ExperionCrawler/dxf-graph/Concept-P&ID Graph Pipeline.md

✔ 🎯 End-to-End P&ID Graph Pipeline (실전 구조)

            ┌──────────────────────┐
            │   P&ID PDF Input     │
            └─────────┬────────────┘
                      ↓
    ┌─────────────────────────────────┐
    │  1. Document Parsing Layer      │
    │  (layout + text + tables)      │
    └─────────┬──────────────────────┘
              ↓
    ┌─────────────────────────────────┐
    │  2. Spatial Element Extraction  │
    │  (symbols + coordinates)        │
    └─────────┬──────────────────────┘
              ↓
    ┌─────────────────────────────────┐
    │  3. Entity Extraction (LLM)     │
    │  FIC-101, Pump-01, Valve...    │
    └─────────┬──────────────────────┘
              ↓
    ┌─────────────────────────────────┐
    │  4. Relationship Inference      │
    │  (rules + LLM hybrid)          │
    └─────────┬──────────────────────┘
              ↓
    ┌─────────────────────────────────┐
    │  5. Graph Builder               │
    │  nodes + edges                 │
    └─────────┬──────────────────────┘
              ↓
    ┌─────────────────────────────────┐
    │  6. DB Integration Layer        │
    │  (existing OPC + SQL system)    │
    └─────────────────────────────────┘



    ✔ 1️⃣ Document Parsing Layer (PDF → 구조화)

기술

Unstructured

역할 텍스트 추출 표 추출 블록 segmentation page coordinate 유지 출력 예시

{ "page": 12, "elements": [ { "text": "FIC-101", "bbox": [120, 300, 160, 320] } ] }

👉 핵심: 좌표 반드시 유지

✔ 2️⃣ Spatial Element Extraction (핵심 단계)

여기서 P&ID가 살아난다.

해야 할 것 symbol detection line detection proximity mapping 결과 JSON { "FIC-101": { "x": 120, "y": 300 }, "FT-101": { "x": 110, "y": 220 }, "Valve-203": { "x": 300, "y": 310 } }

✔ 3️⃣ Entity Extraction (LLM) 모델

Qwen (via vLLM)

입력 Extract all P&ID entities:

• controller
• sensor
• valve
• pump 출력 [ {"name":"FIC-101","type":"controller"}, {"name":"FT-101","type":"sensor"}, {"name":"Valve-203","type":"valve"} ]

✔ 4️⃣ Relationship Inference (가장 중요)

여기서 2개를 섞는다:

A. Rule Engine (필수) if sensor near controller: relation = "signal"

if controller connected to valve: relation = "control"

if pump → tank: relation = "flow"

B. LLM 보조 판단 Determine relationship based on P&ID context: Entities + coordinates 최종 출력 [ { "source": "FT-101", "target": "FIC-101", "relation": "signal", "confidence": 0.93 }, { "source": "FIC-101", "target": "Valve-203", "relation": "control", "confidence": 0.91 } ] ✔ 5️⃣ Graph Builder nodes = set() edges = []

for r in relations: nodes.add(r["source"]) nodes.add(r["target"]) edges.append(r) Graph 구조 { "nodes": [...], "edges": [...] } ✔ 6️⃣ DB Integration (너 기존 시스템)

여기서 너 강점:

OPC UA 있음 ✔ NL2SQL 있음 ✔ DB 있음 ✔ 저장 전략 P&ID Graph DB ↓ Mapping Layer ↓ OPC Tags / SQL semantic layer

✔ 🔥 핵심 설계 포인트 (진짜 중요) ❗ 1. LLM은 “결정자”가 아니다

👉 “해석 보조” 역할

❗ 2. 좌표가 핵심이다

P&ID는 텍스트가 아니라:

공간 + 연결 구조

❗ 3. Rule Engine 없으면 실패한다

LLM 단독 = hallucination

✔ 📌 최종 아키텍처 (완성형) P&ID PDF ↓ Unstructured Parser ↓ Spatial Engine ↓ Qwen (Entity Extraction) ↓ Rule Engine (relationship) ↓ Graph Builder ↓ DB + OPC Integration ✔ 🚀 이 구조의 의미

이건 단순 기능이 아니라:

👉 “Engineering Knowledge Graph 생성 엔진”

✔ 다음 단계 (진짜 실전)

원하면 여기서 바로 이어서:

1️⃣ P&ID 실제 PDF 기준 코드 2️⃣ Rule engine 상세 설계 (ISA 기반) 3️⃣ Qwen prompt 최적화 (산업용) 4️⃣ Graph DB vs SQL 구조 선택