[论文解读] Designing an LLM-Based Copilot for Manufacturing Equipment Selection

Jonas Werheid, Oleksandr Melnychuk+11 more|arXiv (Cornell University)|Jan 1, 2024

Manufacturing Process and Optimization被引用 1

一句话总结

本文提出了一种基于检索增强生成（RAG）的事实驱动型大语言模型（LLM）协作工具，用于简化制造产线启动阶段的自动化设备选型。该方法整合了结构化与半结构化知识，引导工程师通过可追溯的状态机工作流，实现22次设备选型中19次正确，22次推荐中6次完全符合规范，在工业测试中表现良好。

ABSTRACT

Effective decision-making in automation equipment selection is critical for reducing ramp-up time and maintaining production quality, especially in the face of increasing product variation and market demands. However, limited expertise and resource constraints often result in inefficiencies during the ramp-up phase when new products are integrated into production lines. Existing methods often lack structured and tailored solutions to support automation engineers in reducing ramp-up time, leading to compromises in quality. This research investigates whether large-language models (LLMs), combined with Retrieval-Augmented Generation (RAG), can assist in streamlining equipment selection in ramp-up planning. We propose a factual-driven copilot integrating LLMs with structured and semi-structured knowledge retrieval for three component types (robots, feeders and vision systems), providing a guided and traceable state-machine process for decision-making in automation equipment selection. The system was demonstrated to an industrial partner, who tested it on three internal use-cases. Their feedback affirmed its capability to provide logical and actionable recommendations for automation equipment. More specifically, among 22 equipment prompts analyzed, 19 involved selecting the correct equipment while considering most requirements, and in 6 cases, all requirements were fully met.

研究动机与目标

• 解决由于资源与专业知识受限，复杂设备选型导致的制造产线启动周期过长的问题。
• 克服静态规则系统与通用大语言模型响应在自动化工程中应用的局限性。
• 开发一种透明、基于事实且可追溯的决策支持系统，用于生产启动阶段的机器人、送料机和视觉系统选型。
• 将学术文献、工业资料与供应商数据库中的领域特定知识整合至结构化的大语言模型工作流中。
• 通过真实工业场景中的实际用例验证系统有效性。

提出的方法

• 采用多智能体大语言模型架构，由主协调智能体通过API调用管理子组件。
• 整合关系型知识系统与半结构化知识系统（如供应商数据库），以检索领域特定事实。
• 使用检索增强生成（RAG）将大语言模型的响应锚定在事实数据上，减少幻觉并提升可靠性。
• 实施状态机流程，引导用户通过结构化、可追溯的设备选型决策路径。
• 利用来自科学文献、讲义材料与工业数据集的精选知识进行模型训练与部署。
• 通过三个真实工业产线启动用例的测试对系统进行验证。

实验结果

研究问题

• RQ1 基于RAG的大语言模型协作工具能否提升制造产线启动阶段设备选型的准确率与可追溯性？
• RQ2 事实锚定在多大程度上可减少幻觉并提升自动化工程中的推荐质量？
• RQ3 与传统方法相比，该系统在真实工业场景中的表现如何？
• RQ4 结构化知识检索对正确选择设备类型与子类型的影响如何？
• RQ5 该系统能否以透明且可重复的方式支持复杂多要求选型（如精度、负载、速度）？

主要发现

• 在22个设备选型提示中，19个成功选中了符合大多数要求的设备。
• 在22次案例中，有6次推荐的设备完全满足所有指定要求，包括精度、负载与速度。
• 工业反馈证实，系统能够生成逻辑清晰、可操作且可追溯的推荐结果。
• 系统在根据详细技术约束选择合适设备子类型（如SCARA机器人、关节臂机器人）方面表现优异。
• 协作工具成功整合了学术、工业与供应商知识，生成了可靠、本地化且具有国际适用性的设备建议。
• 局限性包括尚未支持布局设计与产线启动实施阶段的集成，提示未来可扩展空间。