Wenn CNC „spricht“ – Intelligente Prozessplanung durch Large Language Models und Wissensgraphen
Zusammenfassung
CNC-Bearbeitungsprozessplanung – einschließlich Werkzeugauswahl, Schnittparameterbestimmung, Arbeitsgangreihenfolge und Spannvorrichtungsdesign – war lange Zeit auf die persönliche Erfahrung von Ingenieuren und verstreute Papierhandbücher angewiesen und stellt das am schwierigsten zu standardisierende und am schwersten zu vermittelnde wissensintensive Glied in der Fertigungskette dar. Das Aufkommen großer Sprachmodelle (LLM) weckt die Hoffnung, „Maschinen automatisch Arbeitspläne erstellen zu lassen“. Allerdings macht das „Halluzinationsproblem“ von LLM bei numerischen Entscheidungen in der Präzisionsbearbeitung sie in Toleranzszenarien von ±5 μm nahezu unbrauchbar. Dieser Artikel analysiert systematisch den technischen Weg der Integration von Wissensgraphen und großen Sprachmodellen – durch die Retrieval-Augmented Generation (RAG)-Architektur wird der strukturierte Bearbeitungswissensgraph als „externes Gedächtnis“ genutzt, während das LLM nur die Benutzerabsicht versteht und nachvollziehbare Antworten generiert. Alle spezifischen Werte (Werkzeugdurchmesser, Schnittgeschwindigkeit, Vorschub) werden präzise aus dem Graphen abgerufen. Am Beispiel der Werkzeugauswahl und Vorschuboptimierung wird gezeigt, wie ein Wissensgraph-LLM-System mit realen Prozessanfragen wie „Bearbeitung einer Inconel 718 Ringnut, welches Werkzeug und welche Schnittparameter sind zu wählen“ umgeht und überprüfbare Antwortquellen liefert. Weiterhin wird der praktikable Weg für die unternehmensinterne Bereitstellung solcher Systeme erörtert – die Umwandlung von Tausenden von Prozesskarten, Werkzeugtestberichten und Qualitätsabweichungsanalysen aus der Prozessabteilung in unternehmenseigene Wissensgraphen, sodass „Prozesserfahrung“ aus dem Kopf der Techniker in abfragbare, ableitbare und aktualisierbare digitale Vermögenswerte „überfließt“ und CNC-Werkstätten einen kostengünstigen Weg vom „erfahrungsgetriebenen“ zum „wissensgetriebenen“ Ansatz bietet.
I. Das Wissensdilemma der Prozessplanung
Die Prozessplanung in der CNC-Bearbeitung ist im Wesentlichen ein Entscheidungsprozess zur Suche nach der optimalen Lösung unter Randbedingungen. Ingenieure müssen gleichzeitig berücksichtigen: Werkstückmaterial (Härte, Zähigkeit, Wärmeleitfähigkeit), verfügbare Werkzeuge im Werkzeuglager (Beschichtung, Durchmesser, Schneidenlänge), Maschinenleistung (Spindelleistung, Drehzahlbereich, Steifigkeit), Bearbeitungsgenauigkeitsanforderungen (Maßtoleranzen, Form- und Lagetoleranzen, Oberflächenrauheit) sowie Produktionseffizienzziele (Taktzeit pro Teil). Die Anzahl der Verzweigungen in einem typischen Prozessentscheidungsbaum kann Hunderte erreichen, und die Prozessfähigkeit der meisten kleinen und mittleren Fertigungsunternehmen hängt stark von der „persönlichen Datenbank“ ein bis zwei erfahrener Ingenieure ab.
Dieses Modell „menschliches Gehirn als Prozessbibliothek“ steht vor einer dreifachen Krise: Erstens führt der Ruhestand oder Weggang erfahrener Techniker zum Verlust des wertvollsten Prozesswissens des Unternehmens; zweitens tauchen ständig neue Materialien und Werkzeuge auf, und die Aktualisierung persönlicher Erfahrung hält nicht mit der technologischen Entwicklung Schritt; drittens erfordert der Trend zu vielen Varianten und kleinen Losgrößen, dass jedes neue Teil den Prozess „von Null an“ neu entwickelt, was extrem zeitaufwändig ist.
Traditionelle computergestützte Prozessplanungssysteme (CAPP) versuchen, Prozesswissen mit Regelwerken und Entscheidungstabellen zu verfestigen, aber ihr „hartcodierter“ Charakter macht sie hilflos, wenn sie auf unbekannte Teilegeometrien oder neue Materialzustände stoßen.
II. Wissensgraph: Prozesswissen von „implizit“ zu „explizit“ machen
Ein Wissensgraph ist eine strukturierte Datenbank, die Wissen in Form von „Entität-Beziehung-Entität“-Tripeln darstellt. Im Bereich der CNC-Bearbeitung kann Prozesswissen wie folgt modelliert werden:
(Entität) Inconel 718 [Materialeigenschaften] (Entität) Härte HRC45, Wärmeleitfähigkeit 11,4 W/m·K
(Entität) Ringnutmerkmal [Empfohlener Werkzeugtyp] (Entität) Vollhartmetall-Kugelkopfschneidfräser
(实体) 整体硬质合金球头铣刀 + AlTiN涂层 [推荐切削速度] (实体) 25-35 m/min
(实体) 切削速度30 m/min + 刀具直径12mm [计算得主轴转速] (实体) 796 rpm
Diese strukturierte Darstellung bietet folgende Vorteile: Daten sind präzise und nachvollziehbar, jeder empfohlene Wert verweist auf eine spezifische technische Quelle (z. B. einen Werkzeugversuchsbericht oder ein Zerspanungshandbuch); die Argumentationskette ist klar, sodass der Benutzer die vollständige Logik von „weil A, daher B“ erkennen kann; und sie ist leicht aktualisierbar, da neue Prozessversuchsergebnisse jederzeit in das Diagramm aufgenommen werden können, um das Wissen lebendig zu halten.
3. Große Sprachmodelle + Wissensgraph: Präzision und Flexibilität vereint
Der Vorteil großer Sprachmodelle (wie GPT-4, Llama-3 usw.) liegt in ihrer Fähigkeit zur Verarbeitung und Generierung natürlicher Sprache – Ingenieure können Fragen in Alltagssprache stellen: „Welches Werkzeug verwende ich für die Bearbeitung dieses Teils?“, ohne eine strukturierte Abfragesprache erlernen zu müssen. Ein grundlegendes Problem von LLMs ist jedoch, dass sie bei präzisen numerischen Entscheidungen zu „Halluzinationen“ neigen – z. B. einen nicht existierenden Werkzeugdurchmesser angeben oder eine Schnittgeschwindigkeit empfehlen, die außerhalb des zulässigen Bereichs des Werkzeugs liegt. Für Verfahrenstechniker ist es oft schwierig, die Richtigkeit der Antwort zu überprüfen, da ihnen die Grundlage für deren Korrektheit fehlt.
Die Retrieval-Augmented Generation (RAG)-Architektur bietet eine Lösung. Ihr Arbeitsablauf ist wie folgt:
Ingenieure stellen Prozessberatungsfragen in natürlicher Sprache (z. B. „Bearbeitung einer tiefen Nut aus Ti6Al4V, Durchmesser 10 mm, Tiefe 25 mm, empfohlene Werkzeuge und Parameter“)
Das System vektorisiert die Frage und sucht im Wissensgraphen nach den relevantesten Entitäten und Beziehungsteilgraphen
Die abgerufenen strukturierten Tripel werden in den Kontextfenster des LLM „eingebettet“ und dienen als „Evidenzbasis“ für die Antwortgenerierung
Der LLM ist nur dafür zuständig, die präzisen Daten aus dem Graphen in eine Antwort in natürlicher Sprache zu organisieren, ergänzt durch Quellenangaben
Auf diese Weise wird die „kreative Generierung“ des LLM streng auf die verfügbaren Daten beschränkt, sodass jeder ausgegebene Wert auf eine bestimmte Quelle im Graphen zurückverfolgt werden kann
Experimentelle Studien zeigen, dass das mit Wissensgraphen angereicherte LLM-Prozessplanungssystem bei 280 industriellen Prozessaufgaben (Werkzeugauswahl, Vorschuboptimierung, Toleranzdiagnose) eine Genauigkeitssteigerung von 16,6 Prozentpunkten bei Multiple-Choice-Fragen und eine F1-Score-Steigerung von 16,5 Prozentpunkten erzielt. Noch wichtiger ist, dass diese Architektur es Unternehmen ermöglicht, kleinere Modelle lokal zu deployen (statt auf riesige Cloud-Modelle angewiesen zu sein), wodurch die Sicherheit der Prozessdaten gewahrt bleibt und gleichzeitig eine mit großen Modellen vergleichbare Antwortgenauigkeit erreicht wird
IV. Interne Unternehmensbereitstellung: Von der „Prozesskartenbibliothek“ zum „Prozesswissensgraph“
Für die meisten CNC-Bearbeitungsunternehmen beginnt die Erstellung eines Wissensgraphen nicht bei Null. Intern liegen in der Regel bereits zahlreiche strukturierte oder halbstrukturierte Prozessunterlagen vor:
Prozesskarten: dokumentieren den Arbeitsablauf, die Geräteauswahl und die Schnittparameter für jede typische Teileart
Werkzeugtestberichte: dokumentieren Lebensdauertests für verschiedene Werkzeug-Material-Kombinationen
Qualitätsabweichungsanalyse: Erfasst die Ursachenanalyse und Korrekturmaßnahmen für Bearbeitungsfehler
CAM-Programmbibliothek: Validierte Werkzeugwegstrategien und Parameterkombinationen
Die Kernarbeit zur Umwandlung dieser Daten in einen Wissensgraphen umfasst: Definition von Entitätstypen (Material, Werkzeug, Maschine, Bearbeitungsmerkmal, Prozessparameter, Qualitätsindikator) und Beziehungstypen („geeignet“, „empfohlen“, „Einschränkung“, „führt zu“); Einsatz automatisierter Informationsextraktionstools (Vorprüfung mittels LLM, anschließend Überprüfung kritischer Triple durch Prozessexperten), um strukturiertes Wissen aus unstrukturiertem Text zu extrahieren.
Sobald der Graph aufgebaut ist, gehen seine Anwendungsszenarien weit über ein „Frage-Antwort-System“ hinaus:
Neueinweisung: Neue Prozessingenieure können sich durch Fragen schnell mit typischen Unternehmensprozesslösungen vertraut machen
Prozessprüfung: Das System kann automatisch prüfen, ob neue Prozesspläne mit den „Best Practices“ im Wissensgraphen übereinstimmen, und Abweichungen markieren
Kontinuierliche Optimierung: Jedes erfolgreiche Ergebnis eines Prozessverbesserungstests fließt in die Wissensdatenbank ein, sodass sich diese parallel zur Produktionspraxis weiterentwickelt.
V. Einschränkungen und Ausblick
Das Wissensgraph-LLM-Integrationssystem ist kein Allheilmittel. Die Qualität seiner Antworten ist streng durch die Abdeckung des Graphen begrenzt – für neue Materialien oder völlig neue geometrische Merkmale, die das Unternehmen noch nie bearbeitet hat, kann das System keine Antworten liefern und ist weiterhin auf die Designexperimente der Ingenieure angewiesen. Darüber hinaus erfordert die Erstellung und Pflege des Graphen kontinuierlichen Personaleinsatz. Aus der langfristigen Perspektive des Wissensmanagements in der Fertigungsindustrie ist die Umwandlung von „menschlicher Erfahrung“ in eine „digital abfragbare Wissensdatenbank des Unternehmens“ jedoch eine unvermeidliche Wahl, um der Pensionierungswelle alternder Facharbeiter zu begegnen. Die Kombination von großen Sprachmodellen und Wissensgraphen bietet der CNC-Bearbeitungsindustrie erstmals einen technischen Weg, um „implizites Erfahrungswissen“ systematisch, verifizierbar und nachhaltig weiterzuentwickeln – nicht um Prozessingenieure durch KI zu ersetzen, sondern um KI zu einem „unermüdlichen Prozessassistenten“ für Ingenieure zu machen.
BQUQ ist ein professioneller CNC-Produktionsexperte. Bitte senden Sie uns Ihre Zeichnungen. Wir unterbreiten Ihnen innerhalb von 12 Stunden ein Angebot.
