航空制造知识图谱构建研究综述
邱凌，张安思Il，李少波ble，张仪宗，沈明明2，周鹏d
（1.贵州大学a.计算机科学与技术学院；b.公共大数据国家重点实验室；c.机械工程学院；d现代制造技术教育部 重点实验室，贵州550025;2.贵州师范大学机械与电气工程学院，贵州550025)
摘要：目前航空装备制造企业的设计、制造相关流程中积累了大量数据，基于如识围谱技术可以对这些数据进行有效融合与管理，对不断更新的制造如识进行挖据，将为航空制进企垂智慧化升级提供有力的如识支撑.为探明知识图谱在航空制造领域的理论支撑体系与实除应用情况，先通过文献调研分析航空制进如识图谱架构、定义及特点： 其次阐明知识图谱领域构建过程中的植心技术并进行研究综述，对比航空制造如识围谱与通用如识围谱构建技术上的异同，并结合综述情况提出了三个切合实除的航空制造如识围谱应用方向及其解决方案：最后对未来航空制造知识图谱的挑战进行了分析及展望，希望能为后续谊领域的研究提供一些思路.
关键词：航空制造：如识图谱：前景展望：如识推理：研究综述中图分粪号：TP3doi: 10.19734/j.issn.1001-3695.2021.09.0367
Advances in building knowledge graphs for aerospace manufacturing
nouz u uus ‘uozi uz qoqous ！ suy uz npo fo popg o ~ ig fo aog y s q *op ag a fo pops 1)Engineering d. The Key Labatory of Moder Mafacring Techology of the Minisry of Edcation Gizho Uersity Guihos 550025 Chin; 2. Schoof of Mehanial & Elral Eegineering Guizh Normal Uiversity Guihou 025 Chine)
up po pmm ss u d and mafacturing-related processes. Based the kowledge graph techlogy thee data can be fetively intgrated and managed and the manufacturing knowledge that is continuously updated can be mined which will provide powerfulknowledge suppot for the wisdom upgrade of aviation manufacturing enterprises. In order to explore the theoretical supportarchitecture definitin and characteristics of aviation mafacturing knowldge graph through literatue reearh; secondly system and practical application of knowledge graph in the field of aviation manufacturing. Firstly this paper analyzes theelucidate the core techologies in the process of costrcting the knowlede gaph dmain and conduct a research review then pare the similarities and differences in the construction technologies between the aerospace manufacturing knowledge graph and the general knowledge graph and in the light of the review proposes three practical directions for theapplication of the aerospace manufacturing knowledge graph and its solutions; finally the end of the article states thechallenges of the future aerospace manufacturing knowledge graph and foreseen and hope to provide some ideas for the subsequent research in this field.
Key words: aerospace manufacturing; knowledge graph; prospets; knowledge reasoning; research review
社会经历了数次生产力革命，多次改变了社会结构，由万维联提供了技术支持，让Web3.0提出的“知识网络“不再虚无 网技术的发展引发的信息革命是最近一次的生产力革命.过螺缈.去万维网第一纪元的主要特征为文档互联，而万维网第二纪元的主要特征为数据互联为，现在人类即将走近一个薪新 的以知识互联为特征的万维网第三纪元口.
随着自然语言处理技术以及Web技术的快速发展，人类整个相互关联的人类的认知世界，为基于互联网的知识互
谷歌在最初于2012年正式提出了知识图语的概念，其便用户的搜索体验得到更好地满足.与传统知识库相比，知 最初是想利用知识图谱提高搜索引擎的搜索效率及能力，以识图谱主要具有以下优点：1)更丰富的语义关系，知识图谱须克服互联网来源众多的异质性和内部结构不紧资这两类巨算机理解物理世界的关键：2）更高的知识质量，知识图谱的大挑战.在这一时期，知识图谱以其高效的语文处理能力和知识来源是多样的，不同的数据源可以交叉测试：3）可视化开放式连接的特点进入人们的视野，能够更立体生动地展现凹，知识图谱支持可视化显示，为人机交互提供了极大的方
为了实现知识互联的目标：为了创建一个人类和电脑都能知晓其中含义的互联网，并使互联网更加智能，科学家必直接用连线表示实体之间的关系，丰富的语义关系是帮助计
便.目前，知识图谱已在医疗、财经、网络销售、教育等行业得到了广泛应用，且获得了巨大的成功，因此，研究航空制造领域的知识图谱具有重要的理论意义和实用价值-然面， 由于航空工业知识的复杂性，其知识图谱的搭建以及合理使用变得极为困难，所以笔者有了动机撰写本文.
第二部分将以构建航空制造知识图谱的三个关键手段：知识 本文的第一部分将解析航空制造知识图谱的定义与框架：表示与抽取、知识融合和知识推理为线索，在前人研究的基础上介绍相关研究和技术细节：第三部分将浅析知识图谱在 航空制造领域的应用，并结合相关研究进行说明：第四部分将对整篇文章进行归纳总结，并提出研究航空制造知识图谱 问题的困难与挑战.
Fig. 2The relationship between generic domain and aerospace 图2通用、领域、航空制造知识图谱的关系manufacturing knowledge graphs
1 航空制造知识图谱概述
1.1航空制造知识图谱的概念
航空制造数据包括：航空专业知识、航空文献、工艺性能、装备设计数据、图纸、生产线、使用说明书、应用软件等.航空制造数据有如下四个特点：
航空制造知识图谱属于特定领域知识图谱，认识特定领之间的联系与区别.Exploiting Linked Date and Knowledge 域的知识图谱，首先需要清楚通用知识图谱与领域知识图谱Graphsin Large Orgarisaionm-书中这样闸明知识图谱是中物体的概念与被此联系，其最初由谷歌用于其核心业务搜 内部自成体系的信息库，利用象征语义的形式表示现实生活索引擎，实现高效的智能搜索，基于知识图谱的搜索功能如图1所示.知识图谱的本质其实就是展现实体之间语义关系 的图结构，揭示实体之间关系的语文网络"，而用来描述其内部概念相互关系的形式主要有资源的描述框架（ResourceOntology Language，OWL).目前通用知识图谱比比皆是，如 DescriptionFramework RDF）和网络的本体语言(Web国外研究领域的 DBpedial、YAGOi∞、Freebasel1，国内目DBpedial121、zhishimel13等，领域知识图谱也有许多项目落地， 前的通用知识图谱项目如OpenKG、中文知识图谱CN-例如欧盟重大联合攻关项目的医疗知识图谱OPENPHACTS，企业额域知识图谱的天眼查等等.
数据来源广泛：内部数据库数据、互联网数据以及第三方来源数据.
件)、半结构化数据（具有相关标记如网页）以及非结构化数据 数据类型复条：包含结构化数据（格式固定如数据库文（没有预先的组织方式如视频y1
并且数据模式会随着数据的增加而不停变化. 数据模式未定：模式必须在数据出现后才可以确定下来，
数据量巨大：如今大数据技术得到广泛应用，特定领域的数据轻而易举就能达到TB、PB甚至更高级别.
图3展现了航空制造数据的模型的特征，表1总结了航空制造领域中部分实体属性的特征.
图3航空制造数据特征模型
Tab. 1 Aribute haracteristies of demain knowledge in aviatioemanufacturing
属性类型 释义 基本构成 特征说明 规则约束的材科数据 工艺等 功能、工艺、配航空制造业产品从产品供销商提 足的属性 提供产品属性 航空设计制油生 产的产品数据 置环境、流程设计则制造的一系供使用说明手航空设计制造全 等 航空制造业零件从生产商提供详 列线格零件属性业生产的零件数 尺寸，糖型、参 数等 设计则制造的一系细参数及往意据 航空设计制造生 列线格 事项 生产线工作人工艺属性产等所用到的工 方法，描述，规航空设计制造采用 的工艺具体解析 员与设计障必航空设计制道全 艺要求 而享握的技能 设计制造应询评价指标业所用则的评价 限、功能 效用，使用期 零件具各的规格 定相应产昌要指标 求
航空制造业设计物理、化学、生航空设计制造活动材科供货育技材料属性制造过程中涉及产日期、使用中的材科以及所满都关规格婴求
图1知识图谱在搜索系统中的使用
Fig. 1 The use of knowledge graphs in search systems
通识知识图谱尽管包含了现实世界中的大量常识知识，涵盖面极广，但却可以形象地描述为服务于通识领域的结构 化的百科知识库，但其精确度不够高，主要着眼于知识的广度，本体库对公理、规则和约束条件的支持能力可以用来规范其实体、属性和实体之间的密切联系14.
额域知识图谱可以说是知识图谱的一个分系，不同于通用知识图谱，它专注于某一特定额域，通常用以帮助不同类型的深度和精度都有很高的要求51 的复杂的分析应用以及智能决策支撑，因此其对该额域知识
而航空制造知识图谱则是融合航空制造数据形成的知识图谱，其与之前两类知识图谱的关系如图2所示.
航空制造知识图谱对于知识的精度与深度要求很高，换句话说就是要求具有更细的知识粒度，知识粒度代表着基本知识单元的大小.不同领域的知识图谱对于知识粒度的大小 要求也不相同.在知识图谱技术融入搜索领域之后，能够通过目标问题中本体的相邻关系给出最符合的答案，说明本体航空制造知识图语更需要将知识划分成更小的粒度，更加 甚至本体的特征属性已经成为知识图谱的最小知识单元.而需要命名实体识别的精确度，加重了航空制造知识图谱构建难度.
构建航空制造知识图谱的主要目的是抽取海量的语义关系、转换为计算机语言的航空制造知识.
或者自项向下(top-down）的构建方法31.自底向上的构建方 构建知识图谱可以采用自底向上（button-up）的构建方法法是先对数据源进行知识抽取，将所得实体、关系以及属性等经审查合格之后加入到知识库中，而自顶向下方式首先创 建顶层概念本体，然后从数据源中抽取实体以及关系匹配并更新到最初建立的顶层本体中.由于领域知识图谱要求严苛因此领域知识图谱一般采用两者相互结合的方法进行构建 的知识专业性和准确性，同时又需要具备完整的本体层模型，[%，如图4所示，首先利用提取和总结的知识创建模式层，之后不断挖掘新的有价值的知识与信息选代模式层.
从知识获取层面看，领域知识图谱对知识的全面性和精确程度提出了更高的相关要求.这是由于行业中层级人员都是系统的客户对象.不同的用户需要的知识和功能也不 相同，这就对知识图谱的精度和完整性要求很高.严格的品谱科学性和准确性的关键所在，但也不能完全由专家来负责 质要求自然就需要更多的专家权或组织，这也是领域知识图构建.所以，如何构建一个质量较高、规模较大的领域知识图谱一直是一个难题，杨玉基等人则提出的“四步法”是一种 精准且快捷的领域知识图谱构建方法，它能够很好地平衡自动化方法和人工参与.由于航空制造知识图谱是为了航空制造专业领域面构建的，其应用复杂度自然更复条一些.
1.2航空制造知识图谱的构建框架
目前针对航空制造领域的知识图谱构建比较圆乏，在大潜藏在非结构化文本数据、半结构化表格数据、互联网网页 数据和信息技术飞速发展的今天，大量的航空制造行业知识和少数航空企业内部管理系统的数据库中，如果成功构建出完整的航空制造业知识图谱，从业者可以通过其功能强大的 应用界面，快速、通透地操作和维护航空制造知识图谱对于有关部门各类型数据的使用和内部数据的治理具有重大意文.
图4白项向下与白底向上结合的构建方法
Fig. 4Top-down and botom-up construction methods bined
而领域知识图谱的架构则可考虑目标额域所具有的独特因素，如航空制造产业具有完备的生产流程，所以其图谱架 构也应从此角度出发.如图5所示，本文基于航空制造全周期数据给出了航空制造知识图谱的构建模式结构.
图5基于航空制造全周期数据的知识图谱构建框架
Fig. 5 A framework for building knowledge graphs based on full-cycle data of aerospace manufacturing
知识成分的关联关系以及关联形式共同组成了航空制造领域知识的整体结构.所以要建立航空制造知识模型，必须基于航空制造领域特有的知识的分层体系、信息数据和知识 元结构，其过程如图6，将航空制造专业知识形式化成航空制造知识本体，结合特定化的航空制造特征知识归纳推理出知识结构最终进行模型化操作.
图6航空制造知识层次结构
Fig. 6 Aerospace manufacturing knowledge hierarchy
由于目前的知识图谱模型不足以表达航空制造业的知识，因此下文将对航空制造知识图谱构建过程中的三大关键技术： 1）知识抽取、2)知识融合、3）知识推理进行综述.航空制造知识抽取可从已有的结构化数据集、半结构化数据集以及非结构化数据集抽取实体信息、实体间关系以及属性等知识要素网： 利用知识融合来解决航空制造知识库中实体信息、关系以及属性等一系列代词和实体对象之间的模糊不清的问题，使知识图谱逻辑更为清晰、结构更为紧密：通过知识推理可以对 航空制造知识图谱不完整的知识进行补全同时能从已有信息中挖据更多有价值数据121.
2航空制造知识图谱构建关键技术
2.1航空制造知识表示与抽取
便在知识抽取、融合、推理过程中发挥作用，这对于航空制 航空制造实体中的语义信息可以以符号的形式存储，以造知识库的构建流程有重大意义.
技术取得了重大突破，现如今的知识表示方法主要分为利 这些年来人工智能、机器学习以及深度学习等智能学习用符号逻辑进行知识表示以及基于语义网络的知识表示方法. 目前对于知识图谱，一般而言采用第二种方法里的RDF 描述知识，形式上将有效信息表示为（主一谓一宾）三元组的结构，由于RDF具有完善的数据描述体系，不必再进行消歧， 有利于实现不同知识的互通性及标准化，而第一种方法面对规模庞大的领域知识库建设、面对具有挑战性的制造设计数据和装置数据时，仅作为辅助形式存在I1 RDF描述歼20及 其关系的形式如图7所示，不仅是字符串构成的符号，还包含了语义信息，阐明了主体与客体之间的关系.
Fig. 7 RDF's description of J-20 图7RDF 对歼 20的描述形式
对于最初航空制造企业内部浩如烟海的日志文件、设计说明、设备维修记录及百科数据，如要构建航空制造知识图
谱首先要进行知识抽取，其目的主要是从源数据中提取特定类型的信息（如实体、关系和属性），并将这些信息以特定的形样，知识抽取又可分成三个子任务（实体抽取、关系抽取以及 式表示和存储.如图8所示，根据知识抽取目标对象的不一属性抽取y²4
图8知识抽取方法
Fig. 8 Knowledge extraction methods
2.1.1实体抽取
实体抽取其关键目的是从目标文本范围中对命名实体进行检测并分类，实体作为组成航空制造知识库的原子信息元素，知识图谱的优劣将由命名实体识别的完整度以及精确度 直接决定.下面将对实体抽取的两种主要方法进行介绍：
（1）基于传统机器学习的实体抽取
有代表性的词打上语义标注，之后设计适用于该类型文本数 传统机器学习方法是利用具有象征性的训练文档，为所据的特征提取策略来训练一个分类器来自动标注数据的标签.Singh25等人利用基于约束的半监督学习，将指定的轻量级监 督注入到实体抽取的马可夫条件随机场（Markov conditionalrandomfield）模型中，实现了接近完全监督分类器的精度.
(2）基于深度学习的实体抽取
深度学习脱胎于机器学习领域，其建立、模拟人脑的运行模式进行分析学习的神经网络，很多学者尝试将深度学习LSTMCRFI2，LSTM能够使用以往的输入特征，CRF能 引入实体关系抽取中来.其中最具代表性就为够利用句向量的标注信息，两者组成一种端对端的判别式模Jaganmathal2T等人基于CRF的结构化学习模型和运归神经网 型，能够充分的结合未来以及过去的标注来输出现在的标注.络，扩展了LSTM-CRF模型，并对成对势进行了显式建模，提出了一种具有RNN势的跳链CRF推理的近似形式，实验 表明其对与实体抽取准确率有显著提升.
2.1.2关系抽取
通过实体抽取得到的实体之间通常没有关联且被分割开的，关系抽取的目标就是在已完成命名实体识别的基础上，挖据实体之间的关联关系，搭建起实体间内部的语义桥梁.
(1）基于模式匹配的实体关系抽取
关系抽取早期的研究是通过模式匹配算法（SchemaMatching)来完成识别实体的语义关系，实现关系抽取任务， 最初是用来设计数据库以及进行分布式数据库的研究291.语言学和自然语言处理学的知识在模式匹配的过程中起了关键作用，在进行实体关系抽取任务之前，通过人工构造实体的 特征词典或规则，并将它们存储下来.在实体关系抽取任务中，将规则与预处理后的非结构文本相匹配，提取出了三元关系组[29
张治3等人基于模式同态的框架，将模式匹配问题转换为泛代数学里的结构同态问题，在泛代数学的基确上建立模式匹配问题的描述架构和算法模型：邵垫D等人结合轻型领 域本体分析CGER标题，通过概念序列判别CGER，载入相应的额域知识库，从信息项中提取出结构化的知识，但这种方法要求规则和词典制作者必须具备该领域的较高的语言学 基确和对自然语言处理的深刻理解和研究，且难度大，耗时费力.
(2）基于统计机器学习的实体关系抽取
机器学习基于数据解决问题，该方法利用标注好的语料数据作为输入，模型输出为期望结果，不断提高模型的鲁棒性，然后再通过训练完成的模型对陌生语料进行实体识别， 其抽取方法可分为以下三种：
①有监督的关系抽取：其核心思想是将大量人工标注的抽取方法，其利用句法语义特征，基于支持向量机算法 数据送入模型中训练，甘图新团队提出了一种实体间关系(SVMSupport Vector Machine)，实验结果表明能有效地提高实体关系探测的效率和关系抽取的准确度.
②半监督或无监督的关系抽取：这类方法利用少量的人Mixture Model)等算法的半监督、无监督关系抽取方法实现关 工标注数据甚至没有标注数据，使用高斯混合模型（Gaussian系抽取，徐庆伶[3等人，将Co-training与Tri-training算法的思想相结合，采用两个不同参数的SVM分类器对非结构化 样本进行标记，在已标记样本集中加入置信度高的样本，进行选代学习和调整.Chen4等人提出了一种无监督关系提取算法，采用判别类别匹配(DCM）来寻找典型的和判别的词来 表示不同的关系，实验结果表明了该算法的有效性.
③远程监督的关系抽取：远程监督能够减少对标注数据抽取，Sum等人提出了一种基于强化学习的标签去噪方法， 的需求，因此被大量应用于从非结构化制造文本中进行关系利用提取网(ENET)和策略网络(PNET)两个模块组成的模型，将任务建模为一个选代过程，用于远距离监督关系提取，所 提出的方法可以胜过最新的关系抽取系统.
(3）基于深度学习的实体关系抽取
些如边缘模糊、计算量大之类的问题，对于提升模型的性能 利用统计机器学习的抽取方法会在特征提取环节存在一有很大程度的约束.学者们发现基于深度学习的方法在自动学习高阶语义特征的问题上有更高的准确度，所以近些年来 使用深度学习的实体关系抽取方法逐渐在实体关系抽取研究领域获得越来越多的关注.
(RNN，Recursive Neural Network)，在处理序列化输入时比前 ①利用RNN架构的实体关系抽取：递归神经网络算法馈网络更有效.Socherl36等人最早提出利用RNN进行实体关系抽取，其核心思想是对测试语料使用句法依存分析使文 本的原本顺序转变成解析树结构，之后对解析树的节点都分配一个向量以及一个矩阵，向量包含单词的内在含义， 矩阵确定其怎样改变其相邻的单词以及短句的含义.
②利用CNN架构的实体关系抽取：卷积神经网络（CNN，Convolutional Neural Networks)在实体关系抽取上有很好的 效果，但无法对长句子分析建模.Zhu1等人在2017年提出了一种提出TCA-CNN模型，采取注意力机制，根据构建句CNN在关系分类任务上与最先进的模型相比毫不逊色. 子表示时集中的语义关系对单个单词标注不同的权重，TCA
③利用LSTM架构的实体关系抽取：长短期记忆人工神经网络(LSTM Long Short-Term Memory network)可以通过与 聚类技术结合使用大幅度降低训练和测试时长，还对解决实体之间的长期依赖问题具有效帮助，孙紫阳等人提出了一种用以表示文本的基于最短依存路径思想的关系抽取方法， 基于LSTM门控单元的记忆功能保存最短依存路径的表达方式，之后利用CNN对LSTM的输出进行训练，提高分类模型能力-实验结果表明，该方法能够提升抽取性能及准确性. 2.1.3 属性加取
属性抽取的概念是对于航空制造实体而言的，如材料的属性包括性能、工艺、厂商等，通过属性可以让实体变得更 加完整，例如遥控无人机是可在室内或室外飞行，由于实体与属性的关系能够认为是两者之间的一种指代性关系，所以能够通过关系抽取的解决思路来解决.
2.2航空制造知识融合
2.2.1实体对齐
2.2.2语义融合
通过知识表示与抽取，初步获得了数量可观的形式化知识，但航空制造知识库中的知识来源驳杂，知识的质量良筹 不齐，来自不同数据源的知识容易重复并且知识之间的关联关系容易模糊，想要获得一个优秀的航空制造知识图谱需经过知识融合，通过知识融合以提升知识图谱的完整性以及 质量.如图9所示，目前知识融合方法主要有实体对齐、语文融合与信息融合，下面将从这三个方面进行综述.
图9知识融合方法
Fig. 9 Knowledge fusice methodology
们常吃的“土豆“也可以成为“马铃薯”，它们都代表同一个客 在现实世界里，一件事物往往会有多种称呼，比方说人观事物，在航空制造知识图谱中也会出现这种现象，而通过实体对齐就能够消去歧文，将这些名称指向同一客观事物.
基于传统概率模型的对齐方法是一种基于属性相似程度的成对相互比较的方法，没有将匹配实体对之间的关系纳入考虑，Newbel与Ivanl2把基于属性相似程度评分的实 体匹配问题转换成匹配分类问题（分为三类：匹配、能匹配以及不匹配的类型建立起概率模型，该模型为实体对齐方法作性相似性作为输入，输出为满足朴素自然属性的近义词，且 出了巨大贡献.Chakrabartil等基于一个同义挖据框架将属提出了两个新颖的属性相似程度计量法，并在必应系统上得到了实际应用，实验结果表明其对于识别同义实体非常有效. 但基于传统概率模型的对齐方法在实体对齐过程中会产生两种错误，一是相同实体被错误归为不相等，二是不同实体被着眼于这一观察，Verykiosl51等人提出了一种将决策成本降 错误归为相等，而且这两种情况错误的代价经常不相等，到最小的决策模型，其是基于传统模型再将不同的权重附加给不同的匹配状态，该模型能够在数据中存在不一致、错误 或缺失值的情况下，数据库记录对的匹配或连接问题的最优解决方案
Mudgal6等人对基于深度学习的实体对齐方法进行了综述，定义了深度学习在实体对齐领域的解决方法，并将这些解决方法分为了：注意力（Attention）、平滑倒词频（SIF， Smooth inverse frequency)、循环神经网络(RNN，Recurrentneural network)和混合（Hybrid）四种具体的表示.而在监督学(CART）以及矢量量化方法，将机器学习和统计技术结合起来 习方面，CochinwalaH等人使用经典的分类回归决策树算法进行实体的判别与分析，通过识别和消除余或无用的参数来降低匹配算法的复杂性.Baiyang等人研究了跨语言实体 对齐问题，提出了一种选代协同训练方法（Crea）来训练一对独立模型.这两种模型可以分别提取多语种知识图谱的属性和关系特征，该方法进一步过滤了动态阔值，增强了对两种 模型的监控能力.
过不同额域或视角获取到的数据，描述这些数据的每一个领 航空装备设计制造过程中产生的数据为多模态数据，通域或视角叫做一个模态H".对于多模态数据来说，模态内部具有一定程度的关联性，模态都可以为其余模态提供或 多或少的信息.基于语文的知识融合方法对于解决多模态数据融合问题有其独到之处，语义融合算法能够理解不同模态数据之间的特征关系以及每个模态数据的内在含义，利用人
