大语言模型在精益化工艺管理中的智能应用

摘要：随着相关技术的应用与发展，大语言模型在精益化工艺管理中的应用价值日益凸显。围绕大语言模型的具体应用，就二者的融合问题进行探索。通过结合精益化工艺管理平台，大语言模型在工艺调研、方案、培训等文件生成、知识获取、问题解答、错误分析和关键信息提取等方面提供了自动化和智能化的支持。旨在探讨大语言模型在精益化工艺管理中的智能应用，分析其对制造企业的影响。

关键词：精益化工艺管理；大语言模型；智能应用

一、前言

随着离散制造业的发展，精益化工艺管理成为提高生产效率和总体质量的关键。传统的工艺管理方法有待进一步提升效率和质量，如工艺调研、方案、培训等文件的编制，专业知识和问题的解答，工艺过程中发生的错误分析。大语言模型的出现为精益化工艺管理带来了新的机遇。

二、智能应用

精益化工艺管理是一种管理方法和理念，旨在通过优化流程、消除浪费、提高质量和效率，实现持续改进和增加价值。其源于精益生产和精益制造的原则，逐渐应用于工艺管理领域。

在精益化工艺管理中，通过对工艺流程进行深入分析，识别出实际的价值流和非价值流，以及可能的浪费和瓶颈点。强调持续改进的方法，通过使用各种工具和技术，如标准化工作，实施改进措施，确保该类改进能够持续发展。强调质量管理和防止错误，通过使用质量控制工具和技术，识别和消除潜在的质量问题，确保工艺流程的稳定性和可靠性。精益化工艺管理的目标是实现高效、灵活和高质量的工艺流程，满足客户需求并提供持续竞争优势。通过减少浪费、提高效率和质量，实现更快的交付时间、更低的成本和更高的客户满意度。

大语言模型的核心思想是通过统计建模来捕捉语言的概率分布，即学习语言中词语之间的关系和语法规则。模型通过对文本数据进行训练，学习到了词语出现的概率、句子的合理性以及语言结构的规律。基于学习到的规律，大语言模型能够生成具有合理性、流畅性和语言风格的文本[1]。

在近年来的研究中，大语言模型已经取得了显著的突破，如GPT（Generative Pre-trained Transformer）系列模型和BERT（Bidirectional Encoder Representations from Transformers）模型等，不仅在生成自然语言文本方面取得了重要进展，还在机器翻译、文本摘要、对话系统等自然语言处理任务中展现出了强大的能力。鉴于大语言模型自然语言文本生成、上下文逻辑推理等能力，可以将大语言模型广泛应用在工艺管理过程中的诸多环节，如图1所示。

（一） 工艺调研、方案、培训等文件的生成

在工艺调研、方案制定以及培训文件生成的过程中，大语言模型通过深度学习技术，从历史文件中汲取知识，模拟人类撰写文件的逻辑和风格，提升文件生成的效率，在文件的准确性和一致性上达到了新的高度。

大语言模型对大量的历史文件进行学习，提取关键信息和撰写规则。例如，在工艺调研文件中，模型会学习到如何系统地描述工艺流程、设备选型、原材料特性等关键要素。在方案文件中，模型学会如何根据客户需求和约束条件，提出切实可行的解决方案。在培训文件中，模型模拟人类教师的语言风格，生成通俗易懂、步骤详细的操作指南。该技术的实现离不开自然语言处理和深度学习算法的支持。大语言模型通过分析文本的语法、语义结构，以及上下文关系，生成语法正确、语义通顺的文本内容。通过大量的训练数据，模型能够学习到不同文件类型的写作风格和结构特点，生成符合特定需求的文件。例如，需要生成一份关于某种新工艺的调研文件。通过输入相关的关键词和约束条件，大语言模型能够自动生成一份包含工艺流程、设备选型、原材料分析以及市场前景预测等内容的调研文件，不仅结构清晰、内容丰富，而且语言通顺、易于理解。在制定一个复杂的工程项目方案时，可以利用大语言模型来快速生成一份初步的方案文件。模型会根据输入的项目需求、预算限制以及时间要求等信息，自动生成一份包含项目目标、实施方案、风险评估以及预期成果等内容的方案文件，减轻了项目团队的工作负担，提高了工作效率。

（二）专业知识获取和问题解答

在专业知识获取和问题解答方面，大语言模型通过集成RAG（Retrieval-Augmented Generation）技术，构建一个高效且智能的知识问答系统。该系统为工艺师和操作人员提供了一个便捷的查询工具，促进了工艺知识的传播和应用。大语言模型利用RAG技术，实时检索和整合工艺文件、标准操作程序和最佳实践等关键信息。当用户提出问题时，模型迅速理解问题的核心要点，从知识库中检索出最相关的信息，生成准确且有针对性的回答。例如，当工艺师面临一个复杂的操作难题时，通过向系统提问，迅速获取相关的操作指南和解决方案，节省了查找资料的时间，提高了解决问题的效率。

大语言模型在理解问题和提供答案方面的能力，得益于其强大的自然语言处理技术和深度学习算法。该类技术使得模型能够深入理解问题的语义和上下文，从而生成更加贴合用户需求的回答。通过不断的学习和训练，模型能够持续优化回答问题的质量和准确性。列如，操作人员想要了解某种特殊材料的加工工艺。通过智能问答系统提问，系统会迅速检索出与该材料加工相关的工艺文件、操作程序和最佳实践，生成一份详细的加工指南。操作人员在短时间内全面掌握这种材料的加工工艺，确保加工过程的顺利进行。

（三）工艺过程错误分析

在工艺过程中，错误分析是一个至关重要的环节。大语言模型在该领域的应用，为工艺师和操作人员提供了强有力的自动化支持。模型具备深入分析工艺数据和日志的能力，精准地识别出潜在的错误，为解决这些错误提供有效的方案。

大语言模型通过自然语言处理和机器学习的技术，高效地处理大量的文本数据。在工艺过程中，自动扫描工艺数据和日志，通过比对预设的规则和历史数据，快速发现异常或错误。例如，如果某个工艺步骤的数据超出了正常范围，模型就会立即标记出来，并尝试找出可能的原因。

大语言模型不仅限于错误的识别，基于其强大的学习能力，还可以从以往错误处理的经验中学习，推荐出适当的解决措施，帮助工艺人员迅速定位问题，提供经过验证的解决方案，提高工艺操作的准确性[2]。例如，假设在一个复杂的机械加工过程中，某个步骤的数据出现了异常。大语言模型在分析日志时发现了这个问题，立即提醒操作人员。根据以往类似错误的处理经验，模型推荐了一系列的解决措施，包括调整加工参数、检查刀具状态等。操作人员根据模型的建议，迅速排除了故障，保证了加工的顺利进行。

（四）关键信息提取与分析

在工艺管理中，关键信息的提取与分析是优化流程和提高效率的重要步骤。大语言模型在该环节中发挥着关键作用，其强大的文本分析能力使得从大量的工艺文件、操作记录和质量报告中精准提取关键信息成为可能，对于监控工艺过程、评估工作绩效以及识别潜在的改进机会至关重要。

大语言模型运用先进的自然语言处理技术和机器学习算法，“理解”文本中的深层含义，准确地提取关键信息。信息包括工艺过程中的关键指标、异常情况记录，甚至是针对现有流程的优化建议。模型通过对关键信息的分析，为工艺管理人员提供有力的决策支持。

大语言模型在处理工艺文件时，自动识别并提取温度、压力、时间等关键工艺参数，帮助管理人员实时监控工艺过程的稳定性。通过分析操作记录，模型迅速发现操作中的异常情况，如设备故障、原料质量问题等，及时采取措施防止问题扩大。模型能从质量报告中挖掘出产品质量的变化趋势，为改进产品质量提供数据支持。大语言模型通过分析历史数据，为工艺过程的优化提供建议。例如，模型通过分析过去一段时间内的生产数据，找出影响产品质量的关键因素，据此提出改进建议。建议可能涉及调整工艺参数、更换原料供应商或改进设备等方面，对于提高生产效率和产品质量具有重要意义。

三、应用方案

以城轨车辆总装产线为例，通过大语言模型应用于前端工艺管理平台，不断完善和优化工艺策划平台的管控能力，实现工艺信息的结构化、信息化和智能化输出，从而及时、准确且符合规范地向总装制造产线提供工艺信息。

（一）本地安装部署大语言模型

本文所述的大语言模型使用ChatGLM3-6B。ChatGLM3是智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型。ChatGLM3-6B 是 ChatGLM3 系列中的开源模型，在保留了前两代模型对话流畅、部署门槛低等众多优秀特性的基础上，ChatGLM3-6B 引入了如下特性：更强大的基础模型、更完整的功能支持、更全面的开源序列。

（二）构建Prompt工具用于生成文件

在城轨车辆总装产线中，前端工艺管理平台的工艺管理线扮演着至关重要的角色，特别是在工艺调研、方案和培训等文件编制环节。为了提高这些环节的工作效率，引入了基于ChatGLM3的Prompt工具，该工具与在线Word编制工具相结合，为工艺师提供了更高效的支持。

通过Prompt工具，工艺师在编制文件时能够快速选择参考的历史文件，并输入关键要点，迅速生成所需的方案文件。该功能在城轨车辆总装产线中尤为重要，产线涉及的工艺流程复杂，且需要频繁更新和优化[3]。利用Prompt工具，工艺师快速地基于历史经验和数据生成新的工艺方案，提高了工作效率。

Prompt工具提供了强大的文本重组织功能。在编制文件过程中，工艺师选择文件中的部分文本内容，通过Prompt工具根据选中文本的上下文重新组织语言。该功能在城轨车辆总装产线的文件编制中非常实用。例如，当工艺师需要对某个工艺流程进行详细描述时，利用这一功能，快速将相关文本内容进行整合和优化，使得文件更加清晰、准确。

（三）外挂向量数据库用于专业知识获取和问题解答、工艺过程错误分析

在城轨车辆总装产线中，外挂向量数据库的应用对于专业知识获取、问题解答以及工艺过程错误分析具有重要意义。通过外挂工艺文件、标准操作程序、最佳实践等文档，可以显著增强大型语言模型（LLM）的能力，使其更加贴近实际生产环境，提供更为精准和专业的支持，如图2所示。

为了扩展LLM的数据源，利用外部向量数据库、外部知识图谱，甚至将现有的Elasticsearch或生产环境下的搜索引擎接入。外部数据源为LLM提供了丰富的专业知识，使LLM能够更全面地理解工艺操作和解答相关问题。

在实际应用中，当工艺师和操作人员遇到问题时，通过问答功能向LLM提问。LLM会首先检索外挂向量数据源中与用户问题相关的内容，将这些信息合并后嵌入模型中。根据自身的认知能力，LLM会生成专业的回答，帮助用户更好地理解和执行工艺操作[4]。例如，在城轨车辆总装产线中，操作人员可能会询问关于某个零部件的安装步骤或注意事项。通过检索外挂文档和向量数据库，LLM能够提供详细的操作步骤和注意事项，确保操作的准确性和安全性。

此外，将工艺过程中产生的错误日志索引到向量数据库中。利用LLM的代码解释能力和以往错误处理的FAQ文档知识，对错误日志进行深入分析，找出错误的原因，给出解决错误问题的建议。结合外挂数据源和LLM的方式，为解决城轨车辆总装产线中的错误问题提供了有力的支持。例如，当产线出现某种故障时，LLM通过分析错误日志和相关知识，快速定位故障原因，提供解决方案，提高故障处理的效率和准确性。

（四）建立关键信息图谱用于监控、评估、识别

在城轨车辆总装产线中，关键信息图谱的建立对于监控、评估和识别生产过程中的关键信息至关重要。该图谱的构建依赖于大语言模型（LLM）从工艺文件、操作记录和质量报告中精准提取关键数据，结合了数据挖掘技术来全面收集生产信息。

实时监控是城轨车辆总装产线管理的核心环节。通过关键信息图谱，实时追踪各个生产环节的数据，如零部件的安装状态、质量检测结果、设备运行参数等。全面的监控能力使得管理人员能够迅速发现生产过程中的潜在问题和异常。例如，某个工序的耗时过长、某个零部件的合格率偏低等。一旦发现这些问题，管理人员可以立即采取相应的措施进行调整，确保生产线的稳定、高效运行。

除了实时监控外，关键信息图谱为城轨车辆总装产线的评估提供了有力支持。通过对图谱中的数据进行深入分析，可以全面评估产线的性能、生产效率和产品质量[5]。例如，通过对比不同时间段的生产数据，可以发现生产效率的变化趋势，找出影响效率的关键因素。对质量数据的分析可以帮助识别产品缺陷的根源，为质量改进提供明确的方向。

在城轨车辆总装产线中，关键信息图谱还具备强大的识别功能。通过大语言模型对监控和评估结果进行深入分析，图谱自动生成相应的结论和建议。结论和建议指出了当前生产中存在的问题，并提供了具体的改进措施。例如，当图谱识别到某个工序的废品率异常升高时，自动分析可能的原因，并建议对设备进行调整或对操作人员进行培训。

四、结语

通过探讨大语言模型在精益化工艺管理中的智能应用，展示了其在制造企业中的潜在价值。随着技术的不断发展，大语言模型将在精益化工艺管理中发挥更大的作用，为制造企业带来更高的生产效率和总体质量。

参考文献

[1]雷天凤，张永，龚春忠，等.基于大语言模型的竞品车型配置问答系统设计与应用研究[J].汽车科技，2024（03）：73-80.

[2]何钊.一种基于语言大模型的强度智能化知识管理的应用[J].无线互联科技，2024，21（09）：46-48.

[3]秦龙，武万森，刘丹，等.基于大语言模型的复杂任务自主规划处理框架[J].自动化学报，2024，50（04）：862-872.

[4]曾康，叶剑元，崔学岭，等.生成式大语言模型关键技术在民航维修领域中的应用探索与挑战[J].航空维修与工程，2024（01）：20-24.

[5]冯钧，畅阳红，陆佳民，等.基于大语言模型的水工程调度知识图谱的构建与应用[J].计算机科学与探索，2024，18（06）：1637-1647.

作者单位：南京中车浦镇城轨车辆有限责任公司

■ 责任编辑：张津平、尚丹