中圖分類號：TH166 文獻標識碼：A

The Constructing Knowledge Graph for Workpiece Machining Distortion

QI Hao1 LI Xiaoyue1 SUN Zhaoze1 GUO Yue2 TAO Qiang1

Abstract： To address the issues fragmented knowledge limited information sharing in the field workpiece machining distortion，this paper proposes a knowledge graph framework tailored for this domain. A dataset comprising 1 O85 long-text records related to machining distortion was constructed， an ontology model was developed to define the relevant entities relationships. A BERT + BiLSTM + CRF-based entity extraction model a BERT-based relation extraction model were employed to enable automated knowledge extraction. Knowledge fusion was performed through a combination cosine similarity-based matching manual verification. A knowledge graph containing 4 330 entities 5 509 relationships was then built using the Neo4j graph database，with support for data insertion，deletion，updating， querying implemented via Cypher language. Experimental results demonstrate that the proposed knowledge graph can effectively support decision-making research analysis in workpiece machining processes.

Keywords： workpiece machining distortion； knowledge extraction; knowledge fusion； knowledge graph

在現(xiàn)代制造業(yè)中，工件加工變形是影響產(chǎn)品質(zhì)量和生產(chǎn)效率的關鍵問題之一。加工變形會導致幾何形狀偏差、尺寸不準確、表面質(zhì)量下降，甚至可能導致工件報廢，從而增加制造成本與材料浪費。隨著高精度、高可靠性產(chǎn)品需求的不斷增長，加工變形已成為制約制造業(yè)生產(chǎn)力和技術進步的瓶頸。近年來，學術界和工業(yè)界對加工變形問題的研究主要集中在加工變形的機理分析、實驗研究、變形預測及控制策略等方面[1-3]。研究表明，加工變形受初始殘余應力、加工殘余應力、零件結(jié)構、工藝路徑和加工參數(shù)等多因素影響。當前，加工變形預測與控制主要依賴于實驗分析、有限元模擬及數(shù)據(jù)驅(qū)動的智能算法。然而，實驗分析周期長且成本高，難以覆蓋復雜場景;有限元數(shù)值模擬依賴于復雜的模型和高質(zhì)量數(shù)據(jù)，難以適應多變的加工條件；智能算法受限于數(shù)據(jù)質(zhì)量與知識表達的不足，難以實現(xiàn)泛化應用。此外，研究成果分散，信息孤島嚴重，缺乏系統(tǒng)化的知識管理與共享機制。知識圖譜作為一種新興的知識組織技術，通過結(jié)構化和語義化方式，將分散的知識進行系統(tǒng)整合與關聯(lián)表達，在應對知識碎片化、促進知識共享與智能推理方面展現(xiàn)了顯著優(yōu)勢。近年來，知識圖譜技術在學術研究、醫(yī)療衛(wèi)生及工業(yè)制造等領域取得了顯著成果[4]?；趙ord2vec-BiLSTM-CRF的實體識別模型用于加工工藝規(guī)劃文本解析，驗證了其在知識抽取中的有效性[5];利用機器學習從增材制造數(shù)據(jù)中提取預測性知識，構建設計規(guī)則知識圖譜，為制造決策提供了支持[6」；利用 BERT-D'BiGRU-CRF 深度學習方法，從制造數(shù)據(jù)中自動提取知識，構建了產(chǎn)品制造領域的知識圖譜7;將跳元和全局向量模型相結(jié)合用于詞向量文本表示，BiLSTM-CRF進行實體識別，Self-ATT-BiLSTM進行關系抽取，增強了數(shù)據(jù)檢索和建模能力，實現(xiàn)了自主工業(yè)軟件知識庫構建[8];將 TextRank算法應用于風電維護文本中的實體識別和關系抽取，構建了面向風力渦輪機維護的知識圖譜[9]。本文將知識圖譜引人工件加工變形領域，提出了一種面向工件加工變形領域的知識圖譜框架，收集整理工件加工變形領域的研究成果，構建相應的數(shù)據(jù)集;通過深度學習模型實現(xiàn)實體抽取與關系抽取，實現(xiàn)知識的自主化提取;通過實體消歧、共指消解和人工審核等進行知識融合，確保知識的準確性與一致性;通過Neo4j對知識進行存儲和管理，構建工件加工變形知識圖譜；通過 Cypher語言實現(xiàn)知識圖譜的增、刪、改、查操作。本知識圖譜框架能夠系統(tǒng)化管理加工變形知識，解決了信息孤島問題，為工件加工變形的研究與應用提供有效支持。

工件加工變形的知識圖譜框架

工件加工變形知識具有專業(yè)性、多維性、因果性和動態(tài)性的特征。本文采用自上而下的方法構建了一種工件加工變形知識圖譜的框架結(jié)構[10]，包括數(shù)據(jù)集構建、本體模型、知識抽取、知識融合和知識存儲及應用 5個關鍵部分組成，自上而下的知識圖譜構建方法如圖1。

1.1 數(shù)據(jù)集構建

工件加工變形領域缺乏統(tǒng)一的數(shù)據(jù)語料，首先需要構建一個工件加工變形領域的數(shù)據(jù)集，實現(xiàn)相關知識的抽取。數(shù)據(jù)集由非結(jié)構化文本知識構成，包含： ① 文獻數(shù)據(jù)，在中國知網(wǎng)數(shù)據(jù)庫中檢索并篩選相關主題的研究成果，獲取文獻摘要和科技成果簡介，包含各種類型工件的分析工具、研究方法、結(jié)果分析和優(yōu)化策略等信息。 ② 實驗報告，主要是歷史實驗記錄，包括在不同實驗條件下各種類型工件的加工過程記錄，加工變形的測量結(jié)果和結(jié)論分析等。 ③ 相關網(wǎng)頁內(nèi)容，收集“工件加工變形\"相關主題的網(wǎng)站內(nèi)容，包含研究評述、報道和案例分析等。

1.2本體模型

本體模型是描述特定領域中概念及其相互關系，本體明確了知識圖譜中的核心概念節(jié)點及其關系層次，為知識的組織和語義推理提供規(guī)范化的結(jié)構和語義基礎。本文采用七步法構建工件加工變形領域的本體模型[11-12]，本體構建七步法如圖2。

1）明確構建本體的需求和目標，與領域內(nèi)的相關專家學者討論工件加工變形研究的需求和本體構建的目標;2）查找可復用的本體，查找其他領域（如產(chǎn)品設計、故障診斷等）是否有可復用的本體;3）構建工件加工變形領域概念體系，明確核心概念并建立體系化的知識，包括工件加工變形相關的實體和關系等;4）規(guī)范化專業(yè)術語，參考行業(yè)內(nèi)相關的國家標準、行業(yè)規(guī)范等，對工件加工變形相關的專業(yè)術語進行標準化定義；5）定義相關概念屬性并創(chuàng)建實例，如“工件類型”、“加工變形影響因素\"等；6）收集領域?qū)＜摇⒐こ處熀蛯W者對工件加工變形知識本體的反饋及建議；7）基于反饋意見，通過迭代優(yōu)化構建完善的工件加工變形知識本體模型，實體定義如表1，關系定義如表2。

1.3 知識抽取

1.3.1 實體抽取模型

實體抽取是知識抽取的關鍵步驟，在復雜領域如制造業(yè)中，準確識別實體對于信息整合和自動化應用至關重要。近年來，深度學習方法的應用顯著提升了實體識別的精度，本文采用BERT-BiLSTM-CRF實體抽取模型完成工件加工變形相關知識的實體抽取，實體抽取模型如圖3。

BERT-BiLSTM-CRF實體抽取模型結(jié)合了預訓練的BERT模型、雙向長短期記憶網(wǎng)絡（BiLSTM）和條件隨機場（CRF），充分利用了BERT的上下文表示能力、BiLSTM的序列建模能力和CRF對標簽依賴關系的建模能力。BERT模型選用中文預訓練模型Chinese-Bert-Wwm-Ext[13]，多層 Transformer 結(jié)構將接收到的輸入文本中的單詞轉(zhuǎn)換為包含上下文語義的嵌人向量，解決了實際知識抽取過程中傳統(tǒng)詞向量方法無法充分捕獲上下文語義的問題。BiLSTM由一個前向LSTM和一個后向LSTM組成，能夠有效處理輸入序列的前后信息捕捉語言表達中的上下文關系，通過讀取BERT生成的嵌入向量，進一步捕獲序列中的依賴關系，并生成更準確的單詞表示。CRF是用于序列標記的概率模型，接收BiLSTM的輸出作為特征，評估所有可能的標簽序列，在給定特征的情況下解碼最佳標簽序列。

1.3.2 關系抽取模型

關系抽取從文本中識別實體對之間的語義關系，是信息抽取的重要任務之一。本文采用BERT的關系抽取模型，捕捉文本中的深層語義信息和長距離依賴關系，結(jié)合預訓練的BERT模型與關系分類器來識別實體對之間的關系，關系抽取模型如圖4。

BERT接收實體對及其上下文的輸人文本，將其轉(zhuǎn)換為嵌人向量，嵌人向量包含了豐富的上下文信息，格式為[CLS］實體1［SEP］實體2［SEP］上下文文本［SEP]。關系分類器通過全連接層對 BERT生成的嵌入向量進行變換，預測實體對之間的關系。在訓練過程中，使用交叉熵損失函數(shù)來優(yōu)化參數(shù)，對于給定的真實標簽和預測概率，損失函數(shù)表示為

其中， M 是關系類別總數(shù)； y_true 。是真實標簽在類別 c 的指示值（0或1）; y_pred 。是模型預測類別 c 的概率。

1.3.3 模型評估

為了準確評估工件加工變形領域知識抽取的有效性采用了精度（Precision）、召回率（Recall）和 F₁ 分數(shù)為評估指標。精度指正確提取的實例在模型提取的所有實例中的比例，反映了模型預測的準確性。召回率表示正確提取的知識在所有正確知識中的比例，表明模型預測的全面性。 F₁ 分數(shù)是Precision（P）和Recall（R）的調(diào)和平均值，更全面地反映模型的識別性能，如式 （2）～ 式（4）。

其中，TP表示正確提取的知識實例的數(shù)量，F(xiàn)P表示錯誤提取的知識實例的數(shù)量，F(xiàn)N表示模型無法提取的正確知識實例的數(shù)量。

1.4 知識融合

在工件加工變形相關的非結(jié)構化文本中抽取知識時，會遇到冗余、歧義和表達模糊等問題。為了實現(xiàn)抽取知識的有效的集成和統(tǒng)一，通過實體消歧和共指消解對知識進行融合。實體消歧解決同一術語在不同文檔中表達不同概念的情況，如\"模型應用\"可能是有限元仿真模型、優(yōu)化模型或數(shù)值模型等，需要通過上下文語義分析來確定，如圖5a;共指消解是處理同一實體在不同文檔中由不同名稱引用的情況，如加工變形分析工具“ABAQUS軟件\"在文獻中表述為“abaqus”、“ABAQUS 有限元軟件\"等，加工變形影響因素“殘余應力重分布\"表述為“殘余應力再分布\"等，需要通過統(tǒng)一化和標準化的命名法，確保實體的一致性，如圖 5b 。

對抽取的結(jié)果進行實體對齊，使用余弦相似度計算所有實體兩兩之間的相似性，如式（5），并設置相似性閾值來有效篩選需要對齊的實體進行標記。此外，為了進一步優(yōu)化對齊結(jié)果并確保知識融合的質(zhì)量，引入人工審核，結(jié)合上下文信息，對標記為高相似度的內(nèi)容進行精細化校正，特別針對邊界情況進行處理，確保最終結(jié)果的準確性和一致性。

其中，A 和 是表示實體的向量， ?B 是向量的點積， 和 分別是向量的歐幾里得范數(shù)。

1.5 知識存儲

通過數(shù)據(jù)集構建、知識抽取和知識融合，非結(jié)構化的加工變形知識轉(zhuǎn)化為“實體-關系-實體”三元組形式的結(jié)構化知識。存儲系統(tǒng)采用Neo4j圖數(shù)據(jù)庫，通過“節(jié)點-邊\"結(jié)構表示“實體-關系-實體”三元組，實現(xiàn)了加工變形知識的多維存儲和知識圖譜構建。

2實例分析

2.1 知識圖譜可視化存儲

本文數(shù)據(jù)集共包含1085 條文本數(shù)據(jù)，涵蓋多種類型工件以及銑削、切削等加工類型。其中，以“加工變形\"為主題檢索并篩選了中國知網(wǎng)2012—2024年與工件加工變形相關的文獻摘要，約占數(shù)據(jù)集的 94% ，涉及工件加工變形相關研究成果的背景、方法和結(jié)論，理論性強且反映該領域的研究進展;相關實驗報告約占數(shù)據(jù)集的 3% ，包含實際操作、詳細的實驗設計、數(shù)據(jù)分析和變形控制方法，實踐性強，適用于指導實際生產(chǎn)。工件加工變形相關網(wǎng)頁內(nèi)容約占數(shù)據(jù)集的 3% ，主要包括加工經(jīng)驗、實用技巧和解決方案，實用性強，來源廣泛，語言通俗易懂，適用于快速查閱和共享。

在知識抽取前，以訓練知識抽取模型，根據(jù)本體模型定義的實體和關系，利用doccano工具對數(shù)據(jù)集中的480條數(shù)據(jù)進行標注，以案例文獻[14]的摘要為例，標注內(nèi)容如圖6。

按照 8：1：1 的比例劃分為訓練集、驗證集和測試集，抽取結(jié)果的評估結(jié)果如圖7，各項指標均大于0.8，滿足知識抽取的一致性要求[12]，可以用于工件加工變形知識抽取任務。因此，基于以上知識抽取模型對工件加工變形數(shù)據(jù)集中剩余的605條文本進行自主化抽取。

在知識抽取時，輸人“機匣件作為航空發(fā)動機的重要零部件，是一種典型的薄壁件，其尺寸大、壁薄以及剛性低等特點使得在加工過程中容易發(fā)生工件變形”，模型抽取步驟為：

1）BERT利用其多層Transformer結(jié)構生成每個詞的上下文嵌入向量，解決了傳統(tǒng)詞向量模型難以充分捕捉上下文語義的問題。在案例中，BERT能夠捕捉到“機匣件\"與其屬性“尺寸大”“壁薄”、“剛性低”之間的上下文關聯(lián)，使得這些詞的語義表示更加準確。

2）BiLSTM通過前向LSTM和后向LSTM，捕捉序列中的依賴關系。在案例中，BiLSTM能夠捕捉“機匣件\"與描述其特性的詞語“尺寸大”“壁薄”、“剛性低\"之間的依賴關系。例如，盡管“剛性低\"在句中靠后，但通過 BiLSTM的雙向結(jié)構，模型能夠正確識別它與“機匣件\"的關系。模型能夠更好地理解句子中詞語之間的邏輯和語義關聯(lián)，提升實體識別和關系抽取的精度。

3）CRF將 BiLSTM的輸出作為特征，對每個單詞的標簽進行全局優(yōu)化。通過CRF模型來評估所有可能的標簽序列，并解碼出最佳標簽序列。在案例中，CRF能夠識別“機匣件”為“工件類型\"實體，而“尺寸大”“壁薄”“剛性低\"則被正確標注為“加工變形影響因素”。CRF確保輸出的實體識別和關系預測更加準確。

4）BERT將實體對及其上下文信息轉(zhuǎn)換為嵌入向量，包含了深層次的語義信息。在案例中，模型將“機匣件\"及其關聯(lián)的“尺寸大”“壁薄”、“剛性低\"輸入到分類器中預測實體之間的關系類型。例如，模型預測出“尺寸大”、“壁薄”、“剛性低”是“機匣件\"加工變形原因。

5）損失函數(shù)優(yōu)化。交叉熵損失函數(shù)用于優(yōu)化模型參數(shù)。在訓練過程中，模型通過最小化真實標簽和預測概率之間的差異來逐步優(yōu)化，使模型更準確地預測實體和關系。

對抽取結(jié)果進行實體消歧和共指消解完成知識融合。由于中文表達習慣的多樣性，部分實體存在著多樣化和差異化表達，如關于工件加工變形分析工具“ABAQUS軟件\"的具體應用，還可表述為“ABAQUS6.12 有限元軟件”“ABAQUS 切削仿真”、“ABAQUS 軟件二次開發(fā)技術”“Abaqus 腳本程序”、“Abaqus/Explicit\"等，加工變形影響因素“初始殘余應力\"表述為“材料內(nèi)部初始殘余應力”“毛壞初始殘余應力”、“初始殘余應力和加工應力等多因素耦合”、“初始殘余應力釋放與重分布”和“毛壞初始應力重分布\"等，保證特定工件對應相關知識的完整性，本文對類似實體內(nèi)容均進行了保留。

完成知識抽取和融合后的數(shù)據(jù)集存儲到Neo4j圖數(shù)據(jù)庫中，如圖8。生成4330個實體，包括703個工件類型、619個加工變形影響因素、474個加工變形分析工具、1318個加工變形分析方法和1216個加工變形優(yōu)化策略；共生成5509條關系，包括1191條加工變形原因，857條分析工具，1927條分析方法和1534條優(yōu)化策略。

2.2知識圖譜可視化應用

通過Cypher 語言實現(xiàn)Neo4j 圖數(shù)據(jù)庫中的工件加工變形知識圖譜的增、刪、改、查，通過對工件加工過程中的工件類型、加工變形原因、分析工具、分析方法以及優(yōu)化策略等數(shù)據(jù)進行全面管理與分析，為加工過程決策提供參考，如圖9。“增\"可以實時創(chuàng)建節(jié)點和關系，添加工件加工變形相關知識，建立趨于全面的知識圖譜；“刪\"可以移除過時或冗余數(shù)據(jù)，保持知識圖譜的簡潔和高效；“改\"支持動態(tài)調(diào)整實體之間關系，確保數(shù)據(jù)的準確性和時效性；“查\"能夠快速檢索工件的加工變形原因、分析工具、分析方法和優(yōu)化策略等信息，支持加工優(yōu)化決策。

3結(jié)論

為解決工件加工變形領域知識碎片化、難以共享的問題，提出了一種工件加工變形領域的知識圖譜框架。構建了包含1085條長文本數(shù)據(jù)的工件加工變形數(shù)據(jù)集，通過本體模型定義工件加工變形知識的實體和關系，通過基于BERT + BiLSTM + CRF的實體抽取模型和基于BERT的關系抽取模型實現(xiàn)知識的自主化抽取，采用余弦相似度對比標記和人工審核進行工件加工變形知識融合，通過Neo4j圖數(shù)據(jù)庫構建了一個包含4 330個實體和5 509 條關系的工件加工變形知識圖譜，通過Cypher語言實現(xiàn)了對該知識圖譜的增、刪、改、查功能，有效提升了工件加工變形相關知識的檢索效率，實現(xiàn)了知識的共享和重用。然而，受限于本文數(shù)據(jù)集的內(nèi)容構成側(cè)重于理論研究，對實際加工的指導仍有局限，引入更多加工實踐數(shù)據(jù)更好地指導實際生產(chǎn)是未來的研究方向。

參考文獻

[1]AKHTAR W，LAZOGLU I，LIANG S Y.Prediction control residual stressbased distortions in the machining aerospace parts： a review[J]. Journal Manufacturing Processes， 2O22，76： 106 -122.

[2] 岳彩旭，張俊濤，劉獻禮，等．薄壁件銑削過程加工變形研究進展[J]．航空學報，2022，43（4）：106－131.

[3］吳寶海，鄭志陽，張陽，等．面向薄壁零件加工變形與振動控制的智能裝夾技術研究進展[J]。機械工程學報，2021，57（17）：21-34.

[4] 付雷杰，曹巖，白璃，等．國內(nèi)垂直領域知識圖譜發(fā)展現(xiàn)狀與展望[J]．計算機應用研究，2021，38（1）：3201－3214.

［5］董含笑，李豫虎，喬立紅，等．面向機加工藝規(guī)程文本的實體識別模型[J]．計算機輔助設計與圖形學學報，2024，36（2）：313-320.

[6]KO H， WITHERELLP，LUY，et al. Machine learning knowledge graph based design ruleconstruction foraditivemanufacturing[J].AdditiveManufacturing，2021，37：101620.

[7]DING C，QIAO F，LIUJ，et al. Knowledge graph modeling method for product manufacturing process based on hu-man-cyber-physical fusion[J]. Advanced Engineering Informatics，2023，58：102183.

[8]王立平，張超，蔡恩磊，等．面向自主工業(yè)軟件的知識提取和知識庫構建方法[J]．清華大學學報（自然科學版），2022，62（5）：978-986.

[9]黃簡，楊程，馮天波，等．面向風電機組運維的知識圖譜構建研究與應用[J]．電力系統(tǒng)保護與控制，2024，52（8）：167-177.

[10］徐增林，盛泳潘，賀麗榮，等．知識圖譜技術綜述[J]．電子科技大學學報，2016，45（4）：589－606.

[11］李震，劉斌，苗虹，等．基于本體的軟件安全性需求建模和驗證[J]．北京航空航天大學學報，2012，38（11）：1445－1449.

[12］吳闖，張亮，唐希浪，等．航空發(fā)動機潤滑系統(tǒng)故障知識圖譜構建及應用[J]．北京航空航天大學學報，2024，50（4）：1336-1346.

[13]CUI YM，CHE W X，LIUT，et al. Pre-training with whole word masking for chinese bert[J]. IEEE/ACM Transactions on Audio，Speech Language Processing，2021，29： 3504 - 3514.

[14]黃曉明，孫杰，李劍峰．基于剛度與應力演變機制的航空整體結(jié)構件加工變形預測理論建模[J]．機械工程學報，2017，53（9）：201-208.