摘 要：隨著制造業(yè)趨向于數字化、網絡化、智能化發(fā)展，企業(yè)中大量的產品設計、生產制造、維修服務數據在不斷地堆疊積累，對此引入知識圖譜技術對這些數據進行管理和挖掘，可以為實現新一代智能制造提供有力支撐。文章首先針對制造領域知識圖譜的構建及關鍵技術進行敘述，包括知識抽取、知識融合、知識推理等；然后將知識圖譜在制造領域中的應用分為語義關聯(lián)和決策輔助兩大類，并探究其具體的應用場景，希望能為相關企業(yè)構建及應用知識圖譜提供參考。

關鍵詞：智能制造；知識圖譜；知識抽??；知識融合；知識推理

中圖分類號：TP391.1 文獻標識碼：A 文章編號：2096-4706（2024）08-0186-09

DOI：10.19850/j.cnki.2096-4706.2024.08.040

0 引 言

面臨新時代嚴峻的資源和環(huán)境挑戰(zhàn)，需要不斷推進大數據、工業(yè)物聯(lián)網、人工智能等新一代信息技術與制造業(yè)的結合發(fā)展，對產品設計、生產裝配、管理服務等制造全生命周期及相應系統(tǒng)進行集成優(yōu)化，推動未來全球制造業(yè)向數字化、網絡化、智能化創(chuàng)新發(fā)展[1]。據工業(yè)和信息化部公布的數據顯示，我國制造業(yè)規(guī)模已經連續(xù)13年居世界首位，是當之無愧的世界制造大國。但目前我國仍然不是制造強國，在國際競爭市場中四郊多壘，為此，深入發(fā)展智能制造成為實現我國建設制造強國的重要舉措，這將關乎我國制造業(yè)未來的全球地位。

智能制造的核心問題是信息集成，包括企業(yè)內部不同層級信息系統(tǒng)和涉及產品制造全生命周期的生產設備間的縱向集成；不同企業(yè)之間研發(fā)、采購、制造和服務的橫向集成；圍繞特定產品制造全生命周期相互關聯(lián)合作的企業(yè)之間端到端集成[2]。其中，獲取數據作為信息集成的首要任務，是實現智能制造的基礎保障。在實際生產制造中，產品每天在制造流程的各個階段都會產生海量的數據，這些數據的語義在制造信息的提取和應用中起著重要作用。國內外眾多學者針對這些生產數據，已經開展大量的學術研究及應用探索，希望通過新技術來完成信息融合，逐步開發(fā)具有自感知、自學習、自適應等功能的新式生產模式。目前已經能夠基于大數據實現在制造過程系統(tǒng)、工藝設計、維修服務等多個層面進行在線識別定位、監(jiān)控、輔助決策等任務[3]。對此如何從語義層面實現數據的認知、關聯(lián)、理解與推理成為解決問題的關鍵，然而，在輔助決策過程中，面對加工工藝自適應調整、生產調度實時優(yōu)化、生產異常處理等復雜問題時智能化程度較低，仍需要借助于專家的實踐經驗和專業(yè)知識。有實現制造系統(tǒng)對人類經驗知識的理解、管理和自學習，才能更好的提供決策支持。知識圖譜作為人工智能的分支技術，能實現海量知識的獲取、組織與利用，為重用人類知識和經驗解決決策支持問題提供基礎。近年來，關于知識圖譜的研究與應用不斷涌現，已經逐漸成為熱點問題。尤其是在金融、醫(yī)療、教育等行業(yè)得到了廣泛應用，且發(fā)揮著重要作用，比如醫(yī)療領域的阿里巴巴“醫(yī)知鹿”；教育領域的清華大學出版社“文泉制造”等。然而，制造領域的知識圖譜相較匱乏，因為制造領域的知識具有封閉復雜、獲取困難、不同制造差異顯著等特點，其知識圖譜的構建十分困難。同時，知識圖譜在制造領域中的應用需求較為模糊，應用優(yōu)勢不突出，也極大地限制了落地應用。針對上述問題，本文將探討構建制造領域知識圖譜所需的關鍵技術及應用實例，為知識圖譜在制造領域進一步發(fā)展提供理論參考和啟迪。

1 制造領域知識圖譜概述

知識圖譜的概念，最早是在2012年由谷歌公司提出，當時主要用于優(yōu)化搜索引擎，實現在多來源數據中高效智能搜索。之后，其概念演化又經歷了長達數十年的時間，可以將其歸納總結為三個發(fā)展階段，如圖1（b）所示。早期，傳統(tǒng)專家系統(tǒng)需要依靠專家手工輸入經驗知識和建立推理規(guī)則，人工和時間成本較高；隨著本體論和語義網的引入，知識庫可以構建成規(guī)范化和形式化的知識語義模型，同時支持基于語義邏輯的自動推理；如今，知識圖譜已經發(fā)展為計算機自動獲取、理解知識并進行推理演繹。相較于傳統(tǒng)知識庫，知識圖譜的優(yōu)勢體現在：1）存儲能力更強。知識圖譜采用有向圖結構，以節(jié)點和邊的表現形式，更有效的存儲實體之間的關聯(lián)關系；2）處理效率更快。知識圖譜基于本體論和自然語言處理（NLP）技術，能夠實現對數據和知識的語義解析，大大提升知識庫構建的效率；3）搜索質量更高。知識圖譜通過圖匹配算法、圖嵌入技術等，實現數據的匹配和推理。

與此同時，制造業(yè)也追隨著信息技術的進步而逐漸發(fā)展，周濟院士[4]根據信息技術在智能制造中的應用特征，將其發(fā)展總結為三個階段，如圖1所示。第一個階段是從傳統(tǒng)制造走向數字化，主要指企業(yè)從產品、技術層面實現數字化，通過數據分析完成對生產過程的集成優(yōu)化；第二個階段是邁向“互聯(lián)網+制造”也稱為數字化網絡化制造，主要指利用網絡將企業(yè)制造過程中涉及的人、物、服務連接起來，推動基于互聯(lián)網的協(xié)同制造；第三階段是發(fā)展成為新一代智能制造也稱為數字化網絡化智能化制造，通過人工智能技術不斷推進人機一體化的智能系統(tǒng)，顛覆傳統(tǒng)生產模式逐漸實現無人制造。

制造領域的知識圖譜不同于通用知識圖譜，更注重于知識的專業(yè)性、準確性，獲取的數據結構更為多樣復雜，應用在不同場景下進行復雜分析及智能決策，其構建過程對關鍵技術的要求也非常嚴格[5]。本文所研究的制造領域知識圖譜是將知識圖譜與制造系統(tǒng)相結合的應用，主要通過獲取以往生產的案例和經驗，進行推理發(fā)現新的知識，輔助決策者掌握生產要素，甚至提供決策方案以供參考。

1.1 制造領域知識圖譜數據來源

當前，制造系統(tǒng)與信息技術相結合不斷快速發(fā)展，使得在制造過程中產品在全生命周期各個環(huán)節(jié)都會有大量的數據產生，這些數據的來源廣泛并不統(tǒng)一，比如企業(yè)內部生產數據、運維數據、外部互聯(lián)網數據等。根據數據形式的不同，可以分為結構化數據、半結構化數據以及非結構化數據三類。結構化數據可以使用關系型數據庫進行存儲，包括生產監(jiān)測的數據、產品質量檢測的數據以及能源消耗的數據等；半結構化數據包括員工個人信息、設備操作說明書、接口數據等；非結構化數據包括各種格式的辦公文檔、生產監(jiān)控的圖片和視頻等數據。在不同類型的生產制造過程中，除人工采集數據外，要想獲取制造業(yè)生產過程中的多源異構數據，還需要借助多種采集方法和工具[6]。根據在生產過程的應用場景及數據類型，舉例五種典型數據采集方式，如RFID技術、條碼技術、傳感器技術、Flume、流媒體服務器。

數據模型也稱為知識表達模型，是構建知識圖譜的底層架構。因為知識圖譜是一種有向圖結構的知識庫，本質是表示實體聯(lián)系的語義網絡，由實體、關系和語義描述組成，所以其基本組成單位是“頭實體-關系-尾實體”的三元組，圖2展現了以生產推土機為例的制造領域數據模型的特征。

在制造領域的數據采集方面，知識圖譜對知識的精度與深度具有很高的要求，因為企業(yè)的利益和生產的安全依賴于數據的準確性，然而非結構化數據并不能直接被計算機所理解，無法直接實現形式化表達，需要通過知識抽取技術去轉化為結構數據，這將會增加時間和經濟成本。

1.2 制造領域知識圖譜構建框架

目前，知識圖譜的構建方法有自底向上法和自頂向下法兩種[7]。自底向上的構建方式是先將獲取的海量數據進行知識抽取，組成知識三元組，再經過知識融合篩選后作為數據層，最后進行概念抽象形成模式層；自頂向下的構建方式是先定義頂層概念本體，再從數據源中抽取實體及關系進行匹配。通常應用既定本體庫構建圖譜的方式較為廣泛，但在構建對專業(yè)知識要求嚴苛，且本體框架要求準確完整的知識圖譜時，也可以采用將兩種構建方式相結合的混合構建法，在建立模式層后，不斷挖掘新知識迭代更新模式層，如圖3所示。

根據上述構建知識圖譜的方法，結合制造行業(yè)生產流程具有完整性的特點，基于全生命周期建立知識圖譜的構建框架，如圖4所示。

2 制造領域知識圖譜構建的關鍵技術

2.1 知識抽取

知識抽取是將人類使用自然語言表述的異構數據轉化為由實體、關系和屬性等知識要素組成的結構化數據，并儲存在知識圖譜中。其中資源描述框架（Resource Description Framework， RDF）是對語義知識進行規(guī)范化描述和存儲的典型應用，它為結構化數據的發(fā)布提供一個標準的數據描述框架。如圖5所示，以RDF形式對汽車仰望U8的知識進行表示。根據知識抽取目標對象的不同，知識抽取的主要工作包括實體抽取、關系抽取以及屬性抽取。

2.1.1 實體抽取

實體抽取也可以稱為命名實體識別，旨在文本中識別實體并將具有相似屬性的實體進行分類加以標注區(qū)分。以售后維修場景中“客戶反饋發(fā)動機聲音異常，經過返廠檢測后發(fā)現，系連桿變形損壞導致敲缸，更換連桿后問題解決?！边@句文本為例，實體抽取示例如表1所示。

在制造領域中，實體抽取的精確度將影響知識圖譜的準確性，但實體抽取工作面臨著很多難點，例如存在諸多由中文、英文、阿拉伯數字以及特殊符號組合來命名的實體，比如“VMC650加工中心”“CT-6數控車床”的設備型號、操作行程等，無法采用簡單的中文實體抽取方法識別實體跨度；存在嵌套型實體，比如零件“彈簧墊圈”是由兩個命名實體嵌套組合而成，“彈簧”和“墊圈”都可以是獨立的實體，此時無法用傳統(tǒng)的序列標記法識別例句中的嵌套實體。實體抽取的實現方法最早是基于規(guī)則和字典的方法，后來隨著機器學習算法的引入，形成基于傳統(tǒng)機器學習的方法和基于深度學習的方法。

1）基于規(guī)則和字典的實體抽取。根據專家提前制定的文本規(guī)則和詞典，抽取相似度高的實體和屬性。該方法主要用于文本數據的抽取，高度依賴抽取規(guī)則的準確性，時間成本較高，適用于小規(guī)模數據集。

2）基于傳統(tǒng)機器學習的實體抽取。傳統(tǒng)機器學習的實體抽取采用具有領域數據特征且已標注的語料數據作為訓練集，然后訓練分類器去學習訓練集的數據特征，以實現對數據集進行自動標注。該方法往往被認為是序列標注問題，常見的模型有隱馬爾可夫（Hidden Markov Model， HMM）模型[8]、條件隨機場（Conditional Random Field， CRF）模型[9]、支持向量機（Support Vector Machines， SVM）模型[10]等，其中CRF模型最受歡迎，可以在給出觀測序列標簽情況下，計算訓練標簽數據的條件概率分布，取得較好的應用效果。

3）基于深度學習的實體抽取。深度學習的實體抽取延伸自傳統(tǒng)機器學習，但不同于傳統(tǒng)機器學習依賴人工標注的特征，它通過自身的隱含層對輸入信息進行特征提取，是目前最為流行的實體抽取方法。常見的模型有循環(huán)神經網絡（Rerrent Neural Network， RNN）模型、卷積神經網絡（Convolutional Neural Networks， CNN）模型、雙向長短期記憶網絡（Bi-directional Long Short-Term Memory， BiLSTM）模型等，這些神經網絡模型具有較強的適用性與數據擬合性，能有效提升工作的效率與精度。其中具有代表性的是LSTM+CRF模型[11]，該組合模型能夠結合以往的輸入特征，并使用句子級別的標注信息，提高了實體抽取準確率。之后，大多學者在該模型基礎上進行改進應用，例如結合預訓練模型（Bidirectional Encoder Representation from Transformers， BERT）等。周雷[12]在構建電機故障知識圖譜時，提出BERT+BiLSTM+MHA+CRF組合模型來解決雙向長短記憶網絡（BiLSTM）無法捕捉到長距離依賴的問題，實驗證明該模型對完成命名實體識別具有優(yōu)越性。胡杰[13]等人在構建汽車故障知識圖譜時，提出BERT+BiLSTM+MUL+CRF模型來解決文本中的嵌套實體問題和非連續(xù)實體問題。

2.1.2 關系抽取

通過實體抽取所得到的實體，往往是還沒有被分割，也沒有進行關聯(lián)的，并不能直接組成三元組，需要通過關系抽取進一步挖掘實體之間的關系。制造領域中，數據往往具有強關聯(lián)性，研發(fā)設計、生產、服務等不同環(huán)節(jié)的數據之間相互關聯(lián)，關系復雜度較高，例如“PUMA562型機器人可以完成復雜結構空間曲面的弧焊作業(yè)”中“PUMA562型機器人”與“弧焊作業(yè)”兩個實體之間存在復雜嵌套的關系，這增加了關系抽取準確的難度。實現關系抽取常見的方法包括基于有監(jiān)督學習法、基于半監(jiān)督學習法以及無監(jiān)督學習法。

有監(jiān)督學習的關系抽取，需要將大量人工標注的語料數據投入模型中進行訓練。無監(jiān)督學習的實體抽取方法需要先將大量語料信息做聚類分析，再根據聚類的結果給定關系。其效果相對較差，因為聚類本身就存在難以描述的關系和召回率低的問題，與有監(jiān)督抽取方法相比召回率和準確率普遍低10%左右。半監(jiān)督學習又叫做弱監(jiān)督學習，只需要少量的人工標注數據，但需要先了解實體關系的類型，然而實際操作中實體關系的類型往往并不能完全被知道。但人工構造數據特征提取往往時間、經濟成本較高，還存在邊緣界定不清等問題。為避免特征構造帶來的誤差，大量研究學者開始探究基于端到端的深度學習方法。其中，遞歸神經網絡（RNN）在序列化方面表現較好；卷積神經網絡（CNN）雖然無法對長句分析建模，但在實體關系抽取上效果顯著。長短期記憶人工神經網絡（Long Short-Term Memory， LSTM）可以通過與聚類技術結合來降低訓練和測試時間[14]。張彤[15]等人在研究工業(yè)制造領域質量文本實體關系抽取中，以加入中文分詞預處理的方式改進的分段卷積神經網絡（PCNN），提出C-PCNN模型，該模型具有更好的抽取效果。段文昱[16]等人在研究武器裝配領域實體關系抽取中，利用BERT+BiGRU+CNN模型抽取實體間的關系，再對抽取結果進行過濾和調整，最后設計強領域性的關系抽取規(guī)則進行補充關系抽取，使關系抽取的準確性得到提升。

遠程監(jiān)督屬于半監(jiān)督學習的一種，它不依賴于人工標注語料，相對而言是較為可行的方法，所以目前有關遠程監(jiān)督的研究最為流行。遠程監(jiān)督是在2009年由Mintz [17]等人提出的方法，它假設在外部知識庫中，對于已有的一個知識圖譜的三元組，任何包含該三元組實體的句子，都在一定程度上反映該三元組中的關系。但該方法也有很大的不足，因為這個假設關系在實際中并不絕對，不一定適用于所有實體。所以解決遠程監(jiān)督學習對實體間關系的忽略問題、關系抽取的精確問題，也是當前研究遠程監(jiān)督學習的熱點問題。賴冠宇[18]等人提出一種遠程監(jiān)督中文關系提取方法，該方法將基于中文訓練數據改進的BERT模型作為嵌入層，并利用BiLSTM神經網絡增強特征提取能力，結果表明提升了關系抽取性能。袁泉[19]等人在面臨詞向量語義信息不全以及實體一詞多義的問題，提出基于BERT的詞向量的兩次注意力加權算法，首先使用自注意力動態(tài)編碼算法，為詞向量識別文本前后語義信息，然后在模型輸出句子級特征向量后，構建注意力矩陣，最后運用注意力算法為每個句子級特征向量添加不同的注意力分數，以提高句子級特征的抗噪能力。

2.1.3 屬性抽取

在制造領域中，屬性抽取是為實體服務的，從文本中抽取出與實體相關的屬性和屬性值，如產品材料的屬性包括物理性能、化學性質、工藝等，通過屬性描述可以讓實體更加準確、豐富。因為實體與屬性的關系常被界定為指代性關系，關系抽取的思路也適用于屬性抽取。但屬性抽取相較于關系抽取也有區(qū)別，因為實體屬性值的結構是不確定的。目前較為常用的方法是基于深度學習的序列標注，序列標注將實體屬性值比作較長的實體，然后對數據進行標注，再使用序列標注模型進行訓練和抽取。袁芳怡[20]在研究制造領域知識圖譜的屬性提取時，提出將個性化Page Rank嵌入BiLSTM+CRF模型，再與無監(jiān)督學習的方法相結合的抽取方式，可以無須提前指定屬性類別，還可以減少人力標注的成本。

2.2 知識融合

通過知識表示與抽取，獲取到大量三元組數據，但這些數據可能存在有知識重復或者歧義，還需要進行知識融合，使相同的知識具有統(tǒng)一的描述。例如由于地域差別或是術語表述、手寫記錄不規(guī)范，導致同一實體存在不同的稱呼，“發(fā)動機”又稱“引擎”或“Engine”“夾具”又名“卡具”“功率不足”有時也會表述為“動力不足”等，當出現這種情況時，需要進行實體對齊來消去歧義。

2.2.1 實體對齊

實體對齊的目的主要是判斷不同語義表述的實體是否表征真實世界的同一對象。實現實體對齊的方法可以分為傳統(tǒng)實體對齊法和基于知識表示學習的實體對齊法。

傳統(tǒng)的實體對齊通過字符串的各種特征來進行工作，包括基于屬性相似性計算和基于關系推理的實體對齊法。屬性相似性計算的方法只考慮實體對之間的屬性相似度，并沒有將實體之間的關系納入考慮；基于關系推理的方法需要提前獲取實體類別、屬性等信息，需要做大量的數據標注工作。許駒熊[21]等人在構建發(fā)動機故障知識圖譜時，采用編輯距離和Jaccard相關系數法進行實體相似度計算，并將保留相似度得分高于設定閾值的一個實體，并更新圖譜中的三元組中。王雅林[22]等人為補充工業(yè)制造領域知識圖譜，構建注塑知識圖譜，以缺陷-表觀-原因-方案的形式設計本體，再結合屬性相似度進行兩級實體對齊，提高了發(fā)現冗余知識的概率。

基于知識表示的實體對齊法是目前解決實體對齊的重要方法，利用機器學習技術將實體和關系映射到低維的向量空間，實現用向量表示實體之間的關系。常見的模型有翻譯模型或圖神經網絡（Graph Neural Networks， GNN）模型，它們具備較強的魯棒性和泛化能力。劉璐[23]等人先采用預訓練模型完成多視圖知識表示，再結合卷積神經網絡（CNN）進行相似度計算，提高了計算精確率，高效完成實體對齊的任務。

2.2.2 語義融合

在生產制造過程中，通過多環(huán)節(jié)或多角度獲取到的文本、圖片、視頻等多模態(tài)數據，具有內部關聯(lián)性。語義融合算法抽象多模態(tài)數據的語義內涵，理解不同模態(tài)數據之間的特征關系，以模仿大腦思考的方式完成多模態(tài)數據的知識融合。胡小溪[24]等人在處理設備故障文本數據時，提出一種基于詞項和語義融合的文本自動預處理方法，分別對故障記錄進行詞項和語義融合，再基于規(guī)則模板應用K-近鄰算法對其統(tǒng)一描述，解決故障記錄模糊問題。高知新[25]等人提出基于隱馬爾科夫模型（HMM）與語義融合的文本分類方法，將特征詞語義整合到HMM模型中，得到更好的分類效果。李立[26]等人對大型車聯(lián)網數據庫提出高效查詢技術，利用關聯(lián)語義融合方法提取檢索的特征量，再結合模糊C-均值聚類算法對提取的語義本體特征進行分類檢索。

2.3 知識推理

知識推理的目的是在已建立的知識庫基礎上，繼續(xù)挖掘推理隱含的新知識或者未知關系，用以補充和豐富知識庫，讓構建的知識圖譜更加完整。制造領域的數據具有特殊性，數據量龐大、實體間關系復雜，很難總結成統(tǒng)一的推理規(guī)律，需要專家經驗輔助推理復雜規(guī)律。目前常見的知識推理方法主要有基于邏輯規(guī)則推理和基于圖結構推理。

基于邏輯規(guī)則的推理是通過專家制定規(guī)則和統(tǒng)計的特征來進行推理，適用于抽象概念，主要方法有一階謂詞邏輯規(guī)則推理和描述邏輯推理法[27]。一階謂詞邏輯規(guī)則推理通過設定約束條件實現知識推理，其中個體表示具體的事物或抽象的概念，可以定義為實體或泛實體，謂詞表示個體性質或個體間的關系。描述邏輯推理可以理解為一階謂詞邏輯推理的一個可判定子集，可以模擬大腦的推理能力，利用先驗知識來輔助推理，極大地提高了知識推理的準確性。方喜峰[28]等人在構建的CAM數控編程知識圖譜中，基于本體和語義Web規(guī)則語言的知識推理方法可以有效獲取知識圖譜中隱含知識。

基于圖結構的知識推理，是根據知識圖譜的圖結構特點，讓“邊”成為其特有的特征，推理出隱藏的“邊”也就是推理出兩個實體間的關系。其中路徑排序算法[29]作為經典的推理算法，將關系路徑作為特征進行推理，通過發(fā)現兩個實體間的路徑來推測實體間可能存在的某種聯(lián)系，這種方法可解釋性強，并且可以自動發(fā)現推理規(guī)則。尹昱東[30]等人在構建裝配知識圖譜時，通過探索某一節(jié)點以及其周圍的關系標簽來推理其周圍的引用節(jié)點之間的關系，實現潛在關系的挖掘。邢曉宇[31]等人在對航天器性能和故障關系補全時，提出一種基于實體的語義和位置信息的推理模型，并利用主成分分析對高維語義信息進行降維，提高了推理的準確性。王佳皓[32]等人在構建自動色環(huán)機設計知識圖譜時，基于強化算法和蟻群算法建立框架模型，將蟻群算法中的信息素作為策略網絡進行實體間的路徑選擇，挖掘潛在路徑。

3 制造領域知識圖譜的應用

基于上述理論知識，知識圖譜作為一種可以從海量數據中抽取結構化知識的手段，為制造系統(tǒng)中動態(tài)、海量、異構的數據處理提供了一種有效的方式，它可以清晰有效地表達出實體內部的聯(lián)系。換言之，利用知識圖譜建立起包含各種相關知識的知識網絡，讓人們能夠做到基于知識間的聯(lián)系來分析問題，讓系統(tǒng)實現智能化。調研現有文獻，發(fā)現知識圖譜技術在制造領域的應用場景主要有智能制造問答系統(tǒng)、制造決策支持系統(tǒng)、車間生產調度優(yōu)化、產品設計與開發(fā)、設備故障診斷系統(tǒng)及其他應用制造場景等。根據應用場景的共性可以分為兩大類，分別為語義關聯(lián)、決策輔助。

3.1 語義關聯(lián)

制造系統(tǒng)中的多源異構數據可以通過知識圖譜來實現語義關聯(lián)和共享利用。新一代智能制造強調企業(yè)信息集成，致力于智慧工廠一體化發(fā)展，工廠信息化系統(tǒng)主要包括企業(yè)資源計劃系統(tǒng)（ERP）、制造執(zhí)行系統(tǒng)（MES）、產品生命周期管理系統(tǒng)（PLM）和倉庫管理系統(tǒng)（WES）等，但在實際生產中，這些信息系統(tǒng)收集和積累的過程數據和資料，往往相互孤立，需要構建知識圖譜，來助力企業(yè)數據整合。通過知識圖譜提取相關數據，在語義層面建立統(tǒng)一表示并相互關聯(lián)，從而將這些信息系統(tǒng)連接起來。宋鄧強[33]提出基于知識圖譜的船舶加工資源與流程動態(tài)建模與融合分析方法，實現工位動態(tài)時序數據與知識圖譜的語義關聯(lián)。楊愷霖[34]提出基于知識圖譜的復雜制造數據關聯(lián)關系構建方法，實現面向用戶的自定義復雜關系模型動態(tài)構建，可以高效的為系統(tǒng)的制造數據搭建復雜的關聯(lián)關系。曾左英[35]提出了一種基于知識圖譜的“數據-知識”雙向特征驅動的非智能物聯(lián)設備自發(fā)現模型，將設備運行數據與機理知識融合驅動，實現了對非智能物聯(lián)設備的互聯(lián)互通。路松峰[36]等人提出基于知識圖譜的數控裝備信息模型的建模方法，實現對信息系統(tǒng)多源異構數據的實時采集。

3.2 決策輔助

根據在制造過程中的決策需求，知識圖譜可以為決策支持提供知識發(fā)現與關系推理。知識圖譜具備優(yōu)秀的相似匹配和查詢功能，將歷史積累的經驗和以往的案例通過知識圖譜進行表示和存儲，可以及時、準確、全面地提供解決制造問題所需要的知識，輔助生成決策方案。應用較為廣泛的場景有輔助產品設計、生產計劃與調度、質量管理與控制、設備故障診斷等。針對不同的制造問題，提取不同階段的制造數據，構建“定制化”知識圖譜，在通過開發(fā)知識問答、語義檢索以及知識推理等服務，搭建交互式應用平臺，實現答案反饋，輔助生成決策方案。

3.2.1 輔助產品設計

基于知識圖譜輔助產品設計，可以將企業(yè)內積累的設計案例以及經驗知識進行重用，為工作人員提供設計知識和參考案例，降低設計成本，提高工作效率和質量?，F有文獻通常將設計功能、形態(tài)、加工工藝等產品設計要素建立統(tǒng)一語義表示，進而構建出知識圖譜。李寶清[37]等人提出了一種模具設計知識表示方法，構建了以凸模結構形式知識為例的知識圖譜，提高了模具設計的效率和質量，實現了知識的共享和重用。崔碩[38]等人融合設計歷史模型庫和文本資源庫，構建了機械設計領域知識圖譜并建立問答系統(tǒng)方便查詢，極大地提升了產品設計效率。徐進[39]等人面向裝配設計，從三維圖面檔案中進行零件實體抽取和知識融合，構建了發(fā)動機裝配知識圖譜。張思超[40]等人為輔助生成柴油機零部件的生產工藝設計方案，基于知識圖譜提出對加工過程中的工藝知識進行重構。

3.2.2 生產計劃與調度

基于知識圖譜輔助優(yōu)化生產計劃與調度方案的制訂，可以及時地為現場工作人員做出科學決策提供所需信息?，F有文獻將企業(yè)資源配置、生產計劃要素、工藝流程規(guī)劃等方面的信息進行語義集成，進而構建出知識圖譜。鐘紅燕[41]構建離線車間知識圖譜，對以往人工排產經驗和車間歷史生產數據進行重用，實現對加工工藝和可選設備等離線信息的查詢，解決多目標多約束柔性作業(yè)車間調度問題。郭興勇[42]等人通過提取飛機制造工藝流程規(guī)劃知識，建立知識圖譜并研究工藝路線推薦方法，提高飛機制造工藝流程規(guī)劃效率及質量，縮短飛機研制周期。武群惠[43]等人構建了面向航天制造企業(yè)的供應鏈知識圖譜，涵蓋采購、物流、合同、質量、倉儲等信息，輔助企業(yè)對斷供影響進行分析，保障供應鏈安全。李昊[44]針對緊急訂單的插單排產情況，建立了混流裝配線訂單知識圖譜，能夠將訂單、企業(yè)資源以及企業(yè)效益間的關聯(lián)程度表示出來，并作為制定訂單優(yōu)先級順序的依據。

3.2.3 質量管理與控制

基于知識圖譜的質量管理與控制，可以輔助生產過程中質量的智能管控；同時，在出現質量異常情況時，可以根據生產過程中產生的歷史數據和以往經驗知識，分析質量問題的成因，從而提出解決方案以供參考?，F有文獻將質量控制的體系、設備參數、工藝參數、資源變量等影響質量的因素進行語義關聯(lián)，輔助工作人員完善質量控制的體系，在生產過程中及時控制和調整參數，以保證產品質量滿足生產目標。謝生同[45]構建了機械加工知識圖譜，并運用圖算法和圖神經網絡等方法研究工藝參數推薦方法，從而輔助參數優(yōu)化決策。孟令達[46]通過構建生產環(huán)節(jié)的質量風險知識圖譜，推理生產環(huán)節(jié)中風險源之間的關聯(lián)關系，當出現某一質量風險時，及時預測可能發(fā)生的伴隨風險及影響，以便迅速響應并采取應急措施。蔣軍威[47]構建了零件制造質量形成知識圖譜提出一種用于關鍵工序評價的方法，實現了對制造質量形成過程的智能化管控，為新一代質量管理模式提供了新的思路。王贊贊[48]以變速箱裝配過程為研究對象，分析裝配過程中常見的質量問題，建立過程質量控制的體系框架，并提出基于知識圖譜的變速箱裝配質量控制方法，實現對裝配過程的質量預測與控制。

3.2.4 設備故障診斷

在制造領域，基于知識圖譜的設備故障診斷，是當前知識圖譜技術應用研究的熱點問題。設備故障診斷需要了解設備狀態(tài)、故障發(fā)生機理、故障表現及影響和接觸故障方案等諸多信息，所以在無專業(yè)維修人員指導下很難查找故障原因，也無法及時維修。知識圖譜可以整合各類故障診斷報表以及以往故障案例，以“故障現象—原因—解決方案”的形式構建故障知識圖譜，輔助故障原因的定位和診斷，并為故障的排除提供參考方案。劉勁松[49]通過整理企業(yè)內零散的設備故障維護知識，構建機床故障知識圖譜。利用該圖譜可以對機床的故障發(fā)生原因進行檢索推理，得出相應的維修參考方案，提高了故障處理效率。胡晨陽[50]以西門子、發(fā)那科等數控制造廠商的維修技術手冊以及企業(yè)數控機床故障維修案例為研究對象，構建數控機床故障診斷知識圖譜，根據故障描述相似度為用戶匹配故障維修案例。周佳樂[51]重點研究了工業(yè)機器人故障診斷知識圖譜的構建方法，通過推理故障間的復雜關聯(lián)關系，為維修人員提供輔助推理診斷，提高了故障排查的準確率。

4 結 論

通過調研現有的制造領域知識圖譜相關文獻，發(fā)現構建知識圖譜相關的理論和技術框架正在不斷完善，應用場景也正在不斷豐富，應用層次和應用效果也在不斷提升，同時發(fā)現在落地應用實施方面，還有很大的不足，當前大都停留在學術研究層面，距離實際廣泛應用還需要繼續(xù)努力。本文首先總結了構建制造領域知識圖譜的關鍵技術及研究進展，再將目前知識圖譜在制造領域最為廣泛的應用案例分為兩類，分別探究了其具體的應用場景，希望能為相關企業(yè)構建及應用知識圖譜提供參考。

參考文獻：

[1] 周濟.以智能制造為主攻方向 堅定不移建設制造強國 [J].中國工業(yè)和信息化，2022（9）：34-40.

[2] 朱鐸先，趙敏.機智：從數字化車間走向智能制造 [M].北京：機械工業(yè)出版社，2018.

[3] 張應剛，夏威屹，尹伊，等.對新一代智能制造的幾點思索 [J].制造業(yè)自動化，2022，44（10）：124-126+220.

[4] 周濟，李培根，周艷紅，等.走向新一代智能制造 [J].Engineering，2018（1）：28-47.

[5] 劉悅悅，李燕.醫(yī)學知識圖譜研究綜述 [J].軟件導刊，2023，22（5）：241-247.

[6] 陳世超，崔春雨，張華，等.制造業(yè)生產過程中多源異構數據處理方法綜述 [J].大數據，2020，6（5）：55-81.

[7] 趙彤宇.醫(yī)學知識圖譜構建方法研究及在疾病診斷中的應用 [D].濟南：齊魯工業(yè)大學，2020.

[8] 張航.泥石流災害領域知識圖譜的構建與應用 [D].昆明：云南師范大學，2021.

[9] SONG S，ZHANG N，HUANG H. Named entity recognition based on conditional random fields [J].Cluster Computing，2017（1）：1-12.

[10] 賈美云.基于知識圖譜的汽車交易智能推薦系統(tǒng)研究 [D].太原：中北大學，2020.

[11] WINTAKA D C，BIJAKSANA M A，ASROR I. Named-Entity Recognition on Indonesian Tweets using Bidirectional LSTM-CRF [J].Procedia Computer Science，2019，157：221-228.

[12] 周雷.基于知識圖譜的電機故障診斷方法 [D].重慶：重慶郵電大學，2022.

[13] 胡杰，李源潔，耿號，等.基于深度學習的汽車故障知識圖譜構建 [J].汽車工程，2023，45（1）：52-60+85.

[14] SUNDERMEYER M，RALF SCHLüTER，NEY H. LSTM Neural Networks for Language Modeling [C]//Interspeech.ISCA：2012：194-197.

[15] 張彤，宋明艷，王俊，等.基于PCNN的工業(yè)制造領域質量文本實體關系抽取方法 [J].信息技術與網絡安全，2021，40（3）：8-13.

[16] 段文昱，朱繼召，趙浩楠，等.面向武器裝備領域的實體及關系抽取方法研究 [J].中國電子科學研究院學報，2022，17（12）：1165-1172.

[17] MINTZ M，BILLS S，SNOW R，et al. Distant supervision for relation extraction without labeled data [C]//Proc of International Joint Conference on Natural Language Processing.Stroudsburg：Association for Computational Linguistics，2009：1003-1011.

[18] 賴冠宇，張旭，童浩卓.基于BERT-wwm-ext和BiLSTM模型的遠程監(jiān)督關系提取 [J].電腦編程技巧與維護，2022（9）：42-44.

[19] 袁泉，陳昌平，陳澤，等.基于BERT的兩次注意力機制遠程監(jiān)督關系抽取 [J/OL].計算機應用：1-8[2023-07-26].http：//kns.cnki.net/kcms/detail/51.1307.TP.20230712.1331.002.html.

[20] 袁芳怡.面向制造業(yè)的知識圖譜表示模型與構建技術研究 [D].哈爾濱：哈爾濱工業(yè)大學，2019.

[21] 許駒雄，李敏波，劉孟珂，等.發(fā)動機故障領域知識圖譜構建與應用 [J].計算機系統(tǒng)應用，2022，31（7）：66-76.

[22] 王雅琳，鄒江楓，王凱，等.基于本體引導的注塑知識圖譜構建及缺陷溯因應用 [J].電子與信息學報，2022，44（5）：1521-1529.

[23] 劉璐，飛龍，高光來.基于多視圖知識表示和神經網絡的旅游領域實體對齊方法 [J].計算機應用研究，2023，40（4）：1044-1051.

[24] 胡小溪，牛儒，唐濤.基于詞項和語義融合的地鐵信號設備故障文本預處理 [J].鐵道學報，2021，43（2）：78-85.

[25] 高知新，徐林會.基于隱馬爾科夫模型與語義融合的文本分類 [J].計算機應用與軟件，2017，34（7）：303-307.

[26] 李立，張修軍.大型車聯(lián)網數據庫的高效查詢技術 [J].現代電子技術，2017，40（22）：60-62+65.

[27] 于慧琳，陳煒，王琪，等.使用子圖推理實現知識圖譜關系預測 [J].計算機科學與探索，2022，16（8）：1800-1808.

[28] 方喜峰，柳大坤，龔嬋媛，等.面向CAM數控編程領域的知識圖譜構建方法 [J].中國機械工程，2023，34（12）：1486-1494.

[29] LAO N，MITCHELL T，COHEN W W.Random walk inference and learning in a large scale knowledge base [C]//Proceedings of the 2011 Conference on Empirical Methods in Natural Language Processing.Stroudsburg.PA：Association for Computational Linguistics，2011：529-539.

[30] 尹昱東，王保建.半結構裝配數據的知識抽取及機床裝配知識圖譜構建方法研究 [J].制造技術與機床，2022（11）：97-101.

[31] 邢曉宇，王淑一，劉文靜.考慮語義和位置信息的航天器知識圖譜關系預測方法 [J].空間控制技術與應用，2022，48（6）：32-39.

[32] 王佳皓，張?zhí)A.基于數字孿生自動色環(huán)機的設計知識圖譜研究 [J].組合機床與自動化加工技術，2022（4）：15-19.

[33] 宋鄧強，周彬，申興旺，等.面向船舶分段制造過程的動態(tài)知識圖譜建模方法 [J].上海交通大學學報，2021，55（5）：544-556.

[34] 楊愷霖.制造數據與工藝知識庫構建及應用技術研究 [D].西安：西安電子科技大學，2022.

[35] 曾左英.基于數據與知識雙向驅動的非智能物聯(lián)設備發(fā)現方法研究 [D].昆明：云南大學，2022.

[36] 路松峰，李祎明，屠向陽，等.基于知識圖譜的數控裝備信息模型建模方法 [J].華中科技大學學報：自然科學版，2022，50（6）：39-47.

[37] 李寶清，王運平，曹立林，等.模具設計知識表示方法 [J].鍛壓技術，2023，48（6）：176-184.

[38] 崔碩，張春燕，賈家樂，等.基于深度學習的機械領域知識圖譜構建及應用 [J].制造技術與機床，2023（2）：83-89.

[39] 徐進.面向工業(yè)裝配的知識圖譜構建與應用研究 [J].計算機科學，2021，48（S1）：285-288.

[40] 張思超，孔紹然，孔憲光，等.基于知識圖譜的典型零件加工工藝知識構建方法 [J].自動化應用，2023，64（1）：53-57.

[41] 鐘紅燕.基于知識圖譜的多目標多約束柔性作業(yè)車間調度問題的研究[D].西安：西安理工大學，2022.

[42] 郭興勇，盛國紅，舒鑾理，等.基于知識圖譜的飛機制造工藝路線推薦方法研究 [J].設備管理與維修，2022（7）：41-44.

[43] 武群惠，田廣.面向航天制造企業(yè)的供應鏈知識圖譜研究與智能輔助分析示范建設 [J].軍民兩用技術與產品，2021（9）：50-55.

[44] 李昊.多品種小批量混流裝配線自適應排產方法研究 [D].太原：中北大學，2021.

[45] 謝生同.基于知識圖譜的機加工藝參數推薦方法研究 [D].西安：西安電子科技大學，2022.

[46] 孟令達.A公司光纖傳感產品生產環(huán)節(jié)的風險知識圖譜構建研究 [D].北京：北京交通大學，2021.

[47] 蔣軍威.基于知識圖譜的核電裝備零件制造質量形成及關鍵工序評價 [D].重慶：重慶大學，2022.

[48] 王贊贊.基于深度學習與知識圖譜的變速箱裝配過程質量控制方法與應用研究 [D].合肥：合肥工業(yè)大學，2022.

[49] 劉勁松.高檔數控機床數字孿生關鍵技術研究與應用 [D].中國科學院大學（中國科學院沈陽計算技術研究所），2023.

[50] 胡晨陽.面向數控機床故障診斷領域的知識圖譜構建與應用 [D].武漢：華中科技大學，2022.

[51] 周佳樂.工業(yè)機器人故障診斷知識圖譜構建方法研究 [D].廣州：廣東工業(yè)大學，2023.

作者簡介：吳潔（1998—），女，漢族，河北邢臺人，碩士研究生在讀，主要研究方向：智能制造、數據分析。

收稿日期：2023-08-17

Construction and Application of Knowledge Graph in the Manufacturing Field

WU Jie

（School of Economics and Management， Hebei University of Science and Technology， Shijiazhuang 050018， China）

Abstract： With the development of the manufacturing industry towards digitalization， networking and intelligence， a large amount of product design， manufacturing and maintenance service data in enterprises is constantly stacked and accumulated. The introduction of Knowledge Graph technology to manage and mine the data can provide strong support for the realization of the new-generation intelligent manufacturing. Firstly， this paper reviews the construction and core technologies of knowledge graph in manufacturing field including knowledge extraction， knowledge fusion， knowledge reasoning， and so on. Then， the application of Knowledge Graph in the field of manufacturing is divided into two categories： semantic association and decision aid， and its specific application scenarios are explored. It is hoped that it can provide reference for the construction and application of Knowledge Graph for relevant enterprises.

Keywords： intelligent manufacturing; Knowledge Graph; knowledge extraction; knowledge fusion; knowledge reasoning