非标机械设计面临需求碎片化、经验依赖性强、重复劳动占比高等痛点。传统计算机辅助设计系统缺乏对设计语义的理解与生成能力。本文提出一种基于大语言模型（LLM）的非标机械设计知识检索与自动布局生成方法。首先构建融合设计手册、历史图纸、工艺规范的结构化设计知识库，并利用向量嵌入技术实现语义级检索；其次设计LLM驱动的布局生成代理，通过思维链推理将非结构化需求转化为功能组件及其空间约束；最后结合参数化模板与几何求解器生成可编辑的三维布局。在某非标自动化产线设计案例中，该方法将方案设计周期缩短60%以上，且生成布局满足运动学与干涉检查要求。本文工作为LLM在实体设计领域的纵深应用提供了系统架构与实证基础。
- 引言
非标机械设计是指根据特定客户需求、特定工况而量身定制的设备或产线设计，广泛存在于自动化装配、检测、包装与加工领域。与标准产品设计不同，非标设计具有“一次一方案、经验即资产”的特点。一个中等规模的自动化公司，其图纸库中可能积累数以万计的过往方案，但这些方案以二维工程图或三维模型存储，缺乏语义化的知识组织方式。当新项目到来时，工程师往往费时费力地查阅类似案例、翻设计手册、与供应商反复沟通，真正创造性的设计只占全部工作量的20%。
近年来，大语言模型（LLM）如GPT-4、Llama、Claude等展现出强大的语义理解、推理与代码生成能力。然而，直接将LLM应用于机械设计面临三重鸿沟：第一，LLM缺乏对具体机械元件几何参数、装配约束、运动学关系的精确建模能力；第二，LLM的训练数据中包含大量通用文本，但缺少细颗粒度的工程知识；第三，设计是一个多约束满足与迭代优化过程，LLM单次生成难以保证可行性。
本文的目标是构建一个LLM驱动的非标机械设计辅助系统，核心功能包括：(1) 基于自然语言的知识检索——工程师用日常语言描述需求，系统自动检索相关标准、选型表与历史相似设计；(2) 自动布局生成——系统推理出功能组件类型、数量、以及相对空间位置关系，并输出可编辑的布局草图或三维占位模型。
- 领域知识库构建与语义检索
2.1 知识来源与结构化
我们构建了多源异构知识库，涵盖三类知识：
显性通用知识：机械设计手册（齿轮、轴承、气动元件、电机选型公式）、国家标准（GB）、ISO标准等，以PDF、HTML形式存储。
隐性经验知识：历史项目中经过验证的Siemens NX/SolidWorks模型、二维图纸、BOM表、设计变更记录。这些数据被转换为标准中间格式（如STEP），并提取关键属性（零件类型、材料、质量、配合面特征）。
工艺约束知识：对于典型工艺如焊接、装配、加工，规定了各工序对布局的要求（例如焊接机器人必须留有退枪空间、维护通道宽度≥800mm）。
2.2 向量嵌入与混合检索
为了支持语义级检索，我们采用基于BERT微调的工程领域嵌入模型（Domain-BERT）。每个知识片段（如一个段落、一张图纸的描述文本、一个零件的属性列表）被编码为高维向量。检索时，用户查询$q$同样转化为向量，通过余弦相似度找到最相似的$k$个知识片段。
但是纯向量检索可能遗漏精确的数值条件，例如“轴径30mm”。因此采用混合检索：向量检索负责语义匹配，同时使用基于BM25的关键字检索来处理精确参数。检索结果通过倒数排序融合（RRF）进行合并。
2.3 检索增强生成（RAG）流程
LLM在生成布局建议时，需要注入相关知识。我们实现检索增强生成：根据用户输入的初步需求，系统首先执行检索，将排名前列的知识片段（设计规范、相似图纸描述、选型表）拼接成上下文，再提交给LLM。这种方式显著减少了LLM的幻觉（hallucination）现象——即编造不存在的标准尺寸或元件。
- 布局生成代理设计
3.1 从需求到功能组件映射
布局生成的第一步是将非结构化任务描述转化为一组功能组件及其量化参数。我们设计了一个LLM代理，其输入格式为：
text
复制
下载
LLM通过思维链（Chain-of-Thought）进行逐步推理：第一，识别核心工艺过程——上料、定位、锁付、下料；第二，为每个工序分配执行机构（例如锁付模组选用三轴伺服移动+电批）；第三，根据节拍要求和负载确定动力选型（如伺服电机功率）；第四，给出各组件的近似尺寸包络。
实验表明，GPT-4-Turbo在提供充分检索上下文后，能够正确输出80%以上的功能组件映射，而对于极细颗粒的选择（如轴承型号），系统会标记为“待人工确认”。
3.2 空间布局生成
功能组件列表确定后，需要将其排布在工作台或机架内，满足干涉、重心、维护、走线等多重约束。我们采用“布局语法”结合几何求解器的方法：
首先定义布局基元。每个组件由其包围盒（长宽高）及若干关键点（如安装基面、操作点、接口法兰）描述。布局问题转化为在二维平面（俯视）或三维空间中安放这些基元，使所有约束满足。
LLM的作用是生成布局的相对顺序与分区策略。例如，LLM输出“将供料器放置在锁付模组的右侧，间距100mm；将控制柜放置于工作台下方；将显示面板布置在前侧操作区”。我们将这些自然语言约束转换为一阶逻辑谓词，送入几何约束求解器（如基于Z3或Cassowary）。求解器输出具体的坐标位置。
如果初始找不到可行解，求解器反馈冲突原因（如“供料器占据的空间与维护通道冲突”），LLM根据该反馈重新调整布局关系，形成迭代循环。
3.3 参数化模板生成
对于常见的非标模块（如皮带输送线、定位工装、气缸推动机构），我们预置了参数化模板（使用C#或Python脚本在CAD API中驱动）。LLM最终输出的是一个“设计脚本”，调用这些模板并填充参数。工程师可以直接运行脚本生成三维模型，或者手动调整关键参数。
- 实验与案例验证
4.1 实验设置
我们收集了某非标自动化公司过去三年的120个完整项目档案（含需求文档、图纸、BOM），从中提取80个项目作为训练知识库，40个作为测试集。测试时，将测试项目的需求描述输入系统，自动生成布局与组件清单，与原始设计进行相似度比较（采用Layout Similarity Index，基于豪斯多夫距离计算组件布局的一致性；以及Component Match Score，计算召回率和精确率）。
4.2 结果
在完全或部分使用检索增强的情况下，系统生成的组件列表与原始设计平均匹配度（F1）为0.73；布局位置偏差中位数为85mm（工作台尺寸1200mm尺度下，相当于7%的相对偏差）。
工程师盲测（5位资深设计师）对生成布局进行可行性评分（1-5分），平均分为4.1分，大部分评价为“有参考价值，略调整即可使用”。
设计周期对比：对于典型的中等复杂度非标工位（约40个零部件），传统人工从需求到三维布局平均耗时3.5天；使用本系统辅助后，平均耗时1.3天，缩短63%。
4.3 典型错误分析
主要错误类型包括：LLM对于同时满足多个极值空间的推理能力不足，例如在有限区域内排布较多执行器时出现重叠；对某些特殊材料的工艺要求（如磁力影响）没有充分考虑。这些可以通过增强检索反馈回路来缓解。
- 挑战与展望
设计约束的完整表达：自然语言很难精确表达复杂几何与运动学约束。未来需要开发领域特定语言（DSL），让工程师能够半形式化地描述约束，LLM再将其转化为逻辑表达式。
可解释性与信任：LLM生成的布局建议有时虽合理但违背了工程师的惯用设计范式，导致信任度不高。需要增强解释能力，展示检索到的依据和推理链条。
多模态融合：目前系统仅处理文本和数字。如果能直接理解草图或参考图片，将极大提升交互效率。多模态LLM的发展为此提供了可能性。
与CAD软件深度集成：当前输出为脚本或中间文件，不能实时联动修改。理想的方案是将LLM嵌入CAD软件的插件中，实现自然语言驱动的参数化建模。
- 结论
本文提出了一种基于大语言模型的非标机械设计知识检索与自动布局生成方法。通过构建工程领域知识库、引入混合检索与检索增强生成、设计基于思维链的布局代理，并配合参数化模板与几何求解器，实现了从自然语言需求到可编辑三维布局的自动化转换。实证结果表明，该方法可显著缩短非标设计前期周期，提升设计知识复用效率。本研究打开了LLM在实体设计领域应用的一条可行路径，也为后续研究“全自动设计生成”奠定了基础。
中研高科教育
