注塑工藝缺陷知識圖譜的構(gòu)建及應(yīng)用

葛睿夫 林越 高祖標(biāo)

摘要：注塑過程故障原因通常需要技術(shù)專家進行現(xiàn)場人工定位，費時費力。為實現(xiàn)對工藝手冊及故障解決方案文本中診斷知識的有效管理和利用以及輔助提高專家診斷效率，提出了一種針對注塑工藝缺陷診斷領(lǐng)域的知識圖譜構(gòu)建方法。采用增量式本體構(gòu)建框架建立注塑工藝缺陷本體模型；基于R2RML實現(xiàn)數(shù)據(jù)由關(guān)系型數(shù)據(jù)庫表向資源描述框架（RDF）的轉(zhuǎn)化；基于RDF中的三元組實現(xiàn)知識智能搜索、故障診斷及工藝卡解析等應(yīng)用，展示了知識圖譜技術(shù)在注塑領(lǐng)域的良好應(yīng)用前景。

關(guān)鍵詞：知識圖譜；注塑產(chǎn)品缺陷；本體構(gòu)建；RDF；智能應(yīng)用

中圖法分類號：TP391 文獻標(biāo)識碼：A

１ 引言

注塑產(chǎn)品的成型受原料、模具及機器本身等諸多因素的影響，在不具備行業(yè)專家經(jīng)驗與知識的情況下僅依靠產(chǎn)品缺陷表征很難定位其問題所在，這極大地增加了解決問題的時間成本，嚴重降低了自動化產(chǎn)線設(shè)備的利用率和生產(chǎn)效率。同時，生產(chǎn)人員對工藝手冊和故障案例文本的現(xiàn)有檢索方式效率低下，亟待優(yōu)化。

本文提出構(gòu)建注塑領(lǐng)域知識圖譜，探究每個產(chǎn)品缺陷案例內(nèi)在因素之間的關(guān)聯(lián)，并將這些因素與關(guān)系結(jié)構(gòu)化、顯性化和可視化，從而實現(xiàn)產(chǎn)品缺陷知識的有效積累和組織，幫助車間工人更好地定位并解決引起產(chǎn)品缺陷的共性問題。隨著知識的更新和補全，將當(dāng)前可獲取的知識作為先驗知識，能夠使設(shè)備的維護和管理水平得到更好的提升。

知識圖譜技術(shù)對海量知識的高效管理、組織和理解提供了可能［１］ ?；谄淞己玫闹R表達能力，已有多個領(lǐng)域?qū)χR圖譜進行了深入研究及探索［２］ ，且應(yīng)用形式廣泛，主要包括推理［３］ 、搜索［４］ 、推薦［５］ 、問答［６］ 。在推理方面，吳運兵等［７］ 提出了一種基于路徑張量分解的知識圖譜推理算法，利用路徑排列算法（ＰＲＡ）獲得知識圖譜中實體對間的關(guān)系路徑，對其進行張量分解，并在迭代過程中采用交替最小二乘法。

于娟等［８］ 提出了基于圖數(shù)據(jù)庫的人物關(guān)系知識圖譜推理方法，根據(jù)知識圖譜中已有人物與關(guān)系，發(fā)現(xiàn)新的關(guān)系并檢測人物關(guān)系數(shù)據(jù)中的不一致性，提升基于人物關(guān)系作出的管理決策的有效性。在搜索方面，王萌等［９］ 基于搜索系統(tǒng)難以精準捕獲用戶查詢意圖的難點，提出了人機混合的知識圖譜主動搜索。在推薦方面，余敦輝［１０］ 利用知識圖譜及基于知識圖譜結(jié)構(gòu)的重啟隨機游走，實現(xiàn)了一種跨平臺的用戶推薦方法。李浩等［１１］ 結(jié)合電影自身知識和外部評分等屬性，提出了一種基于循環(huán)知識圖譜和協(xié)同過濾的電影推薦模型。在問答方面，張鵬舉等［１２］ 基于多特征消歧的方法，提出了一種新型的中文知識圖譜問答系統(tǒng)。曹明宇等［１３］ 針對原發(fā)性肝癌設(shè)計了基于知識圖譜的原發(fā)性肝癌問答系統(tǒng)。除了以上的熱門應(yīng)用外，知識圖譜也被用于展示文獻間的高頻關(guān)鍵詞，有助于學(xué)者和企業(yè)管理者對行業(yè)熱點進行分析。

目前，國內(nèi)外對這一問題的研究也取得了一定的進展。Ｆｅｎｇ 等［１４］ 基于電信息采集系統(tǒng)故障運維知識庫難以滿足大量運維信息條件下高效智能決策制定需求的背景，提出了一種用電信息采集系統(tǒng)的知識問答系統(tǒng)，實現(xiàn)了邊與節(jié)點的高效遍歷搜索，支持高效和智能化的采集與維護故障診斷，使得推理效率獲得提高。Ｏｕ 等［１５］ 指出隨著電力無線專網(wǎng)的覆蓋率逐漸上升，如何有效利用智慧終端的信息來實現(xiàn)無人網(wǎng)絡(luò)監(jiān)控和自動運維成了亟待解決的問題。針對以上問題，使用故障信息和終端信息構(gòu)建了知識圖譜，實現(xiàn)了電力無線專網(wǎng)的決策制定和故障診斷。Ｌｉｕ等［１６］ 提出了鐵路操作故障及其危害組成的因果網(wǎng)絡(luò)，并基于該網(wǎng)絡(luò)構(gòu)建鐵路操作故障知識圖譜，在異構(gòu)網(wǎng)絡(luò)中對故障和危害進行了描述，探索故障的潛在規(guī)則并提出預(yù)防措施。李樂樂等［１７］ 基于飛機維護和維修的相關(guān)知識研究知識圖譜的構(gòu)建和應(yīng)用方法，利用ＳＱＬｉｔｅ 數(shù)據(jù)庫和知識圖譜構(gòu)建了飛機維護維修知識庫，并利用數(shù)據(jù)庫對飛機故障進行了時間和空間維度的分析。劉瑞宏等［１８］ 將電信網(wǎng)絡(luò)領(lǐng)域零散的產(chǎn)品、案例、專家知識和故障數(shù)據(jù)進行了有效關(guān)聯(lián)，提出了電信領(lǐng)域知識圖譜的構(gòu)建方法。

２ 注塑工藝缺陷知識圖譜構(gòu)建

２．１ 知識表示

數(shù)據(jù)采集、領(lǐng)域本體建模構(gòu)成了知識表示的２ 個階段。構(gòu)建知識圖譜的數(shù)據(jù)通常來源于ＲＤＢ（Ｒｅｌａｔｉｏｎａｌ ＤａｔａＢａｓｅ，關(guān)系型數(shù)據(jù)庫，是基于關(guān)系模型的數(shù)據(jù)與數(shù)據(jù)庫對象的集合）結(jié)構(gòu)化數(shù)據(jù)、原始文本資料、行業(yè)專家經(jīng)驗，只有擁有充足的數(shù)據(jù)來源，才能更好地對領(lǐng)域本體進行建模。

本體能夠?qū)㈩I(lǐng)域概念、概念間的邏輯關(guān)系和層次、概念的屬性和約束等進行清晰的描述，能夠保證知識含義在傳遞和共享過程中的唯一性。通過對知識來源及知識屬性的分析，將數(shù)據(jù)源信息中所涉及的知識模塊進行細節(jié)劃分，從而構(gòu)建出知識本體框架。

在此基礎(chǔ)上，若要實現(xiàn)對模塊細節(jié)概念和關(guān)系的進一步擴展，則需采用數(shù)據(jù)驅(qū)動的增量式本體建模方法，本體構(gòu)建流程如圖１ 所示。

本體模型的數(shù)學(xué)形式可表述為：Ｏ ＝〈Ｃ，Ｒ，Ａ，Ｉ，Ｆ〉（１）式中，各元素的含義如下。Ｏ： 本體模型； Ｃ： 概念（類），某一類實體對象的集合；Ｒ：概念（實例）邏輯關(guān)系，指概念之間的交互作用關(guān)系（組成關(guān)系、繼承關(guān)系及其他業(yè)務(wù)關(guān)系）；Ａ：概念（實例）屬性關(guān)系，即概念具有的屬性和屬性值；Ｉ：實例（獨立的實體），表示屬于某種概念類的基本元素。Ｆ：函數(shù)（公理），即關(guān)系或函數(shù)之間存在的關(guān)聯(lián)或約束。

實例的集合構(gòu)成概念，每一個實例作為概念的子類都會繼承概念的所有屬性，且實例之間也存在交叉和關(guān)聯(lián)關(guān)系。

構(gòu)建完成的本體依靠ＪＥＮＡ 解析器（一個基于Ｊａｖａ 的語義網(wǎng)應(yīng)用框架，常用于解析本體模型），實現(xiàn)本體元數(shù)據(jù)向資源描述框架ＲＤＦ （ ＲｅｓｏｕｒｃｅＤｅｓｃｒｉｐｔｉｏｎ Ｆｒａｍｅｗｏｒｋ，使用ＸＭＬ 語法，用于描述Ｗｅｂ資源的特性及資源之間的關(guān)系）的轉(zhuǎn)化，并將本體按照〈主體〉?〈屬性〉?〈客體〉的三元組形式進行解析和存儲，且支持ＳＰＡＲＱＬ 查詢語言對存儲的三元組進行查詢。

２．２ 數(shù)據(jù)映射

數(shù)據(jù)映射過程包括２ 種語言標(biāo)準： “ ＤｉｒｅｃｔＭａｐｐｉｎｇ”（Ａ ｄｉｒｅｃｔ ｍａｐｐｉｎｇ ｏｆ ｒｅｌａｔｉｏｎａｌ ｄａｔａ ｔｏ ＲＤＦ）和“Ｒ２ＲＭＬ”（ＲＤＢ ｔｏ ＲＤＦ ｍａｐｐｉｎｇ ｌａｎｇｕａｇｅ）。前者直接按照關(guān)系型數(shù)據(jù)庫的結(jié)構(gòu)將數(shù)據(jù)向ＲＤＦ 圖中映射，其映射方式簡單便捷，但無法將數(shù)據(jù)庫中的表名與本體中的類進行關(guān)聯(lián)；后者可以通過自定義的詞表實現(xiàn)關(guān)系型數(shù)據(jù)庫向ＲＤＦ 數(shù)據(jù)集的轉(zhuǎn)化，在前者的基礎(chǔ)上增加了自由定制的特性，其靈活性適用于各種場景。

Ｒ２ＲＭＬ 映射設(shè)計一個在關(guān)系數(shù)據(jù)庫中檢索數(shù)據(jù)的邏輯表，將關(guān)系數(shù)據(jù)庫的一個基表的ＳＱＬ 查詢定義為邏輯表。每個邏輯表被一個三元組映射（ｔｒｉｐｌｅｓｍａｐ）轉(zhuǎn)換成ＲＤＦ，即邏輯表中每一行實例數(shù)據(jù)被映射為若干ＲＤＦ 三元組。

映射文檔（ ｍａｐＤｏｃ） 由一個關(guān)系數(shù)據(jù)的全部Ｒ２ＲＭＬ 映射構(gòu)成，表現(xiàn)為一系列ＲＤＦ 三元組映射的集合，通常以Ｔｕｒｔｌｅ 語法格式書寫。在梳理了概念之間的邏輯關(guān)系后，編寫了注塑產(chǎn)品缺陷數(shù)據(jù)庫的Ｒ２ＲＭＬ 映射文檔，部分實體Ｒ２ＲＭＬ 映射原理圖如圖２ 所示。

通過Ｒ２ＲＭＬ 映射文檔，基于Ｄ２Ｒ Ｓｅｒｖｅｒ 關(guān)系數(shù)據(jù)映射引擎實現(xiàn)數(shù)據(jù)從扁平化到網(wǎng)狀結(jié)構(gòu)化形式的轉(zhuǎn)換，在很大程度上豐富了本體中的實例與屬性關(guān)系。

２．３ 智能應(yīng)用

（１）基于屬性名稱的知識搜索。

針對傳統(tǒng)檢索效率低下的問題，采用知識圖譜的圖結(jié)構(gòu)優(yōu)化檢索效率。作為知識融合的載體，知識圖譜所有的知識點被具有語義信息的邊所關(guān)聯(lián)，通過檢索其包含的任意知識即可將與其所關(guān)聯(lián)的全部知識顯示出來。

知識搜索界面如圖３ 所示，該功能可以通過輸入實體名稱，實現(xiàn)精準匹配，從而挖掘?qū)嶓w間潛在關(guān)系。

在學(xué)習(xí)故障診斷相關(guān)知識時可以直接輸入書籍目錄中的故障名稱，界面會快速顯示以故障名稱為中心且包含故障描述、故障成因、解決措施等實體之間關(guān)聯(lián)關(guān)系的知識圖譜。

（２）基于數(shù)據(jù)驅(qū)動的智能診斷。

智能診斷界面如圖４ 所示，該功能基于過往積累的設(shè)備和產(chǎn)品失效知識（如故障樹分析（ＦＴＡ）、故障分析（ＦＡ）等）構(gòu)建關(guān)系圖譜。該功能集成的自然語言處理領(lǐng)域常用的ＴＦ?ＩＤＦ（詞頻?逆文檔頻率）用于解決技術(shù)人員輸入的故障名稱不能精確匹配知識圖譜中已存儲的語義信息的問題，即輸入的故障名稱會根據(jù)ＴＦ?ＩＤＦ 計算的相似度分值匹配到知識圖譜數(shù)據(jù)庫中分值最高的文本。

（３）工藝卡信息提取。

工藝卡記錄了一臺注塑機加工產(chǎn)品的正常工序及參數(shù)設(shè)定，是一線工作人員操作注塑機的重要參考。同類型的產(chǎn)品對應(yīng)的工藝卡片內(nèi)容大體一致，但格式多有變化，較為復(fù)雜的工藝卡格式容易增加一線工作人員的理解難度。因此，將不同格式的工藝卡解析為同一種圖譜形式（如圖５ 所示），可以更直觀地展示工藝卡內(nèi)容，降低理解難度。

由于注塑機工藝卡電子版本大多是以Ｅｘｃｅｌ 文件格式存在，因此其很容易被解析成知識圖譜的形式。

將每張工藝卡的設(shè)備型號作為知識圖譜的中心實體節(jié)點，各類型參數(shù)作為葉子實體節(jié)點與中心節(jié)點建立連接。在知識圖譜中，通過檢索設(shè)備型號即可獲得各項設(shè)定參數(shù)，有利于提升工作人員的工作效率。

３ 結(jié)束語

本文針對如何對現(xiàn)有工藝手冊和故障診斷文本中的診斷知識進行高效管理和利用的問題，提出了注塑工藝缺陷知識圖譜的構(gòu)建方法。構(gòu)建了領(lǐng)域本體模型，采用基于規(guī)則的數(shù)據(jù)映射機制生成了ＲＤＦ 文件，并基于ＲＤＦ 中包含的注塑工藝缺陷知識開發(fā)了３個功能模塊，以輔助工業(yè)現(xiàn)場故障診斷效率的提升。

注塑工藝缺陷知識圖譜提升了對現(xiàn)有故障診斷知識的利用率，并對未來診斷推理方法的研究貢獻了較高的應(yīng)用價值。

參考文獻：

［１］ 黃海松，陳啟鵬，李宜?。?dāng)?shù)字孿生技術(shù)在智能制造中的發(fā)展與應(yīng)用研究綜述［Ｊ］．貴州大學(xué)學(xué)報（自然科學(xué)版），２０２０，３７（５）：１?８．

［２］ 劉燁宸，李華昱．領(lǐng)域知識圖譜研究綜述［Ｊ］．計算機系統(tǒng)應(yīng)用，２０２０，２９（６）：１?１２．

［３］ 王樹徽，閆旭，黃慶明．跨媒體分析與推理技術(shù)研究綜述［Ｊ］． 計算機科學(xué)，２０２１，４８（３）： ７９?８６．

［４］ 王淵，彭晨輝，王志強，等．知識圖譜在電網(wǎng)全業(yè)務(wù)統(tǒng)一數(shù)據(jù)中心的應(yīng)用［Ｊ］．計算機工程與應(yīng)用， ２０１９， ５５（１５）：１０４?１０９．

［５］ 常亮， 張偉濤，古天龍，等． 知識圖譜的推薦系統(tǒng)綜述［Ｊ］．智能系統(tǒng)學(xué)報，２０１９，１４（２）：２０７?２１６．

［６］ 王智悅，于清，王楠，等．基于知識圖譜的智能問答研究綜述［Ｊ］．計算機工程與應(yīng)用，２０２０，５６（２３）：１?１１．

［７］ 吳運兵，朱丹紅，廖祥文，等．路徑張量分解的知識圖譜推理算法［Ｊ］．模式識別與人工智能，２０１７，３０（５）：４７３?４８０．

［８］ 于娟，黃恒琪，席運江，等．基于圖數(shù)據(jù)庫的人物關(guān)系知識圖譜推理方法研究［Ｊ］．情報科學(xué)，２０１９，３７（１０）：８?１２．

［９］ 王萌，王靖婷，江胤霖，等．人機混合的知識圖譜主動搜索［Ｊ］．計算機研究與發(fā)展，２０２０，５７（１２）：２５０１?２５１３．

［１０］ 余敦輝，張蕗怡，張笑笑，等．基于知識圖譜和重啟隨機游走的跨平臺用戶推薦方法［Ｊ］．計算機應(yīng)用，２０２１，４７（１）：１８７１?１８７７．

［１１］ 李浩，張亞釧，康雁，等．融合循環(huán)知識圖譜和協(xié)同過濾電影推薦算法［Ｊ］ 計算機工程與應(yīng)用，２０２０，５６（２）：１０６?１１４．

［１２］ 張鵬舉，賈永輝，陳文亮．基于多特征實體消歧的中文知識圖譜問答研究［Ｊ］．計算機工程，２０２２，４８（２）：４７?５４．

［１３］ 曹明宇，李青青，楊志豪，等．基于知識圖譜的原發(fā)性肝癌知識問答系統(tǒng)［Ｊ］．中文信息學(xué)報，２０１９，３３（６）：８８?９３．

［１４］ ＦＥＮＧ Ｙ，ＺＨＡＩ Ｆ，ＬＩ Ｂ Ｆ，ｅｔ ａｌ．Ｒｅｓｅａｒｃｈ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｆａｕｌｔｄｉａｇｎｏｓｉｓ ｏｆ ｐｏｗｅｒ ａｃｑｕｉｓｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ［Ｃ］∥ ２０１９ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ（ＥＩＴＣＥ）． Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥ Ｐｒｅｓｓ，２０１９：１７３７?１７４０．

［１５］ ＯＵ Ｑ Ｈ，ＺＨＥＮＧ Ｗ Ｊ，ＱＩ Ｗ Ｗ，ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ ｆｏｒ ｅｌｅｃｔｒｉｃ ｐｏｗｅｒｗｉｒｅｌｅｓｓ ｐｒｉｖａｔｅ ｎｅｔｗｏｒｋ［Ｃ］∥２０２０ ＩＥＥＥ １０ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｌｅｃｔｒｏｎｉｃｓ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ ＥｍｅｒｇｅｎｃｙＣｏｍｍｕｎｉｃａｔｉｏｎ （ ＩＣＥＩＥＣ）． Ｐｉｓｃａｔａｗａｙ， ＮＪ： ＩＥＥＥ Ｐｒｅｓｓ，２０２０： １０?１３．

［１６］ ＬＩＵ Ｊ Ｔ，ＳＣＨＭＩＤ Ｆ，ＬＩ Ｋ Ｐ，ｅｔ ａｌ． Ａ ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ ｂａｓｅｄａｐｐｒｏａｃｈ ｆｏｒ ｅｘｐｌｏｒｉｎｇ ｒａｉｌｗａｙ ｏｐｅｒａｔｉｏｎａｌ ａｃｃｉｄｅｎｔｓ ［ Ｊ］．Ｒｅｌｉａｂｉｌｉｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ ＆ Ｓｙｓｔｅｍ Ｓａｆｅｔｙ，２０２１，２０７：１０７３５２．

［１７］ 李樂樂，王奕為，丁超，等．面向飛機維修與維護的知識圖譜應(yīng)用［Ｊ］．內(nèi)燃機與配件，２０１９（２３）：１４７?１４８．

［１８］ 劉瑞宏，謝國強，苑宗港，等．基于知識圖譜的智能故障診斷研究［Ｊ］．郵電設(shè)計技術(shù)，２０２０（１０）：３０?３５．

作者簡介：葛睿夫（１９９６—），碩士，研究方向：工業(yè)知識圖譜。