[Paper] 基于物理的多智能体架构用于可追溯、风险感知的人机决策支持在制造业

Source: arXiv - 2605.04003v1

概览

本文介绍了 MAKA（Multi‑Agent Knowledge Analysis），一种人机交互的决策支持系统，将大型语言模型（LLMs）与基于物理的仿真、知识图谱检索以及验证“批评者”相结合，以指导航空航天转子叶片的高精度 CNC 加工。通过强制物理可行性、安全界限和完整的来源追溯，MAKA 使 AI 生成的建议可追溯且具风险意识——这是传统 LLM 助手在安全关键的制造业中无法保证的。

关键贡献

• 混合多代理架构，将意图路由、定量工具执行、知识图谱查询和基于物理的验证层分离。
• 可追溯性与来源：每个推荐都关联到原始检测数据、仿真输出以及产生它的推理步骤。
• 风险感知验证批评者，在向人工操作员呈现建议之前检查物理可行性、安全限制和完整性。
• 在 Ti‑6Al‑4V 叶片转子测试平台上的实证验证，集成虚拟加工误差场、切削力/挠度仿真以及来自 16 架真实叶片的三维扫描偏差图。
• 性能提升：相较于朴素的单 LLM 交互模型，多步工具执行成功率提升最高 87.5 pp。
• 数字孪生情景研究表明 MAKA 能生成补偿方案，将预测表面偏差从约 10⁻² 英寸缩小至约 ±10⁻³ 英寸，覆盖叶片大部分区域。

方法论

1. 意图路由层 – 用户的高层目标（例如 “降低刀片表面误差”）由大型语言模型解析，决定调用哪些下游代理。
2. 仅工具定量代理 – 专用代理运行确定性的、基于物理的工具：
   • 虚拟加工路径跟踪 用于计算误差场，
   • 切削力与挠度仿真器 用于刀具‑工件相互作用，
   • 3‑D 检测数据 从扫描刀片的知识图谱中检索。
3. 知识图谱检索 – 图数据库存储历史加工参数、材料属性和检测结果。代理查询它以获取特定情境的先验（例如磨损趋势）。
4. 批评者验证 – 在任何建议到达人类之前，“批评者”代理会检查：
   • 物理可行性（建议的补偿是否符合材料极限和运动学？），
   • 安全界限（切削力是否在允许范围内？），以及
   • 来源完整性（所有数据来源和推理步骤是否已记录？）。
5. 人机交互批准 – 操作员看到简明、可追溯的报告，可接受、修改或拒绝 AI 生成的补偿方案。

该架构实现为一系列无状态或有状态的代理，支持 1 步到 ≥3 步的工作流。每一步的输出成为下一步的输入，使得复杂的多阶段推理成为可能，而单一 LLM 提示难以可靠实现。

结果与发现

数字孪生仿真表明，MAKA 能自动生成补偿向量，使叶片的预测几何形状远在公差范围内，从而提供工程师在实际加工前可以信赖的“部署前验证信号”。

实际影响

• 降低废料和返工：更精确的补偿意味着不合格零件更少，直接减少材料浪费和加工时间。
• 加速入职：新工程师可以依赖可追溯的 AI 报告，了解为何建议特定的补偿，从而缩短学习曲线。
• 合规监管：完整的来源信息满足航空航天和国防制造中常见的审计要求（例如 AS9100、ISO‑9001）。
• 可扩展的 AI 集成：模块化代理设计使工厂能够在不重写整个系统的情况下接入现有仿真工具或专有知识库。
• 风险感知自动化：在发出任何机器指令之前强制安全界限，MAKA 在实现更高自主水平的同时，确保在人类最关键的环节保持监督。

限制与未来工作

• 领域特定性 – 当前实现针对 Ti‑6Al‑4V 叶片加工进行调优；若要迁移到其他材料或零件几何形状，需要重新训练或构建新的仿真模型。
• 仿真保真度 – 精度依赖于虚拟加工和受力‑位移模型的质量；任何建模误差都会传播到补偿方案中。
• 知识图谱的可扩展性 – 随着库的增长，查询延迟可能成为瓶颈；未来工作应探索图划分或缓存策略。
• 人工批评者交互 – 虽然批评者自动化了许多检查，但细微的工程判断（例如表面光洁度与刀具磨损之间的权衡）仍需要更丰富的用户界面支持。
• 向闭环控制的扩展 – 作者计划集成实时传感器反馈，使 MAKA 能在加工过程中即时调整补偿，从决策支持转向自主控制。

作者

• Danny Hoang
• Ryan Matthiessen
• Christopher Miller
• Nasir Mannan
• Ruby ElKharboutly
• David Gorsich
• Matthew P. Castanier
• Farhad Imani

论文信息

• arXiv ID: 2605.04003v1
• 分类: cs.MA, cs.AI, cs.IR
• 出版日期: 2026年5月5日
• PDF: 下载 PDF