印供应链。例如，时间知识图将时间戳纳入三元组中，以模拟订单状态、生产进度和资源分配的演变。

方法

本文提出了一种将ESKG与GraphRAG相结合的供应链配置技术框架。所提出方法的逻辑框架如图1所示。第3.1节介绍了一种构建动态演变ESKG的技术，该框架结合了事件发生和状态转换的多维知识以及明确的因果推理链。第3.2节描述了使用...

案例描述

本案例研究选取了一个3D打印订单及其相关的供应链，该订单由一家领先的新能源车辆制造商在其2025年车型发布前发起，用于“用户导向的个性化定制和售后备件库存”。3D打印订单的核心要求总结如下：

•

个性化定制：用户可以选择内部装饰组件——如空调出风口环、中央控制台装饰条

方法论视角

本文通过提出一个集成的ESKG-GraphRAG框架，解决了3D打印供应链中订单驱动的供应链配置问题，并通过工业案例研究验证了其有效性。从方法论角度来看，本文提出了一种用于3D打印供应链的订单驱动智能配置方法。通过引入ESKG，供应链中的隐含事件和状态相关知识得到了结构化建模。同时，...

CRediT作者贡献声明

臧天硕：数据整理、调查、形式分析、方法论、软件开发、验证、初稿撰写。李玉珂：数据整理、调查、软件开发。杨茂林：方法论、撰写——审阅与编辑。姜平宇：概念化、资金获取、项目管理、资源协调、撰写——审阅与编辑。

利益冲突声明

作者声明以下可能的财务利益/个人关系可能被视为潜在的利益冲突：姜平宇报告称获得了中国国家自然科学基金的支持。如果还有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了中国国家自然科学基金（编号：52375512）的支持。