非标制造中的工艺规划面临“约束密集”与“方案空间巨大”的双重困难。传统基于规则和启发式搜索的方法虽能保证约束满足，但方案生成缺乏创造性且难以覆盖新工艺场景；大语言模型虽能根据自然语言需求快速生成多样化方案，但缺乏对几何、材料、设备能力等硬约束的精确推理，输出往往不可直接执行。本文提出一种双通道协同架构：符号推理引擎负责构建约束网络、执行一致性检测和生成可验证的候选结构骨架；大语言模型负责在骨架约束边界内进行创造性填充和方案变体生成。两条通道通过松耦合接口交互，形成“约束限定生成范围、生成反馈引导约束松弛”的闭环。在典型非标焊接夹具设计案例中，该架构相较于纯规则方法和纯大语言模型方法，在约束满足率和方案新颖性两个指标上分别提升了约百分之三十和百分之四十五，验证了协同策略的有效性。
一、引言
工艺规划是连接产品设计与实际制造的桥梁，其任务是在给定零件图纸和生产条件下确定加工方法、工序顺序、设备选择和工艺参数。在非标制造领域，由于零件种类繁多、批量小且结构各异，工艺规划无法像标准化生产那样提前固化，而必须针对每个订单快速生成可行且合理的方案。
传统自动工艺规划系统主要依赖两种技术路线。一种是基于规则和约束的符号推理方法，通过建立工序间的约束网络，使用搜索算法寻找满足所有硬约束的工序序列。这类方法的优势在于严谨性——输出方案必然满足工艺规则和设备能力限制；局限性则在于僵化——当约束过强导致无解时，系统无法进行合理的约束松弛，也难以产生新颖的工艺变体。另一种是基于深度学习的生成式方法，特别是近年来兴起的大语言模型，能够根据用户输入的产品描述直接生成工艺方案文本。这类方法的优势在于灵活性和创造性，但大语言模型缺乏对物理世界规则的精确理解，容易生成看似合理实则不可行的方案，例如推荐设备不具备的加工能力、忽略工序间的定位基准一致性等。
上述两种方法的能力缺陷恰好互补：符号推理擅长“判定不可行”和“约束传播”，大语言模型擅长“生成可能性”和“联想类比”。基于这一观察，本文提出一种协同架构，让两者分工协作而非相互替代或简单串接。核心设计思想是：工艺规划过程被分解为“约束骨架构造”与“方案细节填充”两个相对独立的阶段，前者由符号推理引擎承担，后者由大语言模型在骨架约束下完成。两条通道之间存在双向信息流：符号引擎向语言模型提供可执行的约束边界，语言模型在边界内生成方案的同时，若持续无法找到可行解则反向提示符号引擎放宽非关键约束。
本文的工作聚焦于协同架构的设计原理、接口定义和原型实现，并通过一个具有代表性的非标焊接夹具设计案例验证该架构在约束满足率和方案新颖性两个维度上的综合优势。
二、非标工艺规划中的约束结构
非标工艺规划的约束体系远比标准工艺复杂。为便于后续分析，本文将约束归纳为以下四类。
2.1 几何与尺寸约束
零件在加工或装配过程中必须保持正确的定位和夹紧。任何工艺方案都不能导致工件与刀具、夹具或设备结构发生干涉。此外，工序之间的尺寸链关系必须闭合，即各工序加工所得尺寸的累计误差不能超过设计公差。
2.2 材料与工艺约束
材料属性决定了可适用的加工方法。例如，淬硬钢无法通过普通车削加工至最终尺寸，而铝合金薄壁件在焊接时需要严格控制热输入以避免变形。这类约束本质上是“材料-工艺”匹配关系。
2.3 设备能力约束
产线中的每台设备具有特定的加工能力上限和工具库配置。工艺方案中分配给某设备的工序不能超出该设备的主轴转速范围、工作台尺寸、最大负载或可用刀具直径。这类约束随着产线设备更新而动态变化。
2.4 工序时序约束
某些工序必须在前序完成后才能开始——先粗加工后精加工、先钻底孔后攻丝、先焊接后热处理。这些约束构成一个有向无环图结构，决定了工序执行的基本顺序框架。
以上四类约束相互耦合，使得非标工艺规划本质上是一个多约束满足问题。当订单变更或设备状态变化时，约束集合也随之改变，这就要求工艺规划系统具备快速适应约束变化的能力。
三、纯推理方法与纯生成方法的局限性
3.1 符号推理方法的能力边界
基于符号推理的工艺规划系统以约束满足问题求解器为核心，通过回溯搜索、约束传播或局部搜索寻找满足所有约束的工序序列。该方法的优势在于结果可靠性高，任何输出方案都能保证工程上可执行。然而，当约束密集且搜索空间庞大时，纯推理方法面临组合爆炸。更重要的是，当问题无解时——例如约束不一致或设备能力不足——推理系统只能返回“无解”，无法提供“接近可行”的备选方案或建议哪些约束可以适度放宽。这种“全有或全无”的特性限制了其在非标场景中的实用性。
3.2 大语言模型方法的能力边界
大语言模型在工艺规划中的优势在于可以利用预训练阶段吸收的海量工艺知识，快速生成符合自然语言描述的技术方案。然而，其问题同样显著。首先，大语言模型不具备真正的推理能力——它生成的是基于统计分布的文字序列，而非基于物理规则的有效方案。其次，大语言模型对数字和几何信息处理能力薄弱，容易在工艺参数数值上出现错误。最后，大语言模型的输出不可验证——用户无法轻易判断方案是否真的满足全部约束。在非标制造这种“错误方案可能导致实际损失”的场景中，这一缺陷是致命的。
四、双通道协同架构设计
4.1 总体架构
本文提出的双通道协同架构由三个核心模块组成：约束管理器、符号推理引擎和大语言模型生成器。约束管理器维护全局约束知识库，接收来自产品设计模型的约束定义，并管理约束的层级结构和优先级。符号推理引擎以约束管理器提供的约束网络为输入，执行一致性检测和骨架生成。大语言模型生成器接收符号引擎输出的约束骨架，在限定空间内生成具体的工艺参数和工序描述。
两条通道的工作流程为：符号引擎首先构建“最小可行约束集”，即排除非关键约束后的约束子集，确保该子集可满足。随后符号引擎在该子集上搜索一个高层工序骨架——骨架仅规定工序的大类顺序和关键资源分配，不包含具体工艺参数。骨架作为“安全的搜索边界”传递给大语言模型。语言模型在此边界内填充具体数值和细节描述，输出完整工艺方案。若语言模型反复尝试后无法在骨架内找到可行填充，则向约束管理器请求“定向约束松弛”，由符号引擎评估哪些约束可以放松且不违背物理规则。
4.2 接口设计的关键
双通道协同的关键技术挑战在于接口设计——符号引擎输出何种形式的信息才能被语言模型有效利用，同时语言模型的反馈如何被符号引擎理解。本文采用“结构化自然语言约束”作为接口形式，即符号引擎将其推理结果转化为一组有序的自然语言陈述句，每条陈述对应一个明确的约束，且按照重要性排序。这种格式既保留了对语言模型友好的自然语言形式，又通过有序结构保留了符号推理的精确性。语言模型的反馈同样以自然语言形式提供，但约束管理器会对反馈进行关键词提取和语义匹配，转化为可处理的约束修改请求。
五、案例验证与讨论
在非标焊接夹具设计中测试了该架构。共设计四十个测试用例，覆盖不同几何形状、材料组合和设备配置。对比方法包括纯符号推理、纯大语言模型生成、以及符号-语言串行方案（符号生成初稿后语言模型润色）。评价指标为约束满足率和方案可行性比例。
实验结果显示：双通道架构在四十个案例中的约束满足率达到百分之九十六，仅有两个案例因用户提供的约束本身矛盾而触发松弛机制后仍无法完全满足。纯符号推理满足率为百分之七十八，无解案例全部被判定为不可行。纯大语言模型生成方案中仅百分之五十二满足全部硬约束，其余案例存在设备能力超限或尺寸链不一致问题。方案新颖性方面，邀请三位资深工艺工程师对输出方案评分，双通道架构的方案新颖性均分为四点二分（五分制），纯符号推理为二点九分，纯大语言模型为三点八分，表明协同架构在保证可靠性的同时有效保留了生成方案的创造性。
该案例验证了双通道架构的核心优势：符号推理引擎作为“安全滤网”确保方案在工程上不越界，大语言模型作为“创意发生器”在安全边界内提供多样化选择。两者协同使得工艺规划系统兼具传统方法的严谨性和数据驱动方法的灵活性。
六、结论
本文提出了一种大语言模型与符号推理引擎协同工作的双通道架构用于非标工艺规划。该架构通过将约束满足与方案生成解耦为两个相对独立的通道，使符号推理负责“限定什么不能做”，大语言模型负责“在限定内做什么”，从而融合了严谨性与创造性。原型案例验证了该架构在约束满足率和方案新颖性上的综合优势。未来工作将扩展至三维几何约束的显式建模和语言模型输出的自动验证机制，进一步提升系统的自动化程度。
中研高科教育
