在制造业中，工艺文件（工艺规程、工序卡片、作业指导书等）是连接产品设计与现场制造的桥梁，其编制质量直接决定着生产效率和产品品质。然而，传统工艺编制高度依赖工程师个人经验，面临效率低下、错误频发、标准不统一、经验传承困难等多重挑战。行业调研显示，工程师约23%的时间耗费在非增值工作上，单纯的流程优化即可回收近四分之一工时。
用户需求集中于两个核心方向，一是工艺文件的自动生成：将二维图纸或三维数模按照企业工艺标准自动生成完整的工艺规程、工序模型和作业指导文件。二是工艺图纸的审核排错：对现有工艺图纸进行自动化审查，检测尺寸标注、符号规范、逻辑一致性等方面的错误并提供修正建议。
根据调研，96%的工程管理者计划在两年内采用AI进行2D图纸审查，其中半数将在6个月内推进实施。本文从技术原理、商用方案、学术前沿、工程落地四个维度展开系统性的深度研究。
工艺文件的自动生成与审核排错涉及多条技术路径，按照输入数据类型和处理方式，可归纳为以下体系：
概括而言，路径一（MBD + 知识工程） 成熟稳定、可解释性强，适合工艺知识相对完善的场景，但规则维护成本高，泛化能力受限。路径二（深度学习驱动） 数据驱动，泛化能力强，但依赖大量标注数据，对硬件和人才要求高。路径三（AI图纸审核排错） 可直接嵌入现有审图流程，落地门槛相对较低，见效快，是制造业企业优先入手的方向。
（1）MBD（基于模型的定义）技术
MBD技术将传统“三维模型 + 二维图纸”的表达方式转换为完全使用三维实体模型承载全部产品制造信息（PMI） 的方法。它以一系列三维模型作为整个加工过程中的数据基础，实现加工对象信息的完整表达。
MBD模型包含三类核心信息：几何特征（如孔、槽、凸台、型腔等加工特征的几何参数）、PMI标注（尺寸公差、形位公差、表面粗糙度、基准等制造信息）和属性信息（材料、热处理要求、标准引用等元数据）。通过CAD二次开发或专用解析工具直接从MBD模型中自动提取这些信息，可形成结构化的特征属性数据，供下游工艺推理模块使用。
（2）特征识别与工艺知识库推理
特征识别是连接CAD几何与工艺规划的关键桥梁。基于规则的识别流程为：建立标准特征库（定义孔、槽、键、凸台等典型特征的几何、尺寸和材料参数及识别规则），开发特征识别算法自动解析三维模型中的几何信息，并构建产品拓扑图模型基于图论分析零件中的连接关系来识别复杂特征。
在此基础上，系统利用知识库推理生成工艺方案。知识库通常包含工艺语句库、工艺指令规则库、工艺方法库、工艺图表库及制造资源库等，形成“零件族 → 工序 → 工序族 → 典型工艺”的知识管理模式。根据识别出的特征，系统自动检索最佳加工方案，生成可选加工方案列表。
（3）工艺路线编排与工序模型生成
工艺路线的编排利用运筹优化、区域优化和最短路径等算法，根据制造约束（如先粗后精、先主后次、基准先行等）生成最优工艺路线。
工序模型（即每个加工步骤对应的零件中间状态三维模型）的自动生成是MBD路径的关键环节。一种代表性方法基于加工区域轮廓：根据零件模型和工艺规范，将每个加工步骤的加工区域识别为毛坯模型与对应切削体之间的布尔差，再通过分层分解导出加工区域轮廓，最终利用这些轮廓进行简单的建模操作来构建切削体。案例研究表明，该方法相比传统方法将工序模型生成效率提升了37%以上，且适用于旋转件和非旋转件两大类零件。
（1）加工特征的深度学习识别
传统规则特征识别方法在应对特征交互（如两个孔相交导致几何拓扑改变）时表现不佳。深度学习方法在此领域取得了显著突破。一项研究提出EMD-GNN（边调制双图神经网络），采用双图表示融合三角网格的几何细节与B-Rep面的拓扑关系，在GeoMFD、MFCAD++等基准数据集上均优于现有方法。
另一项值得关注的研究FeatureFox提供了高样本效率的全景分割方案：通过校准的边分类器定位特征边界，在剪枝后的面邻接图中恢复特征实例，再由实例分类器预测加工类别。FeatureFox仅需约50个训练零件即可达到PQ>0.9，而此前深度基准方法需约250个零件，在工业标注数据稀缺的背景下具有突出落地优势。
（2）端到端智能工艺规划
深度学习方法实现了从特征识别到工艺路线的端到端流水线。例如，一种基于多图融合的方法集成了三个核心阶段——加工特征识别（利用属性邻接图AAG结合图注意力网络GAT）、加工方案决策（基于工艺知识分配最优加工参数）和工艺路线规划（基于加工元有向图MEDGraph生成符合制造约束的工艺序列），实验结果显示识别精度达98.97%，规划精度达96.14%，展示了从设计几何到工艺执行的统一通路。
（3）大语言模型（LLM）与工艺生成
大语言模型在工艺生成领域展现出新潜力。有研究探讨将LLM与CAD工具集成，实现从自然语言描述生成初始CAD脚本，并基于错误反馈迭代优化。在工程实践层面，AI工艺辅助设计已出现明确需求：调用工艺AI大模型和工艺知识库自动生成加工工序及工步，输出详细加工参数、刀具和操作指导等内容，并支持工程师进行人机交互干预。
（1）2D/3D图纸的AI自动审查
图纸审核是当前AI落地最为成熟的方向之一。代表性的商用工具CoLab AutoReview可自动审核2D图纸与3D模型，扫描文档并识别常见问题：标记缺失或不正确的沉头孔测量（确保螺钉头部齐平），检查成型尺寸以确保壁厚有效且模具易于拆卸，以及从历史设计中学习经验教训来预警重复性错误。该工具能在数分钟内完成人工需数小时的尺寸核查，目前已在创科实业（TTI）、风电叶片制造商TPI Composites等全球制造企业投入试用。
（2）多模态智能审核技术
金现代IDP（智能文档处理平台）代表了国内AI审图的技术深度，深度融合计算机视觉（CV）、光学字符识别（OCR）与多模态大模型技术，针对性攻克三大审核难题：审文字——基于CV模型自动检测并框选文字区域，智能区分“技术要求”与“注释说明”等不同功能模块，结合NLP技术将内容转化为结构化数据并与规范库、术语库自动比对；审表格——精准探测表格区域，识别表头与行列结构，支持合并单元格与跨页表格的完整识别；审图注——自动识别尺寸线、公差代号（如Ø、±）、基准符号等图形标注元素，基于多模态模型建立标注与图形特征的语义关联，审查标注是否符合GD&T标准或机械制图规范，涵盖尺寸链闭合性、公差值合理性、基准一致性等关键维度。
（3）可制造性设计（DFM）智能校核
DFM校核在AI审图中占据重要地位。广域铭岛的Geega工艺专家数智引擎在此表现出色：系统自动读取3D设计模型，由AI算法自动定位部件位置、识别关键特征并完成尺寸检测和比对，将潜在设计缺陷拦截率提升95%，整体检查效率提升80%。此外，部分工具提供即时3D可视化反馈，让用户在高保真环境中直观查看薄壁或加工瓶颈等复杂问题，如RapidDirect的AI驱动DFM引擎实现了4倍的特征识别速度提升。
| 方案名称 | 核心能力 | 技术亮点 | 适用场景 | 集成特性 |
|---|---|---|---|---|
| **Geega工艺专家数智引擎** | AI可制造性校核、工艺路线生成、作业工时/指导生成 | AI特征识别+工艺大模型；设计缺陷拦截率提升95%，工艺路线生成效率提升80%（从20天降至3天） | 汽车整车制造、大型装配工艺规划 | 打通设计-工艺-试制-量产全流程 |
| **CoLab AutoReview** | 2D/3D图纸自动审核、DFM检查、经验传承 | 基于历史数据学习，自动标记沉头孔、壁厚等DFM问题；数分钟完成人工数小时的审核 | 航空航天、医疗设备、汽车 | 兼容Creo/NX/SolidWorks/CATIA/PLM集成 |
| **金现代IDP** | 多模态文档智能审核（文字+表格+图注） | CV+OCR+多模态大模型融合；GD&T合规审查、尺寸链闭合性校验 | 能源电力、石化、建筑、汽车 | 嵌入PLM系统，自动触发标准化预审 |
| **探索者校审** | 结构施工图AI审查 | 规范校核+边画边审+智能审图，支持建筑/结构/设备多专业 | 建筑工程领域 | 与TSSDSys系列软件深度集成 |
| **ENCY 2.0** | 3D打印与制造工艺AI规划 | 分析3D模型和项目数据，建议加工策略并可人工调整；本地数据处理保障IP安全 | 增材制造、多品种小批量 | 强调数据安全与本地部署 |
方向一：几何深度学习与CAD自动化。 几何深度学习技术正在变革CAD领域，涵盖相似性分析与检索、2D/3D CAD模型合成、从点云和图像生成CAD模型等方向。图神经网络在CAD几何处理中的应用尤为活跃。
方向二：知识图谱驱动的工艺知识建模。 针对航空航天领域复杂薄壁零件工艺数据结构化程度低、难以重用的问题，研究者提出了工艺知识图谱的构建和质量评估方法——“零件-特征-加工方法-加工资源”多层语义网络的构建实现了异构工艺数据的一体化表达与智能检索。此外，知识图谱还被用于装配语义信息建模，解决CAD模型几何信息与装配工艺文档之间因异构性而无法关联的问题。
方向三：LLM驱动的CAD设计与工艺生成。 最新研究探索了将大语言模型与CAD系统深度集成，如AIDL（一种层次化、求解器辅助的领域特定语言），旨在匹配LLM的优势同时保持人工可编辑性和可解释性。CADmium项目则训练LLM将自然语言转化为三维设计代码，将CAD模型的构建过程视为“将平面草图转化为三维特征”的序列步骤。
方向四：数字孪生与自学习制造系统。 Fraunhofer IPT的SPOK项目（服务于Ariane 6火箭上面级部件生产）利用AI和机器学习评估传感器数据，预测制造工艺和刀具行为，通过数字孪生改善质量数据分析。这一方向代表了工艺智能化与生产现场深度融合的前沿。
| 对比维度 | 路径一：MBD + 知识工程 | 路径二：深度学习驱动 | 路径三：AI图纸审核排错 |
|---|---|---|---|
| **核心原理** | 规则库 + 特征模板匹配 + 知识推理 | 数据驱动的端到端学习 | CV/OCR/NLP多模态融合解析 |
| **输入要求** | 带PMI标注的MBD三维模型 | 标注训练数据集（B-Rep/网格） | 2D图纸扫描件/PDF + 3D模型文件 |
| **精度水平** | 规则覆盖范围内精度高，可接近100% | 特征识别精度95%-99%，受数据影响 | 文字识别高（OCR成熟），DFM检查持续提升 |
| **泛化能力** | 弱，新零件类型需重新编写规则 | 强，模型可泛化到未见过的几何结构 | 中等，受制于图纸规范和标准多样性 |
| **可解释性** | 强，每步推理可追溯 | 弱，端到端黑箱特性 | 中等，审核结果可定位到具体标注 |
| **实施难度** | 中等，需构建知识库和特征规则库 | 高，需标注数据、GPU算力、ML团队 | 较低，可渐进式部署 |
| **维护成本** | 高，规则库持续更新维护 | 中等，模型需定期重训/微调 | 中等，规范库和规则需同步更新 |
| **适用制造类型** | 机加工、钣金等特征明确的工艺 | 适用范围广（机加工、铸造、增材） | 不区分制造类型，主要面向图纸标准化审查 |
| **推荐场景** | 产品族相对固定、工艺知识积累深厚 | 产品多样性强、需要高自动化能力 | 图纸量大、标准化审查需求突出 |
不同制造领域对三类技术路径的适用性和成熟度存在显著差异：
| 行业 | MBD+知识工程 | 深度学习 | AI审图 | 代表实践 |
|---|---|---|---|---|
| **航空航天** | ★★★★★ | ★★★★☆ | ★★★★★ | 波音777全机MBD应用，研制周期缩短50%，返工率减少75%；SPOK项目AI优化Ariane 6生产工艺 |
| **汽车制造** | ★★★★☆ | ★★★★☆ | ★★★★☆ | Geega系统20天→3天工艺路线生成效率提升；AutoReview DFM优化降低模具成本 |
| **船舶制造** | ★★★☆☆ | ★★★☆☆ | ★★★★☆ | AI分段工艺规划：构建50+船型工艺库，自动生成切割/焊接参数 |
| **通用机械** | ★★★★☆ | ★★★☆☆ | ★★★★☆ | 多基于成熟CAPP平台，AI审图工具渐进式部署 |
| **特种制造** | ★★★☆☆ | ★★★☆☆ | ★★★☆☆ | 增材制造AI工艺规划（ENCY 2.0），需较大量的行业适配 |
基于行业最佳实践，建议分以下阶段推进：
阶段一：快速见效（1-3个月） ——优先落地图纸审核排错，部署AI审图工具（如CoLab AutoReview或金现代IDP），与现有PLM系统对接实现自动触发审核，同步建立错误案例库和审核规则库。行业实践表明该阶段可快速验证AI价值：如DeepSeek多模态版实现50张零件图系统自动审核2小时完成（原需3人1天），错误率从10%降至1%。
阶段二：能力建设（3-12个月） ——构建工艺知识库，系统整理企业的工艺语句库、指令规则库、方法库、制造资源库，形成“零件族 → 典型工艺”的知识管理模式；推进MBD标准化，完善三维模型中的PMI标注信息；同时积累标注数据，为后续深度学习模型训练奠定数据基础。
阶段三：全面智能（12个月+） ——引入端到端工艺自动生成，将MBD特征识别与AI工艺大模型结合，实现工序模型和工艺规程的自动生成；部署人机协同工作流，支持AI生成 + 工程师审阅修正的工作模式；建立持续学习和优化机制，根据反馈不断优化AI模型与知识库。
1. 数据孤岛问题： 企业CAD、CAPP、CAM系统之间往往数据不通，工艺数据以Word/Excel等非结构化形式散落，需要投入较大的数据治理成本实现工艺数据的结构化。
2. 工艺知识隐性化： 大量核心工艺经验存在于资深工程师的隐性知识中，难以形式化为规则或训练数据。制造业退休潮更加剧了经验流失风险。
3. 标准与规范的地域差异： 不同企业、不同行业的工艺标准差异大（如GD&T标准、企业内部规范等），通用AI模型难以直接复用。
4. 深度学习模型的工程可靠性： AI模型的输出需要达到工程级可靠性，尤其是在航空航天等对安全性要求极高的领域，模型的“可解释性”和“可审核性”是关键瓶颈。
5. 实施中的集成与组织变革挑战： 工艺智能化往往涉及PLM/ERP/MES多系统集成以及与现有人工审核流程的衔接。建议采用“小切口试点→标杆场景验证→规模化推广”的策略降低风险。
趋势一：多路径融合。 单一技术路径难以覆盖所有场景，未来趋势是MBD知识工程、深度学习和LLM的深度融合——知识工程提供确定性框架和可解释性，深度学习提供模式识别和泛化能力，LLM提供自然语言交互和知识问答能力。行业共识表明，AI不会取代工艺工程师，但能接管那些拖慢创新速度的重复性决策。
趋势二：多模态能力升级。 从单一CAD模型处理到多模态融合（图纸图像+三维模型+工艺文本+制造资源数据）的智能理解，实现跨模态的工艺知识关联与推理，是技术发展的关键方向。
趋势三：从辅助到创成。 AI的角色正从被动审核向主动创成转变：从检查现有工艺是否正确、到根据设计自动生成工艺方案、再到基于制造约束自主创成最优工艺路径，逐步实现从“辅助”到“智造”的跨越。如通过智能算法快速推理生成最优装配顺序清单，利用干涉检测算法在虚拟环境中进行“装配演练”自动检查逻辑错误的能力已被证实可行。
趋势四：端到端一体化。 从设计到制造的全链路智能化打通：CAD设计 → 自动工艺生成 → CAM数控编程 → 现场作业指导的全流程数字线程构建，是实现智能制造的核心使能技术。
趋势五：工业自主Agent。 利用AI Agent能力收集生产数据、分析工艺与质量关联、自主提出工艺优化建议，实现工艺的持续进化。这一方向有望成为下一个技术突破口。
核心建议： 对于多数有工艺智能化需求的制造业企业而言，“先审后生”是务实的推进策略——先从AI图纸审核排错入手快速验证价值、积累数据和组织经验，再逐步推进工艺自动生成的建设。在路径选择上，建议以MBD技术为基础奠定数据标准化根基，以深度学习提升识别与推理能力，以知识图谱和大模型增强知识管理与交互体验，三条路径优势互补，构建完整的智能工艺规划体系。
本报告基于2025-2026年公开可获取的学术文献、商业产品信息和行业实践案例进行深度研究。具体技术方案选择需结合企业的实际工艺类型、数据基础、IT成熟度和组织变革能力进行综合决策。