工件加工變形知識(shí)圖譜的構(gòu)建

中圖分類號(hào)：TH166 文獻(xiàn)標(biāo)識(shí)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(guān)鍵問題之一。加工變形會(huì)導(dǎo)致幾何形狀偏差、尺寸不準(zhǔn)確、表面質(zhì)量下降，甚至可能導(dǎo)致工件報(bào)廢，從而增加制造成本與材料浪費(fèi)。隨著高精度、高可靠性產(chǎn)品需求的不斷增長(zhǎng)，加工變形已成為制約制造業(yè)生產(chǎn)力和技術(shù)進(jìn)步的瓶頸。近年來，學(xué)術(shù)界和工業(yè)界對(duì)加工變形問題的研究主要集中在加工變形的機(jī)理分析、實(shí)驗(yàn)研究、變形預(yù)測(cè)及控制策略等方面[1-3]。研究表明，加工變形受初始?xì)堄鄳?yīng)力、加工殘余應(yīng)力、零件結(jié)構(gòu)、工藝路徑和加工參數(shù)等多因素影響。當(dāng)前，加工變形預(yù)測(cè)與控制主要依賴于實(shí)驗(yàn)分析、有限元模擬及數(shù)據(jù)驅(qū)動(dòng)的智能算法。然而，實(shí)驗(yàn)分析周期長(zhǎng)且成本高，難以覆蓋復(fù)雜場(chǎng)景;有限元數(shù)值模擬依賴于復(fù)雜的模型和高質(zhì)量數(shù)據(jù)，難以適應(yīng)多變的加工條件；智能算法受限于數(shù)據(jù)質(zhì)量與知識(shí)表達(dá)的不足，難以實(shí)現(xiàn)泛化應(yīng)用。此外，研究成果分散，信息孤島嚴(yán)重，缺乏系統(tǒng)化的知識(shí)管理與共享機(jī)制。知識(shí)圖譜作為一種新興的知識(shí)組織技術(shù)，通過結(jié)構(gòu)化和語義化方式，將分散的知識(shí)進(jìn)行系統(tǒng)整合與關(guān)聯(lián)表達(dá)，在應(yīng)對(duì)知識(shí)碎片化、促進(jìn)知識(shí)共享與智能推理方面展現(xiàn)了顯著優(yōu)勢(shì)。近年來，知識(shí)圖譜技術(shù)在學(xué)術(shù)研究、醫(yī)療衛(wèi)生及工業(yè)制造等領(lǐng)域取得了顯著成果[4]?；趙ord2vec-BiLSTM-CRF的實(shí)體識(shí)別模型用于加工工藝規(guī)劃文本解析，驗(yàn)證了其在知識(shí)抽取中的有效性[5];利用機(jī)器學(xué)習(xí)從增材制造數(shù)據(jù)中提取預(yù)測(cè)性知識(shí)，構(gòu)建設(shè)計(jì)規(guī)則知識(shí)圖譜，為制造決策提供了支持[6」；利用 BERT-D'BiGRU-CRF 深度學(xué)習(xí)方法，從制造數(shù)據(jù)中自動(dòng)提取知識(shí)，構(gòu)建了產(chǎn)品制造領(lǐng)域的知識(shí)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(jìn)行實(shí)體識(shí)別，Self-ATT-BiLSTM進(jìn)行關(guān)系抽取，增強(qiáng)了數(shù)據(jù)檢索和建模能力，實(shí)現(xiàn)了自主工業(yè)軟件知識(shí)庫(kù)構(gòu)建[8];將 TextRank算法應(yīng)用于風(fēng)電維護(hù)文本中的實(shí)體識(shí)別和關(guān)系抽取，構(gòu)建了面向風(fēng)力渦輪機(jī)維護(hù)的知識(shí)圖譜[9]。本文將知識(shí)圖譜引人工件加工變形領(lǐng)域，提出了一種面向工件加工變形領(lǐng)域的知識(shí)圖譜框架，收集整理工件加工變形領(lǐng)域的研究成果，構(gòu)建相應(yīng)的數(shù)據(jù)集;通過深度學(xué)習(xí)模型實(shí)現(xiàn)實(shí)體抽取與關(guān)系抽取，實(shí)現(xiàn)知識(shí)的自主化提取;通過實(shí)體消歧、共指消解和人工審核等進(jìn)行知識(shí)融合，確保知識(shí)的準(zhǔn)確性與一致性;通過Neo4j對(duì)知識(shí)進(jìn)行存儲(chǔ)和管理，構(gòu)建工件加工變形知識(shí)圖譜；通過 Cypher語言實(shí)現(xiàn)知識(shí)圖譜的增、刪、改、查操作。本知識(shí)圖譜框架能夠系統(tǒng)化管理加工變形知識(shí)，解決了信息孤島問題，為工件加工變形的研究與應(yīng)用提供有效支持。

工件加工變形的知識(shí)圖譜框架

工件加工變形知識(shí)具有專業(yè)性、多維性、因果性和動(dòng)態(tài)性的特征。本文采用自上而下的方法構(gòu)建了一種工件加工變形知識(shí)圖譜的框架結(jié)構(gòu)[10]，包括數(shù)據(jù)集構(gòu)建、本體模型、知識(shí)抽取、知識(shí)融合和知識(shí)存儲(chǔ)及應(yīng)用 5個(gè)關(guān)鍵部分組成，自上而下的知識(shí)圖譜構(gòu)建方法如圖1。

1.1 數(shù)據(jù)集構(gòu)建

工件加工變形領(lǐng)域缺乏統(tǒng)一的數(shù)據(jù)語料，首先需要構(gòu)建一個(gè)工件加工變形領(lǐng)域的數(shù)據(jù)集，實(shí)現(xiàn)相關(guān)知識(shí)的抽取。數(shù)據(jù)集由非結(jié)構(gòu)化文本知識(shí)構(gòu)成，包含： ① 文獻(xiàn)數(shù)據(jù)，在中國(guó)知網(wǎng)數(shù)據(jù)庫(kù)中檢索并篩選相關(guān)主題的研究成果，獲取文獻(xiàn)摘要和科技成果簡(jiǎn)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(shí)驗(yàn)報(bào)告，主要是歷史實(shí)驗(yàn)記錄，包括在不同實(shí)驗(yàn)條件下各種類型工件的加工過程記錄，加工變形的測(cè)量結(jié)果和結(jié)論分析等。 ③ 相關(guān)網(wǎng)頁(yè)內(nèi)容，收集“工件加工變形\"相關(guān)主題的網(wǎng)站內(nèi)容，包含研究評(píng)述、報(bào)道和案例分析等。

1.2本體模型

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

1）明確構(gòu)建本體的需求和目標(biāo)，與領(lǐng)域內(nèi)的相關(guān)專家學(xué)者討論工件加工變形研究的需求和本體構(gòu)建的目標(biāo);2）查找可復(fù)用的本體，查找其他領(lǐng)域（如產(chǎn)品設(shè)計(jì)、故障診斷等）是否有可復(fù)用的本體;3）構(gòu)建工件加工變形領(lǐng)域概念體系，明確核心概念并建立體系化的知識(shí)，包括工件加工變形相關(guān)的實(shí)體和關(guān)系等;4）規(guī)范化專業(yè)術(shù)語，參考行業(yè)內(nèi)相關(guān)的國(guó)家標(biāo)準(zhǔn)、行業(yè)規(guī)范等，對(duì)工件加工變形相關(guān)的專業(yè)術(shù)語進(jìn)行標(biāo)準(zhǔn)化定義；5）定義相關(guān)概念屬性并創(chuàng)建實(shí)例，如“工件類型”、“加工變形影響因素\"等；6）收集領(lǐng)域?qū)＜?、工程師和學(xué)者對(duì)工件加工變形知識(shí)本體的反饋及建議；7）基于反饋意見，通過迭代優(yōu)化構(gòu)建完善的工件加工變形知識(shí)本體模型，實(shí)體定義如表1，關(guān)系定義如表2。

1.3 知識(shí)抽取

1.3.1 實(shí)體抽取模型

實(shí)體抽取是知識(shí)抽取的關(guān)鍵步驟，在復(fù)雜領(lǐng)域如制造業(yè)中，準(zhǔn)確識(shí)別實(shí)體對(duì)于信息整合和自動(dòng)化應(yīng)用至關(guān)重要。近年來，深度學(xué)習(xí)方法的應(yīng)用顯著提升了實(shí)體識(shí)別的精度，本文采用BERT-BiLSTM-CRF實(shí)體抽取模型完成工件加工變形相關(guān)知識(shí)的實(shí)體抽取，實(shí)體抽取模型如圖3。

BERT-BiLSTM-CRF實(shí)體抽取模型結(jié)合了預(yù)訓(xùn)練的BERT模型、雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（BiLSTM）和條件隨機(jī)場(chǎng)（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(duì)標(biāo)簽依賴關(guān)系的建模能力。BERT模型選用中文預(yù)訓(xùn)練模型Chinese-Bert-Wwm-Ext[13]，多層 Transformer 結(jié)構(gòu)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(shí)際知識(shí)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(gè)前向LSTM和一個(gè)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(dá)中的上下文關(guān)系，通過讀取BERT生成的嵌入向量，進(jìn)一步捕獲序列中的依賴關(guān)系，并生成更準(zhǔn)確的單詞表示。CRF是用于序列標(biāo)記的概率模型，接收BiLSTM的輸出作為特征，評(píng)估所有可能的標(biāo)簽序列，在給定特征的情況下解碼最佳標(biāo)簽序列。

1.3.2 關(guān)系抽取模型

關(guān)系抽取從文本中識(shí)別實(shí)體對(duì)之間的語義關(guān)系，是信息抽取的重要任務(wù)之一。本文采用BERT的關(guān)系抽取模型，捕捉文本中的深層語義信息和長(zhǎng)距離依賴關(guān)系，結(jié)合預(yù)訓(xùn)練的BERT模型與關(guān)系分類器來識(shí)別實(shí)體對(duì)之間的關(guān)系，關(guān)系抽取模型如圖4。

BERT接收實(shí)體對(duì)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(shí)體1［SEP］實(shí)體2［SEP］上下文文本［SEP]。關(guān)系分類器通過全連接層對(duì) BERT生成的嵌入向量進(jìn)行變換，預(yù)測(cè)實(shí)體對(duì)之間的關(guān)系。在訓(xùn)練過程中，使用交叉熵?fù)p失函數(shù)來優(yōu)化參數(shù)，對(duì)于給定的真實(shí)標(biāo)簽和預(yù)測(cè)概率，損失函數(shù)表示為

其中， M 是關(guān)系類別總數(shù)； y_true 。是真實(shí)標(biāo)簽在類別 c 的指示值（0或1）; y_pred 。是模型預(yù)測(cè)類別 c 的概率。

1.3.3 模型評(píng)估

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

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

1.4 知識(shí)融合

在工件加工變形相關(guān)的非結(jié)構(gòu)化文本中抽取知識(shí)時(shí)，會(huì)遇到冗余、歧義和表達(dá)模糊等問題。為了實(shí)現(xiàn)抽取知識(shí)的有效的集成和統(tǒng)一，通過實(shí)體消歧和共指消解對(duì)知識(shí)進(jìn)行融合。實(shí)體消歧解決同一術(shù)語在不同文檔中表達(dá)不同概念的情況，如\"模型應(yīng)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(shí)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(xiàn)中表述為“abaqus”、“ABAQUS 有限元軟件\"等，加工變形影響因素“殘余應(yīng)力重分布\"表述為“殘余應(yīng)力再分布\"等，需要通過統(tǒng)一化和標(biāo)準(zhǔn)化的命名法，確保實(shí)體的一致性，如圖 5b 。

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

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

1.5 知識(shí)存儲(chǔ)

通過數(shù)據(jù)集構(gòu)建、知識(shí)抽取和知識(shí)融合，非結(jié)構(gòu)化的加工變形知識(shí)轉(zhuǎn)化為“實(shí)體-關(guān)系-實(shí)體”三元組形式的結(jié)構(gòu)化知識(shí)。存儲(chǔ)系統(tǒng)采用Neo4j圖數(shù)據(jù)庫(kù)，通過“節(jié)點(diǎn)-邊\"結(jié)構(gòu)表示“實(shí)體-關(guān)系-實(shí)體”三元組，實(shí)現(xiàn)了加工變形知識(shí)的多維存儲(chǔ)和知識(shí)圖譜構(gòu)建。

2實(shí)例分析

2.1 知識(shí)圖譜可視化存儲(chǔ)

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(guó)知網(wǎng)2012—2024年與工件加工變形相關(guān)的文獻(xiàn)摘要，約占數(shù)據(jù)集的 94% ，涉及工件加工變形相關(guān)研究成果的背景、方法和結(jié)論，理論性強(qiáng)且反映該領(lǐng)域的研究進(jìn)展;相關(guān)實(shí)驗(yàn)報(bào)告約占數(shù)據(jù)集的 3% ，包含實(shí)際操作、詳細(xì)的實(shí)驗(yàn)設(shè)計(jì)、數(shù)據(jù)分析和變形控制方法，實(shí)踐性強(qiáng)，適用于指導(dǎo)實(shí)際生產(chǎn)。工件加工變形相關(guān)網(wǎng)頁(yè)內(nèi)容約占數(shù)據(jù)集的 3% ，主要包括加工經(jīng)驗(yàn)、實(shí)用技巧和解決方案，實(shí)用性強(qiáng)，來源廣泛，語言通俗易懂，適用于快速查閱和共享。

在知識(shí)抽取前，以訓(xùn)練知識(shí)抽取模型，根據(jù)本體模型定義的實(shí)體和關(guān)系，利用doccano工具對(duì)數(shù)據(jù)集中的480條數(shù)據(jù)進(jìn)行標(biāo)注，以案例文獻(xiàn)[14]的摘要為例，標(biāo)注內(nèi)容如圖6。

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

在知識(shí)抽取時(shí)，輸人“機(jī)匣件作為航空發(fā)動(dòng)機(jī)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(diǎn)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(gòu)生成每個(gè)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(jī)匣件\"與其屬性“尺寸大”“壁薄”、“剛性低”之間的上下文關(guān)聯(lián)，使得這些詞的語義表示更加準(zhǔn)確。

2）BiLSTM通過前向LSTM和后向LSTM，捕捉序列中的依賴關(guān)系。在案例中，BiLSTM能夠捕捉“機(jī)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(guān)系。例如，盡管“剛性低\"在句中靠后，但通過 BiLSTM的雙向結(jié)構(gòu)，模型能夠正確識(shí)別它與“機(jī)匣件\"的關(guān)系。模型能夠更好地理解句子中詞語之間的邏輯和語義關(guān)聯(lián)，提升實(shí)體識(shí)別和關(guān)系抽取的精度。

3）CRF將 BiLSTM的輸出作為特征，對(duì)每個(gè)單詞的標(biāo)簽進(jìn)行全局優(yōu)化。通過CRF模型來評(píng)估所有可能的標(biāo)簽序列，并解碼出最佳標(biāo)簽序列。在案例中，CRF能夠識(shí)別“機(jī)匣件”為“工件類型\"實(shí)體，而“尺寸大”“壁薄”“剛性低\"則被正確標(biāo)注為“加工變形影響因素”。CRF確保輸出的實(shí)體識(shí)別和關(guān)系預(yù)測(cè)更加準(zhǔn)確。

4）BERT將實(shí)體對(duì)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(jī)匣件\"及其關(guān)聯(lián)的“尺寸大”“壁薄”、“剛性低\"輸入到分類器中預(yù)測(cè)實(shí)體之間的關(guān)系類型。例如，模型預(yù)測(cè)出“尺寸大”、“壁薄”、“剛性低”是“機(jī)匣件\"加工變形原因。

5）損失函數(shù)優(yōu)化。交叉熵?fù)p失函數(shù)用于優(yōu)化模型參數(shù)。在訓(xùn)練過程中，模型通過最小化真實(shí)標(biāo)簽和預(yù)測(cè)概率之間的差異來逐步優(yōu)化，使模型更準(zhǔn)確地預(yù)測(cè)實(shí)體和關(guān)系。

對(duì)抽取結(jié)果進(jìn)行實(shí)體消歧和共指消解完成知識(shí)融合。由于中文表達(dá)習(xí)慣的多樣性，部分實(shí)體存在著多樣化和差異化表達(dá)，如關(guān)于工件加工變形分析工具“ABAQUS軟件\"的具體應(yīng)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(shù)”“Abaqus 腳本程序”、“Abaqus/Explicit\"等，加工變形影響因素“初始?xì)堄鄳?yīng)力\"表述為“材料內(nèi)部初始?xì)堄鄳?yīng)力”“毛壞初始?xì)堄鄳?yīng)力”、“初始?xì)堄鄳?yīng)力和加工應(yīng)力等多因素耦合”、“初始?xì)堄鄳?yīng)力釋放與重分布”和“毛壞初始應(yīng)力重分布\"等，保證特定工件對(duì)應(yīng)相關(guān)知識(shí)的完整性，本文對(duì)類似實(shí)體內(nèi)容均進(jìn)行了保留。

完成知識(shí)抽取和融合后的數(shù)據(jù)集存儲(chǔ)到Neo4j圖數(shù)據(jù)庫(kù)中，如圖8。生成4330個(gè)實(shí)體，包括703個(gè)工件類型、619個(gè)加工變形影響因素、474個(gè)加工變形分析工具、1318個(gè)加工變形分析方法和1216個(gè)加工變形優(yōu)化策略；共生成5509條關(guān)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(shí)圖譜可視化應(yīng)用

通過Cypher 語言實(shí)現(xiàn)Neo4j 圖數(shù)據(jù)庫(kù)中的工件加工變形知識(shí)圖譜的增、刪、改、查，通過對(duì)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(jìn)行全面管理與分析，為加工過程決策提供參考，如圖9?！霸鯸"可以實(shí)時(shí)創(chuàng)建節(jié)點(diǎn)和關(guān)系，添加工件加工變形相關(guān)知識(shí)，建立趨于全面的知識(shí)圖譜；“刪\"可以移除過時(shí)或冗余數(shù)據(jù)，保持知識(shí)圖譜的簡(jiǎn)潔和高效；“改\"支持動(dòng)態(tài)調(diào)整實(shí)體之間關(guān)系，確保數(shù)據(jù)的準(zhǔn)確性和時(shí)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(lǐng)域知識(shí)碎片化、難以共享的問題，提出了一種工件加工變形領(lǐng)域的知識(shí)圖譜框架。構(gòu)建了包含1085條長(zhǎng)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(shí)的實(shí)體和關(guān)系，通過基于BERT + BiLSTM + CRF的實(shí)體抽取模型和基于BERT的關(guān)系抽取模型實(shí)現(xiàn)知識(shí)的自主化抽取，采用余弦相似度對(duì)比標(biāo)記和人工審核進(jìn)行工件加工變形知識(shí)融合，通過Neo4j圖數(shù)據(jù)庫(kù)構(gòu)建了一個(gè)包含4 330個(gè)實(shí)體和5 509 條關(guān)系的工件加工變形知識(shí)圖譜，通過Cypher語言實(shí)現(xiàn)了對(duì)該知識(shí)圖譜的增、刪、改、查功能，有效提升了工件加工變形相關(guān)知識(shí)的檢索效率，實(shí)現(xiàn)了知識(shí)的共享和重用。然而，受限于本文數(shù)據(jù)集的內(nèi)容構(gòu)成側(cè)重于理論研究，對(duì)實(shí)際加工的指導(dǎo)仍有局限，引入更多加工實(shí)踐數(shù)據(jù)更好地指導(dǎo)實(shí)際生產(chǎn)是未來的研究方向。

參考文獻(xiàn)

[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(xiàn)禮，等．薄壁件銑削過程加工變形研究進(jìn)展[J]．航空學(xué)報(bào)，2022，43（4）：106－131.

[3］吳寶海，鄭志陽(yáng)，張陽(yáng)，等．面向薄壁零件加工變形與振動(dòng)控制的智能裝夾技術(shù)研究進(jìn)展[J]。機(jī)械工程學(xué)報(bào)，2021，57（17）：21-34.

[4] 付雷杰，曹巖，白璃，等．國(guó)內(nèi)垂直領(lǐng)域知識(shí)圖譜發(fā)展現(xiàn)狀與展望[J]．計(jì)算機(jī)應(yīng)用研究，2021，38（1）：3201－3214.

［5］董含笑，李豫虎，喬立紅，等．面向機(jī)加工藝規(guī)程文本的實(shí)體識(shí)別模型[J]．計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，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(shí)提取和知識(shí)庫(kù)構(gòu)建方法[J]．清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，62（5）：978-986.

[9]黃簡(jiǎn)，楊程，馮天波，等．面向風(fēng)電機(jī)組運(yùn)維的知識(shí)圖譜構(gòu)建研究與應(yīng)用[J]．電力系統(tǒng)保護(hù)與控制，2024，52（8）：167-177.

[10］徐增林，盛泳潘，賀麗榮，等．知識(shí)圖譜技術(shù)綜述[J]．電子科技大學(xué)學(xué)報(bào)，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(yàn)證[J]．北京航空航天大學(xué)學(xué)報(bào)，2012，38（11）：1445－1449.

[12］吳闖，張亮，唐希浪，等．航空發(fā)動(dòng)機(jī)潤(rùn)滑系統(tǒng)故障知識(shí)圖譜構(gòu)建及應(yīng)用[J]．北京航空航天大學(xué)學(xué)報(bào)，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(yīng)力演變機(jī)制的航空整體結(jié)構(gòu)件加工變形預(yù)測(cè)理論建模[J]．機(jī)械工程學(xué)報(bào)，2017，53（9）：201-208.