推广 热搜: 采购方式  滤芯  带式称重给煤机  甲带  气动隔膜泵  减速机型号  无级变速机  链式给煤机  履带  减速机 

基于大语言模型的系统架构视图智能建模方法研究总结报告

   日期:2026-01-10 17:11:06     来源:网络整理    作者:本站编辑    评论:0    
基于大语言模型的系统架构视图智能建模方法研究总结报告

基于模型的系统工程(MBSE)已成为复杂系统研发的核心支撑方法,而系统建模语言(SysML)作为MBSE的标准化建模工具,面临建模门槛高、流程繁琐、工作量大、工具适配性差等落地难题。本文提出一种基于大语言模型(LLM)的SysML视图智能建模方法,通过“XML结构解析-本地知识库构建-结构化XML生成-合规化转换-跨平台适配”的端到端技术链路,实现块定义图(BDD)、内部块图(IBD)、活动图(ACT)三类核心视图的自动生成。以无人潜航器(UUV)为案例验证,生成模型在主流MBSE工具(MagicDraw、Modelio)中均实现无缝适配,模型覆盖率最高达100%,冗余率为0%,显著提升建模效率与准确性。该研究构建了“大模型+领域知识”的智能建模范式,为MBSE的规模化落地提供了关键技术支撑,对航空航天、舰船等复杂系统研发具有重要实用价值。

1 引言

1.1 研究背景与意义

随着复杂系统向多学科耦合、全生命周期协同方向发展,MBSE凭借“模型驱动、数据统一、协同高效”的优势,已成为汽车、舰船、航空航天等领域的主流研发方法。SysML作为MBSE的核心建模语言,能够从结构、行为、交互等多维度刻画系统,但实际应用中存在显著瓶颈:建模过程高度依赖从业人员的业务经验与专业技能,学习门槛高;手动建模流程繁琐、工作量巨大,导致业务人员抵触情绪强烈;不同MBSE工具(如MagicDraw、Modelio)的底层数据格式存在差异,模型移植困难。这些问题严重制约了MBSE的推广与落地。

近年来,大语言模型与生成式人工智能技术的迅猛发展,为智能建模提供了全新技术路径。然而现有研究仍存在诸多不足:多数方法仅停留在实体提取或辅助文档生成阶段,未形成完整SysML视图;生成模型局限于静态结构,难以覆盖动态行为流程;适配性差,多依赖专用工具,不兼容主流MBSE工具链;缺乏标准化验证机制,模型准确性与合规性难以保障。因此,构建一套端到端、高适配、可验证的SysML视图智能建模方法,成为推动MBSE深度落地的迫切需求。

1.2 核心研究目标

本文的核心目标是突破传统SysML建模的痛点,提出基于大语言模型的智能建模方法,实现三大核心目标:一是覆盖SysML核心视图(BDD、IACT)的全自动生成,降低建模门槛;二是实现主流MBSE工具的跨平台适配,提升方法通用性;三是建立标准化评估体系,保障生成模型的准确性与合规性。

2 核心研究内容

本文构建了“解析-构建-生成-转换-适配”的端到端智能建模流程,各环节层层递进、协同支撑,具体研究内容如下:

2.1 SysML XML结构解析

SysML视图的底层数据存储形式为可扩展标记语言(XML),不同视图的XML节点结构与语义映射存在显著差异。本文以主流MBSE工具MagicDraw为基准,深入解析三类核心视图的XML数据特征:

- 块定义图(BDD):聚焦系统静态结构,解析 packagedElement (块元素)、 ownedAttribute (属性)、 association (关联关系)等核心节点的属性定义与关联规则,明确块与子块、块与属性的语义映射逻辑;

- 活动图(ACT):描述系统动态行为流程,解析 node (行为节点,如调用行为、对象节点)、 edge (控制流/对象流)的 source (源节点)、 target (目标节点)属性映射关系,厘清行为流程的XML结构化表达规则。通过上述解析,建立了SysML视图与XML数据的一一对应关系,为后续生成与转换提供基础依据。

2.2 本地大模型部署与知识库构建

为提升建模的准确性与合规性,避免大模型“幻觉”问题,本文构建了“本地大模型+RAG增强”的技术架构:

- 大模型本地部署:基于Ollama开源工具,部署两类核心模型——Chat模型采用deepseekr1:1.5b,负责响应提示词并生成结构化XML数据;Embedding模型采用nomic-embed-text,实现文本向量化与语义检索,支撑知识库交互;

- 领域知识库构建:基于RAGFlow框架,整合三类核心数据形成外部知识源——SysML建模规范(视图元素定义、语法规则)、XML格式说明(不同视图的节点结构要求)、领域业务资料(如UUV系统技术文档、作战流程说明)。知识库通过文本划分、向量化处理后存储,为大模型提供实时语义检索支持,确保生成结果符合领域规范。

2.3 结构化XML生成与合规化转换

2.3.1 提示词工程设计

采用分步引导策略,将复杂建模任务拆解为层次化自然语言指令,引导大模型生成符合要求的XML数据。例如,针对UUV探测系统块定义图建模,提示词序列分为三个阶段:先明确系统功能分解需求,再要求转化为SysML块定义图,最后指定输出XML格式并明确核心节点要求(如包含 packagedElement 、 ownedAttribute 等),确保生成数据的结构化与完整性。

2.3.2 合规化转换算法

大模型生成的XML数据虽具备基本结构,但与SysML工具的标准格式仍存在差异。基于DOM4J开源XML解析框架,设计两类核心转换算法:

- 块定义图转换算法:读取大模型生成的XML输入文件与MagicDraw标准XML模板,提取块与组合关系的三元组数据,按照解析得到的映射规则,将数据嵌入标准模板,生成工具可识别的BDD模型;

- 活动图转换算法:提取XML中的行为节点与控制流信息,明确节点间的流向关系,按照活动图的XML结构规范,完成控制流 source/target 属性的标准化映射,生成合规的ACT模型。算法通过自动化格式校正,确保生成模型能够直接导入MBSE工具。

2.4 跨平台适配与智能建模流程

为提升方法通用性,本文进一步实现主流MBSE工具的跨平台适配:解析开源工具Modelio的XML结构特征,对比其与MagicDraw的差异(如节点命名、属性定义),优化转换算法的适配逻辑,使生成的XML数据能够无缝导入两类工具,且模型语义保持一致。

基于上述技术,构建“用户-大模型-建模工具”的智能辅助MBSE流程:用户输入自然语言需求,大模型结合知识库生成XML数据,经转换算法合规化处理后导入建模工具,生成SysML视图;结合MagicGrid方法论,覆盖问题域黑盒、白盒、解决域等全流程,形成“需求输入-模型生成-工具导入-验证优化”的闭环。

3 关键技术

3.1 SysML XML结构化解析技术

核心在于建立SysML视图元素与XML节点的精准映射关系,通过逆向工程解析主流工具的XML输出文件,提炼不同视图的核心节点、属性及关联规则,形成结构化解析手册。该技术突破了传统建模对工具的依赖,为后续XML生成与转换提供了统一的标准依据,是实现端到端建模的基础。

3.2 RAG增强的本地大模型部署技术

通过Ollama工具实现大模型本地化部署,避免数据隐私泄露风险;结合RAGFlow框架构建领域知识库,利用Embedding模型实现需求与知识库的语义匹配,将检索结果作为上下文输入大模型,显著提升生成XML数据的合规性与准确性,有效缓解大模型“幻觉”问题,确保建模结果符合SysML规范与领域需求。

3.3 XML合规化转换算法技术

基于DOM4J框架设计针对性转换算法,通过“读取输入-提取三元组-嵌入标准模板-保存输出”的流程,实现大模型生成数据与SysML工具格式的精准对齐。算法具备较强的通用性,可通过调整映射规则适配不同MBSE工具,为跨平台适配提供核心支撑。

3.4 跨平台适配技术

通过对比分析MagicDraw与Modelio的XML结构差异,优化转换算法的节点映射逻辑,实现生成模型在不同工具中的无缝导入与语义一致性。该技术突破了传统智能建模方法的工具局限,提升了方法的工程实用性与推广价值。

4 核心创新点

4.1 构建端到端全自动建模流程

突破现有研究“实体提取-辅助文档”的局限,首次实现从自然语言需求到SysML核心视图(BDD、IBD、ACT)的端到端全自动生成,涵盖“解析-构建-生成-转换-适配”全链路,大幅减少人工干预,降低建模门槛,提升建模效率。

4.2 提出RAG增强的领域适配方案

通过构建SysML领域知识库,结合本地部署的大模型与RAG技术,实现领域知识与大模型生成能力的深度融合,有效缓解大模型“幻觉”问题,确保生成模型的合规性与准确性,解决了通用大模型在专业建模领域的适配难题。

4.3 实现主流MBSE工具跨平台适配

针对不同MBSE工具的XML结构差异,优化转换算法的适配逻辑,实现生成模型在MagicDraw(商业工具)与Modelio(开源工具)中的无缝导入,突破了传统智能建模方法的工具依赖局限,提升了方法的通用性与工程实用性。

4.4 建立标准化模型评估体系

引入模型覆盖率(MC)、丢失率(MM)、冗余率(MR)三类指标,形成“三维一体”的评估体系,通过与人工构建模型的对比,量化生成模型的准确性与完整性,为智能建模结果提供标准化验证依据,填补了现有研究缺乏量化评估的空白。

5 实验验证与结果分析

5.1 验证案例设计

以无人潜航器(UUV)为研究对象,开展三类核心视图的智能建模验证:

- 块定义图(BDD):实现UUV系统的功能分解,涵盖指控系统、武器系统、探测系统三大子块,以及各子块的属性定义(如最大航速、下潜深度、探测距离);

- 内部块图(IBD):刻画子系统间的交互关系,包括指控系统与武器系统的指挥控制信号、探测系统与指控系统的导航/探测数据传输等;

- 活动图(ACT):描述UUV作战全流程,包含探测系统启动、目标锁定、武器系统打击、攻击效果评估等核心行为节点与控制流。

5.2 评估指标与结果

采用模型覆盖率(正确生成的元素占比)、丢失率(未生成的必要元素占比)、冗余率(额外生成的无效元素占比)三类指标,与人工构建的标准模型对比,结果如下:

视图类型 覆盖率(MC) 丢失率(MM) 冗余率(MR) 

块定义图(BDD) 100% 0% 0% 

内部块图(IBD) 100% 0% 0% 

活动图(ACT) 92% 8% 0% 

结果表明:生成模型能够精准还原UUV系统的静态结构与交互关系,BDD与IBD的覆盖率与冗余率均达到理想水平;ACT的覆盖率为92%,丢失率8%,主要因知识库中缺乏“合并节点”的相关说明,导致部分行为流程节点缺失,整体验证了方法的有效性与可信度。

5.3 跨平台适配验证

将生成的XML数据分别导入MagicDraw与Modelio工具,两类工具均能成功识别并生成对应的SysML视图,模型的元素定义、关系映射、行为流程语义保持一致,验证了方法的跨平台适配能力。

6 结论与展望

6.1 核心结论

本文提出的基于大语言模型的SysML视图智能建模方法,通过XML结构解析、RAG增强知识库、合规化转换算法与跨平台适配技术,实现了BDD、IBD、ACT三类核心视图的端到端自动生成。以UUV为案例的验证结果表明,该方法生成的模型准确性高、适配性强,显著降低了SysML建模的门槛与工作量,为MBSE的规模化落地提供了有效的技术支撑。

6.2 未来展望

未来研究可从以下方向进一步深化:一是扩展视图覆盖范围,实现需求图、用例图、状态机图等更多SysML视图的智能生成;二是适配国防部体系架构框架(DoDAF)等体系级架构标准,拓宽方法的应用场景;三是结合SysMLv2的文本建模特性,优化生成逻辑,提升建模效率与工具兼容性;四是完善知识库迭代机制,补充动态行为建模相关知识,降低活动图等动态视图的元素丢失率;五是探索与系统仿真工具(如Modelica)的协同建模,实现“建模-仿真-验证”的全流程智能化。

7 总结

本文围绕SysML视图智能建模的核心需求,构建了“大模型+领域知识+工具适配”的技术体系,突破了传统建模的诸多痛点。研究成果不仅为MBSE的智能化发展提供了新的技术路径,也为复杂系统研发的效率提升与质量保障提供了关键支撑,具有重要的理论价值与工程应用前景。随着大语言模型与MBSE技术的深度融合,未来有望实现复杂系统全生命周期的智能化建模与协同优化,推动系统工程向更高水平演进。

参考文献:基于大语言模型的系统架构视图智能建模方法,潘如江等,系统工程与电子技术

 
打赏
 
更多>同类资讯
0 条相关评论

推荐图文
推荐资讯
点击排行
网站首页  |  关于我们  |  联系方式  |  使用协议  |  版权隐私  |  网站地图  |  排名推广  |  广告服务  |  积分换礼  |  网站留言  |  RSS订阅  |  违规举报  |  皖ICP备20008329号-18
Powered By DESTOON