一种产品全生命周期工业知识图谱构建及语义补全方法与流程
本发明涉及产品全生命周期管理,尤其涉及一种产品全生命周期工业知识图谱构建及语义补全方法。
背景技术:
1、在工业产品全生命周期管理中,知识图谱被广泛用于整合设计、制造、运维等阶段产生的异构数据。当前构建工业知识图谱的方法依赖人工定义本体模式与规则模板,并借助自然语言处理工具从结构化或半结构化文档中抽取实体、属性及关系。由于工业数据源涉及多个业务系统,不同系统对同一实体或属性的命名规范、度量单位、状态描述往往存在差异,同时同一术语在不同阶段也会承载不同语义,进而导致抽取过程中频繁出现知识要素的冲突与歧义,例如相同设备编号被赋予不同型号属性,或同一工艺参数在时间维度上呈现矛盾取值。现有技术通常采用后验的规则校验或人工审核处理上述问题,但校验规则需要预先穷举所有冲突模式,而人工审核则难以应对海量数据规模,使得冲突检测的覆盖率和时效性严重不足,且无法自动区分歧义的类型并给出消解策略,最终造成图谱中事实陈述的不一致。
2、在语义补全方面,已有推理方法多依赖结构化三元组,对非结构化文本、视觉信息、时序证据与工艺约束利用有限,缺少综合置信度约束下的结构化推理补全机制。多源证据的可信程度、时空条件、阶段依赖与冲突关系未得到统一建模,错误补全结果容易沿图谱扩散。产品工况变化、设备更新与工艺调整引起知识动态演化,跨模态一致性与时效维护困难。图谱构建与语义补全相互影响,构建阶段遗留的语义歧义和关系缺失加重补全负担,补全阶段引入的错误反向污染图谱结构,导致工业知识图谱构建准确率与语义补全率下降,难以满足故障诊断、运维决策等应用需求。
3、中国专利公开号cn122713387a公开了基于大语言模型增强的地质灾害知识图谱构建方法及系统,包括:采集与隧道地质灾害相关的多源异构数据,经数据预处理后,提取地质灾害实体及其属性与关系,构建初始知识图谱;搭建地质灾害的结构约束规则库和灾害演化链规则库,基于规则库对初始知识图谱进行缺失知识识别,并构造知识候补空间;以知识候补空间为先验约束,根据初始知识图谱,利用大语言模型推理生成缺失知识的候选补全内容;对候选补全内容进行结构合法性、灾害演化链一致性和语义一致性校验,根据校验合格后的内容更新初始知识图谱,得到优化的地质灾害知识图谱。该方案只是对缺失知识进行规则约束与语义校验下的补全,难以实现跨模态知识要素间的关联分析与综合置信度约束下的结构化推理补全,降低了工业知识图谱构建的准确率和语义补全率。
技术实现思路
1、为此,本发明提供一种产品全生命周期工业知识图谱构建及语义补全方法,用以克服现有技术中难以实现跨模态知识要素间的关联分析与综合置信度约束下的结构化推理补全,降低了工业知识图谱构建的准确率和语义补全率的问题。
2、为实现上述目的,本发明提供一种产品全生命周期工业知识图谱构建及语义补全方法,包括以下步骤:
3、s1、对工业产品的运行状态进行采集,得到工业产品全生命周期数据,并对工业产品全生命周期数据进行预处理,得到预处理数据;
4、s2、基于预处理数据确定可用特征提取器列表,对预处理数据中的各个知识要素进行特征提取,并将各模态的初始特征向量线性变换至统一目标维度,对目标维度特征向量进行加权,并根据各个知识要素的产生时刻对加权特征向量进行时序编码,确定属于同一工业对象的不同知识要素之间的跨模态相似度矩阵,并根据跨模态相似度矩阵和预设特征权重规则对时序增强特征向量进行加权聚合,得到相似度分析结果;
5、s3、根据相似度分析结果确定属于同一工业对象的候选知识要素集合,并对候选知识要素集合进行冲突检测,得到冲突检测结果,并基于冲突检测结果对候选知识要素集合进行筛选,得到目标知识要素集合;
6、s4、基于目标知识要素集合构建基础实体层,并根据基础实体层中实体之间的结构组成关系和时序先后关系构建领域关系层,根据基础实体层和领域关系层建立实体之间的多维语义关系,得到初始知识图谱;
7、s5、通过初始知识图谱对缺失属性的实体和缺失关系的实体对进行结构约束推理,并根据初始知识图谱中已知实体之间的关系路径确定已知实体对之间的路径特征向量集合,对缺失关系的实体对进行关系候选类型预测,并根据补全候选集中各候选补全结果的跨模态匹配分数、图结构一致性分数、工业规则符合度、历史案例相似度和数据来源可信度确定综合置信度,并基于综合置信度和预设多重约束规则对补全候选集进行校验,得到校验通过的候选补全结果和未通过校验的待审核候选知识;
8、s6、根据校验通过的候选补全结果对初始知识图谱进行语义补全,得到语义补全后的知识图谱,并将未通过校验的待审核候选知识标记为待人工复核状态;
9、s7、根据预设版本标识和有效时间区间对语义补全后的知识图谱进行版本迭代,得到迭代后的实体和关系,并对迭代后的实体与关系之间的关联度进行置信度标记,得到更新后的知识图谱。
10、本技术的技术原理在于:通过对工业产品全生命周期数据进行预处理后,针对同一工业对象的结构组成、功能属性、运行状态及时序过程等不同知识要素,分别设计异构特征提取通道,将文本描述、数值参数、状态序列等跨模态信息映射至统一向量空间;在此基础上,根据预设特征权重规则计算不同知识要素间的综合相似度,以判定属于同一工业对象的候选知识要素。对候选集合执行冲突检测,将存在不可调和冲突的要素予以剔除,通过筛选得到一致性的目标知识要素集合。基于目标知识要素集合构建基础实体层,再根据实体间固有的结构组成依赖关系与生产时序先后关系建立领域关系层,从而形成带有初始语义关联的知识图谱。对于知识图谱中属性缺失的实体或关系缺失的实体对,利用图结构中的路径约束、类型约束与基数约束进行推理,再经综合置信度和预设多重约束规则筛选候选结果,将通过校验的候选补全结果用于知识图谱补全,未通过的转入人工审核。同时,为每次补全或编辑操作赋予版本标识并设定有效时间区间,使知识图谱在时间维度上可分版本管理,每次迭代后重新计算实体与关联关系的置信度并予以标记,实现知识图谱的可追溯动态更新。
11、与现有技术相比,本技术的有益效果在于:通过对属于同一工业对象的不同知识要素进行分层跨模态特征提取与相似度分析,能够将分散于多源异构数据中的同一对象知识要素有效聚合,避免因数据分散导致的知识碎片化问题。通过在特征处理阶段确定可用特征提取器列表,将各模态初始特征向量线性变换至统一目标维度后进行加权,并结合知识要素产生时刻进行时序编码,构建同一工业对象不同知识要素的跨模态相似度矩阵,按预设特征权重规则对时序增强特征向量加权聚合得到相似度分析结果,可有效实现多模态工业知识的时序对齐与跨模态关联匹配。通过对候选知识要素集合进行冲突检测与筛选,能够自动识别并剔除知识融合过程中产生的矛盾或冗余信息,确保目标知识要素集合的一致性与准确性。通过根据结构组成关系和时序先后关系构建领域关系层并建立多维语义关联,能够使初始知识图谱不仅包含实体本身还包含实体间的多层次语义连接,增强知识图谱的结构化表达能力。通过初始知识图谱对缺失属性实体和缺失关系实体对进行结构约束推理,结合已知实体间关系路径确定路径特征向量集合,对缺失关系实体对进行关系候选类型预测,综合跨模态匹配分数、图结构一致性分数、工业规则符合度、历史案例相似度和数据来源可信度计算综合置信度,按预设多重约束规则校验补全候选集,输出校验通过的候选补全结果与待审核候选知识,能够在保证补全结果可靠性的前提下实现图谱的自动语义补全,将未通过校验的候选知识标记为待人工复核状态则兼顾了自动化效率与人工审核的准确性。通过根据预设版本标识和有效时间区间进行版本迭代并对迭代后的实体与关系之间的关联度进行置信度标记,能够使知识图谱随产品生命周期推进而动态演进,确保各版本实体与关系的时效性及关联可信度可追溯,进而提升了工业知识图谱构建的准确率和语义补全率。
12、进一步,所述s1包括以下步骤:
13、s11、根据预设采集频率和预设采集通道从工业产品的各监测节点采集原始运行状态信号,并对原始运行状态信号进行模数转换,得到数字化运行状态信号;
14、s12、基于数字化运行状态信号中各信号分量的时域特征和频域特征对数字化运行状态信号进行噪声分量识别,得到噪声标记信号分量,并根据噪声标记信号分量对数字化运行状态信号进行滤波处理,得到滤波后运行状态信号;
15、s13、根据预设时间窗口长度和预设滑动步长对滤波后运行状态信号进行时间窗口切分,得到各时间窗口对应的窗口信号段,并对所述窗口信号段进行缺失值检测,得到缺失值检测结果,根据缺失值检测结果对窗口信号段进行数据填补,得到填补后信号段;
16、s14、对填补后信号段进行异常值检测,得到异常值检测结果,并根据异常值检测结果对填补后信号段进行异常值修正,得到预处理数据。
17、本方案中,通过预设采集频率和预设采集通道采集原始信号并模数转换,识别并滤除噪声分量,再按时间窗口切分并填补缺失值,最后检测并修正异常值,获得完整准确的预处理数据,提升了运行状态信号的质量。
18、进一步,所述s2包括以下步骤:
19、s21、根据预处理数据中各个知识要素的模态类型确定各个知识要素对应的特征提取器,得到特征提取器候选列表,并根据特征提取器候选列表中各特征提取器的可用状态标识对特征提取器候选列表进行筛选,得到可用特征提取器列表;
20、s22、根据可用特征提取器列表中各特征提取器的输出维度对预处理数据中的各个知识要素进行特征提取,得到各模态的初始特征向量,并对各模态的初始特征向量进行线性变换,得到目标维度特征向量;
21、s23、根据预处理数据中各个知识要素的来源标识对目标维度特征向量进行加权,得到加权特征向量,根据预处理数据中各个知识要素的产生时刻对加权特征向量进行时序编码,得到时序增强特征向量;
22、s24、基于时序增强特征向量确定属于同一工业对象的不同知识要素之间的跨模态相似度矩阵,并根据跨模态相似度矩阵和预设特征权重规则对时序增强特征向量进行加权聚合,得到相似度分析结果。
23、本方案中,通过筛选可用特征提取器并统一特征维度,对知识要素进行来源加权和时序编码,构建跨模态相似度矩阵并加权聚合,提升工业对象多模态特征融合的准确性与相似度分析结果的可靠性。
24、进一步,所述s3包括以下步骤:
25、s31、根据相似度分析结果对属于同一工业对象的候选知识要素集合中的各个候选知识要素进行实体类型识别,得到各个候选知识要素的实体类型标签,并根据各个候选知识要素的实体类型标签提取各个候选知识要素的实体属性值,得到实体属性值集合;
26、s32、基于实体属性值集合中各个实体属性值对应的语义类型对各个候选知识要素的实体属性值进行分类,得到分类后实体属性值,并根据分类后实体属性值对候选知识要素集合中的实体关系类型进行关系路径抽取,得到关系路径集合;
27、s33、根据候选知识要素集合中各个候选知识要素的来源标识对实体属性值集合和关系路径集合进行来源追溯,得到来源标记实体属性值集合和来源标记关系路径集合;
28、s34、通过来源标记实体属性值集合中各个实体属性值的数据类型,以及来源标记关系路径集合中各条关系路径的语义方向对候选知识要素集合中的实体属性值和实体关系类型进行冲突检测,得到冲突检测结果;
29、s35、根据冲突检测结果对候选知识要素集合中的实体属性值和实体关系类型进行筛选,得到目标知识要素集合。
30、本方案中,通过识别候选知识要素的实体类型并提取属性值,对属性值分类后抽取关系路径,追溯来源标记属性与关系路径,检测数据类型与语义方向冲突,筛选出目标知识要素集合,提升知识要素的准确性。
31、进一步,所述s4包括以下步骤:
32、s41、根据目标知识要素集合中各个实体的唯一标识符建立实体索引表,并根据实体索引表中各个实体的实体类型和实体属性值生成实体初始嵌入向量,得到实体初始嵌入向量集合;
33、s42、根据实体初始嵌入向量集合中各个实体初始嵌入向量对应的语义距离对目标知识要素集合中的实体进行聚类,得到实体聚类结果,并根据实体聚类结果确定各个实体之间的结构组成关系,得到结构组成关系集合,根据目标知识要素集合中各个知识要素的产生时刻确定各实体之间的时序先后关系,得到时序先后关系集合;
34、s43、基于结构组成关系集合和时序先后关系集合构建领域关系层,并根据实体初始嵌入向量集合和领域关系层中的关系类型建立实体之间的多维语义关系,得到初始知识图谱。
35、本方案中,通过建立实体索引表并生成初始嵌入向量,聚类分析结构组成关系,结合时序先后关系构建领域关系层,建立多维语义关系,形成初始知识图谱,增强知识组织的结构性和时序性,提升初始知识图谱的语义表达能力和整体关联精度。
36、进一步,所述s5包括以下步骤:
37、s51、根据初始知识图谱中已知实体的属性分布确定已知实体的属性统计特征,并根据属性统计特征向量对初始知识图谱中缺失属性的实体进行属性候选值生成,得到属性补全候选集合,根据初始知识图谱中已知实体之间的关系路径确定已知实体对之间的路径特征向量,得到路径特征向量集合;
38、s52、根据路径特征向量集合对初始知识图谱中缺失关系的实体对进行关系候选类型预测,得到关系补全候选集合,根据属性补全候选集合和关系补全候选集合确定补全候选集;
39、s53、根据补全候选集中各个候选补全结果的跨模态匹配分数、图结构一致性分数、工业规则符合度、历史案例相似度和数据来源可信度确定各个候选补全结果的综合置信度,其中,各个候选补全结果的综合置信度的数学表达式为:,式中,表示第个候选补全结果的综合置信度,表示跨模态匹配分数的权重系数,表示第个候选补全结果的跨模态匹配分数,表示图结构一致性分数的权重系数,表示第个候选补全结果的图结构一致性分数,表示工业规则符合度的权重系数,表示第个候选补全结果的工业规则符合度,表示历史案例相似度的权重系数,表示第个候选补全结果的历史案例相似度,表示数据来源可信度的权重系数,表示第个候选补全结果的数据来源可信度,;
40、s54、根据所述综合置信度和预设置信度阈值对补全候选集进行初筛,得到初筛后候选集,并根据预设多重约束规则对初筛后候选集中各候选补全结果进行约束校验,将所述综合置信度不小于所述预设置信度阈值,并且通过全部约束校验的候选补全结果标记为校验通过的候选补全结果,将所述综合置信度小于所述预设置信度阈值,或者未通过任一约束校验的候选补全结果标记为未通过校验的待审核候选知识。
41、本方案中,通过知识图谱实体属性统计特征与实体对路径特征分别生成属性补全候选集合及关系补全候选集合,融合多维度评价维度求取候选补全结果综合置信度,结合置信度阈值与预设多重约束规则完成候选补全结果分层筛选校验,提升知识图谱补全结果的合理性与可靠性,降低错误补全内容输出概率。
42、进一步,所述s6包括以下步骤:
43、s61、根据校验通过的候选补全结果中的实体标识符和关系标识符在初始知识图谱中定位待更新节点和待更新边,得到待更新节点集合和待更新边集合,并根据校验通过的候选补全结果中的属性值对待更新节点集合中各个节点的属性进行赋值,得到属性更新后节点集合;
44、s62、根据校验通过的候选补全结果中的关系类型对待更新边集合中各条边的关系类型进行更新,得到关系更新后边集合,并基于属性更新后节点集合和关系更新后边集合确定更新后子图,将更新后子图合并至初始知识图谱中,得到语义补全后的知识图谱,并将未通过校验的待审核候选知识标记为待人工复核状态;
45、s63、基于语义补全后的知识图谱中被标记为待人工复核状态的待审核候选知识生成待审核清单,并根据待审核清单中各个待审核候选知识的来源标识和产生时刻建立审核追踪记录,并将审核追踪记录关联存储至语义补全后的知识图谱的元数据层中。
46、本方案中,通过更新节点属性与边关系类型生成更新后子图并合并至初始知识图谱,完成语义补全,将未通过校验知识标记待人工复核并生成审核清单,建立审核追踪记录存储至元数据层,实现知识图谱自动更新与人工复核的有效衔接,保障补全结果的准确性和操作可追溯性。
47、进一步,所述s7包括以下步骤:
48、s71、根据预设版本标识和有效时间区间对语义补全后的知识图谱中的实体和关系进行版本有效性检查,得到各个实体的版本有效状态和各个关系的版本有效状态,并对数据更新事件的影响范围进行分析,得到影响范围标记;
49、s72、基于各个实体的版本有效状态、各个关系的版本有效状态和影响范围标记在语义补全后的知识图谱中匹配受数据更新事件影响的实体和关系,得到受影响实体集合和受影响关系集合;
50、s73、根据数据更新事件中的新属性值对受影响实体集合中各个实体的属性进行版本迭代,得到迭代后实体,根据数据更新事件中的新关系类型对受影响关系集合中各个关系的关系类型进行版本迭代,得到迭代后关系;
51、s74、根据数据更新事件的来源类型确定来源可信度初始值,并根据数据更新事件的变更范围确定变更范围系数,根据来源可信度初始值和变更范围系数确定受影响实体集合中各个迭代后实体,以及与受影响关系集合中各个迭代后关系之间的关联度置信度,并根据关联度置信度对迭代后的实体与关系之间的关联度进行置信度标记,得到更新后的知识图谱。
52、本方案中,通过版本有效性检查完成实体与关系状态判别以及更新事件影响范围解析,定位受更新事件作用的实体与关系,完成实体属性和关系类型的版本迭代,结合更新事件来源与变更范围完成关联度置信度标记,实现知识图谱可靠更新,保障图谱数据版本可控与关联置信结果准确。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com