大语言模型驱动的产品低碳设计知识建模方法

doi:10.3969/j.issn.1004-132X.2026.04.005

摘要/Abstract

摘要：

针对产品低碳设计知识多源异构、语义建模复杂等问题，提出了一种大语言模型驱动的低碳设计知识建模方法。构建了涵盖产品结构、低碳要素及性能约束的领域本体，实现从结构设计到性能验证的语义层次表达；提出了基于大语言模型的数据标注范式，通过双路径协同实现低碳设计数据的自动化语义标注；设计了基于对比学习的知识抽取模型，通过对比学习增强BERT对语义边界进行识别，以此改进集合预测网络的语义编码，实现多实体、多关系的精确抽取。结果表明，该方法在精确率、召回率和F1值方面分别达到84.2%、82.7%和83.4%，为低碳设计知识的语义建模提供了智能化路径。

关键词: 低碳设计, 大语言模型, 知识建模, 知识抽取, 数据标注

Abstract:

To address the challenges of multi-source heterogeneity and semantic complexity in low-carbon product design knowledge， a large language model-driven approach for low-carbon design knowledge modeling was proposed. A domain ontology covering product structure， low-carbon factors， and performance constraints was constructed to achieve semantic hierarchical representation from structural design to performance verification. A data annotation paradigm based on large language models was developed， which enables automated semantic labeling of low-carbon design data through a dual-path collaborative mechanism. A contrastive learning-based knowledge extraction model was designed to enhance BERT’s capability in recognizing semantic boundaries and to improve the semantic encoding of the set prediction networks， thereby achieving accurate extraction of multi-entity and multi-relation information. Experimental results show that the proposed method achieves accuracy， recall， and F1 scores of 84.2%， 82.7%， and 83.4%， respectively， providing an intelligent pathway for semantic modeling of low-carbon design knowledge.

Key words: low-carbon design, large language model, knowledge modeling, knowledge extraction, data labeling

中图分类号:

TH122

余昇, 何斌. 大语言模型驱动的产品低碳设计知识建模方法[J]. 中国机械工程, 2026, 37(4): 814-820.

YU Sheng, HE Bin. Large Language Model-driven Knowledge Modeling Method for Low-carbon Product Design[J]. China Mechanical Engineering, 2026, 37(4): 814-820.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.04.005

https://www.cmemo.org.cn/CN/Y2026/V37/I4/814

图/表 9

参考文献 16

[1]	HE B， WANG W， ZHU X， et al. Integrate Design Structure Matrix with Carbon Footprint for Product Low Carbon Design［J］. Advanced Engineering Informatics， 2023， 56： 102021.
[2]	HE B， HUA Y. Feature-based Integrated Product Model for Low-carbon Conceptual Design［J］. Journal of Engineering Design， 2017， 28（6）： 408-432.
[3]	王耿，李方义，王黎明，等. 基于设计特征的机电产品低碳设计方法［J］. 机械工程学报， 2023， 59（7）： 29-40.
	WANG Geng， LI Fangyi， WANG Liming， et al. Product Low-carbon Design Method Based on Design Features［J］. Journal of Mechanical Engineering， 2023， 59（7）： 29-40.
[4]	孙伯骜. 基于绿色设计知识评估的低碳设计方案配置方法［D］. 合肥：合肥工业大学， 2023.
	SUN Boao. Low-carbon Design Scheme Configuration Method Based on Green Design Knowledge Assessment［D］. Hefei： Hefei University of Technology， 2023.
[5]	SILVA S E， REIS L P， FERNANDES J M， et al. A Multi-layer Framework for Semantic Modeling［J］. Journal of Documentation， 2019， 76（2）： 502-530.
[6]	郭恒，黎荣，张海柱，等. 多域融合的高速列车维修性设计知识图谱构建［J］. 中国机械工程， 2022， 33（24）： 3015-3023.
	GUO Heng， LI Rong， ZHANG Haizhu， et al. Construction of Knowledge Graph of Maintainability Design Based on Multi-domain Fusion of High-speed Trains［J］. China Mechanical Engineering， 2022， 33（24）： 3015-3023.
[7]	GUO J， WANG Y， LI S， et al. A Knowledge Graph-based Standardized Modeling and Quantitative Retrieval Method for Product Defect Analysis-related Knowledge［J］. Advanced Engineering Informatics， 2025， 66： 103372.
[8]	JING L， HUANG M， LI Q， et al. Knowledge Graph-assisted Design-by-analogy： Promoting Product Innovation through Structured Analogical Knowledge Retrieval［J］. Artificial Intelligence for Engineering Design， Analysis and Manufacturing， 2025， 39： e20.
[9]	AMUSAT O O， HEGDE H， MUNGALL C J， et al. Automated Annotation of Scientific Texts for ML-based Keyphrase Extraction and Validation［J］. Database， 2024， 2024： baae093.
[10]	HOU W， HONG L， ZHU Z. KGRED： Knowledge-graph-based Rule Discovery for Weakly Supervised Data Labeling［J］. Information Processing & Management， 2024， 61（5）： 103816.
[11]	GENG Y， WANG S， WANG C， et al. An LLM Agent-based Complex Semantic Table Annotation Approach［C］∥Advanced Data Mining and Applications. Singapore： Springer， 2026： 223-238.
[12]	CHOI S， JUNG Y. Knowledge Graph Construction： Extraction， Learning， and Evaluation［J］. Applied Sciences， 2025， 15（7）： 3727.
[13]	马长林，宋玉婷. 基于混合关联度的联合实体与关系抽取［J］. 华中科技大学学报（自然科学版）， 2025， 53（5）： 38-43.
	MA Changlin， SONG Yuting. Joint Entity and Relation Extraction Based on Hybrid Correlation Degree［J］. Journal of Huazhong University of Science and Technology （Nature Science Edition）， 2025， 53（5）： 38-43.
[14]	SUI D， ZENG X， CHEN Y， et al. Joint Entity and Relation Extraction with Set Prediction Networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2024， 35（9）： 12784-12795.
[15]	田晟兆，胡迎茜，谷成，等. 知识与数据联合驱动建模技术综述［J］. 电子科技大学学报， 2023， 52（6）： 932-943.
	TIAN Shengzhao， HU Yingqian， GU Cheng， et al. A Review of Modeling Techniques Jointly Driven by Knowledge and Data［J］. Journal of University of Electronic Science and Technology of China， 2023， 52（6）： 932-943.
[16]	YAN Y， LI R， WANG S， et al. ConSERT： a Contrastive Framework for Self-supervised Sentence Representation Transfer［C］∥Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing. 2021： 5065-5075.

标识	名称	定义
r1	包含	描述产品的结构层级和功能组成关系
r2	用于场景	表示产品的工况环境
r3	具有属性	表示设计实体与其环境或低碳属性之间的关系
r4	具有性能	表示产品或零件的性能特征
r5	决定	表示实体所对应的属性参数或特征值
r6	关联	表示不同要素之间的功能或数据关联

标识	名称	定义
r1	包含	描述产品的结构层级和功能组成关系
r2	用于场景	表示产品的工况环境
r3	具有属性	表示设计实体与其环境或低碳属性之间的关系
r4	具有性能	表示产品或零件的性能特征
r5	决定	表示实体所对应的属性参数或特征值
r6	关联	表示不同要素之间的功能或数据关联

模型	精确率	召回率	F1值
BERT-LSTM-CRF	78.1	75.3	76.7
TPLinker	79.3	77.5	78.4
SPNs	81.4	79.6	80.5
ConSPNs	84.2	82.7	83.4

模型	精确率	召回率	F1值
BERT-LSTM-CRF	78.1	75.3	76.7
TPLinker	79.3	77.5	78.4
SPNs	81.4	79.6	80.5
ConSPNs	84.2	82.7	83.4