本研究论文由沈阳大学智能科学与信息工程学院的Xin Chen与伦敦布鲁内尔大学机械与航空航天工程系的Kai Cheng共同撰写，发表于MDPI旗下期刊 Machines 的2026年第14卷第787期。该研究得到了辽宁省教育厅基础研究项目和中国国家留学基金委的资助。
一、 研究背景与目标
该研究立足于云制造（Cloud Manufacturing）与智能制造深度融合的学术背景，聚焦于制造执行系统（Manufacturing Execution System, MES）在云环境下所面临的核心挑战。在云制造环境中，MES不仅需要连接生产计划与实时制造执行，更需在多目标、强约束的条件下动态优化制造执行层（MES-level）的工艺参数。这些目标包括质量一致性、生产节拍（Production-takt）可行性、能耗以及设备稳定性风险。然而，传统的基于规则的方法存在效率低下、难以处理参数间复杂耦合以及决策过程缺乏可追溯性的弊端，而纯数据驱动的方法则常因缺乏工程原理与领域知识的深度整合，导致结果的可解释性与工程可行性不足。
针对这一问题，本文提出了一种由公理化设计（Axiomatic Design, AD）理念治理的、AI赋能的参数优化与推荐框架。该研究的核心目标是将参数优化概念化为一个受治理的工程决策过程，通过将AI能力（数据驱动模型、知识图谱、多智能体系统、大语言模型）嵌入结构化的AD框架中，实现从需求分解、耦合分析到约束优先决策的全流程治理，从而提升推荐结果的可控性、可解释性与工程可执行性。
二、 研究的工作流程与详细方法
该研究构建了一个四层架构的AI赋能公理化设计框架，包括：公理化设计驱动的结构层、数据与知识支撑层、语义交互层和多智能体执行层。整个端到端的决策程序被设计为一个顺序的信息处理过程，具体包含了以下几个核心步骤：
功能需求（FRs）建模与设计参数（DPs）定义：首先，研究遵循公理化设计“先定义需求，后确定参数”的原则，将MES参数推荐问题的功能需求形式化为三类：质量需求（(q(x) \geq q{min})）、生产节拍需求（(s(x) \in [s{min}, s_{max}])）以及能耗需求（最小化(e(x))）。其中，质量和节拍被定义为满意度型需求，是候选配置可执行的非可违前提；而能耗则被定义为在可行域内进行优化的目标型需求。相应地，研究选取了数据集中可用的过程温度（Temperature, T）、机器转速（Machine Speed, S）和振动水平（Vibration Level, V）作为核心设计参数。
设计矩阵与顺序解耦策略：研究将功能需求与设计参数之间的映射关系表示为设计矩阵A。文章指出，在真实制造系统中，该矩阵通常呈现耦合结构。为了将这种耦合转化为可执行的决策序列，作者并未采用一次性黑箱多目标优化，而是提出了一种“约束优先，优化在后”的顺序解耦策略。该策略将可行域逐步缩小：首先应用节拍需求（fr2）约束速度范围得到(ω_2)；在(ω_2)内应用质量需求（fr1）筛选得到(ω_1)；最后在(ω1)中通过知识图谱硬约束裁决得到最终可行域(ω)。在最终可行域内，再通过一个综合评分函数(score(x) = α · \tilde{e}(x) + (1 − α) · r{stab}(x))对候选方案进行排序，其中(\tilde{e}(x))是归一化能耗，(r_{stab}(x))是基于振动安全阈值的稳定性风险惩罚项。该策略在操作层面诠释了公理化设计的独立性公理，并通过实证证据排序体现了信息公理的思想。
约束裁决、评估与语义接口：为了确保推荐结果的工程可行性，研究引入了一个面向制造过程的知识图谱，将设备能力边界、工艺规则和禁止参数组合显式建模为硬约束。该知识图谱采用四类节点（设备、工艺参数、约束规则、工艺状态）的规则导向模式构建，约束验证代理（Constraint Validation Agent）将候选配置转化为参数三元组进行查询，任一约束被触发即通过“短路机制”立即否决该候选。评估代理（Evaluation Agent）则封装了一个有监督分类模块（实验中使用XGBoost实现），用于提供数据集定义的历史有利状态（(y_h)）标签一致性证据。最后，大语言模型（LLM）被置于决策数值化和规则化裁决完成后的语义接口层，根据结构化的证据链（包括约束检查结果、排名分数等）生成可审计的自然语言解释，但不参与可行性决策。
三、 实验验证与主要结果
实验基于一个包含10,000条连续一分钟采样记录的公开智能制造过程数据集（Smart Manufacturing Process Data）进行。该数据集记录了过程温度、机器转速、振动水平、能耗、产品质量得分以及一个名为“最优条件”的二元标签（本文将其解释为历史有利状态标签(y_h)），其中有利状态样本为966条（占比9.66%）。数据集被按70/30的比例分层随机划分为训练集和测试集。
数据探索与标签重构：探索性数据分析显示，振动水平与历史有利状态标签呈最强负相关。关键的规则审计发现，数据集中的历史有利状态标签可以由 (74 ≤ T ≤ 76)、(1475 ≤ S ≤ 1525) 和 (V ≤ 0.06) 这一确定性阈值规则精确重构，重构结果在全部10,000条记录上实现了真阳性（TP）=966、假阳性（FP）=0、假阴性（FN）=0、真阴性（TN）=9034，准确率为1.0000。同时，评估代理中使用的XGBoost分类模块也以1.0000的准确率、AUC-ROC和平均精度（AP）完美复现了这一标签结构。这验证了评估模块在此数据集上的一致性证据供给能力。
离线推荐案例与基线对比：为验证完整工作流，研究构建了一个离线推荐案例，输入约束为：质量下限 (q{min} = 8.70)，速度区间 [1480, 1520] RPM，温度窗口 [70.00, 80.00] °C，振动安全阈值 (v{max} = 0.06) mm/s，搜索预算k=5。结果显示，在10,000条候选记录中，605条满足所有硬性质量、速度、温度和振动门控，其中215条同时满足历史有利状态证据门控。所提出的AD治理工作流在最终的Top-5推荐中，给出了具备完整证据链（各项门控均“通过”，历史有利状态均为1）的配置，其最优能耗为1.00 kWh。
关键的对比实验（表5）进一步凸显了该框架的优势：在相同候选池和确定性平局决胜规则下，对Top-20候选集进行硬约束审计时，所提出的“AD治理的可行域排序”方法实现了0/20的硬约束违反率，而“未门控的加权能量-稳定性排序”和“历史标签/数据驱动排序”两种基线方法均产生了17/20的硬约束违反（违反率85%）。这一结果强有力地证明了“约束优先”的治理逻辑能够在最终排名前有效消除工程上不可行或不安全的方案，而仅优化数值目标或仅依赖历史标签的方法则无法保证这一点。
四、 结论、价值与亮点
本研究的核心结论是：在云制造环境下，MES层工艺参数优化应被视为一个需要系统化治理的工程决策问题。通过将公理化设计从静态的“需求-参数”映射工具转变为一个可执行的、AI赋能的、受约束治理的决策程序，所提出的框架能够有效应对多目标冲突与密集约束带来的挑战。
该研究具备显著的学术与应用价值。在学术层面，其方法论创新在于构建了一种“约束治理下的顺序解耦”方案，将数据驱动模型用于耦合关系估计和证据生成、利用知识图谱执行不可协商的工程约束、通过多智能体系统实现模块化操作，并让大语言模型在决策后提供受控的语义解释。这为解决传统黑箱优化方法在可解释性、可审计性和工程可执行性方面的局限提供了新范式。在应用层面，该框架直接服务于云化MES的智能升级，其输出的每个参数候选方案都包含具体值、预测指标、约束验证记录和完整证据链，有力支持了MES的执行、归档与人工审计，提升了制造决策的工程可信度。
本研究的方法与结果亮点尤为突出：其一，通过规则审计揭示了数据集标签的确定性阈值本质，并将分类器定位为“标签一致性”证据提供者，而非决策主导者，这一角色区分非常清晰。其二，提出的顺序解耦策略将复杂的多目标问题简化为一系列工程可执行的“门控-优化”步骤，逻辑严谨且易于实施。其三，离线对比实验以0/20对17/20的硬约束违反率，定量地验证了“约束优先”治理逻辑的工程可行性与必要性，为同类研究提供了强有力的数据支撑。最后，研究明确指出了在线工业部署、知识图谱的持续更新以及LLM解释质量的量化评估作为未来工作方向，体现了研究的严谨性与前瞻性。