風(fēng)電設(shè)備情境知識圖譜構(gòu)建技術(shù)研究

中圖分類號：TM315;TP391.1DOI：10.3969/j.issn.1004-132X.2025.06.008 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Research on Construction Techniques for Wind Power Equipment Contextual Knowledge Graphs

SHI Zhiyuan1，2 KONG Zhiwei2* CHEN Junzhen3WANG Shuying3 1.School of Mechanical Engineering，Southwest Jiaotong University，Chengdu，

2.Intelligence Manufacturing Department，Dongfang Electric Academy of Science and Technology Co.，Ltd.，Chengdu，

3.School of Computing and Artificial Inteligence，Southwest Jiaotong University，Chengdu，

Abstract： Traditional methods for constructing knowledge graphs didn't consider the contextual constraints on knowledge，making it challnging to effectively represent the complex associative relationships among vast knowledge in complex electromechanical equipment like wind turbines. This limitation hindered the practical applications of knowledge graphs in the production processes. This paper proposed a method for constructing a context-aware knowledge graph tailored for wind turbine equipment. Initially，the method extracted contextual knowledge，module meta-knowledge，and module instance knowledge generated from project customization. Utilizing the SHACL，an ontology model was constructed，incorporating context paths and attribute value constraints，thereby precisely characterizing and extracting various knowledge types. Furthermore，an ontology parsing-based algorithm is introduced for visualizing contextual knowledge subgraphs. Through the parsing of contextual knowledge classes within the ontology，data observation windows were generated for each contextual class， facilitating the construction of multi-dimensional visualization interactions tailored to specific scenarios. Through practical applications， the proposed method effectively integrates module meta-knowledge with project-specific module instance knowledge，meeting the demands for precise representation and diverse application scenarios in wind turbine equipment knowledge.

Key words： wind power equipment; contextual knowledge graph;contextual semantic constraint; visualization interaction engine; shape constraint language（SHACL）

0 引言

風(fēng)電設(shè)備作為一種典型的按單設(shè)計型復(fù)雜產(chǎn)品，在設(shè)計、制造和運(yùn)維過程中普遍采用模塊化定制模式。在此模式下，企業(yè)首先對現(xiàn)有的設(shè)計、制造和運(yùn)維通用知識進(jìn)行模塊化抽象，構(gòu)建模塊元知識庫。產(chǎn)品的設(shè)計、制造和運(yùn)維階段通過重用這些模塊元知識及現(xiàn)有產(chǎn)品模塊的實(shí)例知識，并結(jié)合特定場景進(jìn)行定制化生產(chǎn)，從而有效適應(yīng)各種應(yīng)用需求。隨著模塊化過程的不斷深人，企業(yè)積累了大量多源異構(gòu)的模塊元知識和實(shí)例知識，使得對這些知識進(jìn)行有效的管理、挖掘和智能應(yīng)用變得至關(guān)重要。

作為一種有效表達(dá)實(shí)體間關(guān)系和語義的方法，知識圖譜提供了靈活的海量數(shù)據(jù)管理解決方案[1]。它不僅具備強(qiáng)大的表示學(xué)習(xí)和推理的能力[2]，還提供了豐富的可視化技術(shù)[3-4]，可顯著提高復(fù)雜知識理解和應(yīng)用的直觀性與效率。近年來，知識圖譜在智能制造領(lǐng)域的應(yīng)用已成為研究熱點(diǎn)5，在航天產(chǎn)品研制6、數(shù)控裝備信息建模[7]、高速列車可維修性設(shè)計[8]等領(lǐng)域已經(jīng)開展了嵌入應(yīng)用研。然而，這些研究多集中于使用傳統(tǒng)的三元組結(jié)構(gòu)來表征和學(xué)習(xí)場景特征，缺乏對全生命周期業(yè)務(wù)情境和知識完整性的全面考慮。

在風(fēng)電設(shè)備的模塊化知識領(lǐng)域，存在多種類型的模塊元知識和實(shí)例知識，這些知識間存在復(fù)雜的完整性約束關(guān)系。例如，模塊參數(shù)值間的約束、模塊加工工序間的前置依賴關(guān)系，以及排程中工序?qū)嵗氖聞?wù)原子性約束等。同時，這些知識均具有顯著的業(yè)務(wù)情境特征，例如風(fēng)機(jī)齒輪箱檢修標(biāo)準(zhǔn)僅適用于在運(yùn)維業(yè)務(wù)場景中的齒輪箱部件的維修。因此，有效表征各類知識約束及情境是提高知識精準(zhǔn)性、滿足生產(chǎn)應(yīng)用的關(guān)鍵。本文針對風(fēng)電設(shè)備知識應(yīng)用情境特征，通過對各類知識融人情境約束，改進(jìn)傳統(tǒng)三元組的知識建模方法和可視化方法，以滿足場景驅(qū)動的知識精準(zhǔn)服務(wù)需求。

1情境知識圖譜構(gòu)建相關(guān)工作

1.1 知識完整性約束

在知識完整性約束方面，ShEx（shapeex-pressions）[9] 和 SHACL（shapes constraint lan-guage）[10]是兩個主要的標(biāo)準(zhǔn)。特別地，SHACL作為W3C的推薦標(biāo)準(zhǔn)，在知識圖譜完整性約束方面已得到廣泛應(yīng)用。例如，文獻(xiàn)[11提出了使用SHACL約束為圖數(shù)據(jù)集定義模式，并通過推理規(guī)則檢測知識實(shí)例違反約束的方法。文獻(xiàn)[12]探討了將一組SHACL形狀轉(zhuǎn)化為描述邏輯知識庫的句法轉(zhuǎn)化方法，并使用描述邏輯判斷SHACL形狀的包含關(guān)系。此外，文獻(xiàn)[13]提出了一個能夠規(guī)劃形狀模式遍歷和執(zhí)行的SHACL引擎，該引擎通過重新排列形狀模式中的形狀，實(shí)現(xiàn)無效實(shí)體的快速檢測。

1.2 知識情境融合

在知識情境融合方面，本體建模是一種常用的方法。例如，文獻(xiàn)[14]提出了一個基于本體建模語言（web ontology language，OWL）編碼的上下文本體，用于在普適計算環(huán)境中對上下文進(jìn)行建模，該方法使用位置、任務(wù)、用戶和設(shè)備等要素來描述知識情境。文獻(xiàn)[15針對火情情境感知需求構(gòu)建了一個涵蓋緊急事件、事件應(yīng)對方案、救援服務(wù)、資源、運(yùn)輸設(shè)備和人員等六個維度的知識情境模型。文獻(xiàn)[16]則針對復(fù)雜工程系統(tǒng)設(shè)計情境，將利益相關(guān)者和任務(wù)信息融人上下文，構(gòu)建了設(shè)計助手知識圖譜，為設(shè)計師提供與任務(wù)相關(guān)的設(shè)計規(guī)則服務(wù)；文獻(xiàn)[17]針對高速列車多領(lǐng)域知識，提出了融合實(shí)體及屬性綜合相似度和元結(jié)構(gòu)樹的本體及數(shù)據(jù)的融合方法，為構(gòu)建高速列車全生命周期知識圖譜提供解決方案。

1.3 面臨的挑戰(zhàn)

風(fēng)電設(shè)備本身復(fù)雜的結(jié)構(gòu)層級性和知識間的關(guān)聯(lián)性，使得傳統(tǒng)的知識表征和可視化方法難以準(zhǔn)確描述各類模塊元知識與項(xiàng)目定制生產(chǎn)中產(chǎn)生的實(shí)例知識間的語義約束，同時也難以針對各類業(yè)務(wù)場景提供知識快速分割和可視化服務(wù)。

2風(fēng)電設(shè)備領(lǐng)域知識分類及表征方法

如前所述，風(fēng)電設(shè)備知識具有多樣性，按照知識來源可分為三大類，各類知識特征如表1所示。

2.1 情境類知識表征

情境類知識指與特定業(yè)務(wù)環(huán)境緊密相關(guān)的分類知識的總稱。這類知識在風(fēng)電設(shè)備的元知識和實(shí)例知識的精確分類中發(fā)揮著至關(guān)重要的作用，主要體現(xiàn)在兩個方面：一是使元知識和實(shí)例知識能夠根據(jù)業(yè)務(wù)環(huán)境的具體需求進(jìn)行更加精確的分類，提高知識的語義完整性；二是提高圖譜可視化處理速度，使復(fù)雜知識數(shù)據(jù)的解讀變得更加直觀和快捷。

1）模塊及裝配關(guān)系。模塊及裝配關(guān)系構(gòu)建的通用物料清單（genericbillofmaterial，GBOM）是風(fēng)電設(shè)備知識中最重要的情境之一，用于表征風(fēng)電設(shè)備本身的結(jié)構(gòu)特征。由于風(fēng)電設(shè)備由成千上萬個零部件裝配而成，模塊元知識是針對零部件設(shè)計、制造和運(yùn)維的通用知識，實(shí)例知識是在零部件定制過程中產(chǎn)生的，因此模塊是知識最重要的載體。GBOM的本體結(jié)構(gòu)包括： ① 模塊節(jié)點(diǎn)，代表GBOM中的基本構(gòu)成單元； ② 屬性，包括編碼、名稱、詞條和概念類型等，其中詞條表征模塊的語義； ③ part-of關(guān)系，表示模塊間的裝配關(guān)系，揭示了不同模塊之間的依賴和連接方式。

2）生命周期階段。風(fēng)電設(shè)備業(yè)務(wù)過程復(fù)雜，其生命周期從大類上分為設(shè)計、制造和運(yùn)維三個階段，每個階段又細(xì)分為多個子業(yè)務(wù)階段，如設(shè)計階段細(xì)分為方案設(shè)計、定標(biāo)設(shè)計、載荷設(shè)計等。因此知識與業(yè)務(wù)活動的關(guān)聯(lián)性是其另一本質(zhì)特征，這一特征可用生命周期階段本體表征，其結(jié)構(gòu)包括： ① 階段節(jié)點(diǎn)，代表生命周期的各個階段； ② 屬性，包括編碼、名稱、詞條和概念類型等； ③ is-a關(guān)系，表示階段之間的子類關(guān)系。

3）項(xiàng)目及人員。項(xiàng)目和人員兩類情境知識是用來描述模塊定制實(shí)例類的情境知識的。其中，項(xiàng)目由屬性編碼、名稱和立項(xiàng)時間表征，人員由編碼、名稱和部門屬性表征。

4）其他情境類知識。除了上述情境類知識外，還可以根據(jù)業(yè)務(wù)需求構(gòu)建其他情景類知識，如故障來源、故障等級等。這些知識有助于更全面地理解和管理風(fēng)電設(shè)備知識的復(fù)雜性。

2.2 模塊元知識表征

在風(fēng)電設(shè)備領(lǐng)域，模塊元知識指的是與裝備零部件相關(guān)的通用知識，如設(shè)計標(biāo)準(zhǔn)、設(shè)計參數(shù)、設(shè)計約束規(guī)則、加工工藝、工序、維修規(guī)范等，這類知識間往往具有復(fù)雜的依賴關(guān)系。本文根據(jù)與情境的相關(guān)程度和知識本身的獨(dú)立性，將其分為強(qiáng)實(shí)體類元知識和弱實(shí)體類元知識。

定義1強(qiáng)實(shí)體類：在特定的知識情境中，知識本身具有語義的完整性。

定義2弱實(shí)體類：在特定的知識情境中，知識本身不具有完整的語義，需要與其他強(qiáng)實(shí)體類關(guān)聯(lián)才具有語義的完整性。

例如，模塊設(shè)計標(biāo)準(zhǔn)、設(shè)計參數(shù)、維修規(guī)范等屬于強(qiáng)實(shí)體類知識，而設(shè)計約束規(guī)則、工序等屬于弱實(shí)體類元知識。這是因?yàn)樵O(shè)計約束規(guī)則是對一個或多個設(shè)計參數(shù)約束關(guān)系的描述，而多個工序按一定的前后順序聚集形成工藝才有意義，單獨(dú)一個或幾個工序沒有實(shí)際價值。

1）強(qiáng)實(shí)體類元知識表征。強(qiáng)實(shí)體類知識的表征需要添加它與模塊和階段間的情境路徑約束。以模塊設(shè)計標(biāo)準(zhǔn)為例，這類知識可以通過圖1所示的本體模型描述，除了實(shí)體本身及其屬性（編碼、名稱、文件路徑）外，還需要在該節(jié)點(diǎn)上定義它與模塊和階段節(jié)點(diǎn)的情境聯(lián)系（context-of）路徑約束，路徑約束可通過SHACL語言在設(shè)計標(biāo)準(zhǔn)類上定義與模塊及階段的路徑實(shí)現(xiàn)。

2）弱實(shí)體類元知識表征。如前所述，風(fēng)電設(shè)備中，弱實(shí)體類主要分為兩種類型：一類是約束規(guī)則類知識，如設(shè)計參數(shù)約束規(guī)則、故障維修規(guī)則等，另一類是流程類知識，如工藝的工序、檢修的工步等。約束規(guī)則類知識是一類特殊的模塊元知識，這類知識用來表征某類元知識間的約束。如“齒輪箱最小齒間距 d=2.5m+0.01^?（m 為齒輪模數(shù)），這一約束規(guī)則表達(dá)了齒輪箱與齒輪模數(shù)參數(shù)間的關(guān)系。這類知識可通過形如圖2所示的本體模型描述，除自身的屬性外，還需要添加它與對應(yīng)強(qiáng)實(shí)體類間的因子參數(shù)（factor-para）和校核參數(shù)（check-para）路徑約束。流程類知識是另外一類特殊的模塊元知識，這類知識節(jié)點(diǎn)間存在前序依賴關(guān)系，通過聚集形成完整的知識。以工序?yàn)槔?，這類知識可通過形成如圖3所示的本體進(jìn)行表示，流程類知識節(jié)點(diǎn)除自身屬性外，還需要建立節(jié)點(diǎn)間前序依賴（pre-process）的路徑約束以及與對應(yīng)強(qiáng)實(shí)體類間的part-of路徑約束。

2.3 模塊實(shí)例時序知識表征

模塊實(shí)例時序知識產(chǎn)生于不同項(xiàng)目中，在模塊定制過程中對元知識或?qū)嵗R進(jìn)行復(fù)用是一種關(guān)鍵的時序知識，是基于實(shí)例進(jìn)行推薦的基礎(chǔ)。為了全面表征這種知識，本文引入事件類節(jié)點(diǎn)，用以構(gòu)建情境和實(shí)例知識節(jié)點(diǎn)之間的關(guān)系和約束。

1）模塊實(shí)例變更產(chǎn)生的模塊實(shí)例。以模塊設(shè)計模型定制為例，如圖4所示，模型定制是一個具有開始和結(jié)束時間屬性的事件類，該定制過程是從現(xiàn)有的模塊模型實(shí)例中選擇一個模型作為定制的基準(zhǔn)，形成本項(xiàng)目的模塊實(shí)例。其中，“base-of\"表示定制基準(zhǔn)，“outcome-of”表示定制結(jié)果，其余同上。

2）模塊元知識復(fù)用產(chǎn)生的模塊實(shí)例。在產(chǎn)品模塊化定制的生產(chǎn)過程中，一些模塊元知識（如設(shè)計標(biāo)準(zhǔn)、維修規(guī)范等）被用作參考，而另一些（如族模型、工藝等）則需要實(shí)例化和復(fù)用。一般強(qiáng)實(shí)體類元知識的復(fù)用與圖4中的實(shí)例知識復(fù)用類似，差異在于定制事件中的“base-of\"聯(lián)系是由模塊元知識類代替模塊現(xiàn)有實(shí)例。但對于具有弱實(shí)體約束的元知識，在實(shí)例化過程中則需要對弱實(shí)體約束進(jìn)行特殊處理。 ① 約束規(guī)則類弱實(shí)體關(guān)聯(lián)元知識實(shí)例化。對于圖2所示的設(shè)計元參數(shù)類知識，在其實(shí)例化設(shè)計中需要將參數(shù)約束規(guī)則轉(zhuǎn)換為參數(shù)值間的約束，如圖5所示（為清晰起見，圖中僅保留了參數(shù)定制事件關(guān)聯(lián)的路徑約束及屬性）。其中，設(shè)計元參數(shù)在項(xiàng)目模塊實(shí)例化定制中產(chǎn)生設(shè)計參數(shù)（屬性包括值和名稱），需要將參數(shù)約束規(guī)則轉(zhuǎn)換為參數(shù)值間的約束，例如對于前述約束\"齒輪箱最小齒間距 d=2.5m+0.01^′ ，需要通過約束語言將其轉(zhuǎn)化為對應(yīng)的設(shè)計參數(shù)值間的取值規(guī)則表達(dá)式查詢約束2。 ② 流程類弱實(shí)體關(guān)聯(lián)元知識實(shí)例化。對于圖3所示的流程類弱實(shí)體關(guān)聯(lián)的元知識，在實(shí)例化過程中需要項(xiàng)目模塊對應(yīng)的任務(wù)驅(qū)動，通過任務(wù)排程事件實(shí)例化組成工藝的工序形成工序任務(wù)，轉(zhuǎn)換工序間的前置依賴為工序任務(wù)間的時間值約束，并用路徑數(shù)量約束來表征每個工序的完整性，對應(yīng)的本體結(jié)構(gòu)如圖6所示。

（as an example of design meta-parameter instantiation）

（asan example of a process task）

3基于情境約束的時序知識圖譜構(gòu)建

3.1 情境知識形狀約束定義

本文采用SHACL語言來定義路徑約束和知識數(shù)據(jù)值間的約束，以確保數(shù)據(jù)的一致性和準(zhǔn)確性。SHACL構(gòu)建約束的語法元素如表2所示。

應(yīng)用表2中的SHACL語法元素定義本體路徑形狀約束，例如：對于設(shè)計標(biāo)準(zhǔn)與模塊間的路徑約束，可在設(shè)計標(biāo)準(zhǔn)類上定義節(jié)點(diǎn)約束，通過sh：path：ex：Module定義它與模塊間的路徑約束；對于約束“齒輪箱最小齒間距 d=2.5m+0.01^， ，可通過構(gòu)建SPARQL查詢，用FILTER與表達(dá)式比較，將實(shí)際值代人表達(dá)式，再通過存在性Exist判斷查詢結(jié)果。

3.2 知識數(shù)據(jù)抽取、校驗(yàn)及存儲

基于上述方法，梳理風(fēng)電設(shè)備知識，構(gòu)建領(lǐng)域知識本體和約束。在此基礎(chǔ)上，抽取并驗(yàn)證知識構(gòu)建知識圖譜，具體步驟如下（圖7）：

1）收集風(fēng)電設(shè)備結(jié)構(gòu)、階段等情景數(shù)據(jù)。

2）使用 D2RQ（database to RDF query）工具對存儲在企業(yè)資源計劃（enterprise resourceplanning，ERP）、產(chǎn)品數(shù)據(jù)管理（productdata man-agement，PDM）等既有業(yè)務(wù)系統(tǒng)中的結(jié)構(gòu)化模塊通用知識和實(shí)例知識進(jìn)行抽取。

3）對于設(shè)計標(biāo)準(zhǔn)、故障維修手冊等非結(jié)構(gòu)化知識進(jìn)行標(biāo)注，用標(biāo)注的語料庫訓(xùn)練命名實(shí)體識別和關(guān)系抽取模型（如BERT-BiLSTM-CRF等），利用訓(xùn)練好的模型將文本知識抽取為圖節(jié)點(diǎn)及關(guān)系結(jié)構(gòu)化數(shù)據(jù)。

4）將前面兩步抽取的知識節(jié)點(diǎn)和關(guān)系數(shù)據(jù)轉(zhuǎn)為資源描述框架（resource description frame-work，RDF）圖，使用Python 的 pySHACL包中的validate（·）函數(shù)對數(shù)據(jù)RDF圖和形狀RDF圖進(jìn)行校驗(yàn)，確保數(shù)據(jù)滿足約束條件。

（5）將符合條件的知識按知識三元組持久化地存儲到圖數(shù)據(jù)庫中。

3.3基于知識情境的圖譜可視化

針對不同場景對知識快速定位和交互需求，本文提出了基于本體解析的情境知識子圖可視化算法（算法1）如下：

輸出：可視化圖譜

1：if任務(wù)編碼為空then

2：為模塊、階段和項(xiàng)目情境變量賦默認(rèn)值

3：else解析任務(wù)編碼，獲取模塊、階段和項(xiàng)目信息

4：解析本體中的情境類知識

5：foreach情境類知識do

6：構(gòu)建觀測窗口標(biāo)簽頁

7：獲取該情境知識的數(shù)據(jù)集

8：以該知識數(shù)據(jù)集為分組條件，構(gòu)建分組統(tǒng)計模型

9：將分組結(jié)果數(shù)據(jù)集以表格形式可視化

10：為每行統(tǒng)計生成子圖查看按鈕及點(diǎn)擊事件

11：end for

12：foreach元概念及實(shí)例概念do

13：為每個概念生成一種顏色

14：為每個概念生成一個標(biāo)簽及點(diǎn)擊可視化事件

15：end for

16：生成語義搜索窗體及搜索事件

17：以人員、模塊、階段和項(xiàng)目為條件查詢獲得子圖

18：為圖數(shù)據(jù)節(jié)點(diǎn)生成查看其語義信息的點(diǎn)擊事件。

該算法首先通過用戶身份和當(dāng)前任務(wù)編碼獲得場景初始特征，然后解析本體中的情境知識類，為每類情境構(gòu)建數(shù)據(jù)觀測窗口，以情境數(shù)據(jù)作為分組條件對知識進(jìn)行分組，生成分組統(tǒng)計視圖，以支持用戶對知識的分類檢索。同時對每個類生成可視化顏色和標(biāo)簽，用戶通過標(biāo)簽可隱藏或加載該類數(shù)據(jù)，并為圖中數(shù)據(jù)項(xiàng)提供點(diǎn)擊事件功能，通過點(diǎn)擊可按前面情境約束本體展示數(shù)據(jù)屬性及相關(guān)數(shù)據(jù)實(shí)體，從而提高知識圖譜的可視化效率和知識的可讀性。

算法的收斂性分析： ① 算法的兩個循環(huán)結(jié)構(gòu)均是針對本體中概念而非知識數(shù)據(jù)本身，數(shù)據(jù)量非常小，可在有限步驟內(nèi)收斂； ② 算法在圖數(shù)據(jù)層只執(zhí)行一次以情境特征值為條件的圖查詢，由于在模塊元知識和實(shí)例知識表征中融人了知識情境（見2.2節(jié)和2.3節(jié)），各類知識與情境知識節(jié)點(diǎn)間最多為2跳關(guān)系，因此圖查詢性能得以保證。

本文集成基于本體解析的情境知識子圖可視化算法研發(fā)了風(fēng)電設(shè)備情境知識圖譜可視化引擎，該引擎前端采用ECharts可視化控件，后端采用Springboot應(yīng)用框架，知識圖譜采用Neo4j圖數(shù)據(jù)庫存儲。該引擎通過集團(tuán)單點(diǎn)登錄獲取用戶身份和當(dāng)前對應(yīng)任務(wù)編碼，讀取Neo4j圖數(shù)據(jù)庫中的本體和圖數(shù)據(jù)，執(zhí)行算法1，生成針對該場景的初始化界面，當(dāng)用戶點(diǎn)擊界面中的結(jié)構(gòu)節(jié)點(diǎn)或圖中按鈕等事件后，引擎獲取事件對應(yīng)的數(shù)據(jù)，以該數(shù)據(jù)為查詢條件執(zhí)行算法1更新子圖。

4實(shí)例驗(yàn)證

4.1 實(shí)驗(yàn)背景

為了驗(yàn)證所提出方法的可行性，以風(fēng)機(jī)設(shè)計過程的情境知識、模型元知識和4個項(xiàng)目的設(shè)計實(shí)例知識數(shù)據(jù)為基礎(chǔ)開展實(shí)驗(yàn)。

4.2 實(shí)驗(yàn)過程

1）情境本體模型構(gòu)建。應(yīng)用圖2和圖4的本體模型，對設(shè)計過程情境知識（模塊、項(xiàng)目、人員、階段）、模塊元知識（設(shè)計元參數(shù)、設(shè)計標(biāo)準(zhǔn)、參數(shù)約束規(guī)則）和實(shí)例知識（項(xiàng)目模塊定制形成的零部件、設(shè)計參數(shù)）間關(guān)系進(jìn)行表征，形成情境知識本體。

2）本文情境知識形狀約束定義。按照3.1節(jié)的方法用SCHAL對本體中路徑及值約束進(jìn)行定義，定義結(jié)果用開源Graphviz可視化展示，如圖8所示。

3）知識數(shù)據(jù)抽取、校驗(yàn)及存儲。根據(jù)知識本體中的概念及關(guān)系，按照3.2節(jié)的步驟對知識數(shù)據(jù)進(jìn)行抽取、路徑及值約束校驗(yàn)，最終將數(shù)據(jù)存儲到Neo4j圖數(shù)據(jù)庫中。

4）場景驅(qū)動的圖譜可視化。通過用戶身份集成認(rèn)證進(jìn)人知識圖譜可視化引擎，解析用戶任務(wù)，渲染出對應(yīng)的多維可視化界面，如圖9所示?？梢暬瘍?nèi)容及交互服務(wù)接口包括： ① 多維可視化交互構(gòu)建。引擎自動解析并構(gòu)建基于知識情境的多維可視化交互界面，按元數(shù)據(jù)及實(shí)例數(shù)據(jù)概念自動分配顏色標(biāo)簽并按規(guī)則加載子圖。 ② 情境標(biāo)簽頁展示。在界面的右側(cè)浮出窗口上端展示情境標(biāo)簽頁，其中默認(rèn)標(biāo)簽頁為模塊維度。 ③ 知識數(shù)據(jù)分布與交互。右方表格展示按模塊數(shù)據(jù)分組統(tǒng)計的知識數(shù)據(jù)分布及交互入口。 ④ 知識情境切換。用戶可通過點(diǎn)擊標(biāo)簽頁切換不同的知識情境。 ⑤ 知識節(jié)點(diǎn)交互。點(diǎn)擊圖上的知識節(jié)點(diǎn)，展示其具有完整語義的知識屬性及路徑約束關(guān)聯(lián)數(shù)據(jù)。圖10展示了點(diǎn)擊某條質(zhì)量問題處理實(shí)例知識節(jié)點(diǎn)后彈出的窗口，其中包含了該質(zhì)量問題事件及其關(guān)聯(lián)信息。實(shí)例驗(yàn)證結(jié)果證實(shí)了所提出的風(fēng)電設(shè)備知識圖譜構(gòu)建方法能夠有效表征風(fēng)機(jī)設(shè)備知識的語義，并能夠根據(jù)應(yīng)用場景快速地將情境知識切分為子圖，實(shí)現(xiàn)高效的多維可視化展示，從而便于用戶理解和分析復(fù)雜的風(fēng)電設(shè)備項(xiàng)目和專業(yè)知識數(shù)據(jù)。

5結(jié)語

本文深入分析了風(fēng)電設(shè)備領(lǐng)域的知識特征及其應(yīng)用場景，構(gòu)建了針對情景類知識、模塊元知識和項(xiàng)目定制實(shí)例知識的語義本體模型，并詳細(xì)闡述了基于SHACL的知識情境約束驗(yàn)證。在此基礎(chǔ)上提出了一種基于本體解析和情境交互的子圖切分算法，并開發(fā)了一個高效的情境圖譜可視化交互引擎。

參考文獻(xiàn)：

[1] WANG J，WANG X，MA C Q，et al. A Survey on the Development Status and Application Prospects ofKnowledgeGraphin SmartGrids[J].IETGeneration，Transmissionamp;Distribution，202l，15（3）： 383-407.

[2] 徐有為，張宏軍，程愷，等.知識圖譜嵌人研究綜述 [J].計算機(jī)工程與應(yīng)用，2022，58（9）：30-50. XU Youwei，ZHANG Hongjun，CHENG Kai，et al.Comprehensive Survey on Knowledge Graph Embedding[J]. Computer Engineering and Applications，2022，58（9）：30-50.

[3] JI S X，PANSR，CAMBRIAE，et al. A Survey on Knowledge Graphs：Representation，Acquisition and Applications[J]. IEEE Transactions on Neural NetL」 綜述［J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2023，35 （1）：23-36. LIU Yuhua， ZHAI Ruyu， ZHANG Xiang，et al. A Survey on the Visual Analytics of Knowledge Graph [J]. Journal of Computer-aided Design amp;. Computer Graphics，2023，35（1） ：23-36.

[5]陶家琦，李心雨，鄭湃，等.制造領(lǐng)域知識圖譜的應(yīng)用 研究現(xiàn)狀與前沿[J].計算機(jī)集成制造系統(tǒng)，2022， 28（12） ：3720-3736. TAO Jiaqi，LI Xinyu， ZHENG Pai，et al. State-ofthe-art and Frontier of Manufacturing Knowledge Graph Application[J]. Computer Integrated Manufacturing Systems，2022，28（12） ：3720-3736.

[6]徐雪松，肖剛，孟航程，等.面向設(shè)計計算多層知識圖 譜構(gòu)建方法與應(yīng)用[J/OL].計算機(jī)集成制造系統(tǒng). http：// kns. cnki. net/kcms/detail/11. 5946. TP. 20230515.1129.014.html. XU Xuesong，XIAO Gang，MENG Hangcheng，et al. Multilayer Knowledge Graph Construction Method and Application for Design Calculation[J/OL]. Computer Integrated Manufacturing System.http ： // kns.cnki. net/kcms/detail/11. 5946. TP.20230515. 1129.014.html.

[7]路松峰，李祎明，屠向陽，等.基于知識圖譜的數(shù)控裝 備信息模型建模方法[J].華中科技大學(xué)學(xué)報（自然 科學(xué)版），2022，50（6）：39-47. LU Songfeng，LI Yiming，TU Xiangyang，et al. Modeling Method of Numerical Control Equipment Information Model Based on Knowledge Graph[J]. Journal of Huazhong University of Science and Technology（Natural Science Edition）， 2O22，50 （6） ：39-47.

[8]郭恒，黎榮，張海柱，等.多域融合的高速列車維修性 設(shè)計知識圖譜構(gòu)建［J].中國機(jī)械工程，2022，33 （24） ：3015-3023. GUO Heng，LI Rong，ZHANG Haizhu，et al. Construction of Knowledge Graph of Maintainability Design Based on Multi-domain Fusion of Highspeed Trains[J]. China Mechanical Engineering， 2022，33（24）：3015-3023.

[9]PRUD’ HOMMEAUX E，LABRA GAYO J E， SOLBRIG H. Shape Expressions： an RDF Validation and Transformation Language[C] // Proceedings of the 1Oth International Conference on Semantic Systems. Leipzig，2014：32-40.

[10]FERNBACH A，KASTNER W. Semi-automated Engineering in Building Automation Systems and Management Integration[C]// The 26th IEEE International Symposium on Industrial Electronics （ISIE）.Edinburgh，2017：8001472.

[11］PARETI P，KONSTANTINIDIS G，NORMAN T J，et al. SHACL Constraints with Inference Rules[C]// The Semantic Web-ISWC 2019：18th International Semantic Web Conference. Auckland： Springer International Publishing，2019：539-557.

[12]SCHAFFENRATH R，PROKSCH D，KOPP M， et al.Benchmark for Performance Evaluation of SHACL Implementations in Graph Databases[C]// Rules and Reasoning：4th International Joint Conference.Oslo，2020：82-96.

[13]FIGUERA M，ROHDE P D，VIDAL M E. TraVSHACL： EfficientlyValidatingNetworksof SHACL Constraints[C]// Proceedings of the Web Conference.New York，202l：3337-3348.

[14]WANG X H，ZHANG D Q，GU T，et al. Ontology Based Context Modeling and Reasoning Using OWL[C]// IEEE Annual Conference on Pervasive Computingand CommunicationsWorkshops， 2004.New York：IEEE，2004：18-22.

[15]SMIRNOV A，LEVASHOVA T，SHILOV N. Patterns for Context-based Knowledge Fusion in Decision Support Systems[J]. Information Fusion， 2015，21：114-129.

[16] HUET A，PINQUIE R，VERON P，et al. CACDA：a Knowledge Graph for a Context-aware Cognitive Design Assistant[J]. Computers in Industry，2021，125：103377.

[17]王淑營，李雪，黎榮，等.基于知識圖譜的高速列車 知識融合方法[J].西南交通大學(xué)學(xué)報，2024，59 （5）：1194-1203. WANG Shuying，LI Xue，LI Rong，，et al. Knowledge Fusion Method of High Speed Train Based on Knowledge Graph[J]. Journal of Southwest JiaotongUniversity，2024，59（5）：1194-1203.