基于深度學(xué)習(xí)的數(shù)控機(jī)床故障知識圖譜構(gòu)建探索

中圖分類號：G424

文獻(xiàn)標(biāo)識碼：A DOI：10.16400/j.cnki.kjdk.2025.20.023

Exploration on the Construction of Fault Knowledge Graph for CNC Machine Tools Based on Deep Learning

SHENGJunfei

（Yixing Higher Vocational School， Yixing， Jiangsu ）

AbstractRapid diagnosis and repair ofCNC machine tool faultsare crucial for ensuring production effciency and reducing maintenance costs.However，the scatered and heterogeneous nature of machine tool fault knowledge poses challenges to fault diagnosis.This paper explores a method ofconstructing a fault knowledge graph for CNC machine tools by integratingdeep learningtechnology，expounds on the important roleofknowledge graphs in integrating CNC machinetol fault knowledge and asisting intelligent diagnostic decision-making，and proposes a systematic technical route for knowledge graph construction. Taking the faults ofthe feed axis of CNC machine tools as an example， the application process of the proposed method is demonstrated.

KeywordsCNC machine tools; fault diagnosis; knowledge graph; deep learning; intelligent manufacturing

隨著智能制造的快速發(fā)展，數(shù)控機(jī)床作為離散制造業(yè)的關(guān)鍵裝備，其可靠性和智能化水平備受關(guān)注，然而，由于數(shù)控機(jī)床結(jié)構(gòu)日益復(fù)雜，工況多變，故障問題頻發(fā)，嚴(yán)重影響生產(chǎn)效率和產(chǎn)品質(zhì)量。及時準(zhǔn)確地診斷數(shù)控機(jī)床故障成因，采取有效的維修措施，對于降低停機(jī)時間、減少質(zhì)量事故具有重要意義。知識圖譜作為一種融合了本體、鏈接數(shù)據(jù)、自然語言處理等技術(shù)的知識庫，能夠形式化地表現(xiàn)特定領(lǐng)域的核心概念及其復(fù)雜關(guān)聯(lián)，近年來在工業(yè)領(lǐng)域得到廣泛關(guān)注。構(gòu)建數(shù)控機(jī)床故障知識圖譜，將故障案例、診斷策略等顯性或隱性的知識進(jìn)行語義化、結(jié)構(gòu)化表達(dá)，形成高度關(guān)聯(lián)的知識網(wǎng)絡(luò)，有望破解數(shù)控機(jī)床故障知識應(yīng)用難題。

1構(gòu)建數(shù)控機(jī)床故障知識圖譜的重要意義

1.1系統(tǒng)整合數(shù)控機(jī)床故障知識

數(shù)控機(jī)床故障種類繁多，涉及機(jī)械、電氣、液壓、控制等多個專業(yè)領(lǐng)域的知識。這些知識分散在設(shè)計圖紙、操作手冊、維修記錄等各類非結(jié)構(gòu)化數(shù)據(jù)中，缺乏統(tǒng)一規(guī)范的表示形式，給知識的獲取和利用帶來困難。通過構(gòu)建故障知識圖譜，可將關(guān)鍵故障概念如故障模式、故障特征、診斷方法等抽象為具有明確語義類型的實體，將分散的故障知識進(jìn)行系統(tǒng)化整合。知識圖譜還能融合多源異構(gòu)數(shù)據(jù)，消除語義歧義，提供統(tǒng)一的知識檢索入口，這將大大降低故障知識獲取的難度，為智能診斷提供全面、準(zhǔn)確的知識支撐。

1.2為故障診斷提供智能化決策支持

當(dāng)前，數(shù)控機(jī)床故障診斷主要依賴專家經(jīng)驗，存在效率低、主觀性強(qiáng)等問題，難以應(yīng)對生產(chǎn)實踐中的復(fù)雜工況。而以知識圖譜為支撐，可構(gòu)建涵蓋故障規(guī)律、診斷策略的知識推理引擎，實現(xiàn)對機(jī)床故障的智能診斷。一方面，知識圖譜包含了豐富的故障案例，涵蓋故障發(fā)生的環(huán)境、故障特征、原因分析、處理措施等，可用于案例推理，給定待診斷的故障問題，系統(tǒng)通過語義匹配快速檢索相似案例，生成解決方案。另一方面，知識圖譜中的診斷規(guī)則可外化為一系列IF-THEN形式的推理規(guī)則，當(dāng)輸入故障征兆時，系統(tǒng)通過知識推理快速鎖定故障原因，給出檢修建議。由于采用圖形化的知識表示，推理過程清晰透明，便于人機(jī)交互，將知識圖譜與專家系統(tǒng)、機(jī)器學(xué)習(xí)相結(jié)合，可進(jìn)一步優(yōu)化診斷模型，提升故障診斷的準(zhǔn)確性和適應(yīng)性。

2基于深度學(xué)習(xí)的數(shù)控機(jī)床故障知識圖譜構(gòu)建的技術(shù)路線2.1數(shù)控機(jī)床故障數(shù)據(jù)采集與預(yù)處理

高質(zhì)量的結(jié)構(gòu)化數(shù)據(jù)是構(gòu)建知識圖譜的基礎(chǔ)，然而，當(dāng)前數(shù)控機(jī)床故障數(shù)據(jù)大都以非結(jié)構(gòu)化的形式存在，如維修工單、故障報告、狀態(tài)監(jiān)測數(shù)據(jù)等，需采用數(shù)據(jù)挖掘、自然語言處理等技術(shù)，從異構(gòu)數(shù)據(jù)源中獲取結(jié)構(gòu)化的故障知識要素。首先，可開發(fā)機(jī)床故障信息采集與傳輸系統(tǒng)，通過在機(jī)床關(guān)鍵部件上布置各類傳感器，實時采集機(jī)床的振動、溫度、電流等狀態(tài)信號，利用總線技術(shù)、邊緣計算等手段對監(jiān)測數(shù)據(jù)進(jìn)行分布式處理，提取故障特征，同時，通過人機(jī)交互界面記錄故障發(fā)生時的工藝參數(shù)、報警信息、處理措施等，由此形成涵蓋機(jī)床全生命周期的海量故障數(shù)據(jù)集。其次，對非結(jié)構(gòu)化的文本型故障數(shù)據(jù)進(jìn)行語義分析，采用自然語言處理技術(shù)對故障工單、維修方案等進(jìn)行詞法分析、句法分析、語義角色標(biāo)注，識別出關(guān)鍵故障概念、屬性、關(guān)系等知識要素，如從報修工單“加工過程中發(fā)現(xiàn)工件表面粗糙度上升，測得主軸振動頻率為 xx ，懷疑主軸軸承磨損所致\"中，可提取出故障特征“表面粗糙度上升\"“主軸振動頻率 ×× ”，故障部位“主軸軸承”，故障原因“軸承磨損”等三元組知識，由此實現(xiàn)故障文本到結(jié)構(gòu)化三元組的自動映射。

2.2數(shù)控機(jī)床故障知識體系構(gòu)建

在獲取結(jié)構(gòu)化故障數(shù)據(jù)的基礎(chǔ)上，需進(jìn)一步構(gòu)建故障知識圖譜的概念體系，即定義核心知識類型和關(guān)系類型，知識類型是指圖譜中的實體類別，如機(jī)床、刀具、故障模式等；關(guān)系類型則刻畫不同實體間的語義聯(lián)系，如機(jī)床“包含”刀具、滾珠絲杠“容易發(fā)生\"熱變形等。概念體系的構(gòu)建一般采用自頂而下與自底而上相結(jié)合的方法，既要參考通用的上位本體，又要立足領(lǐng)域數(shù)據(jù)自動挖掘概念。參考制造業(yè)故障診斷領(lǐng)域的通用本體，如CORA、ADONIS等，提取其中與數(shù)控機(jī)床故障相關(guān)的核心概念，作為知識圖譜的頂層骨架，通過對本體中的類進(jìn)行選擇、裁剪、擴(kuò)充，定義出描述數(shù)控機(jī)床故障問題的核心類，如機(jī)床、功能部件、故障模式、故障特征、故障原因、診斷方法、維修措施等，進(jìn)一步細(xì)化各核心類的層次關(guān)系，構(gòu)建一個覆蓋面廣、粒度適中的故障知識分類體系。

采用自底向上的數(shù)據(jù)驅(qū)動方法，從結(jié)構(gòu)化的故障數(shù)據(jù)中自動挖掘本領(lǐng)域特有的概念類型，基于聚類分析、頻繁項挖掘等無監(jiān)督學(xué)習(xí)方法，對故障三元組數(shù)據(jù)進(jìn)行挖掘，識別出不同粒度的共性概念，并用本體匹配的方法將其映射到已有分類體系中，不斷豐富知識類型，如通過聚類分析發(fā)現(xiàn)，不同機(jī)床的“主軸過熱”故障在征兆、處置方法上較為相似，據(jù)此抽象出“主軸過熱\"這一故障模式概念。在概念類型的基礎(chǔ)上，定義領(lǐng)域特定的關(guān)系類型，關(guān)系類型刻畫了不同概念之間的語義關(guān)聯(lián)，是圖譜中的“邊”，需充分考慮故障診斷的特點，選擇合適的謂詞描述故障實體間的因果、并發(fā)、轉(zhuǎn)移等關(guān)系，如定義“部件一故障”類關(guān)系，用于連接機(jī)床部件與其可能發(fā)生的故障模式；“故障一征兆”關(guān)系連接故障與其表現(xiàn)出的外部特征；“故障一原因”關(guān)系揭示引發(fā)故障的深層次原因；“故障一方法\"關(guān)系描述診斷某故障的可用方法，在此基礎(chǔ)上，還需定義各關(guān)系的域、值域約束，以確保知識組織的一致性，如“故障一原因”的定義域必須是“故障模式”，值域必須是“原因”。此外，還需定義關(guān)系的基數(shù)約束，如“部件一故障\"的基數(shù)為多對多，即一個部件可能發(fā)生多種故障，一種故障也可能發(fā)生在多個部件上。

2.3深度學(xué)習(xí)模型設(shè)計

構(gòu)建高質(zhì)量的故障知識圖譜，需從海量數(shù)據(jù)中準(zhǔn)確抽取故障實體及關(guān)系。傳統(tǒng)的知識抽取主要依賴人工特征工程，泛化能力差，而深度學(xué)習(xí)模型能夠?qū)崿F(xiàn)端到端的學(xué)習(xí)特征表示，克服了特征工程的局限性，將深度學(xué)習(xí)引入數(shù)控機(jī)床故障知識抽取，可顯著提升抽取的智能化水平。采用命名實體識別模型實現(xiàn)故障實體的自動抽取，將故障文本轉(zhuǎn)化為字符序列，通過字向量嵌入將其映射到低維空間，再采用BiLSTM-CRF等序列標(biāo)注模型對字符的實體類別進(jìn)行自動標(biāo)注，模型輸出形如\"B一故障部件\"\"I一故障特征”的標(biāo)簽序列，據(jù)此可識別出文本中的實體邊界及類別，在此基礎(chǔ)上，可進(jìn)一步采用預(yù)訓(xùn)練語言模型如BERT，融入機(jī)床產(chǎn)品參數(shù)、故障維修記錄等領(lǐng)域文本，對模型進(jìn)行預(yù)訓(xùn)練，提升其理解復(fù)雜故障語義的能力，通過遷移學(xué)習(xí)，用少量標(biāo)注數(shù)據(jù)微調(diào)模型，可顯著改善故障實體識別的精度和召回率。

對于提取出的故障實體，需進(jìn)一步識別它們之間的關(guān)系，可構(gòu)建關(guān)系分類模型，對實體對進(jìn)行關(guān)系預(yù)測，該任務(wù)需充分利用實體對及其上下文語義，一種思路是將實體對及其上下文進(jìn)行jointly編碼，作為一個語義向量送入分類器判別其關(guān)系類別，典型的編碼模型包括CNN、LSTM等。此外，還可利用依存句法分析獲取實體間的句法依存路徑，將其作為附加特征輸入模型指導(dǎo)關(guān)系分類。更進(jìn)一步，可采用圖神經(jīng)網(wǎng)絡(luò)直接對實體及其鄰居關(guān)系進(jìn)行聯(lián)合編碼，挖掘深層次的語義依賴，從而提升復(fù)雜關(guān)系的抽取效果。技術(shù)實現(xiàn)上，可采用基于消息傳遞或圖卷積的關(guān)系抽取模型，如GCN、GAT等，通過建模實體局部鄰域結(jié)構(gòu)，可學(xué)習(xí)到關(guān)系蘊(yùn)含的結(jié)構(gòu)化表示，對關(guān)系分類大有裨益。

2.4知識圖譜表示與存儲

從故障數(shù)據(jù)中抽取出實體及關(guān)系后，需選擇合適的知識表示形式，形成高效的語義搜索與推理引擎，目前，RDF與屬性圖是兩種主流的知識表示范式。RDF將知識組織為（subject，predicate，object）三元組，適合描述實體間的直接關(guān)聯(lián)；屬性圖以節(jié)點和邊的網(wǎng)絡(luò)結(jié)構(gòu)對知識進(jìn)行建模，實體通過屬性鏈接，形成復(fù)雜的語義關(guān)聯(lián)網(wǎng)絡(luò)?？紤]到機(jī)床故障知識的復(fù)雜性，本文采用屬性圖作為頂層表示范式。在屬性圖中，故障實體被抽象為節(jié)點，其語義類型如“機(jī)床”“故障模式”等通過標(biāo)簽來刻畫，實體的屬性值以鍵值對（key，value）形式存于節(jié)點內(nèi)部，如“故障頻率：3次/年”，實體間的關(guān)系則由有向邊來連接，邊的類型體現(xiàn)了關(guān)系語義，如“絲杠一故障一熱變形”表達(dá)了機(jī)床進(jìn)給軸容易發(fā)生的一種故障。圖數(shù)據(jù)庫如Neo4j可直接存儲屬性圖，支持豐富的圖查詢與分析，不過，當(dāng)圖規(guī)模較大時，在單機(jī)圖數(shù)據(jù)庫中檢索和推理的效率將大大下降[3]。

因此，我們進(jìn)一步提出一種分布式的知識存儲優(yōu)化方案，其核心思想是構(gòu)建故障知識圖譜的多層次索引，實現(xiàn)從關(guān)鍵詞到節(jié)點、從節(jié)點到子圖的快速檢索。對圖中所有節(jié)點的屬性值建立倒排索引，支持基于關(guān)鍵詞的節(jié)點檢索，給定查詢關(guān)鍵詞，系統(tǒng)先過濾出包含該詞的候選節(jié)點集，在此基礎(chǔ)上，利用圖數(shù)據(jù)庫自帶的關(guān)系索引，采用廣度優(yōu)先搜索算法提取候選節(jié)點的K跳子圖，生成相關(guān)子圖譜。不同的故障知識查詢在語義相關(guān)度和查全率上存在差異化需求，因此，在知識子圖生成時還需支持top-K和閾值兩種查詢語義，前者選取與查詢關(guān)鍵詞最相關(guān)的K個節(jié)點組成子圖，適合相關(guān)度導(dǎo)向的場景；后者選取相關(guān)度高于一定閾值的所有節(jié)點，適合查全率導(dǎo)向的場景。這種分層索引機(jī)制充分利用了圖數(shù)據(jù)庫的查詢優(yōu)勢，可在毫秒級響應(yīng)復(fù)雜的語義檢索與推理請求，為上層智能診斷應(yīng)用提供高效的知識服務(wù)。

3應(yīng)用實例：數(shù)控機(jī)床進(jìn)給軸故障知識圖譜構(gòu)建

本節(jié)以數(shù)控機(jī)床進(jìn)給軸故障診斷為例，展示融合深度學(xué)習(xí)的知識圖譜構(gòu)建流程。進(jìn)給軸是數(shù)控機(jī)床的關(guān)鍵功能部件，其故障多發(fā)，對加工質(zhì)量影響大，因此，亟須構(gòu)建進(jìn)給軸故障知識圖譜，為智能診斷決策提供支撐。首先，我們采集了30臺數(shù)控機(jī)床三年內(nèi)的維修工單、故障報告、狀態(tài)監(jiān)測等異構(gòu)數(shù)據(jù)，利用正則匹配、詞性標(biāo)注等方法對非結(jié)構(gòu)化文本進(jìn)行解析，識別出故障部件、故障特征、原因分析、診斷措施等關(guān)鍵語義元素。在此基礎(chǔ)上，設(shè)計了一個進(jìn)給軸故障知識本體，定義了“故障部位\"“故障模式\"“故障特征”“原因”“診斷”“處理”6大核心概念，以及“部件一故障”“故障一原因\"“故障一診斷\"等10余種關(guān)系類型，本體中還融入了ISO230、ISO10791等機(jī)床測試驗收國際標(biāo)準(zhǔn)中的核心術(shù)語和關(guān)系。其次，我們標(biāo)注了500條故障文本作為種子集訓(xùn)練深度學(xué)習(xí)模型，選用BiLSTM-CRF作為基礎(chǔ)網(wǎng)絡(luò)，通過與BERT的聯(lián)合訓(xùn)練，大幅提升了故障實體和關(guān)系的抽取F1值。知識圖譜形象地揭示了進(jìn)給軸的多種典型故障模式，以及由部件、故障、原因、診斷等構(gòu)成的語義關(guān)聯(lián)鏈。最后，我們將知識圖譜用于指導(dǎo)智能診斷系統(tǒng)的開發(fā)。實驗表明，基于圖譜的推理策略可將故障定位的準(zhǔn)確率提升2個百分點。由此可見，融合深度學(xué)習(xí)構(gòu)建的進(jìn)給軸故障知識圖譜，能為智能診斷決策提供必要的知識支撐，在實際應(yīng)用中取得了良好的效果。

4結(jié)語

未來，隨著數(shù)控機(jī)床運行工況的日益復(fù)雜化，故障診斷和預(yù)測將面臨更大的不確定性，需要進(jìn)一步強(qiáng)化知識圖譜模型，從機(jī)理建模、數(shù)據(jù)驅(qū)動、人機(jī)結(jié)合等方面提升知識質(zhì)量。在機(jī)理建模方面，可針對主軸、刀庫等關(guān)鍵部件構(gòu)建高保真的多物理場仿真模型，通過數(shù)值模擬，生成故障演化的物理機(jī)理知識并映射到圖譜中，這將極大深化數(shù)控機(jī)床行業(yè)對復(fù)雜故障的認(rèn)知。

★基金項目：宜興市教育科學(xué)規(guī)劃專項2023年度立項課題“五年制高職機(jī)械類專業(yè)課程深度學(xué)習(xí)的情境設(shè)計與支架開發(fā)研究\"（YX-JSGR/2023/116）。

參考文獻(xiàn)

[1]王海濤，趙凱，張鵬，等.基于深度學(xué)習(xí)的裝備維修輔助知識圖譜構(gòu)建方法[J].兵器裝備工程學(xué)報，2024，45（S2）：94-101.

[2]尚明遠(yuǎn)，羅鋒，魏艷霞，等.基于深度學(xué)習(xí)和知識圖譜的變電站設(shè)備故障智能診斷[J].電氣自動化，2024，46（6）：100-102，105.

[3]王乾龍，王麗穎.基于知識圖譜的數(shù)控機(jī)床故障問答系統(tǒng)研究[J]內(nèi)蒙古科技大學(xué)學(xué)報，2023，42（4）：372-376，393

[4]武霽陽，李強(qiáng)，陳潛，等.知識圖譜框架下基于深度學(xué)習(xí)的HVDC系統(tǒng)故障辨識[J].電力系統(tǒng)保護(hù)與控制，2023，51（20）：160-169.