一、行业痛点：为什么机械设计需要AI

半导体设备的机械设计是一个高度依赖经验的工程过程。一台典型的CVD或PVD设备包含数百个零部件——阀门、管件、气体面板（Gas Panel）、传感器、密封件、紧固件等——它们之间的装配关系受到物理约束（接口尺寸匹配）、工艺约束（气体兼容性）和企业规范（标准件选型偏好）的多重约束。

当前设计流程的核心瓶颈在于：

• P&ID到BOM的转化依赖人工：工程师需要逐个识别P&ID上的设备符号，查找对应的标准件，确定密封件、紧固件等辅件——这是一个重复且易出错的过程
• 3D装配建模耗时长：确定BOM后，工程师需要在SolidWorks中逐一插入零件、定义装配约束（配合关系），一个Gas Panel的3D模型可能需要3-5天
• 经验难以沉淀：资深工程师知道”MFC后面应该配IGS Block还是VCR Block”，但这些知识存在个人脑子里，新人需要数月才能积累
• 设计变更代价高：P&ID修改后，整个BOM和3D模型需要人工重新核对，变更管理效率低

NeuroBox D 的设计目标是：让AI完成从P&ID到3D装配体的全流程，工程师只需审核和微调。

二、系统架构：四引擎流水线

NeuroBox D 采用微服务架构，核心流水线由四个独立引擎组成，每个引擎负责一个阶段的任务：

四个引擎作为独立的独立微服务运行，通过REST API通信，可独立扩展和更新。整体通过容器化编排，支持一键部署。

支撑服务

• 关系数据库：存储零件库元数据、装配规则、历史学习数据
• 高速缓存：缓存零件几何信息和推理中间结果
• 对象存储：存储上传的图纸、生成的3D文件和零件库
• Web前端：可视化操作界面，集成3D预览

三、检测引擎：多模型融合的图纸理解

检测引擎的任务是”看懂”P&ID图纸——识别出图纸上的每一个设备符号、管路连接关系和标注信息。

3.1 多模型融合策略

单一检测模型难以覆盖P&ID图纸的多样性（不同客户、不同标准、不同绘图风格），因此我们采用三模型融合方案：

• 专用目标检测模型（快速定位）：基于监督学习，经过P&ID符号数据集微调的深度学习检测模型，负责快速定位图纸上的设备区域。支持MFC、Filter、Regulator、Valve等30+类设备符号
• 视觉大语言模型（语义理解）：VLM负责理解检测区域的语义信息——设备型号、接口规格、标注文字。VLM的优势在于能处理非标准标注和手写修改
• 开放词汇检测模型（开放检测）：文本驱动的目标检测，用于识别训练集中未覆盖的新设备类型。工程师只需描述设备特征（如”带有三角形符号的减压阀”），即可检测

3.2 One-Shot学习

当客户使用非标准P&ID符号时，传统方法需要重新标注数据并训练模型。NeuroBox D 支持One-Shot学习：客户只需提供一个符号样本，系统通过特征嵌入和相似度匹配，即可在后续图纸中识别该符号。

3.3 辅助检测模块

• 管路追踪器（Pipe Tracer）：基于图像处理的管线跟踪，识别设备之间的连接关系
• 表格检测器（Table Detector）：自动提取P&ID图纸中附带的BOM表格信息
• 智能分割：用于多视图图纸的视图分割（正视图/顶视图/侧视图边界识别）

四、BOM推理引擎：三层约束推理

检测引擎识别出设备后，BOM推理引擎负责推理出完整的物料清单——不仅包括图纸上标注的设备，还包括密封件、紧固件、管接头等辅件。这些辅件在P&ID上通常不画出，但在实际装配中不可缺少。

4.1 三层约束架构

L1 — 硬约束（Hard Constraints）

基于行业标准和产品规格的确定性规则，不允许违反：

• MFC设备必须搭配对应接口的Gas Block（IGS或VCR，取决于接口类型）
• Filter设备需要特定材质的密封圈（由介质决定：腐蚀性气体用PTFE，惰性气体用Viton）
• 接口尺寸必须匹配：1/4″管路不能直接接1/2″设备，需要Reducer

L2 — 软约束（Soft Constraints）

基于物理规律和工程常识的约束，有优先级但允许在特殊情况下调整：

• 端口数量验证：Block的端口数必须 ≥ 连接设备数
• 空间布局约束：相邻设备间距需满足维护空间要求
• 重力方向约束：液体管路需考虑坡度和排空点

L3 — 学习约束（Learned Constraints）

从客户历史设计数据中自动学习的模式：

• 客户A在类似场景中偏好使用品牌X的阀门而非品牌Y
• 特定工艺段（如Gas Panel入口段）通常使用Weld连接而非VCR
• 某类设备组合在历史项目中总是成对出现

L3约束是”数据飞轮”的核心实现——客户使用越多，L3约束越丰富，BOM推理越准确。

4.2 两轮推理流程

第一轮：基于检测结果和L1/L2约束，生成初始BOM（主设备+直接辅件）

第二轮：基于第一轮BOM和L3学习约束，补充间接辅件（紧固件数量、密封件规格、管接头类型），并做完整性校验

五、多视图投影引擎：2D到3D的坐标映射

当输入是装配图（而非P&ID）时，图纸上通常包含多个视图（正视图、顶视图、侧视图）。多视图投影引擎负责将2D视图中的坐标信息融合，还原设备在3D空间中的位置。

核心算法

• 视图检测：自动识别图纸上的视图类型和边界，支持标准三视图和等轴测视图
• 特征匹配：基于优化匹配算法的跨视图特征关联——在正视图中识别的设备A，对应顶视图中的哪个轮廓？
• 坐标对齐：建立各视图坐标系与3D世界坐标系的映射关系，将2D位置投影到3D空间

六、装配引擎：从布局优化到原生SLDASM输出

装配引擎是整个流水线的最后一站，也是技术难度最高的环节——将BOM和3D位置信息转化为可直接在SolidWorks中打开和编辑的原生装配文件。装配模型通过监督学习的方式训练：以工程师历史完成的装配案例作为标注数据，学习零件间的配合关系、约束类型和空间布局模式，从而实现自动化装配推理。

6.1 3D布局优化

使用约束满足（CP-SAT）求解器进行零件布局：

• 约束条件：零件不重叠、接口对齐、维护空间预留、管路最短化
• 优化目标：最小化整体占地面积和管路总长度
• 支持机柜约束：零件必须布置在指定机柜尺寸范围内

6.2 管路自动布线

基于智能寻路算法的管路自动布线：

• 在3D空间中构建栅格地图，已放置零件区域标记为障碍
• 对每对需要连接的端口自动搜索最短无碰撞路径
• 管路交叉优化：检测交叉点并自动调整高度分层

6.3 装配面智能匹配：SolidWorks自动装配的关键技术

这是NeuroBox D区别于其他”伪自动化”工具的核心技术。

NeuroBox D 通过对零件库的深度预处理，建立了每个零件装配面的唯一标识映射。装配时，系统自动匹配零件之间的对应装配面，通过SolidWorks API直接创建精确的配合关系（Mate），全程后台自动执行，无需人工干预。

这意味着生成的SLDASM文件包含完整的配合关系定义，工程师打开后看到的是一个正确装配的模型，而不是一堆散落的零件。

6.4 SolidWorks集成

通过自研远程通信模块与SolidWorks实例通信：

• 远程连接运行SolidWorks的Windows工作站
• 发送装配指令序列（插入零件→定义配合→生成子装配→导出STEP）
• 输出文件通过Web界面下载

七、数据飞轮：越用越精准的学习机制

NeuroBox D 不是一个静态的规则引擎。它内置了三个层面的持续学习机制：

7.1 检测模型迭代

通过One-Shot学习，每次客户标注一个新的P&ID符号，都会扩展检测模型的能力范围。积累足够样本后，可触发YOLO模型的增量训练，进一步提升识别精度。

7.2 BOM规则学习

工程师对系统推理的BOM进行审核和修改后，修改记录会自动反馈到L3学习约束：

• “系统推荐了IGS Block，工程师改成了VCR Block”→ 学习到该场景下VCR更合适
• “系统遗漏了一个Gasket，工程师手动补上”→ 学习到该设备组合需要额外密封件

7.3 装配模式积累

每次成功生成的装配体及其配合关系，都会入库作为历史参考。当遇到类似的设备组合时，系统可以直接复用历史配合方案，而不必从零推理。

八、部署架构与性能指标

8.1 部署方式

NeuroBox D 支持两种部署模式：

• 私有化部署：全部服务部署在客户内网，图纸和模型数据不出厂。通过容器化一键部署，需配备一台GPU服务器（运行检测引擎的VLM模型）和一台运行SolidWorks的Windows工作站
• 混合部署：检测引擎和推理引擎部署在集芯云端，装配引擎和SolidWorks集成部署在客户侧，图纸通过加密通道传输

8.2 性能指标

九、客户价值与应用场景

9.1 目标客户

• 半导体设备制造商（OEM）：需要频繁设计Gas Panel、Chamber组件等模块，设计周期直接影响设备交付
• 设备集成商：根据终端客户的P&ID定制设备配置，需要快速生成3D方案
• 设计院/研究所：承接多个设备设计项目，设计人力是核心瓶颈

9.2 典型应用场景

场景一：Gas Panel快速设计

客户提供P&ID图纸和标准件库，NeuroBox D在15分钟内生成完整的Gas Panel 3D装配体，包含所有阀门、管件、Block、密封件和紧固件的正确装配关系。工程师审核微调后即可用于后续的结构设计和出图。

场景二：设计变更快速响应

P&ID修改后（如增加一路气体），重新上传修改后的图纸，系统自动识别变更内容，增量更新BOM和3D模型，而非从零生成。

场景三：新人快速上手

新入职的机械工程师无需花数月学习”哪个设备配什么辅件”——这些知识已经沉淀在系统的L1/L2/L3约束中。新人可以直接使用系统生成初始方案，通过审核和修改逐步积累经验。

9.3 投资回报

© 2025-2026 迈烁集芯（上海）科技有限公司 · ai-mst.com · 本白皮书内容受知识产权保护