一、背景介绍SysML v2是新一代的系统建模规范在语义规范、文本化建模和工具集成能力等方面相比SysML v1有了显著的提升也更适用与AI大模型的结合。大语言模型Large Language ModelLLM是一类能够理解、生成和推理自然语言的人工智能模型。借助其文本理解、结构化生成和推理能力可以辅助完成需求分析、模型生成、语法校验和设计迭代。SysML v2的标准化文本语法使其构建出的模型更容易被LLM理解和生成为“AI MBSE”的创新实践提供了技术路径。本文以XXXX炸弹作为案例介绍在华望自主研发的新一代系统建模平台M-Design v2和AI插件工具上呈现LLM驱动SysML v2建模的典型场景、流程与实践方法。图源网络二、通用技术路线在面向复杂系统的智能建模时应构建“多源输入—LLM生成—工具校验—迭代优化—模型输出”的闭环流程如图1所示。LLM在解析需求文档等多源素材后生成SysML v2文本代码在M-Design v2工具中编译校验并迭代优化获得最终的案例模型。图 1 通用技术路线示意图三、案例解析XXXX炸弹是一类涉及动力、气动、热、结构和控制等多学科相关的复杂系统。本案例采用“LLM SysML v2”的方法开展系统的设计与建模通过LLM辅助生成SysML v2文本模型进而实现需求、功能、架构、接口和验证关系的一体化表达提升复杂系统在正向设计时的建模效率与数据一致性。3.1 多源输入在多源输入阶段充分利用大模型的语义理解能力汇集XXXX炸弹的需求文档、技术方案、会议纪要、领域知识等多类型的非结构化素材并对分散的设计信息进行统一组织与关联分析为后续生成文本模型做准备。3.2 LLM智能建模将多源素材输入大模型后结合预设的建模指令引导LLM进行语义理解与模型推理生成符合SysML v2语法规范、可被建模工具M-Design v2解析的文本化的模型代码。在此步骤采用分层与分阶段的方式生成模型逐步完成需求、功能、架构、接口和验证模型的构建如图2所示。图 2 LLM分阶段生成代码过程的示意图3.3 模型执行将SysML v2文本代码导入建模工具M-Design v2中可自动解析代码并同步生成对应模型的结构、关系和视图如图3所示。图 3 M-Design v2软件解析LLM建模的界面图3.4 校验与迭代受限于不同大模型的能力不同厂商、版本生成的模型可能存在一定的语法差异和兼容问题需要结合工具校验结果进行代码的调整与优化如图4所示。借助LLM学习已有项目中的SysML v2文本代码的样例并结合标准语法和建模经验对生成的代码进行格式匹配与优化修订提升模型代码的兼容性与可用性。图 4 M-Design v2校验代码语法的界面图以M-Design V2工具自带的AI智能agent为例对SysML v2代码进行检查识别语法与兼容问题提出修改建议后通过迭代优化生成可用模型如图5所示。图 5 M-Design v2 自带AI智能agent给出修改意见的界面图3.5 模型成果示例基于“LLMSysML v2”智能建模方法构建了XX​​​​​​​XX​​​​​​​炸弹的系统模型。图 6展示了LLM分阶段建模过程中需求、行为/用例和架构模型的生成结果实现了从需求分析到架构设计的分步构建。图 6 LLM辅助构建的需求-行为-架构模型界面图LLM分阶段建模过程中的个体配置与模型分析可识别出关键的设计变量、生成变体点的定义及不同方案的配置模型实现了系统多方案的灵活表达与设计权衡如图7所示。图 7 LLM辅助构建的变体点分析界面图采用SysML v2通用视图展示模型包之间的关系通过包层级与依赖关系的可视化方式可实现模型的快速定位与导航提升了复杂系统模型的组织管理如图8所示。图 8 M-Design v2生成包层级关系的界面图四、总结本文依托M-Design v2平台探索了LLM驱动的SysML v2建模方法。通过多源信息解析、分阶段模型生成、工具校验与迭代优化实现了需求、行为、架构等模型的分阶段构建与关联表达。该实践为提高建模效率、保持模型一致性提供了可行的路径也体现了SysML v2文本化建模与AI大模型结合的应用潜力。随着AI大模型能力的提升、领域知识的融入和建模工具的完善LLM与SysML v2的融合有望拓展复杂系统智能建模的应用场景推动系统工程向模型驱动、知识赋能与人机协同的新范式演进。-END-*本文为原创最终解释权归杭州华望系统科技所有。未经授权严禁复制或转载。*了解更多应用案例可浏览【华望应用案例】栏目欢迎点赞|评论|收藏*关注【杭州华望MBSE】将推送更多精彩有趣的文章期待与你同行