基于YOLO與大語言模型的物流系統仿真快速建模方法及其應用

廣告 | 點擊查看

摘要：物流系統仿真作為優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。然而，現有仿真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，難以滿足復雜場景下的快速迭代需求。針對該問題，本文提出一種基于You Only Look Once(YOLO)目標檢測與大語言模型的仿真快速建模方法。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)圖紙進行智能識別，提取工位、傳送帶等關鍵組成要素的類別與位置信息；隨后，通過坐標轉換與設備類型映射等數據處理，并結合自動化建模代碼在仿真軟件中生成包含精確物理布局和物料流連接的靜態模型；最后，基于大語言模型將工藝邏輯轉化為仿真代碼，并通過人工參數配置形成完整仿真模型。某電商裝箱線仿真項目案例驗證表明，該方法在保證仿真準確性的同時，能夠顯著提升建模效率。

關鍵詞：物流系統仿真；離散事件仿真；快速建模；圖紙識別；大語言模型

作者：黎伯瑋 趙寧 任曉輝

北京科技大學機械工程學院物流工程系

物流系統作為承載生產活動的核心單元，其建模與仿真能力已成為推動企業柔性生產和精益管理的重要工具。通過仿真建模，企業能夠在虛擬環境中完成布局優化、物流流向分析、產能預測及瓶頸診斷，從而降低試錯成本、縮短投產周期。然而，在實際應用中，物流系統仿真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，傳統建模方法依賴于人工解讀計算機輔助設計（Computer Aided Design, CAD）圖紙與工藝文檔，并在仿真軟件中手動構建模型，對人員的專業知識和經驗要求較高；其二，仿真建模通常為迭代過程，隨著方案驗證與優化推進，模型需頻繁修改更新，這一過程延長了建模周期，推高了人力與時間成本。而時效性不足則源于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。依賴人工構建的定制化仿真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仿真模型迅速失效，使用周期縮短，制約了仿真技術在實際生產中的持續應用價值。

針對上述問題，本文提出一種集成You Only Look Once（YOLO）目標檢測與大語言模型的仿真快速建模方法，以實現從CAD圖紙到完整仿真模型的智能化快速構建。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；并通過數據轉換和預置的自動建模代碼模塊，生成包含基礎物理布局和物料流鏈接的仿真模型框架；最后，基于檢索增強生成流（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仿真邏輯代碼。操作人員僅需對仿真邏輯代碼進行配置及設備參數賦值，即可完成仿真模型的構建。

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，設計基于YOLOv10與大語言模型的快速建模方法，包括CAD圖紙識別模塊、靜態模型生成模塊及工藝邏輯生成模塊；第三，通過某電商裝箱線仿真項目案例，驗證了所提出方法在建模效率與準確性方面的優勢。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，為物流系統仿真提供了一種具備普適性的快速建模解決方案。

一

仿真快速建模關鍵技術

物流系統仿真是一種基于模型的系統分析方法，它通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運行邏輯。其核心作用在于為物流系統的設計、優化與決策提供量化依據。具體而言，仿真能夠在不干擾實際運營的前提下，精確評估系統性能（如產能、吞吐時間、資源利用率），并比較不同調度策略或布局方案的優劣。在實際應用中，復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，迫切需要更高效的仿真快速建模技術。

近年來，目標檢測技術和大語言模型的高速發展為仿真快速建模提供了新的解決思路。其中，目標檢測為圖紙信息的自動化提取提供支持，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。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信息，為后續仿真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。RAGflow框架通過集成大語言模型與代碼知識庫，能夠將自然語言的工藝描述自動轉化為符合仿真軟件語法的邏輯腳本。在本研究中，RAGflow框架驅動下的大語言模型主要用于解析物流系統運作流程，實現從“自然語言工藝邏輯”到“仿真可執行代碼”的映射，如圖2所示。

圖2 工藝邏輯轉仿真代碼流程圖

二

基于YOLO與大語言模型的快速建模方法

為了克服傳統物流系統仿真建模方法中依賴人工、效率低下的問題，本文提出了一種基于YOLOv10與RAGflow框架驅動的大語言模型的仿真快速建模方法。該方法由CAD圖紙智能識別模塊、靜態模型生成模塊、工藝邏輯生成模塊三部分構成，分別完成組成要素識別、物理布局建模和工藝邏輯轉化，從而實現圖紙與工藝文件到仿真模型的自動化構建。

1.CAD圖紙智能識別模塊設計

本階段針對物流系統的二維CAD布局圖紙，采用預訓練過的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。YOLOv10目標檢測模型輸出CAD圖紙組成要素的識別邊界框左上，右下角位置坐標及類型信息，為下一階段的靜態模型生成模塊提供建模依據。

具體流程如下：首先，對CAD圖紙進行數據預處理，包括圖元提取、圖層篩選與分辨率歸一化；其次，基于人工標注的數據集訓練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；最后，目標檢測模型輸出各要素的類別、位置坐標及方向屬性。這些識別結果構成了后續靜態建模的輸入數據，保證了自動化建模的準確性。

2.靜態模型生成模塊設計

在完成CAD圖紙要素識別后，需要將識別結果轉化為仿真軟件中可直接運行的基礎靜態模型。靜態模型的生成主要包括設備類型映射、坐標轉換與布局還原、物料流連接生成三個環節，其核心目標是實現圖紙元素向仿真軟件建模對象的自動化映射，從而快速形成包含物理布局與物料流鏈接的虛擬模型。

（1）設備類型映射。不同CAD圖紙中設備元素的表現形式各不相同，但在仿真軟件中通常需要抽象為有限的基本實例化對象。因此，需要建立設備類型映射表明確CAD圖紙組成要素與Plant Simulation中實例化對象之間的對應關系，具體參見表1。通過這一映射機制，可以保證不同圖紙風格下識別到的元素能夠被規范化處理，確保模型構建的一致性。

表1 設備類型映射表

（2）坐標轉換與布局還原。CAD圖紙采用工程坐標系，而仿真軟件通常使用其初始二維或三維場景坐標系。兩者在原點位置、比例單位及方向角度上存在差異。因此，需通過坐標轉換規則將目標檢測模型識別輸出的位置信息統一映射到仿真軟件坐標系中。該過程包括坐標轉換、設備定位、方向計算等調整，將歸一化坐標轉換為仿真軟件坐標。通過該過程，能夠準確還原物流系統設備的空間分布與布局關系。坐標轉換與設備定位規則參見表2。

表2 坐標轉換與設備定位規則

（3）物料流連接生成。在靜態模型構建中，設備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接。即需要基于設備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坐標范圍。

② 鄰近設備搜索：在所有其他設備中，查找其邊界中心點與傳送帶輸入/輸出端中心點的X/Y坐標差值小于閾值（如30像素）的對象。

③ 空間重疊校驗：對初步篩選出的設備，進一步驗證其邊界范圍是否與傳送帶端口坐標范圍存在交集，以確保空間上可連通。

④ 連接關系判定與遞歸：若校驗通過，則記錄該對連接關系，并將下游設備視為新的“源對象”，繼續重復上述過程，直至當前鏈路無法擴展。

⑤ 連接器建立：遍歷所有記錄的有效連接關系對，調用Plant Simulation API（例如.Materialflow.Connector.connect()）完成設備間物理鏈接。

3.工藝邏輯生成模塊設計

在完成靜態模型的構建后，本階段基于RAGflow框架，利用大語言模型實現工藝邏輯代碼的自動生成。其中，大語言模型采用DeepSeek-R1:14B，Embedding模型采用BGE-Large-ZH-v1.5。如圖3所示，該模塊主要包括工藝邏輯輸入、知識檢索增強、邏輯解析與代碼生成、人工參數配置四個環節。

圖3 工藝邏輯生成模塊

（1）工藝邏輯輸入。用戶通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，隨后經傳送帶x進入裝配工位y”。

（2）知識檢索增強。系統將輸入與工藝知識庫包含信息進行向量化匹配。篩選多條相關信息片段，并與原始描述一同輸入大模型，以提升邏輯生成準確性。

（3）邏輯解析與仿真代碼生成。大語言模型解析工藝邏輯描述和相關信息片段，生成對應仿真軟件邏輯代碼。

（4）人工集成與參數配置。工藝邏輯代碼生成后，由操作人員將其集成到基礎仿真模型中。此外，考慮到部分工藝參數（節拍、利用率、緩沖容量等）需人工設定，系統提供參數表單供用戶快速補充與修改。完成以上四步后，最終形成完整的仿真模型。

三

應用案例

通過某電商裝箱線的實際仿真項目案例，驗證基于YOLO與大語言模型的仿真快速建模方法的有效性。

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、一條主干線傳送帶以及八條與主干線相連的支路傳送帶組成。其中，機械臂負責不同訂單對應箱體的上下線；主干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。完成物料裝箱后，箱子會返回主干線傳送帶，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。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并發裝箱上限。如未達到上限，系統將調度上線機械臂抓取料箱并執行上線操作。料箱上線后，系統為其生成唯一標識條碼，關聯對應訂單信息并規劃流轉路徑。隨后，料箱由主干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，并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于安全存儲量，系統將觸發補貨流程。完成裝箱后，料箱經支路傳送帶送回主干線傳送帶，繼續流轉至下一分流點。上述流程循環執行，直至訂單所有物料裝箱完畢。全部裝箱作業完成后，料箱經由主干線傳送帶運抵下線口，系統調度下線機械臂進行抓取并執行下線操作。

2.物理系統仿真模型自動化建模

為實現該裝箱線仿真建模，首先需要通過YOLOv10目標檢測模型進行CAD圖紙識別。具體識別效果如圖5所示。

圖5 識別效果圖

在完成CAD圖紙的識別后，系統依據前述方法通過靜態模型生成模塊進行相關處理。首先，在設備類型映射方面。系統根據訓練模型時的預定義標簽，將YOLOv10識別出的工位、傳送帶、轉盤等對象，統一映射為Plant Simulation中對應的可實例化對象，具體參見表3。

表3 預定義標簽

在坐標轉換與布局還原方面，系統對YOLOv10輸出的邊界框信息進行數據轉換。具體包括設備建模坐標的確定、長度計算等。轉換完成的數據存儲在仿真軟件數據表中，具體如圖6所示。

圖6 設備建模數據記錄

在物料流連接生成方面，系統根據提取到的傳送帶方向信息和設備相對位置關系，自動判斷設備之間的物料流向，并記錄到仿真軟件數據表中，如圖7所示。全部傳送帶遍歷完成后，系統依據數據表中的記錄自動生成設備之間的鏈接。

圖7 鏈接關系記錄

工藝邏輯生成階段。采用RAGflow框架集成大語言模型，將自然語言工藝描述轉化為仿真代碼。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代碼片段，這些檢索結果與自然語言描述一并輸入大語言模型。大語言模型經過邏輯推理，自動輸出對應的仿真軟件代碼。問答交互界面如圖8所示，大語言模型不僅輸出了仿真代碼，同時也給出了相關解釋以幫助操作人員更好地應用。

圖8 工藝邏輯代碼輸出問答交互界面

最后，操作人員需要將自動生成的代碼集成到靜態模型中，并填寫設備參數，即可形成完整的仿真模型，如圖9所示。

圖9 仿真模型效果圖

3.仿真建模用時與準確率對比分析

（1）建模用時

在仿真建模用時對比方面，人工建模需耗時約2～3天，而本文方法僅需22.15小時，建模周期得到顯著縮短。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—仿真—優化”的完整迭代循環。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）仿真準確率

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仿真運行，并對比其單位訂單生產用時結果，兩種方法的運行結果高度一致，差異均控制在合理誤差范圍內，如圖10所示。

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仿真結果對比顯示：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%。平均單位訂單生產用時與總用時相對誤差均小于1%，處于工程實踐的可接受范圍內，具體可參見表4。

表4 單位產品生產用時具體數據表

綜上所述，在整體建模過程中，本文方法較人工建模將建模周期從“天”級縮短至“小時”級，且所建模型的仿真準確率與人工搭建模型相比差異較低。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，這使得仿真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優化提供了強有力的支撐。

四

總結

本文針對物流系統仿真建模存在的問題，提出了一種基于YOLOv10與大語言模型的仿真快速建模方法，以實現從CAD圖紙到可運行仿真模型的快速、半自動化建模。首先，該方法通過改進的YOLOv10目標檢測模型識別CAD圖紙中的關鍵組成要素。其次，通過設備類型映射、坐標轉換等數據處理步驟，并結合自動建模代碼構建包含物理布局與物料流鏈接的靜態模型。最后，通過RAGflow框架集成大語言模型，將自然語言工藝流程轉化為仿真邏輯代碼，并經人工集成后形成完整仿真模型。通過實際項目案例驗證表明，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，建模周期大幅縮短；在準確性方面，仿真運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仿真快速建模方案。這使得仿真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、優化與決策周期。此外，當物流系統需要調整時（如布局變更或工藝路線更新），用戶只需修改原始CAD圖紙或自然語言工藝說明，即可通過本方法快速生成新的模型，而非從頭開始重建，極大提升了仿真模型在整個項目生命周期中的可維護性與價值。

【基金項目：國家自然科學基金項目（No. 52075036）】

———— 物流技術與應用融媒 ————

編輯、排版：王茜

本文內容源自

歡迎文末分享、點贊、在看！轉載請聯系后臺。

廣告宣傳