大語言模型在精益化工藝管理中的智能應用

摘要：隨著相關技術的應用與發展，大語言模型在精益化工藝管理中的應用價值日益凸顯。圍繞大語言模型的具體應用，就二者的融合問題進行探索。通過結合精益化工藝管理平臺，大語言模型在工藝調研、方案、培訓等文件生成、知識獲取、問題解答、錯誤分析和關鍵信息提取等方面提供了自動化和智能化的支持。旨在探討大語言模型在精益化工藝管理中的智能應用，分析其對制造企業的影響。

關鍵詞：精益化工藝管理；大語言模型；智能應用

一、前言

隨著離散制造業的發展，精益化工藝管理成為提高生產效率和總體質量的關鍵。傳統的工藝管理方法有待進一步提升效率和質量，如工藝調研、方案、培訓等文件的編制，專業知識和問題的解答，工藝過程中發生的錯誤分析。大語言模型的出現為精益化工藝管理帶來了新的機遇。

二、智能應用

精益化工藝管理是一種管理方法和理念，旨在通過優化流程、消除浪費、提高質量和效率，實現持續改進和增加價值。其源于精益生產和精益制造的原則，逐漸應用于工藝管理領域。

在精益化工藝管理中，通過對工藝流程進行深入分析，識別出實際的價值流和非價值流，以及可能的浪費和瓶頸點。強調持續改進的方法，通過使用各種工具和技術，如標準化工作，實施改進措施，確保該類改進能夠持續發展。強調質量管理和防止錯誤，通過使用質量控制工具和技術，識別和消除潛在的質量問題，確保工藝流程的穩定性和可靠性。精益化工藝管理的目標是實現高效、靈活和高質量的工藝流程，滿足客戶需求并提供持續競爭優勢。通過減少浪費、提高效率和質量，實現更快的交付時間、更低的成本和更高的客戶滿意度。

大語言模型的核心思想是通過統計建模來捕捉語言的概率分布，即學習語言中詞語之間的關系和語法規則。模型通過對文本數據進行訓練，學習到了詞語出現的概率、句子的合理性以及語言結構的規律?；趯W習到的規律，大語言模型能夠生成具有合理性、流暢性和語言風格的文本[1]。

在近年來的研究中，大語言模型已經取得了顯著的突破，如GPT（Generative Pre-trained Transformer）系列模型和BERT（Bidirectional Encoder Representations from Transformers）模型等，不僅在生成自然語言文本方面取得了重要進展，還在機器翻譯、文本摘要、對話系統等自然語言處理任務中展現出了強大的能力。鑒于大語言模型自然語言文本生成、上下文邏輯推理等能力，可以將大語言模型廣泛應用在工藝管理過程中的諸多環節，如圖1所示。

（一） 工藝調研、方案、培訓等文件的生成

在工藝調研、方案制定以及培訓文件生成的過程中，大語言模型通過深度學習技術，從歷史文件中汲取知識，模擬人類撰寫文件的邏輯和風格，提升文件生成的效率，在文件的準確性和一致性上達到了新的高度。

大語言模型對大量的歷史文件進行學習，提取關鍵信息和撰寫規則。例如，在工藝調研文件中，模型會學習到如何系統地描述工藝流程、設備選型、原材料特性等關鍵要素。在方案文件中，模型學會如何根據客戶需求和約束條件，提出切實可行的解決方案。在培訓文件中，模型模擬人類教師的語言風格，生成通俗易懂、步驟詳細的操作指南。該技術的實現離不開自然語言處理和深度學習算法的支持。大語言模型通過分析文本的語法、語義結構，以及上下文關系，生成語法正確、語義通順的文本內容。通過大量的訓練數據，模型能夠學習到不同文件類型的寫作風格和結構特點，生成符合特定需求的文件。例如，需要生成一份關于某種新工藝的調研文件。通過輸入相關的關鍵詞和約束條件，大語言模型能夠自動生成一份包含工藝流程、設備選型、原材料分析以及市場前景預測等內容的調研文件，不僅結構清晰、內容豐富，而且語言通順、易于理解。在制定一個復雜的工程項目方案時，可以利用大語言模型來快速生成一份初步的方案文件。模型會根據輸入的項目需求、預算限制以及時間要求等信息，自動生成一份包含項目目標、實施方案、風險評估以及預期成果等內容的方案文件，減輕了項目團隊的工作負擔，提高了工作效率。

（二）專業知識獲取和問題解答

在專業知識獲取和問題解答方面，大語言模型通過集成RAG（Retrieval-Augmented Generation）技術，構建一個高效且智能的知識問答系統。該系統為工藝師和操作人員提供了一個便捷的查詢工具，促進了工藝知識的傳播和應用。大語言模型利用RAG技術，實時檢索和整合工藝文件、標準操作程序和最佳實踐等關鍵信息。當用戶提出問題時，模型迅速理解問題的核心要點，從知識庫中檢索出最相關的信息，生成準確且有針對性的回答。例如，當工藝師面臨一個復雜的操作難題時，通過向系統提問，迅速獲取相關的操作指南和解決方案，節省了查找資料的時間，提高了解決問題的效率。

大語言模型在理解問題和提供答案方面的能力，得益于其強大的自然語言處理技術和深度學習算法。該類技術使得模型能夠深入理解問題的語義和上下文，從而生成更加貼合用戶需求的回答。通過不斷的學習和訓練，模型能夠持續優化回答問題的質量和準確性。列如，操作人員想要了解某種特殊材料的加工工藝。通過智能問答系統提問，系統會迅速檢索出與該材料加工相關的工藝文件、操作程序和最佳實踐，生成一份詳細的加工指南。操作人員在短時間內全面掌握這種材料的加工工藝，確保加工過程的順利進行。

（三）工藝過程錯誤分析

在工藝過程中，錯誤分析是一個至關重要的環節。大語言模型在該領域的應用，為工藝師和操作人員提供了強有力的自動化支持。模型具備深入分析工藝數據和日志的能力，精準地識別出潛在的錯誤，為解決這些錯誤提供有效的方案。

大語言模型通過自然語言處理和機器學習的技術，高效地處理大量的文本數據。在工藝過程中，自動掃描工藝數據和日志，通過比對預設的規則和歷史數據，快速發現異常或錯誤。例如，如果某個工藝步驟的數據超出了正常范圍，模型就會立即標記出來，并嘗試找出可能的原因。

大語言模型不僅限于錯誤的識別，基于其強大的學習能力，還可以從以往錯誤處理的經驗中學習，推薦出適當的解決措施，幫助工藝人員迅速定位問題，提供經過驗證的解決方案，提高工藝操作的準確性[2]。例如，假設在一個復雜的機械加工過程中，某個步驟的數據出現了異常。大語言模型在分析日志時發現了這個問題，立即提醒操作人員。根據以往類似錯誤的處理經驗，模型推薦了一系列的解決措施，包括調整加工參數、檢查刀具狀態等。操作人員根據模型的建議，迅速排除了故障，保證了加工的順利進行。

（四）關鍵信息提取與分析

在工藝管理中，關鍵信息的提取與分析是優化流程和提高效率的重要步驟。大語言模型在該環節中發揮著關鍵作用，其強大的文本分析能力使得從大量的工藝文件、操作記錄和質量報告中精準提取關鍵信息成為可能，對于監控工藝過程、評估工作績效以及識別潛在的改進機會至關重要。

大語言模型運用先進的自然語言處理技術和機器學習算法，“理解”文本中的深層含義，準確地提取關鍵信息。信息包括工藝過程中的關鍵指標、異常情況記錄，甚至是針對現有流程的優化建議。模型通過對關鍵信息的分析，為工藝管理人員提供有力的決策支持。

大語言模型在處理工藝文件時，自動識別并提取溫度、壓力、時間等關鍵工藝參數，幫助管理人員實時監控工藝過程的穩定性。通過分析操作記錄，模型迅速發現操作中的異常情況，如設備故障、原料質量問題等，及時采取措施防止問題擴大。模型能從質量報告中挖掘出產品質量的變化趨勢，為改進產品質量提供數據支持。大語言模型通過分析歷史數據，為工藝過程的優化提供建議。例如，模型通過分析過去一段時間內的生產數據，找出影響產品質量的關鍵因素，據此提出改進建議。建議可能涉及調整工藝參數、更換原料供應商或改進設備等方面，對于提高生產效率和產品質量具有重要意義。

三、應用方案

以城軌車輛總裝產線為例，通過大語言模型應用于前端工藝管理平臺，不斷完善和優化工藝策劃平臺的管控能力，實現工藝信息的結構化、信息化和智能化輸出，從而及時、準確且符合規范地向總裝制造產線提供工藝信息。

（一）本地安裝部署大語言模型

本文所述的大語言模型使用ChatGLM3-6B。ChatGLM3是智譜AI和清華大學 KEG 實驗室聯合發布的新一代對話預訓練模型。ChatGLM3-6B 是 ChatGLM3 系列中的開源模型，在保留了前兩代模型對話流暢、部署門檻低等眾多優秀特性的基礎上，ChatGLM3-6B 引入了如下特性：更強大的基礎模型、更完整的功能支持、更全面的開源序列。

（二）構建Prompt工具用于生成文件

在城軌車輛總裝產線中，前端工藝管理平臺的工藝管理線扮演著至關重要的角色，特別是在工藝調研、方案和培訓等文件編制環節。為了提高這些環節的工作效率，引入了基于ChatGLM3的Prompt工具，該工具與在線Word編制工具相結合，為工藝師提供了更高效的支持。

通過Prompt工具，工藝師在編制文件時能夠快速選擇參考的歷史文件，并輸入關鍵要點，迅速生成所需的方案文件。該功能在城軌車輛總裝產線中尤為重要，產線涉及的工藝流程復雜，且需要頻繁更新和優化[3]。利用Prompt工具，工藝師快速地基于歷史經驗和數據生成新的工藝方案，提高了工作效率。

Prompt工具提供了強大的文本重組織功能。在編制文件過程中，工藝師選擇文件中的部分文本內容，通過Prompt工具根據選中文本的上下文重新組織語言。該功能在城軌車輛總裝產線的文件編制中非常實用。例如，當工藝師需要對某個工藝流程進行詳細描述時，利用這一功能，快速將相關文本內容進行整合和優化，使得文件更加清晰、準確。

（三）外掛向量數據庫用于專業知識獲取和問題解答、工藝過程錯誤分析

在城軌車輛總裝產線中，外掛向量數據庫的應用對于專業知識獲取、問題解答以及工藝過程錯誤分析具有重要意義。通過外掛工藝文件、標準操作程序、最佳實踐等文檔，可以顯著增強大型語言模型（LLM）的能力，使其更加貼近實際生產環境，提供更為精準和專業的支持，如圖2所示。

為了擴展LLM的數據源，利用外部向量數據庫、外部知識圖譜，甚至將現有的Elasticsearch或生產環境下的搜索引擎接入。外部數據源為LLM提供了豐富的專業知識，使LLM能夠更全面地理解工藝操作和解答相關問題。

在實際應用中，當工藝師和操作人員遇到問題時，通過問答功能向LLM提問。LLM會首先檢索外掛向量數據源中與用戶問題相關的內容，將這些信息合并后嵌入模型中。根據自身的認知能力，LLM會生成專業的回答，幫助用戶更好地理解和執行工藝操作[4]。例如，在城軌車輛總裝產線中，操作人員可能會詢問關于某個零部件的安裝步驟或注意事項。通過檢索外掛文檔和向量數據庫，LLM能夠提供詳細的操作步驟和注意事項，確保操作的準確性和安全性。

此外，將工藝過程中產生的錯誤日志索引到向量數據庫中。利用LLM的代碼解釋能力和以往錯誤處理的FAQ文檔知識，對錯誤日志進行深入分析，找出錯誤的原因，給出解決錯誤問題的建議。結合外掛數據源和LLM的方式，為解決城軌車輛總裝產線中的錯誤問題提供了有力的支持。例如，當產線出現某種故障時，LLM通過分析錯誤日志和相關知識，快速定位故障原因，提供解決方案，提高故障處理的效率和準確性。

（四）建立關鍵信息圖譜用于監控、評估、識別

在城軌車輛總裝產線中，關鍵信息圖譜的建立對于監控、評估和識別生產過程中的關鍵信息至關重要。該圖譜的構建依賴于大語言模型（LLM）從工藝文件、操作記錄和質量報告中精準提取關鍵數據，結合了數據挖掘技術來全面收集生產信息。

實時監控是城軌車輛總裝產線管理的核心環節。通過關鍵信息圖譜，實時追蹤各個生產環節的數據，如零部件的安裝狀態、質量檢測結果、設備運行參數等。全面的監控能力使得管理人員能夠迅速發現生產過程中的潛在問題和異常。例如，某個工序的耗時過長、某個零部件的合格率偏低等。一旦發現這些問題，管理人員可以立即采取相應的措施進行調整，確保生產線的穩定、高效運行。

除了實時監控外，關鍵信息圖譜為城軌車輛總裝產線的評估提供了有力支持。通過對圖譜中的數據進行深入分析，可以全面評估產線的性能、生產效率和產品質量[5]。例如，通過對比不同時間段的生產數據，可以發現生產效率的變化趨勢，找出影響效率的關鍵因素。對質量數據的分析可以幫助識別產品缺陷的根源，為質量改進提供明確的方向。

在城軌車輛總裝產線中，關鍵信息圖譜還具備強大的識別功能。通過大語言模型對監控和評估結果進行深入分析，圖譜自動生成相應的結論和建議。結論和建議指出了當前生產中存在的問題，并提供了具體的改進措施。例如，當圖譜識別到某個工序的廢品率異常升高時，自動分析可能的原因，并建議對設備進行調整或對操作人員進行培訓。

四、結語

通過探討大語言模型在精益化工藝管理中的智能應用，展示了其在制造企業中的潛在價值。隨著技術的不斷發展，大語言模型將在精益化工藝管理中發揮更大的作用，為制造企業帶來更高的生產效率和總體質量。

參考文獻

[1]雷天鳳，張永，龔春忠，等.基于大語言模型的競品車型配置問答系統設計與應用研究[J].汽車科技，2024（03）：73-80.

[2]何釗.一種基于語言大模型的強度智能化知識管理的應用[J].無線互聯科技，2024，21（09）：46-48.

[3]秦龍，武萬森，劉丹，等.基于大語言模型的復雜任務自主規劃處理框架[J].自動化學報，2024，50（04）：862-872.

[4]曾康，葉劍元，崔學嶺，等.生成式大語言模型關鍵技術在民航維修領域中的應用探索與挑戰[J].航空維修與工程，2024（01）：20-24.

[5]馮鈞，暢陽紅，陸佳民，等.基于大語言模型的水工程調度知識圖譜的構建與應用[J].計算機科學與探索，2024，18（06）：1637-1647.

作者單位：南京中車浦鎮城軌車輛有限責任公司

■ 責任編輯：張津平、尚丹