工业是国民经济的命脉，智能制造的发展不断推动社会进步与人民生活水平提高。随着科学技术的发展，工业智能化慢慢走进了大众的视野。人机协同智能化的工作状态随之而来，交互工作是机器对目标理解的绝对必要条件，其通过扩大知识隐喻，在交互框架中整合操作以实现人机协同。而构建知识图谱可以扩大知识隐喻，整合不同来源的数据、获取大量的让计算机可读的知识，进而推动工业智能化、数字化的发展。

知识图谱的概念最早在2012年被谷歌提出，起初的目的是为了提升用户的智能搜索体验，谷歌的知识图谱通过从各种来源搜索信息，来增加搜索引擎结果的准确性。后来因其易于拓展和表达，得到了各个领域的广泛关注和研究。知识图谱是一种具有有向图结构的数据库，也可以说是一个大型的语义网络，它以结构化的方式描述客观世界中概念、实体及其关系，将信息空间的信息表示成更接近人类认知世界的形式，提供了更好地组织、管理和理解互联网海量信息的能力。

知识图谱因为其处理多源异构数据的能力、高效的知识检索、深人的知识挖掘和分析以及直观的知识可视化的能力，受到了学术界和工业界的广泛关注，取得了迅猛的发展。具有代表性且广泛应用的知识图谱有Freebase、DBpedia、NELL、YAGO等。

随着技术的发展，在2015年，国内也涌现出了热门知识图谱应用，如搜狗的知立方、百度知心等。因为知识图谱具有知识可解释性和推理等技术方向的优势，在解决实际业务问题、辅助智能决策方向上发挥巨大作用而被广泛研究发展，现已在医疗、金融、投资、电商等领域得到了重要应用。

近些年智能制造领域开始青睐图形化展示方法，利用知识图谱技术实现工业设备数据采集、知识存储、知识分析、自动化集成等应用。借助智能制造知识图谱，人们可以更好地认识、管理、优化、控制和改进各种工业互联网内的庞大资源和流程。智能制造知识图谱具有知识图谱的通用价值，包括知识融合、语义搜索、知识推荐、知识问答和大数据分析决策等;同样地，两者也存在较多的差异，如表1所示。

表1 通用知识图谱和智能制造知识图谱对比比较

表1通用知识图谱和智能制造知识图谱对比比较将知识图谱引人智能制造领域，仅解决了智能制造领域知识构建的部分问题，然而智能制造领域的信息相比其他领域更加杂乱无序，大部分信息来源于非结构化的文本，因此需要对这些信息进行语义分析并对命名实体进行识别。本文阐述了目前国内外智能制造领域知识图谱的研究现状，分别总结了在技术和工程2大问题方面的研究进展，并分析给出了未来的发展趋势。

1 智能制造领域知识图谱的构建方法

1.1 构建关键技术

经查阅文献，知识图谱的整体技术体系分为知识获取、知识抽取、知识融合、知识加工、知识推理等几个步骤，以下会从这几个方面进行细致讨论。

1.1.1 知识获取

在智能制造领域，想要构建一个好的知识图谱，数据源的获取是首要问题。因知识载体的多样化和表达多样性，知识数据类型为结构化、半结构化以及非结构化，需要对获取到的知识进行判别并分类保存。智能制造知识多以非结构化形式存在，并且在智能制造领域需要大量技术人员指导与干预，而知识获取的自动化可大大提升知识获取效率。因此，如何从互联网大规模的结构化、半结构化和无结构数据中自动获取知识，辅以少量人工校验，是大规模知识图谱快速构建的必由之路。当前知识获取比较流行的方法有规则挖掘法、统计学习方法和深度学习方法。在知识获取阶段，需要建立知识模型、明确建立目的和确定其中知识所覆盖的领域与范围。

近年来，因粒计算粗糙集理论对知识获取的高效性，针对该方向的研究受到了学者们的追捧。粗糙集理论是知识获取的一个典型粒计算模型，也是知识获取的重要工具。Zadeh等人在1997年首次提出了“信息粒”的概念;后来，冯志强等人利用粗糙集理论可以自动获取知识的优势，提出并应用了领域加工过程的粗糙集建模方法来提取人工难以提取的工艺规则，为其他复杂智能制造过程提供了实践基础;随着深人研究，粒计算也从单一粒度扩展到多粒度，从单一视角、单一层次扩展为多视角、多层次。钱进等人针对现阶段智能制造行业中的海量、复杂、多种层次结构的数据，提出了多粒度层次序贯三支决策模型，为知识获取提供了新的视角;随着研究的发展，粒计算逐渐成为不确定信息下知识获取的有效工具，面向工业领域中工业数据的多层次多结构，人工难以获取需要自动获取的工业数据的特性，使用粒计算粗糙集的知识获取功能工具可以更加高效获取数据，并且也适用于工业知识的特性。

1.1.2知识抽取

知识抽取为从半结构化、非结构化数据中抽取出实体及它们之间的关系从而进行知识表示的过程。它由实体抽取(命名实体识别)、关系抽取和属性抽取3个子任务构成。

1)实体抽取。

实体抽取也称命名实体识别技术。它主要用于从特定领域的非结构化数据中抽取预处理过的本体信息，形成实体结点。在抽取实体过程中，可以先转化为数据的序列标注问题，进而考虑词性特征。可选择的序列标注模型包括隐马尔可夫模型(hmm)、条件随机场模型(CRF)、神经网络模型、最大熵模型［2Q］、决策树模型等。而命名实体识别的方法有基于规则、基于机器学习、基于深度学习等方法。

其中基于规则的方法是由智能制造领域专家和知识工程师来制定规则集，由语言学专家根据语言特点来确定语义信息，目前的研究热点为将传统的机器学习模型与深度学习相结合，利用模型各自的优势以达到更好的效果。Lample等人首次提出利用长短期记忆(LSTM)模型进行特征自动提取，并结合了CRF模型，实验结果表明,LSTM-CRF模型的预测效果已经达到或者超过了条件随机场模型成为目前实体抽取任务的主流模型。Huang等人首次将BiLSTM-CRF模型应用于NLP基准序列标签数据集，双向LSTM模型可以访问多个序列输人信息进行标记，而后使用CRF模型连接标签信息，研究表明该模型不仅可以有效减少对词嵌人的依赖，而且可以有效地同时利用过去和未来的输人特征。在智能制造图谱的构建中，本文总结了一些基于规则和基于深度学习的适用场景，如表2所示。

表2命名实体识别技术的场景与数据

目前，命名实体识别技术已经取得了一定发展，但是在智能制造领域还有待继续研究。该技术为之后的智能问答技术、智能制造知识图谱的自动化构建技术以及智能制造设备的故障诊断应用问题做了铺垫。

2)关系抽取。

关系抽取用于从非结构化数据中识别实体，并抽取出2个或多个实体之间的语义关系，目前方法的研究如图1所示。本文着重介绍现在广泛研究的基于深度学习的远程监督关系抽取技术，它具有运用人力成本较小、准确率较高等优点。

图1 关系抽取技术方法

基于深度学习的远程监督关系抽取技术最早由Mintz等人提出，论文作出一个假设，即当2个实体存在特定关系时，包含这2个实体的句子就会表征出实体间的关系。使用远程监督进行关系提取时存在2个问题。首先，已经存在的知识库启发式对齐可能会失败，进而导致错误的标签问题。再者，在提取时由于噪音的影响会导致抽取到的句子结构信息不佳。

针对此类问题，Zeng等人提出了一种基于多示例学习的分段卷积神经网络模型(PCNN)，如图2所示，主要是处理一个包实例的过程，它将字符(word)和位置(position)的embedding输人CNN后，根据2个实体的位置把结果变成3份，每份分别进行最大值池化操作，最后再拼接到一起。结果表明该方法可以自动学习特征、解决错误标签问题，可有效用于关系抽取。而远程监督模型也结合了有监督学习在概率分类器中可以结合大量噪声模式的特征以及在无监督学习中可以从任意领域的语料库中提取大量关系的优点。关系抽取技术已经逐渐成熟，但由于智能制造数据不仅有很多复杂纷繁的知识，并且大量的专业知识和应对故障机制等还需要人类专家来协调处理，因此如何将碎片化、专家化的知识整理归纳成为一套知识体系对于智能制造领域而言是一项新的挑战。而且在此基础上，面对智能制造数据中知识推理效率低、知识抽取精准率低的问题，常用设计特征模型和改进算法等方法来解决，但如何提高抽取的效率和精准度仍是一个研究重点。

图2 分段卷积神经网络模型(PCNN)

3)属性抽取。

属性抽取的目的是补全实体信息，通过从样本源中获取实体属性信息或属性值，以增强知识图谱的语义表达能力。实体属性可以看作是属性值与实体间的一种关系，因而可以通过关系抽取的方式来获得。属性抽取的输出结果直接支撑知识图谱的图结构构建，为后续的链接预测、路径推理及智能问答提供结构化语义网络，是实现语义互联与知识推理的关键技术底座。在智能制造领域，属性抽取技术通过结构化工业知识、多模态融合等方法显著提升了生产的智能化水平，但其仍面临数据噪声等挑战。

1.1.3 知识融合

在构建知识图谱的过程中，多源异构的知识之间往往会存在重复、语义多样、质量参差不齐等问题，因此知识融合是构建高质量知识图谱的不可或缺的一个环节。知识融合，一般需要对齐实体、消除歧义、删除多余信息等操作，其过程往往需要人工干预。近年来更有大量学者对知识融合的实体对齐技术进行了深人研究。

基于嵌人的实体对齐方法可以将图谱中高维的实体与关系降维成低维向量的数值或者空间表示，有效解决了实体面临大量属性信息、多种语义相似度的情况下对齐困难的问题。最新的研究中将完成该技术方法的常用模型分为3类，分别是翻译模型、深度模型和语义表示模型。本文着重介绍翻译模型。翻译模型中最经典的为TransE模型，这类模型将知识库中的三元组用分布式表示来描述，它的核心作用是将三元组变成embedding向量。TransE模型的目标是使得正确的三元组的距离越小越好，错误的三元组距离越大越好，也就是使得最相近的正负例样本距离最大化。它的目标函数如下：

虽然TransE模型将实体对齐技术的性能提升了至少50%，但是也存在一些局限性。比如面临一对复杂关系时对同种关系的不同实体的区分性大大降低；当模型面临对象是每个独立的三元组时，忽略了关系路径中的多种信息；当面临多源信息问题时，无法充分融合信息。针对于TransE的局限性，研究者们又提出了一系列扩展模型，如TransH、TransR、TransDTransA、TransG、PTransE等。

1.1.4 知识推理

知识推理是基于现有事实和逻辑规则推断新知识背后的机制。简单来说，就是根据已知的实体和关系，通过推理得出新知识，构建新链接，从而达到扩展知识库的效果。知识推理同样也是进行知识图谱补全的重要部分。面向不同的推理方法，常用到RDFox推理工具和Drools业务推理弓I擎等工具。在面向知识图谱的推理方法中，基于逻辑规则的知识推理因其极高的准确率成为使用较为广泛的方法。

随着技术的发展，知识图谱不需要在结构化表达式中采用繁琐的结构，而可以使用形式更灵活的简单三元组，因此它的推理方法也更加多元化，如更利于语义计算和深度模型构建的基于分布式表示的知识推理，以及从语义、结构和辅助存储3个维度展开，具备更强泛化能力的基于神经网络的知识推理，表3为3种知识推理的优缺点对比分析。在智能制造领域，知识推理技术可以通过对已有数据库中知识的推理得出新知识和蕴含隐式知识，是对智能制造知识库进行补充，对智能制造产品进行设计，对智能制造设备进行维护的关键性技术。但目前的知识图谱仍然存在属性缺失、关系稀疏以及因大量噪声信息而引起的图谱质量不佳等问题，仍需要对该方向进行更深层次的研究。

表3 知识推理模型的总结

1.2 智能制造领域知识图谱构建流程

 

对于智能制造领域知识图谱的构建，基于行业特性，常常由知识图谱技术工程师和智能制造领域专家合作定制实现。本文通过资料文献阅读，整理了知识图谱在智能制造领域的通用构建方法，其构建流程与应用如图3所示。

图3 智能制造知识图谱构建流程图

流程图首先基于数据结构来构建知识图谱，通过自动化或半自动化的技术手段从原始数据中提取出知识要素;接着在知识建模环节需要业务专家来参与Schema设计;知识抽取、知识融合、知识存储环节是增量式图谱自动构建环节，需要人工可交互干预;最后的知识应用，需要专家参与业务需求并沟通应用问题。知识图谱分为自底向上和自顶向下2种构建方式，自底向上构建方式适用于图谱在海量数据中抽取知识的场景，效率高，但精度不足；自顶向下构建方式主要是通过专家经验来构建本体，这种构建方式精度高、层次结构好，但是会增加大量的人工时间，并且对知识的深度要求也更高。目前大部分构建都是使用自底向上的构建方式，如Google，但是由于制造领域对知识准确性有较高的要求，所以更多地使用并深人研究自顶向下的构建方式。

知识图谱的构建方式经历了从完全依赖人工，到利用群体智慧，再到自动化技术的演变。人工构建方式虽然精确但耗时耗力，而自动化构建虽处理速度快却可能牺牲部分准确性。为了平衡效率与精度，目前行业内普遍采用自动化与人工相结合的半自动化构建方式，即先通过自动化技术进行初步的信息抽取，再由人工进行审核和修正，这种方法的应用在业内占比超过了80%，是目前的主流构建模式。

图4 故障诊断系统框图

在近几年的半自动化的构建方法中,Zheng等人［4Q］通过将多源异构数据提取到同一空间中的映射框架中，将知识转化为图谱的形式，提供了一个全面的知识基础。该方法可以解决制造领域中的组装过程、制造过程调度和资源分配等实际问题，并具有提高精度、适应性和灵活性的潜力;Xia等人采用了信息抽取和本体构建的方法来构建维护导向的知识图谱，嵌人式链接预测技术可以更准确地预测知识图谱中缺失的关系，从而提供更多样化和准确的维护建议。该方法可以在制造领域中应用于维修计划优化、故障诊断、知识管理和问题解答等实际问题，提高了设备的可靠性和维修效率。Arista等人将本体建模和图数据库技术相结合，来构建知识图谱，实现了知识的自动化重用和生成。该方法可以在制造领域中解决设计过程中的复杂性、协同工作的挑战以及性能评估的需求，从而支持制造系统的设计和决策过程。Ko等人采用机器学习算法提取预测性知识，并将知识与先验知识结合，构建了一个设计自由度增材制造本体的知识图谱，该方法可以解决增材制造领域中的设计规则形式化表示、知识图谱与设计规则的关联以及基于机器学习的知识提取等实际问题。

自动化构建处理速度较快，可以减少人工、时间、成本要求。Salton等人提出了词频逆文档频率算法，提供了基线单术语索引模型，为自动文档检索排序做出基垫;Bosselut等人开发了一种工具“常识知识生成模型COMET”，可以成为知识提取方法的一种可行的替代方案;ICDM/ICBK提供了一些自动化构建知识图谱的方法，为知识在更多应用场景中提供结构化管理做铺垫。Jawalkar等人使用了图形语法的方法，生成候选解的树，并使用广度优先搜索算法来找到给定MEMS设计的最优制造序列，以此来自动合成MEMS组件的制造序列，避免了手动创建制造序列的繁琐过程，从而减少了开发周期。现在许多知识库也已经将自动构建知识图谱的方法应用到实践中，如TransOMCS、Huapu等。在智能制造领域自动构建知识图谱是一个有挑战性的工作，因为智能制造数据源大多数是非结构化的形式，获取起来相对困难，而自动化构建知识图谱是人工智能研究的长期目标。

虽然在当前复杂制造智能制造生产环境中有应用于细粒度场景的知识图谱，例如设备故障知识图谱、产品知识图谱等，但受目前国内智能制造自动化进程的限制，在大规模知识图谱的工程数据运用中有一定困难。由于制造智能制造数据对知识要求的精度较高，因此如何提高知识抽取技术的精度和准确率并使其具有制造智能制造大场景下的语义能力是技术的研究重点。未来，知识图谱技术将提高信息整合效率，为传统制造企业提供更精准的决策支持，促进产品与服务创新，并与更多先进技术深度融合，推动智能制造产业升级。然而，数据质量、数据来源与获取问题也是要面临的难点，再加上技术集成与应用的难度。这些挑战需要行业专家更深人的研究，以实现知识图谱技术在智能制造中的更广泛应用。

2  工程研究进展

在智能制造领域，知识图谱的贡献主要有以下2种:1)数据支持:通过构建垂直领域知识图谱，为该领域提供了结构化、关联性的数据库基础。如Yan等人构建了智能制造企业的信息集成系统的知识图谱，为制造企业提供更多的横向数据整合，提升了工作效率和资源利用率;2)技术支持:知识图谱相关技术为该领域模块的分析与应用提供了技术支撑。如Chen等人针对冷滚轧生产过程的钢带断裂问题，提出了多数据源对破损进行建模的方法，设计了知识图谱嵌人的钢带断裂多源模型为制造商提升了生产效率。

目前在智能制造领域的系统中，普遍存在着系统的异构性、复杂性和局限性，以及由于信息的分散性导致的数据精度不足等问题，未来可以进行提升抽取精度、提高检索质量等方面的研究。

2.1知识图谱的故障诊断系统

设备故障是智能制造生产中常见问题，人工难以直接对设备进行诊断。但结合知识图谱技术，可以利用知识图谱对设备故障知识进行建模和表示，并通过图谱中的实体、关系和属性，展现故障类型、故障原因、解决方案，辅助进行故障诊断操作。在构建故障知识图谱时，首先将设备、部件、故障原因等实体，和它们之间的关系等相关信息整合到一个结构化的数据库中。接着采用自然语言处理(NLP)和机器学习技术，从维修记录、操作手册等文档中抽取故障相关知识。最后利用图谱推理技术，进行故障预测和诊断。

相较于故障树诊断方式，基于知识图谱的故障诊断具有较强的推理和可视化图分析能力。知识图谱在面临智能制造的机械故障时，其应用多为故障数据整合和故障诊断系统，图4为系统框图。

智能制造领域中故障知识图谱的数据源主要是非结构化的，主要来源于企业累计的业务数据、专家经验知识和维修人员的维修经验等。针对故障数据存在的故障机理研究不足、相关故障知识匮乏、故障数据稀疏等状况，基于知识图谱的数据整合应用有如下解决方案。卞嘉楠等人针对故障描述数据稀疏的特点以及故障根因推断的需求设计了知识图谱嵌人算法，提出了一种基于知识图谱和多任务学习的智能制造生产关键设备故障诊断模型MKFD，实验结果表明该模型可以有效提高实体识别效果，为应用自主故障诊断提供了数据支持。基于知识图谱的故障诊断系统的目的，是通过故障案例抽取、故障维修手册等，来实现故障自动检索、故障根因推断、故障预测、故障源排查定位，进而提供故障数据支撑及缩短排查时间等应用。如邓建峰等人针对故障本体知识概念粒度较粗、实体模型特征提取不够明显等特点，提出了基于注意力机制的堆叠BiLSTM和改进胶囊网络的事件论元实体识别模型，并从维修记录、操作手册等文档中抽取故障相关知识，经测试表明，该模型通过对故障根因的推断，预测设备可能出现的故障，提供故障数据支撑，实现了故障诊断的目的；刘劲松提出了一种基于卷积神经网络算法和数控机床故障知识图谱的故障诊断方法，并结合数字孪生技术进行实时数据采集，将实时数据与算法拟合实现故障智能诊断。实验结果表明该知识图谱能对诊断出的机床故障信息进行查询检索推理，自动得出相应故障的维护知识，迅速找到故障原因和解决方案来进行故障快速定位，缩短了排查时间；Ding等人提出了一种半监督的故障知识图谱构建方法，利用BERT模型进行语义嵌人，从维护记录中提取隐藏的上下文信息，并使用无标签的维护记录和代表性关键短语来识别故障模式。最后通过实践表明，通过计算故障知识图谱中节点之间的关键指数并结合术语嵌人和数值统计，可以更好地理解关键故障和相应的维护行动，为维修人员提供直观的故障分析和解决方案，为决策支持提供更全面的信息，提高了故障维护效率。

目前在智能制造领域的故障诊断，主要研究工作集中于系统运行，涉及到的软件以及应用还较少，面向故障诊断方向的知识资源重用率相对更低。现阶段如何构建设计出一个具有预测功能的、更加智能化的故障诊断系统以及实行智能制造领域专家远程诊断的模式是未来几年的热门发展方向。

2.2 知识图谱与数字孪生

近年来，数字孪生技术受到了学术界的追捧。数字孪生技术由Shafto等人提出，是融合物理空间和虚拟空间，基于传感器数据来映射更新实体设备全生命周期的技术过程，它可以优化和验证策略，实现网络的自我优化和决策。伴随着大数据、5G网络等新一代技术的发展，数字孪生技术可感知智能制造生产过程，实现对物理实体进行监控、诊断、预测和决策优化，图5为数字孪生在制造业中生命周期不同阶段的应用阶段。在智能制造领域，由于知识图谱为数字孪生提供了丰富的语义信息和上下文关系，因此融合数字孪生与知识图谱的研究是研究热点。将这2个技术融合，先是集成多源数据(如传感器数据、历史记录等)构建生产线的数字孪生，接着利用知识图谱来表示生产流程、设备状态、产品质量等关键信息，最后通过模拟仿真和数据分析，优化生产流程和参数设置。

图5 数字孪生在制造业生命周期中不同应用用阶段

通过目前的研究数据，基于数字孪生与知识图谱的智能制造系统知识架构如图6所示。刘劲松针对高档数控机床的智能化转型需求，通过构建数字孪生体和故障知识图谱提供机床实时运行状态数据，给出故障分析、故障精确定位以及故障维护方案，实现了数控机床从被动执行指令发展为具备自感知和外部协同等自主能力的智能体的转变设计。丁志昆等人针对提高复杂产品在关键装配阶段的质量与成功率，设计了基于数字李生的AR多人协作装配方法，通过构建基于数字孪生的AR多人协作专配架构为装配工艺知识图谱提供实时运行数据，最终实现数据协同，进行监控迭代。应用表明，该技术通过实时监控产品进程，及时发现并处理潜在问题，极大地提高了生产过程的有效性和产品质量。Banerjee等人将知识转化成为来自智能制造生产线传感器的数字孪生模型，提出了基于大规模生产线数据提取和推断知识的方法，以提升智能制造物联网的数据分析和推断的能力。Zhu等人设计了基于知识图谱的数字孪生网络构建方法，他提出了一种数字孪生网络(DTN)的未来网络架构的网络范式，用来挖掘拓扑或网络元素之间的复杂关系。其实验结果表明，通过数字孪生网络，可以实现网络的故障自愈，即通过数字孪生模型对物理网络进行实时监测和预测，及时发现和修复故障。同时，数字孪生网络还可以用于网络切片管理，即通过知识图谱描述网络切片之间的关系，监测和优化切片的性能指标。数字孪生是集成多学科知识来全面交互映射物理空间的综合技术，具有实时数据感知、算法分析、模型构建等功能，已在工厂设备可视化管理、产品质量管理等方面凸显优势。现有的数字孪生与知识图谱技术面向智能制造领域，将叠加知识图谱的知识推理能力、知识重用性、数据可视化等优势。未来，实现基于数字孪生与知识图谱技术的人机协同融合将成为智能制造领域的热点以及难点，也是为工业智能化、数字化研究迈出的巨大步伐。

图6 基于数字孪生与知识 图谱的工业系统知识架构

2.3 知识图谱与人机协同交互

人机协同的模式以人为中心，被描述为人类用户与机器在动态环境中通过几个接口进行的交互和通信，充分发挥人机智能并推动自身与机器的和谐共存。众所周知，人类具有计算机无法替代的创造性思维、认知预测与决策能力等，而计算机具有人类无法拥有的强大多线程计算和图解能力、即时通讯及大数据挖掘分析能力等。因此，人类与计算机的相互促进，发展得更快，已经应用于各个领域，包括工业、医学、军事和商业。从工业4.0阶段开始，人机交互技术(HCI)形成了工业制造业的新范式，它允许在高度网络化的环境中进行人与机器之间的通信。随着人机交互的发展以及创新，人机交互为大数据分析、机器人生产、无人驾驶、增强现实和增材制造等提供更深层次的发展可能性。

基于知识图谱的人机协同方法主要是通过知识图谱提供上下文感知的智能辅助，增强人机交互的效率和准确性，进而使机器能够更准确地理解人类指令和需求，提高操作人员的学习工作效率，实现更高效的人机协作功能以及提高人机协同的自适应性。这里除了构建领域知识图谱，为机器提供丰富的背景信息和推理能力之外，最主要的技术研究在于利用自然语言处理技术，实现人机之间的自然语言交互。

图7 知识图谱在工程领域人机协同交互的框架

图7为基于知识图谱的人机交互在工业领域的流程路径。王骏东等人通过构建配电网故障知识图谱，实现了多维故障分析业务多源融合和人机交互，有效提升了调度人员的故障调控能力和配网安全运行水平。他们认为，人工智能仍处于发展初期，配电网调控决策建议仍需要监管机构审核，需要人类在回路中响应配电网调控的知识图谱来辅助決策结果，因此人机混合的方式就变得极其重要。Hou等人设计了一种新的通过生成组合学习来检测人机物交互的方法的HOI组合学习框架，人机交互技术被应用于知识图谱，以便更直观地浏览和查询相关知识，同时可以帮助智能制造系统更好地理解和分析生产过程中的动作和行为，从而提高生产效率和质量。

目前，人机物交互在智能推荐系统得到较为广泛的使用。同时在智能制造领域，知识图谱和人机交互的联技术也常应用于生产过程优化、故障预测与维修、质量控制与追溯、知识共享与协同创新等几个工业领域人机物复杂制造环境下，发挥工业知识图谱的知识精确表达、知识深层挖掘、知识关联推理与科学解释的巨大优势，可以解决一系列知识图谱和工业领域融合时所发生的瓶颈问题。人机融合与智能化的阶段还面临着很长的发展空间，并且需解决2个应用难点:静态的决策知识难以适用于工业动态的数据流程;机器智能的结构性工作与人类的非结构性工作之间的双向协同学习。

2.4 知识图谱与风险管理系统

风险管理可以满足日益增长的企业和社会责任的组织意识。而如果对风险管理不善，可能会造成经济损失、安全损失，甚至会有不道德的行为，这是非常危险的。知识可以为决策者提供信息，提高风险的可管理性。因此利用风险历史案例和安全操作手册的知识，从中总结原因经验、补充安全规则为避免以后的风险提供辅助决策是迫切需要解决的关键问题。风险管理可以通过知识图谱探索目标对象网络的拓扑关系，实现对危害、故障、事故之间潜在关系的可视化和定量描述，通过风险评估可以进一步辅助制定风险处理方案。而垂直领域知识图谱具有数据量少、高质量、高密度、高浓度、高权威性和高知识精度的特点。因此构建智能制造领域风险知识图谱可以为企业避免风险、解决风险，进而多维度提供辅助分析与决策，完善安全规则，具有良好的功能与指导意义。

通过对智能制造领域的风险数据源收集和对制造业设备的流程分析挖掘，本文从数据源、构建流程、风险管理设计3个方面总结了在智能制造领域的风险知识图谱架构。首先进行知识获取，包括时间、风险因素、风险事件、后果等实体及其关系，然后利用数据挖掘和机器学习技术，从历史数据中识别和分析风险模式，最后结合专家知识和图谱推理，进行风险评估和预警，具体如图8所示。可以看出，在风险管理领域，知识图谱的贡献主要有以下2种:1)数据支持，通过构建风险领域知识图谱，为该领域提供了结构化、关联性的数据库基础;2)技术支持，知识图谱相关技术为风险领域的分析与应用提供了技术支撑。

随着人工智能的快速发展，新型工业化政策也陆续出台，如何从企业累积的大量风险数据中通过知识图谱技术抽取有价值的信息并加以利用，是推进企业和工厂智能化进程的关键，这对于提高管理决策水平，减少经济损失意义重大。面向智能制造领域知识的获取是风险图谱构建的重要一步。Pandithawatta等人通过分析与危害、风险因素和控制措施相关的文件，与领域专家进行访谈，收集了新的本体，挖掘隐性知识，进而建立工作危害分析知识图谱(JHAKG)作为新的知识库来对领域风险进行评估与问答。

图8 智能制造领域的风险知识图谱架构

而面向不同的工业领域，更是出现了层出不穷的风险知识图谱应用。Chen等人通过电力系统中物理层的拓扑结构与知识图谱结构的相关性，建立了知识图谱，保留一些隐性关系的相关性，并重点研究总结了知识图谱调度运营方向的支撑场景。Zhao等人通过构建航空领域垂直知识图谱，形成了历史案件的知识组织和共享，为该领域的风险管理提供指导意义。王子维等人对海上油气领域，针对环境恶劣、涉及风险维度众多、风险事故链复杂的场景，将风险事故链进行结构化梳理和多维度风险因素耦合，构建了该领域知识图谱，实现动态的安全风险管控。同时，因为风险的变化性和不确定性，为领域的知识表达带来了挑战。因此，将时间属性增加到风险管理领域知识图谱的基本组织单元中，使之具备表达动态风险知识的能力，是未来风险管理领域知识图谱研究的趋势。近几十年来，基于机器学习的方法已被广泛用作动态风险预测的解决方案。Shi等人根据燃气事故的风险事故源和影响因素来构建风险的指标体系，根据各项安全指标提出了基于知识图谱的动态社区燃气风险预测方法。Chen等人以大规模异构气象风险数据中挖掘的知识为分析基础、并通过气象风险数据组织和情景演绎等，提出了KG4MR为核心的知识模型。时间知识图谱实际上是对应于不同时间戳的时间知识图序列，其中每个时间知识图中的所有并发事实都表现出结构依赖性，而时间上相邻的事实则带有信息序列模式。

2.5 知识图谱在制造领域的数字化方向应用总结

总的来说，在工业制造领域中引人知识图谱技术，可以对生产全链路实现传统企业数字化转型，为实现智能制造打下技术基础。针对产品研发环节，可以帮助企业整合和分析技术、市场、用户反馈等多源信息，为产品创新提供数据支持和灵感来源;针对制造产品生产加工环节，可以通过建立设备之间的关联关系，实现对设备故障的预测和及时维护，进而实现生产管理优化和产品质量控制与追溯。并且可以通过构建安全知识图谱，帮助企业识别潜在的安全威胁和风险点，及时预警并采取相应的防范措施，实现安全与风险管理;针对产品库存和物流路径的管理，可以通过构建供应链知识图谱来优化路径，降低运营成本，进而实现供应链管理;针对市场策略层面，知识图谱技术可以为企业提供全面的数据视图和智能推理能力，通过分析市场需求和产能数据，支持企业在生产计划、市场营销、战略合作等方面做出更加明智的决策。

3 未来发展展望和难点

3.1 AIGC应用与知识图谱

人工智能生成内容(AIGC)是一种新的内容创建方法，它具有从数据和经验中学习与改进的能力。Simon等人使用链接预测、解释性模型、嵌人方法和强化学习等技术来实现基于知识图的可理解人工智能的案例，其中使用嵌人模型来表示知识图谱中的实体和关系，提高了预测性能。在工业中，AIGC可以快速将数字基因组转换为基于物理环境的实时3D模型，数字化工厂可以通过分析工艺流程来减少设计时间。AIGC技术的图计算算法和模型有着良好的可扩展性和可定制性，它通过对算法的更新迭代在自然语言处理与计算机视觉等领域弓I领发展，而知识图谱技术可以将多种类型的知识整合，实现关联可扩展的知识库模式。总的来说，AIGC技术得到的数据更加精准;知识图谱技术得到的信息更加丰富，因此通过二者的优势互补可在一些应用场景中得到应用发展，例如精准的语义理解、智能的个性化服务、探索知识图谱的自动构建与更新等。

但目前还存在许多的难点，首先工业领域的知识密度较高，因此可能会漏掉一些隐性知识，并且该技术还存在于研究层面，并未真正应用在现实场景中，加上智能制造行业现实场景工序的复杂性，其实际应用还需要很长的一段路要走。

3.2 知识更新的自适应性调整

知识更新的自适应性调整的发展前景基于但不限于知识更新的自适应性以及控制算法的自适应性。在实际开发场景中，知识演进的时效性的不同可能会为系统带来额外的负担，因此设计了知识更新的自适应性调整。它不仅可以支撑知识图谱的信息系统，还具有上下文感知能力，在面临不断发展迭代的环境变化时，输出相应的符合环境逻辑的数据。既减轻了系统的负担，也提高了知识图谱在工业产品中的可用性。Morgan等人提出了供应链透明度(SCT)机制，其研究表明供应链透明度和知识管理对于提高供应链的适应性和灵活性具有重要作用，可以作为一种促进知识自适应调整和交流的工具。而在智能制造的控制系统中，复杂对象、高维变量和参数使得控制方法的选择往往依赖于专家经验。因此，可将控制算法的设计变成经验数据存储于知识图谱中，并使用图搜索算法推荐出最优参数及控制算法，完成系统算法的自适应调整。

但由于智能制造行业的现实场景工序复杂，仍需要解决如何精确地将更多的隐性知识转换为数据进而自适应调整问题。从技术层面来看，目前相关技术还处于研究层面，并未真正应用于实际场景中。因此仍然需要做进一步的研究。

3.3 产品预测与分析

在智能制造领域，产品的需求预测与分析是产品开发的首要阶段，精准而可视化的模型预测可以降低企业成本和提升效率，因此，对领域展开产品的预测与分析是未来的一个重要研究方向。知识图谱技术利用知识表示学习方法，探索预测信息，并可以用有向图的方式表达产品之间的依赖关系，满足处理多源信息和进行逻辑知识推理等。Rossi等人_提出了一种基于知识图谱嵌人(KGembeddings)的链接预测(LP)技术，对不同方法的性能进行系统评估和比较，并通过基准测试结果表明基于知识图谱的嵌人可以有效地预测和补全缺失的链接，从而为产品预测与分析提供更为准确和可靠的依据；Zeng等人通过将知识图谱技术引入药物领域，实现了药物再利用以及不良反应预测，降低了生产成本；Liu等人利用知识图谱技术处理海量信息的能力，对某公司股票进行预测，通过捕捉市场的最新趋势和其他可能影响需求的事件，最后做出该股票的总结分析。知识图谱技术支持的知识推理和推荐的可解释能力对于产品预测和分析是有价值的，普通的输出结果用于业务环境中的参考，而利益相关者更关心结果背后的见解和逻辑。目前来看，对产品预测分析的大部分精力都花在了知识推理的准确性和效率的优化上，但对于产品利益链相关的交互还并未强调完善，因此日后需要更多加强这类部分的工作来完善预测与分析。

3.4 智能工程方案设计

在工程方案设计当中，往往涉及多个利益相关者的需求、产品的多样性以及方案要求的链接准确性，基于知识图谱设计的智能工程方案可以满足这种需求，降低时间成本与人力成本，提高产品开发的生产力。将知识图谱技术引人该设计方案中，基于知识表示的方法可以更“人性化”地理解问题，分析原因并生成衍生知识。在面向企业的智能工程方案中，曾经的解决方案、优秀的想法、预期结果的应对方案等都会以知识的形式存储在知识库中，不断增强新产品和服务解决方案设计的健康生命周期。感性工学对获取用户情感进行产品设计尤为关键。Li等人提出了一种面向上下文感知多样性的知识推荐方法，并通过基于语义的内容分析、上下文定义和感知以及用户配置文件建模来实现，从而帮助利益相关者以更智能的方式完成工程解决方案设计，该项工作为基于知识的智能工程方案设计提供了研究思路。

而为了满足多个利益相关者之间的需求，需要加强知识图谱和相关者之间的互动，开发双向知识互动机制，让设计过程更加实时化、精确化。

3.5 风险自动处理

在智能制造领域的现场，大量的机器在运行过程中无法避免各种故障问题，极其容易发生故障意外，因此对该领域展开系统风险自动处理的研究是未来很有必要的发展方向。当遇到风险时，常常会用到专家经验进行风险分析，基于领域和常识的推理来对事物是否存在风险进行逻辑判断。构建风险知识图谱，通过知识融合与提取技术进行知识处理，利用知识推理技术对收集来的信息与知识库中专家制定的风险分析规则相匹配，进而逻辑判断是否有风险存在，可使知识图谱具有良好的功能-行为-结构理解能力。目前风险分析方向，已经出现了多种研究并完成实践。而自动风险处理的过程，需要系统在不断收集感知信息之后，进而不断挖掘和演绎知识集群，生成一个或多个问题处理方案，选择最优的解决方案去自动执行。在选择的算法设计中，系统可以根据危险级别、紧急情况或需要启动的智能部件提前进行权限设置，以区分是由系统自动采取行动，还是宣布并建议人工判断和采取行动。

目前的领域风险自动处理的发展已经相对成熟，但是仍需要对领域实体抽取环节进行深人研究以及风险知识融合的不断改进。如何不断地提高系统的准确率和可移植性，如何解决语义多样和动态演化的风险知识管理问题，如何改进相关算法性能，都是目前研究的方向和难点。

4 结束语

在智能制造数字化转型的背景大环境下，知识图谱技术在智能制造领域展现出了极高的关注度和重要性。工业智能化对社会进步起到了推动作用，而构建知识图谱可以扩大知识隐喻。知识图谱被应用于管理和优化智能制造设备数据和流程，促进了工业智能化、数字化的发展。

本文对知识图谱的概念和发展历程进行了介绍，并介绍了知识图谱技术的关键技术体系，包括知识获取、知识融合、知识推理等。近年来，智能制造领域开始应用知识图谱来管理和优化智能制造设备数据和流程，如工业故障诊断系统、数字孪生技术、人机协同交互、风险管理系统和生产安全管理等相关领域。知识图谱技术通过知识表示学习方法探索预测信息，处理多源信息进行逻辑推理，并支持产品预测与分析，提供决策支持。最后需要指出，知识图谱技术将继续提高信息整合效率，为传统制造企业提供更精准的决策支持，促进产品与服务创新并与更多先进技术深度融合，推动智能制造产业升级。但是，目前在智能制造领域应用知识图谱仍然存在一些难点，例如知识密度较高导致可能存在遗漏隐性知识、应用于大场景下的精准度和准确度问题等。

本文希望可以为智能制造领域的技术发展做一个研究铺垫，可以更好地辅助研究与应用。总的来说，知识图谱技术在智能制造领域的应用前景广阔，但是随着各类新技术的不断涌现，如何做好知识图谱的技术定位，如何提高技术精度和确保应用有效性，以推动知识图谱在智能制造领域的发展和应用仍然有待研究发掘。

原文刊载于《计算机与现代化》2025年第5期 作者：姜苏伦 袁德成 郭清达 刘坚 于广平