动态-静态知识图谱增强的大型语言模型推理技术，用于钢铁制造中的智能工艺规划

《JOURNAL OF MANUFACTURING SYSTEMS》：Dynamic-static knowledge graph enhanced LLM reasoning for intelligent process planning in steel manufacturing

动态静态知识图谱增强的LLM工艺规划方法在钢铁制造中应用，通过SSPKG组织历史知识，DSCKG实时编辑条件，PS提示策略引导生成符合动态约束的工艺方案，实验表明DeepSeek和ChatGPT-3.5生成策略准确率分别提升11.13%和8.63%

　　

陈玉轩|饶江平|曾永龙|查梦|颜伟|姜志刚|刘颖

湖北机械传动与制造工程重点实验室，武汉科技大学，武汉430081，中国

摘要

作为钢铁制造中的一个关键步骤，工艺规划显著提高了生产效率和产品质量。随着知识图谱（KG）技术的发展，在利用历史知识进行智能工艺规划方面取得了显著进展。然而，现有的基于KG的方法主要依赖于静态知识的复用，这无法适应钢铁制造中熔炼条件的实时变化。此外，工艺规划策略的生成仍然严重依赖于人类专业知识，这使得该过程耗时且劳动密集。为了解决这些挑战，本文提出了一种基于动态-静态KG增强的大型语言模型（LLM）的智能工艺规划方法。首先，引入了一个静态熔炼工艺KG（SSPKG），使用卷积块注意力机制增强的分区融合Kolmogorov-Arnold网络（CBAM-PFKAN）来组织历史熔炼知识。然后，建立了一个动态熔炼条件KG（DSCKG），根据预定义的规则将实时熔炼条件转换为结构化的知识三元组。其次，设计了一种计划与解决（PS）提示策略，指导LLM分解复杂的工艺优化查询，从KG中检索静态和动态知识，并逐步生成工艺方案。最后，通过一个行业案例研究验证了所提出的方法。与基线方法相比，该方法在工艺知识提取方面表现更优，在DeepSeek上的准确率提高了11.13%，在ChatGPT-3.5上提高了8.63%。

引言

新一代信息技术的快速发展正在深刻地改变制造业，并加速其向智能制造的转型[1]。工艺规划是产品设计与产品制造之间的中间阶段，与产品质量和成本密切相关。智能工艺规划作为智能制造转型的关键推动者，对于提高资源利用率、生产效率和产业发展的可持续性至关重要[2]。作为制造业的核心组成部分，钢铁制造中的工艺规划主要依赖于专家经验，这既耗时又劳动密集，并且在动态变化的炼钢条件下难以始终做出准确决策，从而导致资源浪费和大量的额外碳排放。据统计，钢铁生产每年消耗超过24亿吨铁矿石，并产生超过26亿吨碳排放，占全球排放量的7%[3]，[4]。因此，在温室效应不断加剧的背景下，钢铁制造中的智能工艺规划不仅是促进经济发展的必然要求，也是实现优化资源分配和战略脱碳目标的关键步骤[5]。

工艺知识的共享和复用是智能工艺规划的前提条件[6]。目前，钢铁企业积累了大量的历史炼钢案例，涵盖了在不同炼钢条件下各种钢等级的熔炼过程记录。这些记录包括关于原材料、设备和所用熔炼过程的信息，以及采用的标准，其中包含了丰富的熔炼过程知识。KG作为人工智能技术的一个重要分支，是知识组织和管理的高级工具[7]。基于KG的智能问答模型已被证明是知识复用的有效方法。然而，由于钢铁制造过程规划需要全面考虑实时熔炼要求和炼钢条件，工艺规划查询通常具有逻辑嵌套的语义结构。由于语义解析和逻辑推理能力的限制，基于KG的问答模型在处理复杂的语义查询任务时表现不佳[8]。更重要的是，尽管可以提前获得客户订单和钢铁企业的熔炼要求，但包括原材料和设备在内的炼钢条件会受到动态变化的影响。目前，缺乏有效的方法来获取这些炼钢条件的可靠信息。这些因素限制了历史工艺知识的高效复用。

近年来，生成式人工智能（GAI）的兴起，特别是像DeepSeek或ChatGPT这样的LLM，利用其强大的自然语言理解和上下文推理能力来支持查询意图的准确解析[9]。目前，LLM已广泛应用于智能制造领域，如产品设计、制造过程和设备维护[10]。例如，Xu等人[11]提出了一个AI-MCD框架用于协同产品设计，Lin等人[12]通过结合检索增强生成（RAG）和多智能体系统构建了MAKG框架，用于智能工业设备维护。然而，LLM存在固有的幻觉限制，生成的输出可能看起来正确但实际上毫无意义或与现实相矛盾。此外，LLM在垂直领域应用中的表现不佳，主要是因为模型无法理解领域查询中的特定术语[13]。为了解决这些问题，许多现有研究采用微调来修改模型参数，以提高LLM处理领域特定查询的能力[14]。然而，模型微调在时间和计算资源方面成本高昂，还存在灾难性遗忘的风险。同时，随着钢铁等级、原材料、设备类型和炼钢过程的持续发展和优化，用于微调LLM的数据集或语料库需要频繁更新。为了规避重新训练LLM和调整预训练数据集所需的大量时间和成本，研究人员将重点转向了知识编辑，旨在以成本效益高的方式更新LLM的知识。然而，现有方法难以有效解决知识冲突，并忽视了二次编辑的问题，这可能会在LLM的推理过程中引入噪声。此外，一些学者通过设计查询优化方法（如扩展、分解、消歧和抽象）来提高LLM处理复杂语义结构查询的性能[15]。然而，这些方法大多需要手动构建大量示例或微调模型，从而导致大量的人力和资源消耗。

为了解决这些挑战，本文提出了一种基于动态-静态KG增强的LLM推理方法，用于钢铁制造中的智能工艺规划。通过构建SSPKG和DSCKG分别组织和管理历史熔炼知识和实时熔炼条件，设计了一种PS提示策略来指导LLM生成符合实时熔炼条件的工艺规划方案。本工作的主要贡献如下：

(1)

构建了一个动态-静态KG增强的LLM推理框架，提供了减少对专家依赖并提高钢铁制造中工艺规划智能程度的可行技术解决方案。

(2)

分别构建了SSPKG和DSCKG，从历史炼钢案例中建立可复用的结构化知识数据库，并将实时熔炼信息转换为知识三元组，为LLM提供不断更新的熔炼条件约束，而无需昂贵的重新训练。

(3)

设计了一种PS提示策略，指导LLM分解工艺规划查询并从SSPKG和DSCKG中检索相关知识，从而逐步生成符合实时熔炼条件约束的工艺方案。

本文的其余部分组织如下。第2节回顾了钢铁制造工艺规划的相关文献、基于KG和LLM的协作模型在制造领域的应用以及LLM的知识编辑。第3节介绍了所提出方法的整体技术框架，并详细阐述了三个主要步骤的设计。第4节通过一个行业案例研究评估了所提出方法的有效性。第5节总结了本文并讨论了未来的研究方向。

章节片段

钢铁制造中的工艺规划

目前，钢铁生产主要依赖于转炉炼钢和电弧炉炼钢，前者占全球钢铁生产的71%[16]。作为钢铁生产的核心过程，转炉炼钢过程可以大致分为三个阶段：装料、吹氧和渣形成。

在装料阶段，合理规划原材料比例决定了后续工艺操作的边界条件和可行性。

框架

所提出方法的总体研究框架包括三个阶段，即基于静态KG的工艺知识结构化、基于动态KG的熔炼条件编辑以及由PS提示引导的LLM进行工艺规划方案生成，如图1所示。

(1)

基于静态KG的工艺知识结构化。在第一阶段，定义了转炉炼钢的关键概念和关系，并设计了CBAM-PFKAN模型从非结构化的历史转炉数据中提取知识

案例背景和设置

所提出的方法已应用于一家中国领先的现代化综合钢铁企业，该公司在熔炼过程研究和生产实践方面具有深厚的历史和重要的行业影响力。此外，该公司主要使用转炉炼钢工艺，配备了先进的工艺和测试技术，如熔铁预处理、自动化炼钢控制系统、副枪动态控制和炉内气体

结果

CBAM-PFKAN模型基于PyTorch深度学习框架构建。在训练过程中，学习率设置为3×10^-5，使用Adam优化器以防止陷入局部最优。模型使用二元交叉熵损失函数进行训练，并结合L1正则化和DropConnect正则化以加速模型收敛。同时，使用Python的“requests”库从企业ERP系统中实时检索熔炼原材料数据。

CBAM-PFKAN模型的性能

F1分数是评估模型性能的核心指标，计算为精确度和召回率的调和平均值。如图7所示，所提出的CBAM-PFKAN模型在实体和关系提取任务中的高F1分数表明其出色的知识提取能力，能够有效识别历史转炉炼钢案例记录中的关键实体及其关系。值得注意的是，关系提取的F1分数略低于

结论

为了克服现有钢铁制造工艺规划方法的局限性，本文提出了一种基于动态-静态KG增强的LLM的智能工艺规划方法。基于设计的CBAM-PFKAN模型和基于动态KG的知识编辑方法，分别构建了SSPKG和DSCKG，为LLM处理钢铁制造工艺规划任务提供了历史熔炼过程知识和实时熔炼条件信息。

CRediT作者贡献声明

饶江平：撰写 – 审稿与编辑、资源管理、概念化。曾永龙：资源管理、方法论、数据管理、概念化。查梦：软件开发、数据管理。颜伟：撰写 – 审稿与编辑、监督、方法论、资金获取、概念化。姜志刚：资金获取、概念化。刘颖：撰写 – 审稿与编辑、监督。陈玉轩：撰写 – 原稿撰写、软件开发、方法论、形式分析、数据管理，

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢国家自然科学基金（编号：52575594、51975432）和武汉科技大学“十四五”湖北省优势特色学科（群）项目（编号：2023B0405）的支持。