基于知识图谱的制造资源推荐与工艺规划推理方法及系统

本发明属于智能制造与工业知识工程，具体涉及基于知识图谱的制造资源推荐与工艺规划推理方法及系统，以及基于知识图谱与图神经网络的制造资源推荐与工艺规划推理方法。

背景技术：

1、在离散制造场景中，复杂零件的工艺规划通常采用基于人工经验与工艺手册的规则式方法、基于历史相似零件的案例检索方法，或者基于关系数据库/表格式数据库的工艺数据管理方法。上述方法虽然能够在工艺结构较稳定、零件差异较小的场景下实现一定程度的工艺复用，但在小批量、多品种、定制化制造环境下，零件特征、加工工序、设备能力、精度约束、表面质量要求及制造成本之间存在大量跨对象、多层级的复杂关联，现有技术难以对该类关联进行统一表达和有效利用。

2、进一步地，基于人工经验和规则的方法依赖工艺专家长期积累的知识，规则构建成本高、维护难度大，当零件结构或设备资源发生变化时，规则更新滞后；基于案例检索的方法高度依赖历史相似案例，对于新零件或低相似度零件容易出现工艺路线不完整、资源推荐不准确的问题；基于表格式数据库的方法虽然便于字段化存储，但难以表达多实体、多关系之间的制造语义约束，不能有效支持链路补全和语义推理，从而导致工艺规划响应慢、资源匹配依赖经验、推荐结果可执行性不足。

3、因此，需要一种能够统一组织多源异构制造知识、显式表达制造语义约束、并在冷启动场景下完成工序链和制造资源联合推理的方法，以解决现有技术中工艺知识表达能力弱、制造资源匹配依赖经验以及新零件工艺规划效率低的问题。

4、通过上述分析，现有技术存在的问题及缺陷为：

5、其一，难以对零件特征、加工工序、制造资源、精度等级、表面粗糙度以及时间、能耗、成本等多源异构数据进行统一语义建模，造成工艺知识分散存储、难以关联利用；

6、其二，现有推荐或推理方法缺少面向制造语义的关系约束机制，容易输出虽然在统计意义上可能成立、但在实际加工语义上不成立的关系结果，导致推荐结果存在不可执行风险；

7、其三，对于缺少完整历史工艺路线的新零件，现有方法难以有效完成特征到工序、工序到资源的链路补全，冷启动能力不足；

8、本发明针对上述缺陷，提出一种面向制造语义的工艺知识图谱建模与关系约束推理相结合的工艺规划方法，以实现冷启动零件的工艺路线生成和制造资源智能推荐。

技术实现思路

1、为克服复杂制造场景中工艺知识结构复杂、制造资源匹配依赖经验以及新零件冷启动难以推理等问题，本发明公开实施例提供了基于知识图谱的制造资源推荐与工艺规划推理方法及系统。该方法通过构建面向制造语义的工艺知识图谱，将r-gcn结合实体属性嵌入和关系尾实体类型约束机制，对特征到工序、工序到工序以及工序到制造资源之间的潜在关系进行链路预测，从而生成符合加工逻辑的加工工序序列及制造资源推荐结果。所述技术方案如下：

2、本发明是这样实现的，基于知识图谱的制造资源推荐与工艺规划推理方法，包括以下步骤：

3、s1、对制造工艺历史数据中的零件、特征、工序、制造资源、精度和粗糙度进行统一建模，构建包含实体类型、实体属性及实体间加工关系、约束关系和匹配关系的工艺知识图谱，并以三元组形式进行存储；

4、s2、基于工艺知识图谱，提取实体的几何属性、工艺属性、质量属性及资源属性，对上述各属性进行向量化表示与嵌入映射，并结合实体类型嵌入生成图神经网络的初始节点特征；

5、s3、基于所述初始节点特征和所述工艺知识图谱中的多类型关系，构建改进的关系图卷积神经网络模型r-gcn，并引入关系尾实体类型约束机制，对满足预设加工语义规则的候选三元组进行学习与推理，从而预测实体间的潜在关系；

6、s4、基于所述潜在关系，对目标零件执行特征到工序、工序到工序以及工序到制造资源的链路补全，生成面向目标零件的加工工序序列及对应的制造资源推荐结果，以实现冷启动零件的工艺规划与资源智能匹配。

7、在步骤s1中，构建包含实体类型、实体属性及实体间加工关系、约束关系和匹配关系的工艺知识图谱包括：

8、将制造工艺历史数据中的制造实体抽象为包括零件、特征、工序、机床、精度、粗糙度的多种类型的实体；

9、定义并构建所述多种类型的实体之间的加工、约束及匹配关系，以形成面向制造语义的工艺本体结构；

10、将多源异构的所述制造工艺历史数据，按照所述工艺本体结构映射为统一的三元组表示形式，并存储至图数据库。

11、在步骤s2中，提取实体的几何属性、工艺属性、质量属性及资源属性包括以下至少一种：零件特征的驱动尺寸、精度等级、表面粗糙度、加工时间、能耗及成本。

12、在步骤s3中，对满足预设加工语义规则的候选三元组进行学习与推理包括：采用基于链路预测的关系图卷积神经网络模型，对所述工艺知识图谱中的潜在关系进行学习与推理，以实现面向制造场景的基于链路预测的资源推荐。

13、进一步，构建改进的关系图卷积神经网络模型r-gcn采用实体类型嵌入、预训练属性特征投影、多关系卷积和局部子图采样的方式进行关系图卷积神经网络模型的训练，并引入关系尾实体类型约束机制；所述关系尾实体类型约束机制通过预先建立关系-允许尾实体类型映射表实现，在模型训练阶段根据当前关系对负采样候选尾实体进行类型过滤，在解码阶段对候选三元组的打分结果施加类型掩码或过滤，仅保留满足预定义实体类型约束的候选尾实体，以确保预测结果满足加工语义规则并使推荐的制造资源与加工工序要求相匹配。

14、所述链路预测使用distmult评分函数对候选三元组进行打分，实现工序关系的补全、工序与机床匹配预测以及特征到工序的推理，进而自动生成加工路线。

15、在步骤s3中，所述预测实体间的潜在关系包括：

16、工序与制造资源之间的匹配关系预测、零件特征到加工工序的语义关联推断、以及缺失加工知识的自动补全中的至少一种；

17、所述生成面向目标零件的加工工序序列及对应的制造资源推荐结果，是基于所述预测的潜在关系，通过链路补全自动生成。

18、在步骤s4中，所述生成面向目标零件的加工工序序列及对应制造资源推荐结果包括：推荐可用制造资源，并估计加工时间、能耗和成本。

19、所述生成面向目标零件的加工工序序列及对应的制造资源推荐结果之后，还包括：

20、结合以加工时间、加工成本和单位能耗为优化目标的多目标优化算法，以及包含工序先后约束、加工优先级、设备负荷状态、设备可用性和精度满足性规则的规则引擎，对所述加工工序序列及制造资源推荐结果进行筛选，以得到适应动态生产环境的最终工艺规划方案。

21、本发明的另一目的在于提供一种基于知识图谱的制造资源推荐与工艺规划推理装置，该装置通过所述基于知识图谱的制造资源推荐与工艺规划推理方法实现，该装置包括：

22、图谱构建模块，用于构建工艺知识图谱，所述工艺知识图谱以三元组形式存储制造工艺历史数据中的实体及实体间的关系；

23、特征处理模块，用于基于所述工艺知识图谱，提取其中实体的属性特征并进行向量化表示，以生成图神经网络的初始节点特征；

24、关系推理模块，用于基于所述初始节点特征与工艺知识图谱中的关系，利用关系图卷积神经网络模型进行学习与推理，以预测实体间的潜在关系；

25、规划生成模块，用于基于所述预测的实体间的潜在关系，生成面向目标零件的加工工序序列及对应的制造资源推荐结果。

26、结合上述的所有技术方案，本发明所具备的有益效果为：

27、第一、本发明基于知识图谱的制造资源推荐与工艺规划推理方法，通过知识图谱建模与图神经网络进行链路预测，将零件、加工特征、工序、制造资源、精度等级和表面粗糙度等对象及其关系统一组织为可计算的语义网络，并将实体属性与关系信息联合输入推理模型，提高了制造工艺知识的表达能力和复用能力。现有原型中已将ra、it、直径、长度、模数、齿数、倒角、凸台半径、壁厚、腔体半径、中心距、阶梯尺寸、油口编码等属性统一映射为结构化特征，同时覆盖平面、型腔、内孔、通孔、阶梯孔、齿轮以及多类加工设备资源实体。实现加工工序与制造资源的智能关联与推荐。

28、第二、针对现有技术中关系预测结果可能不符合实际加工语义的问题，本发明在r-gcn推理过程中引入关系尾实体类型约束机制，将制造语义规则嵌入模型训练和解码过程，能够降低不合理工艺关系和错误资源匹配结果的输出概率，提高推荐结果的工业可执行性。本发明能够高效表达复杂工艺知识结构，解决冷启动零件难以规划、工艺数据异构难以融合、资源推荐效率低等问题。

29、第三、本发明可降低工艺规划对资深工艺工程师个人经验的依赖，缩短新零件工艺制定周期，提升制造资源匹配效率和设备利用率，尤其适用于小批量、多品种、定制化制造场景。本发明将工艺知识图谱、关系图卷积神经网络和制造语义约束机制进行一体化融合，可补强现有方案在工业语义约束和冷启动推理结合方面的不足。本发明解决了制造领域长期存在的多源工艺知识难以统一表达、新零件工艺路线难以快速生成、制造资源匹配结果容易依赖人工经验且缺乏一致性等技术难题。本发明突破了工艺规划必须依赖人工规则库或历史相似案例才能有效生成方案的传统思路，证明了在制造语义约束条件下，知识图谱与图神经网络联合推理同样能够生成具有可执行性的工艺路线和制造资源推荐结果。