摘要：物流系統模擬作為最佳化生產流程與輔助管理決策的重要工具，對提升產能具有關鍵作用快速。然而，現有模擬建模方法普遍依賴人工操作，不僅耗時費力，還易受建模人員經驗限制，難以滿足複雜場景下的快速迭代需求。針對該問題，本文提出一種基於You Only Look Once(YOLO)目標檢測與大語言模型的模擬快速建模方法。該方法首先利用YOLOv10目標檢測模型對計算機輔助設計(Computer Aided Design,CAD)圖紙進行智慧識別，提取工位、傳送帶等關鍵組成要素的類別與位置資訊；隨後，透過座標轉換與裝置型別對映等資料處理，並結合自動化建模程式碼在模擬軟體中生成包含精確物理佈局和物料流連線的靜態模型；最後，基於大語言模型將工藝邏輯轉化為模擬程式碼，並透過人工引數配置形成完整模擬模型。某電商裝箱線模擬專案案例驗證表明，該方法在保證模擬準確性的同時，能夠顯著提升建模效率。
關鍵詞：物流系統模擬快速；離散事件模擬；快速建模；圖紙識別；大語言模型
物流系統作為承載生產活動的核心單元，其建模與模擬能力已成為推動企業柔性生產和精益管理的重要工具快速。透過模擬建模，企業能夠在虛擬環境中完成佈局最佳化、物流流向分析、產能預測及瓶頸診斷，從而降低試錯成本、縮短投產週期。然而，在實際應用中，物流系統模擬建模過程往往面臨可及性高和時效性不足的問題。可及性高主要體現在兩個方面：其一，傳統建模方法依賴於人工解讀計算機輔助設計（Computer Aided Design, CAD）圖紙與工藝文件，並在模擬軟體中手動構建模型，對人員的專業知識和經驗要求較高；其二，模擬建模通常為迭代過程，隨著方案驗證與最佳化推進，模型需頻繁修改更新，這一過程延長了建模週期，推高了人力與時間成本。而時效性不足則源於當前產品更新速度不斷加快，物流系統需頻繁調整以適配生產需求的變化。依賴人工構建的定製化模擬模型往往難以快速響應此類變動。最終導致前期投入大量資源所建的模擬模型迅速失效，使用週期縮短，制約了模擬技術在實際生產中的持續應用價值。
針對上述問題，本文提出一種整合You Only Look Once（YOLO）目標檢測與大語言模型的模擬快速建模方法，以實現從CAD圖紙到完整模擬模型的智慧化快速構建快速。該方法首先利用YOLOv10目標檢測模型對CAD圖紙中關鍵組成要素進行高精度識別；並透過資料轉換和預置的自動建模程式碼模組，生成包含基礎物理佈局和物料流連結的模擬模型框架；最後，基於檢索增強生成流（Retrieval-Augmented Generation Flow, RAGflow）框架驅動大語言模型，將自然語言工藝描述轉化為可執行的模擬邏輯程式碼。操作人員僅需對模擬邏輯程式碼進行配置及裝置引數賦值，即可完成模擬模型的構建。
本文的研究工作主要包括以下三方面：第一，對物流系統關鍵要素及建模需求進行描述，闡述目標檢測模型與大語言模型在建模中的應用基礎；第二，設計基於YOLOv10與大語言模型的快速建模方法，包括CAD圖紙識別模組、靜態模型生成模組及工藝邏輯生成模組；第三，透過某電商裝箱線模擬專案案例，驗證了所提出方法在建模效率與準確性方面的優勢快速。研究結果表明，該方法能夠有效解決傳統建模方式耗時長、技術門檻高的問題，為物流系統模擬提供了一種具備普適性的快速建模解決方案。
一、模擬快速建模關鍵技術
物流系統模擬是一種基於模型的系統分析方法，它透過構建物流系統的虛擬模型，模擬系統在實際生產中的動態行為與執行邏輯快速。其核心作用在於為物流系統的設計、最佳化與決策提供量化依據。具體而言，模擬能夠在不干擾實際運營的前提下，精確評估系統效能（如產能、吞吐時間、資源利用率），並比較不同排程策略或佈局方案的優劣。在實際應用中，複雜系統往往需要快速迭代與驗證，傳統人工建模難以滿足需求，迫切需要更高效的模擬快速建模技術。
展開全文
近年來，目標檢測技術和大語言模型的高速發展為模擬快速建模提供了新的解決思路快速。其中，目標檢測為圖紙資訊的自動化提取提供支援，而大語言模型則展現出將自然語言轉化為工藝邏輯的潛力。
1.YOLOv10目標檢測模型
YOLO系列模型是目標檢測領域的主流演算法，YOLOv10在檢測精度與速度上達到了較好的平衡，適合工程應用場景快速。本研究利用改進的YOLOv10對CAD圖紙進行識別，提取圖紙中的工位、傳送帶、轉盤、貨架、機械臂等關鍵要素的位置與類別資訊，為後續模擬模型的自動化構建提供輸入。YOLOv10 CAD圖紙識別如圖1所示。
圖1 YOLOv10 CAD圖紙識別示意圖
2.RAGflow框架驅動的大語言模型
大語言模型具備強大的語義理解與生成能力，但在專業任務中容易出現知識缺失問題快速。RAGflow框架透過整合大語言模型與程式碼知識庫，能夠將自然語言的工藝描述自動轉化為符合模擬軟體語法的邏輯指令碼。在本研究中，RAGflow框架驅動下的大語言模型主要用於解析物流系統運作流程，實現從“自然語言工藝邏輯”到“模擬可執行程式碼”的對映，如圖2所示。
圖2 工藝邏輯轉模擬程式碼流程圖
二、基於YOLO與大語言模型的快速建模方法
為了克服傳統物流系統模擬建模方法中依賴人工、效率低下的問題，本文提出了一種基於YOLOv10與RAGflow框架驅動的大語言模型的模擬快速建模方法快速。該方法由CAD圖紙智慧識別模組、靜態模型生成模組、工藝邏輯生成模組三部分構成，分別完成組成要素識別、物理佈局建模和工藝邏輯轉化，從而實現圖紙與工藝檔案到模擬模型的自動化構建。
1.CAD圖紙智慧識別模組設計
本階段針對物流系統的二維CAD佈局圖紙，採用預訓練過的YOLOv10目標檢測模型進行分析，精準識別圖紙中工位，傳送帶，機械臂等各類關鍵元素快速。YOLOv10目標檢測模型輸出CAD圖紙組成要素的識別邊界框左上，右下角位置座標及型別資訊，為下一階段的靜態模型生成模組提供建模依據。
具體流程如下：首先，對CAD圖紙進行資料預處理，包括圖元提取、圖層篩選與解析度歸一化；其次，基於人工標註的資料集訓練YOLOv10模型，使其能夠識別出工位（車床、機床等）、傳送帶、轉盤、貨架、機械臂、源點與出貨口等關鍵要素；最後，目標檢測模型輸出各要素的類別、位置座標及方向屬性快速。這些識別結果構成了後續靜態建模的輸入資料，保證了自動化建模的準確性。
2.靜態模型生成模組設計
在完成CAD圖紙要素識別後，需要將識別結果轉化為模擬軟體中可直接執行的基礎靜態模型快速。靜態模型的生成主要包括裝置型別對映、座標轉換與佈局還原、物料流連線生成三個環節，其核心目標是實現圖紙元素向模擬軟體建模物件的自動化對映，從而快速形成包含物理佈局與物料流連結的虛擬模型。
（1）裝置型別對映快速。不同CAD圖紙中裝置元素的表現形式各不相同，但在模擬軟體中通常需要抽象為有限的基本例項化物件。因此，需要建立裝置型別對映表明確CAD圖紙組成要素與Plant Simulation中例項化物件之間的對應關係，具體參見表1。透過這一對映機制，可以保證不同圖紙風格下識別到的元素能夠被規範化處理，確保模型構建的一致性。
表1 裝置型別對映表
（2）座標轉換與佈局還原快速。CAD圖紙採用工程座標系，而模擬軟體通常使用其初始二維或三維場景座標系。兩者在原點位置、比例單位及方向角度上存在差異。因此，需透過座標轉換規則將目標檢測模型識別輸出的位置資訊統一對映到模擬軟體座標系中。該過程包括座標轉換、裝置定位、方向計算等調整，將歸一化座標轉換為模擬軟體座標。透過該過程，能夠準確還原物流系統裝置的空間分佈與佈局關係。座標轉換與裝置定位規則參見表2。
表2 座標轉換與裝置定位規則
（3）物料流連線生成快速。在靜態模型構建中，裝置之間需要根據實際系統物料輸送路徑形成邏輯上的物料流連線。即需要基於裝置間的空間鄰近性與方向屬性，自動建立物料流的物理路徑。具體核心流程如下：
① 起點選擇：以具有明確方向性的傳送帶作為遍歷起點，依據其方向（水平/垂直）確定輸入端與輸出端的座標範圍快速。
② 鄰近裝置搜尋：在所有其他裝置中，查詢其邊界中心點與傳送帶輸入/輸出端中心點的X/Y座標差值小於閾值（如30畫素）的物件快速。
③ 空間重疊校驗：對初步篩選出的裝置，進一步驗證其邊界範圍是否與傳送帶埠座標範圍存在交集，以確保空間上可連通快速。
④ 連線關係判定與遞迴：若校驗透過，則記錄該對連線關係，並將下游裝置視為新的“源物件”，繼續重複上述過程，直至當前鏈路無法擴充套件快速。
⑤ 聯結器建立：遍歷所有記錄的有效連線關係對，呼叫Plant Simulation API（例如.Materialflow.Connector.connect()）完成裝置間物理連結快速。
3.工藝邏輯生成模組設計
在完成靜態模型的構建後，本階段基於RAGflow框架，利用大語言模型實現工藝邏輯程式碼的自動生成快速。其中，大語言模型採用DeepSeek-R1:14B，Embedding模型採用BGE-Large-ZH-v1.5。如圖3所示，該模組主要包括工藝邏輯輸入、知識檢索增強、邏輯解析與程式碼生成、人工引數配置四個環節。
圖3 工藝邏輯生成模組
（1）工藝邏輯輸入快速。使用者透過自然語言輸入工藝規程或流程描述，例如：“零件A先經車床加工，再進入清洗工位，隨後經傳送帶x進入裝配工位y”。
（2）知識檢索增強快速。系統將輸入與工藝知識庫包含資訊進行向量化匹配。篩選多條相關資訊片段，並與原始描述一同輸入大模型，以提升邏輯生成準確性。
（3）邏輯解析與模擬程式碼生成快速。大語言模型解析工藝邏輯描述和相關資訊片段，生成對應模擬軟體邏輯程式碼。
（4）人工整合與引數配置快速。工藝邏輯程式碼生成後，由操作人員將其整合到基礎模擬模型中。此外，考慮到部分工藝引數（節拍、利用率、緩衝容量等）需人工設定，系統提供參數列單供使用者快速補充與修改。完成以上四步後，最終形成完整的模擬模型。
三、應用案例
透過某電商裝箱線的實際模擬專案案例，驗證基於YOLO與大語言模型的模擬快速建模方法的有效性快速。
1.某電商裝箱線物流動線及流程概述
該裝箱線主要由兩臺機械臂、八個工位、一條主幹線傳送帶以及八條與主幹線相連的支路傳送帶組成快速。其中，機械臂負責不同訂單對應箱體的上下線；主幹線傳送帶負責將箱子輸送至各個分流點，系統根據當前箱子所需裝入的物料判斷是否將其分流轉入對應支路傳送帶。完成物料裝箱後，箱子會返回主幹線傳送帶，繼續運往下一分流點，直至所有物料裝箱作業完畢。具體流程描述如圖4所示：
圖4 裝箱線運作流程圖
當訂單生產開始時，料箱首先被送至上線機械臂的上線口快速。系統會檢測當前裝箱線中正在流轉的料箱數量是否已達到最大併發裝箱上限。如未達到上限，系統將排程上線機械臂抓取料箱並執行上線操作。料箱上線後，系統為其生成唯一標識條碼，關聯對應訂單資訊並規劃流轉路徑。隨後，料箱由主幹線傳送帶運送至分流點。分流裝置掃描條碼，判斷該料箱是否需進入當前區域進行裝箱作業。若需要，料箱將被引導至支路傳送帶，並輸送至相應裝箱工位。在裝箱工位，操作人員從流利貨架中揀選所需物料進行裝箱。若某物料在流利貨架中的庫存低於安全儲存量，系統將觸發補貨流程。完成裝箱後，料箱經支路傳送帶送回主幹線傳送帶，繼續流轉至下一分流點。上述流程迴圈執行，直至訂單所有物料裝箱完畢。全部裝箱作業完成後，料箱經由主幹線傳送帶運抵下線口，系統排程下線機械臂進行抓取並執行下線操作。
2.物理系統模擬模型自動化建模
為實現該裝箱線模擬建模，首先需要透過YOLOv10目標檢測模型進行CAD圖紙識別快速。具體識別效果如圖5所示。
圖5 識別效果圖
在完成CAD圖紙的識別後，系統依據前述方法透過靜態模型生成模組進行相關處理快速。首先，在裝置型別對映方面。系統根據訓練模型時的預定義標籤，將YOLOv10識別出的工位、傳送帶、轉盤等物件，統一對映為Plant Simulation中對應的可例項化物件，具體參見表3。
表3 預定義標籤
在座標轉換與佈局還原方面，系統對YOLOv10輸出的邊界框資訊進行資料轉換快速。具體包括裝置建模座標的確定、長度計算等。轉換完成的資料儲存在模擬軟體資料表中，具體如圖6所示。
圖6 裝置建模資料記錄
在物料流連線生成方面，系統根據提取到的傳送帶方向資訊和裝置相對位置關係，自動判斷裝置之間的物料流向，並記錄到模擬軟體資料表中，如圖7所示快速。全部傳送帶遍歷完成後，系統依據資料表中的記錄自動生成裝置之間的連結。
圖7 連結關係記錄
工藝邏輯生成階段快速。採用RAGflow框架整合大語言模型，將自然語言工藝描述轉化為模擬程式碼。首先，操作人員以自然語言的形式輸入工藝流程說明，例如：“根據當前目標的next屬性判斷目的地，若next為1，則目的地為Lconveyor，若為2，則前往Rconveyor，若都不是，則目的地為Uconveyor”。RAGflow框架會從知識庫中檢索出相關程式碼片段，這些檢索結果與自然語言描述一併輸入大語言模型。大語言模型經過邏輯推理，自動輸出對應的模擬軟體程式碼。問答互動介面如圖8所示，大語言模型不僅輸出了模擬程式碼，同時也給出了相關解釋以幫助操作人員更好地應用。
圖8 工藝邏輯程式碼輸出問答互動介面
最後，操作人員需要將自動生成的程式碼整合到靜態模型中，並填寫裝置引數，即可形成完整的模擬模型，如圖9所示快速。
圖9 模擬模型效果圖
3.模擬建模用時與準確率對比分析
（1）建模用時
在模擬建模用時對比方面，人工建模需耗時約2～3天，而本文方法僅需22.15小時，建模週期得到顯著縮短快速。這種高效的建模方法使工程師能夠快速構建和調整模型，實現在一天內完成多次“設計—模擬—最佳化”的完整迭代迴圈。這為設計前期開展大量虛擬試驗提供了可能，幫助企業提前識別與解決潛在問題，從而有效節省材料、加工及測試等方面的高昂成本。
（2）模擬準確率
為驗證所建模型的準確性，實驗隨機生成100個裝箱訂單，分別在人工構建模型和本文方法構建模型下進行模擬執行，並對比其單位訂單生產用時結果，兩種方法的執行結果高度一致，差異均控制在合理誤差範圍內，如圖10所示快速。
圖10 案例單位訂單生產用時對比
在單位產品生產用時方面，人工搭建模型與本文方法搭建模型的模擬結果對比顯示：最大相對誤差為0.69%，平均單位產品生產用時相對誤差為0.11%，生產100個訂單總用時相對誤差為0.21%快速。平均單位訂單生產用時與總用時相對誤差均小於1%，處於工程實踐的可接受範圍內，具體可參見表4。
表4 單位產品生產用時具體資料表
綜上所述，在整體建模過程中，本文方法較人工建模將建模週期從“天”級縮短至“小時”級，且所建模型的模擬準確率與人工搭建模型相比差異較低快速。這意味著在實際工程應用中，建模人員能夠在更短的時間內完成高質量模型的搭建。更為重要的是，隨著建模迭代次數的增加，本方法所帶來的時間節約將進一步累積，這使得模擬技術能夠真正跟上物流系統快速迭代的步伐，為敏捷、高效的物流系統設計與最佳化提供了強有力的支撐。
四、總結
本文針對物流系統模擬建模存在的問題，提出了一種基於YOLOv10與大語言模型的模擬快速建模方法，以實現從CAD圖紙到可執行模擬模型的快速、半自動化建模快速。首先，該方法透過改進的YOLOv10目標檢測模型識別CAD圖紙中的關鍵組成要素。其次，透過裝置型別對映、座標轉換等資料處理步驟，並結合自動建模程式碼構建包含物理佈局與物料流連結的靜態模型。最後，透過RAGflow框架整合大語言模型，將自然語言工藝流程轉化為模擬邏輯程式碼，並經人工整合後形成完整模擬模型。透過實際專案案例驗證表明，所提方法在建模效率方面具有顯著優勢：人工建模需耗時約2～3天，而本方法僅需2.15小時，建模週期大幅縮短；在準確性方面，模擬執行結果與人工構建模型高度一致，驗證了本方法的有效性。
本方法為物流系統提供了一種具有普適性的模擬快速建模方案快速。這使得模擬技術能夠快速響應物流系統結構變化，在方案論證、瓶頸分析等場景中實現“快速建模、即時驗證”，顯著縮短了物流系統的規劃、最佳化與決策週期。此外，當物流系統需要調整時（如佈局變更或工藝路線更新），使用者只需修改原始CAD圖紙或自然語言工藝說明，即可透過本方法快速生成新的模型，而非從頭開始重建，極大提升了模擬模型在整個專案生命週期中的可維護性與價值。
【基金專案快速：國家自然科學基金專案（No. 52075036）】
