SysML v2 中的自动语义错误定位：使用知识图增强的人在环框架 LLM

SysML v2 的文本语法支持基于编译器的模型结构和语言一致性验证。然而，编译器无法检测到保留语法有效性但违反领域规则的语义错误。这些错误可能会在整个设计过程中传播，并在后期表现为代价高昂的集成失败。本文提出了一种用于自动识别和修复此类错误的人机交互框架。它将微调的小语言模型 (SLM) 与编码系统元素之间的物理兼容性规则的领域知识图相结合。知识图还通过系统地引入合理的领域违规来指导合成训练数据的生成，并在推理时增强模型以在有效的工程约束下提出地面修复建议。我们使用车辆系统领域演示了该框架，其中知识图捕获了机械、电气、流体和信号接口之间的关系。两个 SLM（Qwen2.5-Coder-1.5B 和 DeepSeek-Coder-6.7B）经过微调，可输出统一的差异补丁，定位故障并提供候选修复供工程师审查，从而在设计过程中保留人为判断。对 1,184 个测试样本的评估表明，微调 将语义错误修复从不到 3% 提高到 91% 以上，基于补丁的输出将词元长度减少了 60% 以上。该框架提供了一条实现人工智能辅助模型验证的实用路径，对现有的 MBSE 工具进行了补充。