摘 要：随着制造业趋向于数字化、网络化、智能化发展，企业中大量的产品设计、生产制造、维修服务数据在不断地堆叠积累，对此引入知识图谱技术对这些数据进行管理和挖掘，可以为实现新一代智能制造提供有力支撑。文章首先针对制造领域知识图谱的构建及关键技术进行叙述，包括知识抽取、知识融合、知识推理等；然后将知识图谱在制造领域中的应用分为语义关联和决策辅助两大类，并探究其具体的应用场景，希望能为相关企业构建及应用知识图谱提供参考。
关键词：智能制造；知识图谱；知识抽取；知识融合；知识推理
中图分类号：TP391.1 文献标识码：A 文章编号：2096-4706（2024）08-0186-09
DOI：10.19850/j.cnki.2096-4706.2024.08.040
0 引 言
面临新时代严峻的资源和环境挑战，需要不断推进大数据、工业物联网、人工智能等新一代信息技术与制造业的结合发展，对产品设计、生产装配、管理服务等制造全生命周期及相应系统进行集成优化，推动未来全球制造业向数字化、网络化、智能化创新发展[1]。据工业和信息化部公布的数据显示，我国制造业规模已经连续13年居世界首位，是当之无愧的世界制造大国。但目前我国仍然不是制造强国，在国际竞争市场中四郊多垒，为此，深入发展智能制造成为实现我国建设制造强国的重要举措，这将关乎我国制造业未来的全球地位。
智能制造的核心问题是信息集成，包括企业内部不同层级信息系统和涉及产品制造全生命周期的生产设备间的纵向集成；不同企业之间研发、采购、制造和服务的横向集成；围绕特定产品制造全生命周期相互关联合作的企业之间端到端集成[2]。其中，获取数据作为信息集成的首要任务，是实现智能制造的基础保障。在实际生产制造中，产品每天在制造流程的各个阶段都会产生海量的数据，这些数据的语义在制造信息的提取和应用中起着重要作用。国内外众多学者针对这些生产数据，已经开展大量的学术研究及应用探索，希望通过新技术来完成信息融合，逐步开发具有自感知、自学习、自适应等功能的新式生产模式。目前已经能够基于大数据实现在制造过程系统、工艺设计、维修服务等多个层面进行在线识别定位、监控、辅助决策等任务[3]。对此如何从语义层面实现数据的认知、关联、理解与推理成为解决问题的关键，然而，在辅助决策过程中，面对加工工艺自适应调整、生产调度实时优化、生产异常处理等复杂问题时智能化程度较低，仍需要借助于专家的实践经验和专业知识。有实现制造系统对人类经验知识的理解、管理和自学习，才能更好的提供决策支持。知识图谱作为人工智能的分支技术，能实现海量知识的获取、组织与利用，为重用人类知识和经验解决决策支持问题提供基础。近年来，关于知识图谱的研究与应用不断涌现，已经逐渐成为热点问题。尤其是在金融、医疗、教育等行业得到了广泛应用，且发挥着重要作用，比如医疗领域的阿里巴巴“医知鹿”；教育领域的清华大学出版社“文泉制造”等。然而，制造领域的知识图谱相较匮乏，因为制造领域的知识具有封闭复杂、获取困难、不同制造差异显著等特点，其知识图谱的构建十分困难。同时，知识图谱在制造领域中的应用需求较为模糊，应用优势不突出，也极大地限制了落地应用。针对上述问题，本文将探讨构建制造领域知识图谱所需的关键技术及应用实例，为知识图谱在制造领域进一步发展提供理论参考和启迪。
1 制造领域知识图谱概述
知识图谱的概念，最早是在2012年由谷歌公司提出，当时主要用于优化搜索引擎，实现在多来源数据中高效智能搜索。之后，其概念演化又经历了长达数十年的时间，可以将其归纳总结为三个发展阶段，如图1（b）所示。早期，传统专家系统需要依靠专家手工输入经验知识和建立推理规则，人工和时间成本较高；随着本体论和语义网的引入，知识库可以构建成规范化和形式化的知识语义模型，同时支持基于语义逻辑的自动推理；如今，知识图谱已经发展为计算机自动获取、理解知识并进行推理演绎。相较于传统知识库，知识图谱的优势体现在：1）存储能力更强。知识图谱采用有向图结构，以节点和边的表现形式，更有效的存储实体之间的关联关系；2）处理效率更快。知识图谱基于本体论和自然语言处理（NLP）技术，能够实现对数据和知识的语义解析，大大提升知识库构建的效率；3）搜索质量更高。知识图谱通过图匹配算法、图嵌入技术等，实现数据的匹配和推理。
与此同时，制造业也追随着信息技术的进步而逐渐发展，周济院士[4]根据信息技术在智能制造中的应用特征，将其发展总结为三个阶段，如图1所示。第一个阶段是从传统制造走向数字化，主要指企业从产品、技术层面实现数字化，通过数据分析完成对生产过程的集成优化；第二个阶段是迈向“互联网+制造”也称为数字化网络化制造，主要指利用网络将企业制造过程中涉及的人、物、服务连接起来，推动基于互联网的协同制造；第三阶段是发展成为新一代智能制造也称为数字化网络化智能化制造，通过人工智能技术不断推进人机一体化的智能系统，颠覆传统生产模式逐渐实现无人制造。
制造领域的知识图谱不同于通用知识图谱，更注重于知识的专业性、准确性，获取的数据结构更为多样复杂，应用在不同场景下进行复杂分析及智能决策，其构建过程对关键技术的要求也非常严格[5]。本文所研究的制造领域知识图谱是将知识图谱与制造系统相结合的应用，主要通过获取以往生产的案例和经验，进行推理发现新的知识，辅助决策者掌握生产要素，甚至提供决策方案以供参考。
1.1 制造领域知识图谱数据来源
当前，制造系统与信息技术相结合不断快速发展，使得在制造过程中产品在全生命周期各个环节都会有大量的数据产生，这些数据的来源广泛并不统一，比如企业内部生产数据、运维数据、外部互联网数据等。根据数据形式的不同，可以分为结构化数据、半结构化数据以及非结构化数据三类。结构化数据可以使用关系型数据库进行存储，包括生产监测的数据、产品质量检测的数据以及能源消耗的数据等；半结构化数据包括员工个人信息、设备操作说明书、接口数据等；非结构化数据包括各种格式的办公文档、生产监控的图片和视频等数据。在不同类型的生产制造过程中，除人工采集数据外，要想获取制造业生产过程中的多源异构数据，还需要借助多种采集方法和工具[6]。根据在生产过程的应用场景及数据类型，举例五种典型数据采集方式，如RFID技术、条码技术、传感器技术、Flume、流媒体服务器。
数据模型也称为知识表达模型，是构建知识图谱的底层架构。因为知识图谱是一种有向图结构的知识库，本质是表示实体联系的语义网络，由实体、关系和语义描述组成，所以其基本组成单位是“头实体-关系-尾实体”的三元组，图2展现了以生产推土机为例的制造领域数据模型的特征。
在制造领域的数据采集方面，知识图谱对知识的精度与深度具有很高的要求，因为企业的利益和生产的安全依赖于数据的准确性，然而非结构化数据并不能直接被计算机所理解，无法直接实现形式化表达，需要通过知识抽取技术去转化为结构数据，这将会增加时间和经济成本。
1.2 制造领域知识图谱构建框架
目前，知识图谱的构建方法有自底向上法和自顶向下法两种[7]。自底向上的构建方式是先将获取的海量数据进行知识抽取，组成知识三元组，再经过知识融合筛选后作为数据层，最后进行概念抽象形成模式层；自顶向下的构建方式是先定义顶层概念本体，再从数据源中抽取实体及关系进行匹配。通常应用既定本体库构建图谱的方式较为广泛，但在构建对专业知识要求严苛，且本体框架要求准确完整的知识图谱时，也可以采用将两种构建方式相结合的混合构建法，在建立模式层后，不断挖掘新知识迭代更新模式层，如图3所示。
根据上述构建知识图谱的方法，结合制造行业生产流程具有完整性的特点，基于全生命周期建立知识图谱的构建框架，如图4所示。
2 制造领域知识图谱构建的关键技术
2.1 知识抽取
知识抽取是将人类使用自然语言表述的异构数据转化为由实体、关系和属性等知识要素组成的结构化数据，并储存在知识图谱中。其中资源描述框架（Resource Description Framework， RDF）是对语义知识进行规范化描述和存储的典型应用，它为结构化数据的发布提供一个标准的数据描述框架。如图5所示，以RDF形式对汽车仰望U8的知识进行表示。根据知识抽取目标对象的不同，知识抽取的主要工作包括实体抽取、关系抽取以及属性抽取。
2.1.1 实体抽取
实体抽取也可以称为命名实体识别，旨在文本中识别实体并将具有相似属性的实体进行分类加以标注区分。以售后维修场景中“客户反馈发动机声音异常，经过返厂检测后发现，系连杆变形损坏导致敲缸，更换连杆后问题解决。”这句文本为例，实体抽取示例如表1所示。
在制造领域中，实体抽取的精确度将影响知识图谱的准确性，但实体抽取工作面临着很多难点，例如存在诸多由中文、英文、阿拉伯数字以及特殊符号组合来命名的实体，比如“VMC650加工中心”“CT-6数控车床”的设备型号、操作行程等，无法采用简单的中文实体抽取方法识别实体跨度；存在嵌套型实体，比如零件“弹簧垫圈”是由两个命名实体嵌套组合而成，“弹簧”和“垫圈”都可以是独立的实体，此时无法用传统的序列标记法识别例句中的嵌套实体。实体抽取的实现方法最早是基于规则和字典的方法，后来随着机器学习算法的引入，形成基于传统机器学习的方法和基于深度学习的方法。
1）基于规则和字典的实体抽取。根据专家提前制定的文本规则和词典，抽取相似度高的实体和属性。该方法主要用于文本数据的抽取，高度依赖抽取规则的准确性，时间成本较高，适用于小规模数据集。
2）基于传统机器学习的实体抽取。传统机器学习的实体抽取采用具有领域数据特征且已标注的语料数据作为训练集，然后训练分类器去学习训练集的数据特征，以实现对数据集进行自动标注。该方法往往被认为是序列标注问题，常见的模型有隐马尔可夫（Hidden Markov Model， HMM）模型[8]、条件随机场（Conditional Random Field， CRF）模型[9]、支持向量机（Support Vector Machines， SVM）模型[10]等，其中CRF模型最受欢迎，可以在给出观测序列标签情况下，计算训练标签数据的条件概率分布，取得较好的应用效果。
3）基于深度学习的实体抽取。深度学习的实体抽取延伸自传统机器学习，但不同于传统机器学习依赖人工标注的特征，它通过自身的隐含层对输入信息进行特征提取，是目前最为流行的实体抽取方法。常见的模型有循环神经网络（Rerrent Neural Network， RNN）模型、卷积神经网络（Convolutional Neural Networks， CNN）模型、双向长短期记忆网络（Bi-directional Long Short-Term Memory， BiLSTM）模型等，这些神经网络模型具有较强的适用性与数据拟合性，能有效提升工作的效率与精度。其中具有代表性的是LSTM+CRF模型[11]，该组合模型能够结合以往的输入特征，并使用句子级别的标注信息，提高了实体抽取准确率。之后，大多学者在该模型基础上进行改进应用，例如结合预训练模型（Bidirectional Encoder Representation from Transformers， BERT）等。周雷[12]在构建电机故障知识图谱时，提出BERT+BiLSTM+MHA+CRF组合模型来解决双向长短记忆网络（BiLSTM）无法捕捉到长距离依赖的问题，实验证明该模型对完成命名实体识别具有优越性。胡杰[13]等人在构建汽车故障知识图谱时，提出BERT+BiLSTM+MUL+CRF模型来解决文本中的嵌套实体问题和非连续实体问题。
2.1.2 关系抽取
通过实体抽取所得到的实体，往往是还没有被分割，也没有进行关联的，并不能直接组成三元组，需要通过关系抽取进一步挖掘实体之间的关系。制造领域中，数据往往具有强关联性，研发设计、生产、服务等不同环节的数据之间相互关联，关系复杂度较高，例如“PUMA562型机器人可以完成复杂结构空间曲面的弧焊作业”中“PUMA562型机器人”与“弧焊作业”两个实体之间存在复杂嵌套的关系，这增加了关系抽取准确的难度。实现关系抽取常见的方法包括基于有监督学习法、基于半监督学习法以及无监督学习法。
有监督学习的关系抽取，需要将大量人工标注的语料数据投入模型中进行训练。无监督学习的实体抽取方法需要先将大量语料信息做聚类分析，再根据聚类的结果给定关系。其效果相对较差，因为聚类本身就存在难以描述的关系和召回率低的问题，与有监督抽取方法相比召回率和准确率普遍低10%左右。半监督学习又叫做弱监督学习，只需要少量的人工标注数据，但需要先了解实体关系的类型，然而实际操作中实体关系的类型往往并不能完全被知道。但人工构造数据特征提取往往时间、经济成本较高，还存在边缘界定不清等问题。为避免特征构造带来的误差，大量研究学者开始探究基于端到端的深度学习方法。其中，递归神经网络（RNN）在序列化方面表现较好；卷积神经网络（CNN）虽然无法对长句分析建模，但在实体关系抽取上效果显著。长短期记忆人工神经网络（Long Short-Term Memory， LSTM）可以通过与聚类技术结合来降低训练和测试时间[14]。张彤[15]等人在研究工业制造领域质量文本实体关系抽取中，以加入中文分词预处理的方式改进的分段卷积神经网络（PCNN），提出C-PCNN模型，该模型具有更好的抽取效果。段文昱[16]等人在研究武器装配领域实体关系抽取中，利用BERT+BiGRU+CNN模型抽取实体间的关系，再对抽取结果进行过滤和调整，最后设计强领域性的关系抽取规则进行补充关系抽取，使关系抽取的准确性得到提升。
远程监督属于半监督学习的一种，它不依赖于人工标注语料，相对而言是较为可行的方法，所以目前有关远程监督的研究最为流行。远程监督是在2009年由Mintz [17]等人提出的方法，它假设在外部知识库中，对于已有的一个知识图谱的三元组，任何包含该三元组实体的句子，都在一定程度上反映该三元组中的关系。但该方法也有很大的不足，因为这个假设关系在实际中并不绝对，不一定适用于所有实体。所以解决远程监督学习对实体间关系的忽略问题、关系抽取的精确问题，也是当前研究远程监督学习的热点问题。赖冠宇[18]等人提出一种远程监督中文关系提取方法，该方法将基于中文训练数据改进的BERT模型作为嵌入层，并利用BiLSTM神经网络增强特征提取能力，结果表明提升了关系抽取性能。袁泉[19]等人在面临词向量语义信息不全以及实体一词多义的问题，提出基于BERT的词向量的两次注意力加权算法，首先使用自注意力动态编码算法，为词向量识别文本前后语义信息，然后在模型输出句子级特征向量后，构建注意力矩阵，最后运用注意力算法为每个句子级特征向量添加不同的注意力分数，以提高句子级特征的抗噪能力。
2.1.3 属性抽取
在制造领域中，属性抽取是为实体服务的，从文本中抽取出与实体相关的属性和属性值，如产品材料的属性包括物理性能、化学性质、工艺等，通过属性描述可以让实体更加准确、丰富。因为实体与属性的关系常被界定为指代性关系，关系抽取的思路也适用于属性抽取。但属性抽取相较于关系抽取也有区别，因为实体属性值的结构是不确定的。目前较为常用的方法是基于深度学习的序列标注，序列标注将实体属性值比作较长的实体，然后对数据进行标注，再使用序列标注模型进行训练和抽取。袁芳怡[20]在研究制造领域知识图谱的属性提取时，提出将个性化Page Rank嵌入BiLSTM+CRF模型，再与无监督学习的方法相结合的抽取方式，可以无须提前指定属性类别，还可以减少人力标注的成本。
2.2 知识融合
通过知识表示与抽取，获取到大量三元组数据，但这些数据可能存在有知识重复或者歧义，还需要进行知识融合，使相同的知识具有统一的描述。例如由于地域差别或是术语表述、手写记录不规范，导致同一实体存在不同的称呼，“发动机”又称“引擎”或“Engine”“夹具”又名“卡具”“功率不足”有时也会表述为“动力不足”等，当出现这种情况时，需要进行实体对齐来消去歧义。
2.2.1 实体对齐
实体对齐的目的主要是判断不同语义表述的实体是否表征真实世界的同一对象。实现实体对齐的方法可以分为传统实体对齐法和基于知识表示学习的实体对齐法。
传统的实体对齐通过字符串的各种特征来进行工作，包括基于属性相似性计算和基于关系推理的实体对齐法。属性相似性计算的方法只考虑实体对之间的属性相似度，并没有将实体之间的关系纳入考虑；基于关系推理的方法需要提前获取实体类别、属性等信息，需要做大量的数据标注工作。许驹熊[21]等人在构建发动机故障知识图谱时，采用编辑距离和Jaccard相关系数法进行实体相似度计算，并将保留相似度得分高于设定阈值的一个实体，并更新图谱中的三元组中。王雅林[22]等人为补充工业制造领域知识图谱，构建注塑知识图谱，以缺陷-表观-原因-方案的形式设计本体，再结合属性相似度进行两级实体对齐，提高了发现冗余知识的概率。
基于知识表示的实体对齐法是目前解决实体对齐的重要方法，利用机器学习技术将实体和关系映射到低维的向量空间，实现用向量表示实体之间的关系。常见的模型有翻译模型或图神经网络（Graph Neural Networks， GNN）模型，它们具备较强的鲁棒性和泛化能力。刘璐[23]等人先采用预训练模型完成多视图知识表示，再结合卷积神经网络（CNN）进行相似度计算，提高了计算精确率，高效完成实体对齐的任务。
2.2.2 语义融合
在生产制造过程中，通过多环节或多角度获取到的文本、图片、视频等多模态数据，具有内部关联性。语义融合算法抽象多模态数据的语义内涵，理解不同模态数据之间的特征关系，以模仿大脑思考的方式完成多模态数据的知识融合。胡小溪[24]等人在处理设备故障文本数据时，提出一种基于词项和语义融合的文本自动预处理方法，分别对故障记录进行词项和语义融合，再基于规则模板应用K-近邻算法对其统一描述，解决故障记录模糊问题。高知新[25]等人提出基于隐马尔科夫模型（HMM）与语义融合的文本分类方法，将特征词语义整合到HMM模型中，得到更好的分类效果。李立[26]等人对大型车联网数据库提出高效查询技术，利用关联语义融合方法提取检索的特征量，再结合模糊C-均值聚类算法对提取的语义本体特征进行分类检索。
2.3 知识推理
知识推理的目的是在已建立的知识库基础上，继续挖掘推理隐含的新知识或者未知关系，用以补充和丰富知识库，让构建的知识图谱更加完整。制造领域的数据具有特殊性，数据量庞大、实体间关系复杂，很难总结成统一的推理规律，需要专家经验辅助推理复杂规律。目前常见的知识推理方法主要有基于逻辑规则推理和基于图结构推理。
基于逻辑规则的推理是通过专家制定规则和统计的特征来进行推理，适用于抽象概念，主要方法有一阶谓词逻辑规则推理和描述逻辑推理法[27]。一阶谓词逻辑规则推理通过设定约束条件实现知识推理，其中个体表示具体的事物或抽象的概念，可以定义为实体或泛实体，谓词表示个体性质或个体间的关系。描述逻辑推理可以理解为一阶谓词逻辑推理的一个可判定子集，可以模拟大脑的推理能力，利用先验知识来辅助推理，极大地提高了知识推理的准确性。方喜峰[28]等人在构建的CAM数控编程知识图谱中，基于本体和语义Web规则语言的知识推理方法可以有效获取知识图谱中隐含知识。
基于图结构的知识推理，是根据知识图谱的图结构特点，让“边”成为其特有的特征，推理出隐藏的“边”也就是推理出两个实体间的关系。其中路径排序算法[29]作为经典的推理算法，将关系路径作为特征进行推理，通过发现两个实体间的路径来推测实体间可能存在的某种联系，这种方法可解释性强，并且可以自动发现推理规则。尹昱东[30]等人在构建装配知识图谱时，通过探索某一节点以及其周围的关系标签来推理其周围的引用节点之间的关系，实现潜在关系的挖掘。邢晓宇[31]等人在对航天器性能和故障关系补全时，提出一种基于实体的语义和位置信息的推理模型，并利用主成分分析对高维语义信息进行降维，提高了推理的准确性。王佳皓[32]等人在构建自动色环机设计知识图谱时，基于强化算法和蚁群算法建立框架模型，将蚁群算法中的信息素作为策略网络进行实体间的路径选择，挖掘潜在路径。
3 制造领域知识图谱的应用
基于上述理论知识，知识图谱作为一种可以从海量数据中抽取结构化知识的手段，为制造系统中动态、海量、异构的数据处理提供了一种有效的方式，它可以清晰有效地表达出实体内部的联系。换言之，利用知识图谱建立起包含各种相关知识的知识网络，让人们能够做到基于知识间的联系来分析问题，让系统实现智能化。调研现有文献，发现知识图谱技术在制造领域的应用场景主要有智能制造问答系统、制造决策支持系统、车间生产调度优化、产品设计与开发、设备故障诊断系统及其他应用制造场景等。根据应用场景的共性可以分为两大类，分别为语义关联、决策辅助。
3.1 语义关联
制造系统中的多源异构数据可以通过知识图谱来实现语义关联和共享利用。新一代智能制造强调企业信息集成，致力于智慧工厂一体化发展，工厂信息化系统主要包括企业资源计划系统（ERP）、制造执行系统（MES）、产品生命周期管理系统（PLM）和仓库管理系统（WES）等，但在实际生产中，这些信息系统收集和积累的过程数据和资料，往往相互孤立，需要构建知识图谱，来助力企业数据整合。通过知识图谱提取相关数据，在语义层面建立统一表示并相互关联，从而将这些信息系统连接起来。宋邓强[33]提出基于知识图谱的船舶加工资源与流程动态建模与融合分析方法，实现工位动态时序数据与知识图谱的语义关联。杨恺霖[34]提出基于知识图谱的复杂制造数据关联关系构建方法，实现面向用户的自定义复杂关系模型动态构建，可以高效的为系统的制造数据搭建复杂的关联关系。曾左英[35]提出了一种基于知识图谱的“数据-知识”双向特征驱动的非智能物联设备自发现模型，将设备运行数据与机理知识融合驱动，实现了对非智能物联设备的互联互通。路松峰[36]等人提出基于知识图谱的数控装备信息模型的建模方法，实现对信息系统多源异构数据的实时采集。
3.2 决策辅助
根据在制造过程中的决策需求，知识图谱可以为决策支持提供知识发现与关系推理。知识图谱具备优秀的相似匹配和查询功能，将历史积累的经验和以往的案例通过知识图谱进行表示和存储，可以及时、准确、全面地提供解决制造问题所需要的知识，辅助生成决策方案。应用较为广泛的场景有辅助产品设计、生产计划与调度、质量管理与控制、设备故障诊断等。针对不同的制造问题，提取不同阶段的制造数据，构建“定制化”知识图谱，在通过开发知识问答、语义检索以及知识推理等服务，搭建交互式应用平台，实现答案反馈，辅助生成决策方案。
3.2.1 辅助产品设计
基于知识图谱辅助产品设计，可以将企业内积累的设计案例以及经验知识进行重用，为工作人员提供设计知识和参考案例，降低设计成本，提高工作效率和质量。现有文献通常将设计功能、形态、加工工艺等产品设计要素建立统一语义表示，进而构建出知识图谱。李宝清[37]等人提出了一种模具设计知识表示方法，构建了以凸模结构形式知识为例的知识图谱，提高了模具设计的效率和质量，实现了知识的共享和重用。崔硕[38]等人融合设计历史模型库和文本资源库，构建了机械设计领域知识图谱并建立问答系统方便查询，极大地提升了产品设计效率。徐进[39]等人面向装配设计，从三维图面档案中进行零件实体抽取和知识融合，构建了发动机装配知识图谱。张思超[40]等人为辅助生成柴油机零部件的生产工艺设计方案，基于知识图谱提出对加工过程中的工艺知识进行重构。
3.2.2 生产计划与调度
基于知识图谱辅助优化生产计划与调度方案的制订，可以及时地为现场工作人员做出科学决策提供所需信息。现有文献将企业资源配置、生产计划要素、工艺流程规划等方面的信息进行语义集成，进而构建出知识图谱。钟红燕[41]构建离线车间知识图谱，对以往人工排产经验和车间历史生产数据进行重用，实现对加工工艺和可选设备等离线信息的查询，解决多目标多约束柔性作业车间调度问题。郭兴勇[42]等人通过提取飞机制造工艺流程规划知识，建立知识图谱并研究工艺路线推荐方法，提高飞机制造工艺流程规划效率及质量，缩短飞机研制周期。武群惠[43]等人构建了面向航天制造企业的供应链知识图谱，涵盖采购、物流、合同、质量、仓储等信息，辅助企业对断供影响进行分析，保障供应链安全。李昊[44]针对紧急订单的插单排产情况，建立了混流装配线订单知识图谱，能够将订单、企业资源以及企业效益间的关联程度表示出来，并作为制定订单优先级顺序的依据。
3.2.3 质量管理与控制
基于知识图谱的质量管理与控制，可以辅助生产过程中质量的智能管控；同时，在出现质量异常情况时，可以根据生产过程中产生的历史数据和以往经验知识，分析质量问题的成因，从而提出解决方案以供参考。现有文献将质量控制的体系、设备参数、工艺参数、资源变量等影响质量的因素进行语义关联，辅助工作人员完善质量控制的体系，在生产过程中及时控制和调整参数，以保证产品质量满足生产目标。谢生同[45]构建了机械加工知识图谱，并运用图算法和图神经网络等方法研究工艺参数推荐方法，从而辅助参数优化决策。孟令达[46]通过构建生产环节的质量风险知识图谱，推理生产环节中风险源之间的关联关系，当出现某一质量风险时，及时预测可能发生的伴随风险及影响，以便迅速响应并采取应急措施。蒋军威[47]构建了零件制造质量形成知识图谱提出一种用于关键工序评价的方法，实现了对制造质量形成过程的智能化管控，为新一代质量管理模式提供了新的思路。王赞赞[48]以变速箱装配过程为研究对象，分析装配过程中常见的质量问题，建立过程质量控制的体系框架，并提出基于知识图谱的变速箱装配质量控制方法，实现对装配过程的质量预测与控制。
3.2.4 设备故障诊断
在制造领域，基于知识图谱的设备故障诊断，是当前知识图谱技术应用研究的热点问题。设备故障诊断需要了解设备状态、故障发生机理、故障表现及影响和接触故障方案等诸多信息，所以在无专业维修人员指导下很难查找故障原因，也无法及时维修。知识图谱可以整合各类故障诊断报表以及以往故障案例，以“故障现象—原因—解决方案”的形式构建故障知识图谱，辅助故障原因的定位和诊断，并为故障的排除提供参考方案。刘劲松[49]通过整理企业内零散的设备故障维护知识，构建机床故障知识图谱。利用该图谱可以对机床的故障发生原因进行检索推理，得出相应的维修参考方案，提高了故障处理效率。胡晨阳[50]以西门子、发那科等数控制造厂商的维修技术手册以及企业数控机床故障维修案例为研究对象，构建数控机床故障诊断知识图谱，根据故障描述相似度为用户匹配故障维修案例。周佳乐[51]重点研究了工业机器人故障诊断知识图谱的构建方法，通过推理故障间的复杂关联关系，为维修人员提供辅助推理诊断，提高了故障排查的准确率。
4 结 论
通过调研现有的制造领域知识图谱相关文献，发现构建知识图谱相关的理论和技术框架正在不断完善，应用场景也正在不断丰富，应用层次和应用效果也在不断提升，同时发现在落地应用实施方面，还有很大的不足，当前大都停留在学术研究层面，距离实际广泛应用还需要继续努力。本文首先总结了构建制造领域知识图谱的关键技术及研究进展，再将目前知识图谱在制造领域最为广泛的应用案例分为两类，分别探究了其具体的应用场景，希望能为相关企业构建及应用知识图谱提供参考。
参考文献：
[1] 周济.以智能制造为主攻方向 坚定不移建设制造强国 [J].中国工业和信息化，2022（9）：34-40.
[2] 朱铎先，赵敏.机智：从数字化车间走向智能制造 [M].北京：机械工业出版社，2018.
[3] 张应刚，夏威屹，尹伊，等.对新一代智能制造的几点思索 [J].制造业自动化，2022，44（10）：124-126+220.
[4] 周济，李培根，周艳红，等.走向新一代智能制造 [J].Engineering，2018（1）：28-47.
[5] 刘悦悦，李燕.医学知识图谱研究综述 [J].软件导刊，2023，22（5）：241-247.
[6] 陈世超，崔春雨，张华，等.制造业生产过程中多源异构数据处理方法综述 [J].大数据，2020，6（5）：55-81.
[7] 赵彤宇.医学知识图谱构建方法研究及在疾病诊断中的应用 [D].济南：齐鲁工业大学，2020.
[8] 张航.泥石流灾害领域知识图谱的构建与应用 [D].昆明：云南师范大学，2021.
[9] SONG S，ZHANG N，HUANG H. Named entity recognition based on conditional random fields [J].Cluster Computing，2017（1）：1-12.
[10] 贾美云.基于知识图谱的汽车交易智能推荐系统研究 [D].太原：中北大学，2020.
[11] WINTAKA D C，BIJAKSANA M A，ASROR I. Named-Entity Recognition on Indonesian Tweets using Bidirectional LSTM-CRF [J].Procedia Computer Science，2019，157：221-228.
[12] 周雷.基于知识图谱的电机故障诊断方法 [D].重庆：重庆邮电大学，2022.
[13] 胡杰，李源洁，耿号，等.基于深度学习的汽车故障知识图谱构建 [J].汽车工程，2023，45（1）：52-60+85.
[14] SUNDERMEYER M，RALF SCHLüTER，NEY H. LSTM Neural Networks for Language Modeling [C]//Interspeech.ISCA：2012：194-197.
[15] 张彤，宋明艳，王俊，等.基于PCNN的工业制造领域质量文本实体关系抽取方法 [J].信息技术与网络安全，2021，40（3）：8-13.
[16] 段文昱，朱继召，赵浩楠，等.面向武器装备领域的实体及关系抽取方法研究 [J].中国电子科学研究院学报，2022，17（12）：1165-1172.
[17] MINTZ M，BILLS S，SNOW R，et al. Distant supervision for relation extraction without labeled data [C]//Proc of International Joint Conference on Natural Language Processing.Stroudsburg：Association for Computational Linguistics，2009：1003-1011.
[18] 赖冠宇，张旭，童浩卓.基于BERT-wwm-ext和BiLSTM模型的远程监督关系提取 [J].电脑编程技巧与维护，2022（9）：42-44.
[19] 袁泉，陈昌平，陈泽，等.基于BERT的两次注意力机制远程监督关系抽取 [J/OL].计算机应用：1-8[2023-07-26].http：//kns.cnki.net/kcms/detail/51.1307.TP.20230712.1331.002.html.
[20] 袁芳怡.面向制造业的知识图谱表示模型与构建技术研究 [D].哈尔滨：哈尔滨工业大学，2019.
[21] 许驹雄，李敏波，刘孟珂，等.发动机故障领域知识图谱构建与应用 [J].计算机系统应用，2022，31（7）：66-76.
[22] 王雅琳，邹江枫，王凯，等.基于本体引导的注塑知识图谱构建及缺陷溯因应用 [J].电子与信息学报，2022，44（5）：1521-1529.
[23] 刘璐，飞龙，高光来.基于多视图知识表示和神经网络的旅游领域实体对齐方法 [J].计算机应用研究，2023，40（4）：1044-1051.
[24] 胡小溪，牛儒，唐涛.基于词项和语义融合的地铁信号设备故障文本预处理 [J].铁道学报，2021，43（2）：78-85.
[25] 高知新，徐林会.基于隐马尔科夫模型与语义融合的文本分类 [J].计算机应用与软件，2017，34（7）：303-307.
[26] 李立，张修军.大型车联网数据库的高效查询技术 [J].现代电子技术，2017，40（22）：60-62+65.
[27] 于慧琳，陈炜，王琪，等.使用子图推理实现知识图谱关系预测 [J].计算机科学与探索，2022，16（8）：1800-1808.
[28] 方喜峰，柳大坤，龚婵媛，等.面向CAM数控编程领域的知识图谱构建方法 [J].中国机械工程，2023，34（12）：1486-1494.
[29] LAO N，MITCHELL T，COHEN W W.Random walk inference and learning in a large scale knowledge base [C]//Proceedings of the 2011 Conference on Empirical Methods in Natural Language Processing.Stroudsburg.PA：Association for Computational Linguistics，2011：529-539.
[30] 尹昱东，王保建.半结构装配数据的知识抽取及机床装配知识图谱构建方法研究 [J].制造技术与机床，2022（11）：97-101.
[31] 邢晓宇，王淑一，刘文静.考虑语义和位置信息的航天器知识图谱关系预测方法 [J].空间控制技术与应用，2022，48（6）：32-39.
[32] 王佳皓，张太华.基于数字孪生自动色环机的设计知识图谱研究 [J].组合机床与自动化加工技术，2022（4）：15-19.
[33] 宋邓强，周彬，申兴旺，等.面向船舶分段制造过程的动态知识图谱建模方法 [J].上海交通大学学报，2021，55（5）：544-556.
[34] 杨恺霖.制造数据与工艺知识库构建及应用技术研究 [D].西安：西安电子科技大学，2022.
[35] 曾左英.基于数据与知识双向驱动的非智能物联设备发现方法研究 [D].昆明：云南大学，2022.
[36] 路松峰，李祎明，屠向阳，等.基于知识图谱的数控装备信息模型建模方法 [J].华中科技大学学报：自然科学版，2022，50（6）：39-47.
[37] 李宝清，王运平，曹立林，等.模具设计知识表示方法 [J].锻压技术，2023，48（6）：176-184.
[38] 崔硕，张春燕，贾家乐，等.基于深度学习的机械领域知识图谱构建及应用 [J].制造技术与机床，2023（2）：83-89.
[39] 徐进.面向工业装配的知识图谱构建与应用研究 [J].计算机科学，2021，48（S1）：285-288.
[40] 张思超，孔绍然，孔宪光，等.基于知识图谱的典型零件加工工艺知识构建方法 [J].自动化应用，2023，64（1）：53-57.
[41] 钟红燕.基于知识图谱的多目标多约束柔性作业车间调度问题的研究[D].西安：西安理工大学，2022.
[42] 郭兴勇，盛国红，舒銮理，等.基于知识图谱的飞机制造工艺路线推荐方法研究 [J].设备管理与维修，2022（7）：41-44.
[43] 武群惠，田广.面向航天制造企业的供应链知识图谱研究与智能辅助分析示范建设 [J].军民两用技术与产品，2021（9）：50-55.
[44] 李昊.多品种小批量混流装配线自适应排产方法研究 [D].太原：中北大学，2021.
[45] 谢生同.基于知识图谱的机加工艺参数推荐方法研究 [D].西安：西安电子科技大学，2022.
[46] 孟令达.A公司光纤传感产品生产环节的风险知识图谱构建研究 [D].北京：北京交通大学，2021.
[47] 蒋军威.基于知识图谱的核电装备零件制造质量形成及关键工序评价 [D].重庆：重庆大学，2022.
[48] 王赞赞.基于深度学习与知识图谱的变速箱装配过程质量控制方法与应用研究 [D].合肥：合肥工业大学，2022.
[49] 刘劲松.高档数控机床数字孪生关键技术研究与应用 [D].中国科学院大学（中国科学院沈阳计算技术研究所），2023.
[50] 胡晨阳.面向数控机床故障诊断领域的知识图谱构建与应用 [D].武汉：华中科技大学，2022.
[51] 周佳乐.工业机器人故障诊断知识图谱构建方法研究 [D].广州：广东工业大学，2023.
作者简介：吴洁（1998—），女，汉族，河北邢台人，硕士研究生在读，主要研究方向：智能制造、数据分析。
收稿日期：2023-08-17
Construction and Application of Knowledge Graph in the Manufacturing Field
WU Jie
（School of Economics and Management， Hebei University of Science and Technology， Shijiazhuang 050018， China）
Abstract： With the development of the manufacturing industry towards digitalization， networking and intelligence， a large amount of product design， manufacturing and maintenance service data in enterprises is constantly stacked and accumulated. The introduction of Knowledge Graph technology to manage and mine the data can provide strong support for the realization of the new-generation intelligent manufacturing. Firstly， this paper reviews the construction and core technologies of knowledge graph in manufacturing field including knowledge extraction， knowledge fusion， knowledge reasoning， and so on. Then， the application of Knowledge Graph in the field of manufacturing is divided into two categories： semantic association and decision aid， and its specific application scenarios are explored. It is hoped that it can provide reference for the construction and application of Knowledge Graph for relevant enterprises.
Keywords： intelligent manufacturing; Knowledge Graph; knowledge extraction; knowledge fusion; knowledge reasoning
