Intent-Driven Smart Manufacturing Integrating Knowledge Graphs and Large Language Models
摘要：本文提出一个统一框架，将指令调优的大语言模型与本体对齐的知识图谱集成，在制造即服务（MaaS）生态系统中实现意图驱动交互。通过在域特定数据集上微调Mistral-7B模型，系统可将自然语言意图翻译为结构化JSON需求模型，并语义映射至基于ISA-95标准的Neo4j知识图谱，实现与制造过程、资源和约束的操作对齐，取得89.33%的精确匹配准确率和97.27%的整体准确率。
阅读原文或https://t.zsxq.com/aiPEQ获取原文pdf
正文
导言：智能制造的新范式
制造业正在快速演变，朝着智能化、自主化和以人为中心的范式发展，这一变革统称为工业4.0。智能制造（Smart Manufacturing, SM）是这一转型的核心，它将信息物理系统（CPS）、工业物联网（IIoT）、人工智能（AI）和知识工程等先进技术整合在一起，以优化决策、减少停机时间并实现实时适应性 。这种新范式不仅仅关乎自动化，更重要的是将情境智能和灵活的响应能力嵌入生产环境之中。
在这一转型的核心是信息物理系统（CPS）的集成，它在物理资产及其数字孪生体之间促进实时反馈循环。如Wang等人所强调的，CPS使生产过程与控制逻辑的耦合更加紧密，为敏捷制造工作流铺平道路 。然而，随着工业资产和运营目标的复杂性和异质性不断增加，制造商面临着语义互操作性、决策可追溯性和以用户为中心的编排方面日益增长的挑战。
为应对这些挑战，服务化范式应运而生------从产品中心向服务导向的制造转变。这种范式强调通过根据个人客户需求定制的服务来创造价值，通常在制造即服务（MaaS）的框架下进行 。在这样的环境中，用高层次的方式表达期望的结果变得至关重要。这催生了意图驱动制造的兴起，用户用自然语言表达目标或意图，而智能系统则自主解释并实现这些意图。
意图驱动制造的核心价值
意图驱动方法提供了一个强大的抽象层，使利益相关者能够表达运营目标，而无需定义低层次的执行细节。例如，工厂操作员可以指定："减少B产线的能耗，但不影响吞吐量"，由系统自动重新配置机器参数或重新安排任务 。如Shrouf等人所讨论的，这样的意图感知系统特别适合加强服务化战略，使生产能够更流畅地与客户和企业目标对齐 。
然而，实现这一愿景存在重大技术障碍。自然语言固有的歧义性、变异性和情境依赖性使意图解释成为非平凡的任务。传统的基于规则的系统缺乏灵活性和语义深度，无法准确解析和执行开放式的用户意图。为填补这一空白，知识图谱（KGs）和大语言模型（LLMs）的最新进展提供了一条有希望的道路 。
技术基础：知识图谱与大语言模型的优势
知识图谱提供了对领域知识的结构化、机器可解释的表示，涵盖机器、过程、材料等实体及其相互关系。它们使系统能够推理操作约束、依赖关系和历史数据。另一方面，GPT、LLaMA和Mistral等大语言模型在理解和生成自然语言方面表现突出，使其成为捕获用户意图和生成语义上有意义的响应的理想工具 。
尽管各有其优势，但当前的研究往往将知识图谱和大语言模型作为独立工具来对待，错失了协同集成的机会。传统方法存在的主要问题包括：知识表示和自然语言处理的分离导致语义鸿沟难以跨越；静态本体无法适应动态变化的制造环境；缺乏可解释的推理路径，难以追溯系统决策的依据。
本文的创新方案
本文提出了一个统一的意图驱动智能制造框架，利用指令调优的大语言模型将高层自然语言意图转译为结构化的、可机器执行的需求模型 。相比于仅识别目标的方法，该方案通过生成精确的基于JSON的规范来操作化用户意图，这些规范与特定领域的制造流程相对齐。这使得自动化系统能够对结构化需求进行推理，而非对含糊的文本进行推理，从而促进透明度、可重用性和决策支持 。
该框架采用多阶段管道，将大语言模型（LLMs）、语义需求建模和领域本体集成在一起，确保输出既可解释又在操作上可执行 。系统首先通过微调Mistral-7B-Instruct-V02模型来实现自然语言到结构化JSON需求模型的翻译，然后这些模型被语义映射到基于ISA-95标准的Neo4j知识图谱上，确保与制造过程、资源和约束的操作对齐 。
实验设置与数据集
实验在配备Intel Core i9-14900 CPU（5.8 GHz）和125 GB RAM的高性能Linux工作站上进行，并利用NVIDIA RTX 6000 Ada代GPU进行加速训练，以支持4位量化的大语言模型优化 。
为了有效训练和评估意图翻译模型，研究团队整理了包含2,580个带注解样本的结构化数据集，每个样本都将用自然语言表达的高层用户意图与相应的JSON格式结构化需求模型配对 。由于意图到需求的翻译领域缺乏公开可用的数据集，特别是在制造环境中，研究人员从零开始构建了这个数据集。
数据集涵盖三个具有工业相关性和运营多样性的代表性制造过程，其中包括UpdateInternalFleetSchedule（动态调整内部车队计划以应对运营状态或生产需求的变化）等类别 。每个类别都关联了特定的约束条件，如时间限制、准确性、数据完整性、可用性和资源利用率（CPU、内存）等 。
实验成果与性能指标
该框架通过在特定领域数据集上对Mistral-7B-Instruct-V02进行微调，相比于零样本和3样本基线实现了显著的性能提升，达到了89.33%的精确匹配准确率和97.27%的整体准确率 。这些成果表明，结合指令调优和特定领域微调的方法能够有效地在自然语言意图和结构化需求模型之间建立准确的映射。
相较于仅依赖静态本体或基于提示的方法的先前方法，该研究通过微调通用大语言模型来生成结构化需求模型，然后将其动态映射到基于ISA-95标准的自定义Neo4j知识图谱上，实现了显著的进步 。该本体将制造过程、资源和约束形式化，使得能够进行语义推理和基于用户意图的子图提取。这种知识图谱-语言模型集成在非结构化用户输入与可执行制造知识之间架起了桥梁，在分布式MaaS环境中同时提供了可解释性和操作灵活性 。
未来展望与研究方向
虽然当前系统仅依赖基于大语言模型的推理，但它为与制造知识图谱和领域本体的未来集成奠定了基础。这将使系统能够将结构化意图动态映射到语义相关的子图上，实现情境感知推理和更自适应的行为 。最终愿景是构建一个意图界面，使人类操作员能够以高层目标的方式思考，而智能制造系统则以结构化、可解释和在操作上基础扎实的行动来响应 。
未来研究计划包括：跨多个制造试点推广框架以支持跨领域适应性；集成检索增强生成（RAG）以提高上下文相关性，特别是针对未见过的意图；启用在线微调以支持动态环境中的持续适应 。这些增强功能将使系统转变为制造即服务（MaaS）生态系统中可扩展、灵活且情境感知的意图驱动交互界面 。
学术贡献与实践意义
本研究为智能制造领域带来了多方面的贡献：
理论贡献：首次系统地提出了指令调优大语言模型与本体对齐知识图谱的深度融合方案，打破了两种技术各自为政的局面，展现了协同集成的强大潜力。
技术创新：通过在ISA-95标准基础上构建的Neo4j知识图谱，确保了生成的需求模型与实际制造过程、资源和约束的无缝对接，避免了形式化与实际应用之间的脱节。
实践应用：该框架能够让工厂操作员、生产管理者以及其他利益相关者用自然、直观的方式表达复杂的制造需求，系统自动完成从意图理解到执行的全过程，显著降低了人工配置的复杂度和错误率。
生态适配：框架特别针对制造即服务（MaaS）生态设计，支持跨组织、跨平台的动态协作，为数字化转型深入推进的企业提供了可扩展的解决方案。