注塑工藝缺陷知識圖譜的構建及應用

葛睿夫 林越 高祖標

摘要：注塑過程故障原因通常需要技術專家進行現場人工定位，費時費力。為實現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域的知識圖譜構建方法。采用增量式本體構建框架建立注塑工藝缺陷本體模型；基于R2RML實現數據由關系型數據庫表向資源描述框架（RDF）的轉化；基于RDF中的三元組實現知識智能搜索、故障診斷及工藝卡解析等應用，展示了知識圖譜技術在注塑領域的良好應用前景。

關鍵詞：知識圖譜；注塑產品缺陷；本體構建；RDF；智能應用

中圖法分類號：TP391 文獻標識碼：A

１ 引言

注塑產品的成型受原料、模具及機器本身等諸多因素的影響，在不具備行業專家經驗與知識的情況下僅依靠產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線設備的利用率和生產效率。同時，生產人員對工藝手冊和故障案例文本的現有檢索方式效率低下，亟待優化。

本文提出構建注塑領域知識圖譜，探究每個產品缺陷案例內在因素之間的關聯，并將這些因素與關系結構化、顯性化和可視化，從而實現產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品缺陷的共性問題。隨著知識的更新和補全，將當前可獲取的知識作為先驗知識，能夠使設備的維護和管理水平得到更好的提升。

知識圖譜技術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，已有多個領域對知識圖譜進行了深入研究及探索［２］ ，且應用形式廣泛，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］ 提出了基于圖數據庫的人物關系知識圖譜推理方法，根據知識圖譜中已有人物與關系，發現新的關系并檢測人物關系數據中的不一致性，提升基于人物關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構的重啟隨機游走，實現了一種跨平臺的用戶推薦方法。李浩等［１１］ 結合電影自身知識和外部評分等屬性，提出了一種基于循環知識圖譜和協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。曹明宇等［１３］ 針對原發性肝癌設計了基于知識圖譜的原發性肝癌問答系統。除了以上的熱門應用外，知識圖譜也被用于展示文獻間的高頻關鍵詞，有助于學者和企業管理者對行業熱點進行分析。

目前，國內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的知識問答系統，實現了邊與節點的高效遍歷搜索，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的覆蓋率逐漸上升，如何有效利用智慧終端的信息來實現無人網絡監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建了知識圖譜，實現了電力無線專網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絡，并基于該網絡構建鐵路操作故障知識圖譜，在異構網絡中對故障和危害進行了描述，探索故障的潛在規則并提出預防措施。李樂樂等［１７］ 基于飛機維護和維修的相關知識研究知識圖譜的構建和應用方法，利用ＳＱＬｉｔｅ 數據庫和知識圖譜構建了飛機維護維修知識庫，并利用數據庫對飛機故障進行了時間和空間維度的分析。劉瑞宏等［１８］ 將電信網絡領域零散的產品、案例、專家知識和故障數據進行了有效關聯，提出了電信領域知識圖譜的構建方法。

２ 注塑工藝缺陷知識圖譜構建

２．１ 知識表示

數據采集、領域本體建模構成了知識表示的２ 個階段。構建知識圖譜的數據通常來源于ＲＤＢ（Ｒｅｌａｔｉｏｎａｌ ＤａｔａＢａｓｅ，關系型數據庫，是基于關系模型的數據與數據庫對象的集合）結構化數據、原始文本資料、行業專家經驗，只有擁有充足的數據來源，才能更好地對領域本體進行建模。

本體能夠將領域概念、概念間的邏輯關系和層次、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，將數據源信息中所涉及的知識模塊進行細節劃分，從而構建出知識本體框架。

在此基礎上，若要實現對模塊細節概念和關系的進一步擴展，則需采用數據驅動的增量式本體建模方法，本體構建流程如圖１ 所示。

本體模型的數學形式可表述為：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）邏輯關系，指概念之間的交互作用關系（組成關系、繼承關系及其他業務關系）；Ａ：概念（實例）屬性關系，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（公理），即關系或函數之間存在的關聯或約束。

實例的集合構成概念，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聯關系。

構建完成的本體依靠ＪＥＮＡ 解析器（一個基于Ｊａｖａ 的語義網應用框架，常用于解析本體模型），實現本體元數據向資源描述框架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系）的轉化，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 數據映射

數據映射過程包括２ 種語言標準： “ ＤｉｒｅｃｔＭａｐｐｉｎｇ”（Ａ ｄｉｒｅｃｔ ｍａｐｐｉｎｇ ｏｆ ｒｅｌａｔｉｏｎａｌ ｄａｔａ ｔｏ ＲＤＦ）和“Ｒ２ＲＭＬ”（ＲＤＢ ｔｏ ＲＤＦ ｍａｐｐｉｎｇ ｌａｎｇｕａｇｅ）。前者直接按照關系型數據庫的結構將數據向ＲＤＦ 圖中映射，其映射方式簡單便捷，但無法將數據庫中的表名與本體中的類進行關聯；后者可以通過自定義的詞表實現關系型數據庫向ＲＤＦ 數據集的轉化，在前者的基礎上增加了自由定制的特性，其靈活性適用于各種場景。

Ｒ２ＲＭＬ 映射設計一個在關系數據庫中檢索數據的邏輯表，將關系數據庫的一個基表的ＳＱＬ 查詢定義為邏輯表。每個邏輯表被一個三元組映射（ｔｒｉｐｌｅｓｍａｐ）轉換成ＲＤＦ，即邏輯表中每一行實例數據被映射為若干ＲＤＦ 三元組。

映射文檔（ ｍａｐＤｏｃ） 由一個關系數據的全部Ｒ２ＲＭＬ 映射構成，表現為一系列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系后，編寫了注塑產品缺陷數據庫的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 關系數據映射引擎實現數據從扁平化到網狀結構化形式的轉換，在很大程度上豐富了本體中的實例與屬性關系。

２．３ 智能應用

（１）基于屬性名稱的知識搜索。

針對傳統檢索效率低下的問題，采用知識圖譜的圖結構優化檢索效率。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聯，通過檢索其包含的任意知識即可將與其所關聯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，實現精準匹配，從而挖掘實體間潛在關系。

在學習故障診斷相關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聯關系的知識圖譜。

（２）基于數據驅動的智能診斷。

智能診斷界面如圖４ 所示，該功能基于過往積累的設備和產品失效知識（如故障樹分析（ＦＴＡ）、故障分析（ＦＡ）等）構建關系圖譜。該功能集成的自然語言處理領域常用的ＴＦ?ＩＤＦ（詞頻?逆文檔頻率）用于解決技術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ＴＦ?ＩＤＦ 計算的相似度分值匹配到知識圖譜數據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品的正常工序及參數設定，是一線工作人員操作注塑機的重要參考。同類型的產品對應的工藝卡片內容大體一致，但格式多有變化，較為復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。

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

３ 結束語

本文針對如何對現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建方法。構建了領域本體模型，采用基于規則的數據映射機制生成了ＲＤＦ 文件，并基于ＲＤＦ 中包含的注塑工藝缺陷知識開發了３個功能模塊，以輔助工業現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用價值。

參考文獻：

［１］ 黃海松，陳啟鵬，李宜?。當底謱\生技術在智能制造中的發展與應用研究綜述［Ｊ］．貴州大學學報（自然科學版），２０２０，３７（５）：１?８．

［２］ 劉燁宸，李華昱．領域知識圖譜研究綜述［Ｊ］．計算機系統應用，２０２０，２９（６）：１?１２．

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

［４］ 王淵，彭晨輝，王志強，等．知識圖譜在電網全業務統一數據中心的應用［Ｊ］．計算機工程與應用， ２０１９， ５５（１５）：１０４?１０９．

［５］ 常亮， 張偉濤，古天龍，等． 知識圖譜的推薦系統綜述［Ｊ］．智能系統學報，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．基于圖數據庫的人物關系知識圖譜推理方法研究［Ｊ］．情報科學，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］．計算機應用，２０２１，４７（１）：１８７１?１８７７．

［１１］ 李浩，張亞釧，康雁，等．融合循環知識圖譜和協同過濾電影推薦算法［Ｊ］ 計算機工程與應用，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性肝癌知識問答系統［Ｊ］．中文信息學報，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用［Ｊ］．內燃機與配件，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］．郵電設計技術，２０２０（１０）：３０?３５．

作者簡介：葛睿夫（１９９６—），碩士，研究方向：工業知識圖譜。