英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
面向智能制造服务匹配的开放工业知识图谱开发
摘要：智能制造服务匹配需要制造知识的共享与整合。本文提出了一种开放工业知识图谱的协同开发方法，从四个方面收集知识。在此基础上，提出了一种分层的匹配方法，包括特征匹配、数值匹配和函数匹配。
关键字: 制造业，本体论，知识系统，语义学，协作，任务分析
第一节：引言
制造服务的智能匹配是协作制造的决策活动。 在当前的网络化制造环境中，基于Web的服务是企业通过Internet向客户传递其功能而无需担心地域限制的一种流行形式。 许多学者和组织都研究了制造服务模型，例如MSDL（制造服务描述语言）[1]，MSC（制造服务能力）[2]，ManuService [3]等。 将制造资源及其功能打包到Internet上发布的数字服务中，这一点已被广泛接受。 通过集成这些服务，公司可以为客户的要求提供整体解决方案。 因此，制造服务配对是一个关键问题。 选择合适和有效的服务可确保解决方案的可行性和客户满意度。因此，对接服务对服务描述有一些要求：
明确：制造服务应由计算机准确理解，以确保配对的准确结果。
可用性：制造服务描述应反映资源的实际能力和状态。
可扩展性：制造服务的表示形式需要保持统一的形式以支持可扩展性。
在这种情况下，传统知识库由于其知识共享，表示和刷新的限制而不再适合智能制造服务配对。知识图谱（KG）是一种新颖的知识库形式，具有语义处理和开放关联的特点。Google根据Wikidata 1开发知识图，Wikidata 1是一个开放的协作数据库，以人群采购的方式收集结构化数据。欧盟开发了一个开放的药理知识平台，名为Open PHACTS。在中国，已经建立了中文知识图[5]来管理开放域和特殊域。对于工业知识，如上所述和分析，很难由一个或几个人来构建工业知识图。智能制造服务配对需要集成和共享领域知识。因此，在本文中，为了实现制造服务配对，我们利用一个开放的开发平台来构建行业知识图。基于该知识图，提出了一个分层的匹配过程。
本文的其余部分安排如下：第2节介绍了有关工业知识库和制造服务配对的相关工作。第3节介绍了工业知识图的开放式开发平台的体系结构和关键技术。基于此开发平台 ，在第4节中提出了分层对接程序。最后，在第5节中总结了贡献。
第二节：制造行业知识库
知识库通常与CAD / CAPP / CAM系统相关联以支持制造活动。对于产品设计，已应用基于知识的系统（例如ICAD1，CATIA 2，Pro / E 3等）来辅助CAD系统，以提高产品设计过程中的智能性。CAPP作为产品设计和制造之间的关键环节，是一项知识密集型活动[5]。它在很大程度上依赖于熟练工人或领域专家的知识。 IPAPP [6]，APPS [7]，EXCATS [8]等许多领域专家也研究了CAPP中基于知识的系统。开发了CAM来直接使用计算机来帮助设备加工产品。数控机床是目前现代工业企业的主流设备。智能CAM系统（例如EdgeCAM 4）可以利用相关的制造知识，根据实时情况对加工过程进行最佳调整。
这些基于知识的系统在很大程度上提高了工业制造的智能性和自动化程度。
但是，CAPP的专家认为，由于缺乏表示实体的通用方法，CAPP系统的瓶颈之一是CAPP和CAD的脱节[9]。对于CAPP中的专家系统，代表，管理和利用人类专业知识也是一项挑战[5]。大多数知识库是专有的和专用的，在知识共享方面存在局限性。另外，由于数据结构和知识表示的多样性，很少在各个平台上使用它。
当前，已经广泛研究了制造业中的共享和形式化知识表示。提出了一种基于XML方法的元模型，为不同类型的数控机床提供了通用的抽象活动描述。基于这个元模型，车间知识可以在不同的CNC机器之间共享和重用[10]。提出了一种基于EXPRESS的制造服务能力描述，以支持基于云的协同制造下的互操作性[11]。开发了一种称为MSDL [1]的高级本体模型，用于描述供应商服务能力，以帮助企业之间的有效通信。 OWL（本体网络语言）是一种基于Web的知识表示语言，用于呈现模型。在此模型的基础上，定义了语义规则以对面向Internet的制造服务匹配[12]的人员专长进行建模。作者采用SWRL（语义Web规则语言）（它是OWL的扩展）来实现匹配的推理和推理模式。开发OntoSTEP [13]是为了在Web环境下智能检索和推理，从而将产品数据模型从EXPRESS模式转移到OWL模式。 ONTO-PDM的构建使产品数据管理的知识共享成为可能[14]。
这些模型为涉及各个方面的制造知识提供了可共享的模式。但是，它们在形式上是异类的，缺乏一种统一的机制来将它们聚在一起而没有语义冲突和歧义性，从而无法为制造活动提供智能解决方案。而且，知识需求是一个迭代和更新的过程，尤其是对于专业领域而言。一次获得整个图像非常困难。语义中介方法被认为将各种本体模型集成在一起以增强语义。它仅限于本体模型。因此，有必要寻找一种可共享的协作机制，以整合现有知识并不断收集新知识。
第三节：制造服务匹配
智能制造服务匹配是在给定的限制下选择合适的服务或服务组来完成请求任务。这是一个复杂的过程，包括服务发现和服务评估两个阶段，涉及多个方面，例如服务配置文件，QoS，环境因素，交付等[15]–[16] [17]。语义匹配可以避免在匹配过程中产生歧义，只要给相关概念和关系指定了定义表达式即可。
语义匹配的核心是通过使用各种参考对象（例如字典，语料库，图，现有领域本体等）来计算两个实体之间的相似度。基于字典的度量是计算实体中相同单词的数量 解释[18]，[19]。基于语料库的度量是对语料库中两个实体的共现次数进行计数[20]。这两种方法在很大程度上依赖于引用的完整性。 因此，可以认为匹配结果通常不够精确。与之相比，基于图的度量和基于本体的度量采用从结构化引用中获得的语义距离，从而提高了度量的准确性[12]，[21]，[22]。这两种方法的局限性是首先需要构造域实体。在我们的工作中，我们利用构造的知识图，将基于图谱的度量和基于本体的度量结合起来采用混合度量。
第四节：产业知识图谱的协同开发
A.知识图谱
知识图是基于图的知识表示，由节点和有向边组成。 知识图可以表示为一组三元组，如下所示：
K={(n,r,m)|n,misin;N,risin;R} 公式(1)
N表示知识节点的集合，它们是知识图中的实体。 R表示作为实体之间关系的一组链接。 三元组（n，r，m）表示两个知识节点n和m具有r的关系。 在知识图中，实体包括概念，实例或值。 关系是它们之间的联系，包括归类，对象属性，数据属性。
B.产业知识图谱的协同开发
在本节中，我们介绍一个协作开发环境，以构建用于制造服务匹配的工业知识图。 在此开发环境中，三种传统方法用于不同类型的数据源。
协作开发包括四个方面，如图1所示，它们是标准数据模型重用，领域知识学习，人工专家验证和应用程序反馈。 数据模型重用是指合并现有的授权数据模型。 在这个方面，这些模型可以采用各种格式，例如XML，EXPRESS，并且可以采用相同的本体格式等。对于不同的格式，需要使用模式映射机制将原始模型转换为本体版本。 对于同一对象，本体提供了合并外部模型的接口。 如前所述，合并模型的一致性需要检查，因为在不同模型中，事实可以两种形式表示，而两个事实可以用相同的概念定义。 在知识学习方面，数据挖掘和机器学习技术被用于从多种数据源（例如技术文档，数据库，网页等）中发现和学习知识。对于非结构性文档，自然语言处理（NLP）技术用于提取实体和关系。 对于结构数据，应用数据挖掘技术来发现数据之间的关联。 在人类专家方面，发现的知识由人类专家检查和验证。 作为一个非常专业的领域知识图谱，人类专家对于确保知识的正确性和正确性必不可少。 在开发环境中，需要用于人工编辑的界面。 通过这些界面，人类可以插入新知识或调整现有知识。 除了对专家的评估外，知识图谱还通过实际应用进行测试。 可以收集应用程序反馈以更新和评估知识图谱。 实际上，由于知识在应用过程中的更新和更新，工业知识图谱的建立过程是连续的和迭代的。
图1 产业知识图谱的协作开发
第五节：基于行业知识图谱的制造服务匹配策略
工业图谱是领域本体和实例的地图连接。 规则可以集成到本体模型中。在此基础上，提出了一种分层匹配策略，包括基于语义相似度的特征匹配，基于规则的数值匹配和基于任务分解的功能匹配。
匹配过程如图2所示。给定一个维修要求，假设它是零件加工，特征匹配是指根据工件特征的相似度来搜索相似工件的现有加工过程。 基于图谱的相似性度量用于计算相似性值。 如果搜索有结果，则执行数字匹配以通过规则推理来判断结果的可行性。 零件尺寸和机器规格之间的限制和约定被定义为规则。 如果特征匹配和数值匹配都不能满足要求，则基于任务分解进行功能匹配。 根据工业知识图谱，将原始任务分解为单个特征任务，以匹配相似的特征过程。 生成新的加工工况并将其作为新任务实例存储在知识图谱中。 最后，根据综合评估结果对匹配结果进行排序，其中综合考虑了成本，时间，QoS，能耗，交付等多个指标。
图2 对接尝试程序流程
第六节：原型系统
A.工业知识图的开放平台
开发了一个开放的IndKG平台，以各种方式收集工业数据资源，如图3所示。在该平台中，工业机器人本体最初是由手动编辑的。实例是人为插入的。CNC加工本体是通过在工业中转移基于EXPRESS的模式来实现的。某些模式被组合在一起，并检查了不相容性。通过导入Part 21文件自动添加个体。轴承诊断本体是通过使用诊断数据来开发的。 对不同类型的诊断数据进行分类以构建概念结构。当然，随着研究的进展，该平台将被越来越多的领域本体所充实，从而可以支持工业上更多的智能应用。但是，集成这些本体并消除不一致和冗余始终是挑战。
B.制造服务匹配系统
基于行业知识图，开发了制造服务平台。我们以螺柱加工要求为例。如图4所示，在平台上订购了一个图钉任务。螺柱的长度为90，螺纹类型为4H，公差为4h。匹配结果列出了能够处理零件的设备。在图5中，评估结果显示设备000134的得分为95，是其他产品中最高的。 因此，建议使用000134处理所需的任务。
图3 开放式工业知识图谱平台
图4 螺柱加工输入命令
图5 匹配结果
第七节 总结
开放的工业知识图谱为制造知识表示提供了图形和可共享的模式。它有利于共享和集成制造知识以支持智能应用程序。知识图的协作开发有助于从多种来源收集知识，涵盖现有数据模型，现有技术文档，网页，人类专家，历史应用记录等。在我们当前的进步中，基于图的知识库是 用于支持制造服务的语义匹配。 提出了一种经过尝试的匹配策略，包括特征相似度匹配，数值匹配和函数匹配。
致谢
这项研究得到了国家自然科学基金（批准号51675389），中国国际科技合作计划（批准号2015DFA70340）和湖北省技术创新专项重点资助项目（批准号2016AAA016）的支持。
参考文献
[1] Ameri F, Patil L. Digital manufacturing market: a semantic webbased framework for agile supply chain deployment[J]. Journal of Intelligent Manufacturing, 2012, 23(5): 1817-1832.
[2] Kulvatunyou B S, Cho H, Son Y J. A semantic web service framework to support intelligent distributed manufacturing[J]. International Journal of Knowledge-based and Intelligent Engineering Systems, 2005, 9(2): 107-127.
[3] Lu Y, Wang H, Xu X. ManuService ontology: a product data model for service-oriented business interactions in a cloud manufacturing environment[J]. Journal of Intelligent Manufacturing, 2016: 1-18.
[4] Wang C, Gao M, He X, et al. Challenges in chinese knowledge graph construction[C]//Data Engineering Workshops (ICDEW), 2015 31st IEEE International Conference on. IEEE, 2015: 59-61.
[5] Xu X, Wang L, Newman S T. Computer-aided process planning–A critical review of recent developments and future trends[J]. International Journal of Computer Integrated Manufacturing, 2011, 24(1): 1-31.
[6] Anwer N, Chep A. IPPA: a
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239272]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
