基于人机物知识图谱的制造过程智能质量控制方法

工程（英文） ›› 2024, Vol. 41 ›› Issue (10) : 256 -274. DOI: 10.1016/j.eng.2024.03.022

研究论文

王时龙 ^a ,
杨金翰 ^a ,
杨波 ^a ,
李东 ^b ,
康玲 ^a

作者信息 +

An Intelligent Quality Control Method for Manufacturing Processes Based on a Human-Cyber-Physical Knowledge Graph

Shilong Wang ^a^,^* ,
Jinhan Yang ^a ,
Bo Yang ^a ,
Dong Li ^b ,
Ling Kang ^a ,

Author information +

文章历史 +

Received	Accepted	Published
2023-06-28	2024-03-13
Issue Date
2024-10-01

PDF (10632K)

摘要

质量管理是企业持续关注的一个重要问题。获取复杂工业问题的正确解决方案至关重要，能够有效避免因回溯检测而导致的成本增加。本研究提出了一种基于人机物（human-cyber-physical, HCP）知识图谱的制造过程智能质量控制方法，这是一个系统方法，包括以下要素：基于人机物三元数据的数据管理和分类、人机物本体构建、知识抽取和人机物知识图谱构建，以及基于人机物知识的质量控制应用。所提出的方法基于人机物知识图谱实现了案例检索、自动分析和辅助决策，为质量控制提供了质量监控、检查、诊断和维护策略。在实际应用中，所提出的模块化和层次化人机物本体在知识共享和重用方面表现出显著优势。此外，人机物知识图谱实现了人机物数据的深度整合，并有效为、综合决策提供了支持。本方法已应用于汽车生产线和齿轮工程案例中，并通过部署的应用系统对本方法的有效性进行了验证。本文所提出的方法还可以扩展到其他制造过程质量控制任务中。

Abstract

Quality management is a constant and significant concern in enterprises. Effective determination of correct solutions for comprehensive problems helps avoid increased backtesting costs. This study proposes an intelligent quality control method for manufacturing processes based on a human-cyber-physical (HCP) knowledge graph, which is a systematic method that encompasses the following elements: data management and classification based on HCP ternary data, HCP ontology construction, knowledge extraction for constructing an HCP knowledge graph, and comprehensive application of quality control based on HCP knowledge. The proposed method implements case retrieval, automatic analysis, and assisted decision making based on an HCP knowledge graph, enabling quality monitoring, inspection, diagnosis, and maintenance strategies for quality control. In practical applications, the proposed modular and hierarchical HCP ontology exhibits significant superiority in terms of shareability and reusability of the acquired knowledge. Moreover, the HCP knowledge graph deeply integrates the provided HCP data and effectively supports comprehensive decision making. The proposed method was implemented in cases involving an automotive production line and a gear manufacturing process, and the effectiveness of the method was verified by the application system deployed. Furthermore, the proposed method can be extended to other manufacturing process quality control tasks.

关键词

质量控制 / 人机物三元数据 / 知识图谱

Key words

Quality control / Human-cyber-physical ternary data / Knowledge graph

引用本文

引用格式 ▾

Shilong Wang,Jinhan Yang,Bo Yang,Dong Li,Ling Kang,王时龙,杨金翰,杨波,李东,康玲. 基于人机物知识图谱的制造过程智能质量控制方法[J]. 工程（英文）, 2024, 41(10): 256-274 DOI:10.1016/j.eng.2024.03.022

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

随着客户对高质量产品需求的不断增加，质量保障已成为企业生存与发展的关键因素，也是市场开拓的核心要素。合理的质量管理对于提升产品质量、控制成本、增强市场竞争力、提供高利润具有重要作用。在20世纪，质量管理经历了三个阶段：检验质量控制（IQC）、统计质量控制（SQC）和全面质量控制（TQM）。IQC和SQC分别基于事后检验和抽样检测来实现预防，但它们已不再能够有效地保证和提高产品质量，且自动化和智能化程度不足。

质量控制是TQM的重要组成部分，而有效的质量控制技术和方法对实现TQM至关重要。信息技术的进步推动了数据处理与分析、智能诊断方法以及质量管理系统的改进。尽管制造过程数据和计算机性能得到了充分利用，但传统方法在智能化方面的表现仍不足。当前，随着第四次工业革命的推动，智能工业逐渐兴起，为质量管理带来了新的可能性，同时也提出了更高的质量管理要求[ 1‒ 3]。新一代人工智能（AI）技术的出现，使智能工业的制造系统具备了人、机和物能力，从而实现了深度信息感知、智能优化、自主决策、精确控制和高效执行[ 4]。因此，质量控制方法和质量管理系统的自动化与智能化需要不断提升，以构建具有自我感知、自我对比、自我预测、自我优化和功能自恢复特征的智能系统[ 5]。

统计过程控制（SPC）最早由Shewhart提出，被广泛认为是一种有效的质量控制工具[ 6]。SPC基于统计特征与目标之间的关联，通过预警系统对过程进行实时监控。近几十年来，随着研究和实践的发展，许多先进的控制图相继出现，如累积和控制图、指数加权移动平均控制图和综合控制图[ 7]。这些技术使SPC系统显著减少了每百万机会中的缺陷数量，并促进了工程过程控制（EPC）的应用[ 6]。EPC通过预反馈或反馈使用控制方程自动监控并频繁调整参数，因此需要准确地定义输入和输出并建立精确的数学或控制模型。然而，复杂的制造系统会生成大量具有高维性、动态性和不确定性特点的过程数据[ 8]。基于模型的方法（如SPC和EPC）已无法捕捉这些数据的深层次特征或特征之间的关系，从而实现更深入的优化和控制。

TQM是一种现代质量管理方法，促进了AI技术在质量控制中的应用[ 7]。深度学习、神经网络、支持向量机、遗传算法、机器视觉等多种智能算法被广泛应用于质量控制任务中，用于特征提取与识别、质量诊断和质量预测[ 9]。数据驱动的质量控制系统可以有效地学习和挖掘历史数据，构建代理模型，预测潜在的质量问题，减少对专家经验的依赖，并为企业提供更智能的参考[ 10]。研究表明，AI技术能够在不考虑原理的情况下捕捉制造过程中的复杂特征，表现出灵活性和鲁棒性。

尽管数据驱动的分析方法在很多场景下表现良好，但在处理不完整的信息、意外问题和综合处理场景中效果不佳，而专家系统在这方面具有优势。专家系统通过计算机符号表示专家知识，并通过类脑推理机器处理知识，从而整合数据与知识[ 11]。然而，传统专家系统的知识表示机制需要特定的数据结构，知识库通常由人类手动填充。当异构知识大量积累时，准确执行知识表示和高效推理的难度会影响知识的共享与复用。因此，领域本体（ontology）被广泛用于知识表示与开发，不仅能清晰地描述知识，还能使用推理机器进行知识推导。本体基础的知识图谱通过基于本体的模式组织多个异构概念及其节点间的关系，提供扩展性和可解释性[ 12]。近年来，许多关于质量控制的研究开始探索基于知识辅助的决策方法。现有研究表明，基于知识辅助的决策不仅有效降低了手动决策的依赖性，还增强了知识的共享和复用能力，提高了系统解决复杂问题的能力[ 13‒ 15]。

尽管IQC研究取得了显著进展，但数据驱动方法无法解决某些问题或进行推理，因此在完整的质量控制过程中仍需依赖专家。此外，知识驱动方法需要完整的知识库，而这是不可能实现的。知识和数据驱动方法的结合形成了新的协同方法路径，有望为复杂控制系统的研究与应用提供更广泛的空间。因此，本研究提出了一种基于人机物（HCP）知识图谱的制造过程质量控制方法。首先，提出了“HCP三元数据”这一新概念，在此基础上开发了HCP本体模型和HCP知识图谱的构建方法。随后，将用于质量控制的过程数据、专家经验和计算资源深度整合并存储在HCP知识图谱中。最后，通过推理机来处理、分析、诊断并决策质量问题。

本文其余部分的组织结构如下：第2节简要介绍了制造业知识图谱的现有研究；第3节描述了基于HCP知识图谱的制造过程质量控制方法框架，包括相关概念、方法和流程；第4节介绍了HCP本体模型及HCP知识图谱的构建过程；第5节解释了所提方法在实施质量控制中的应用机制；第6节验证了所提方法的应用效果。

2 相关工作

如第1节所述，将HCP本体融入质量控制任务是基于HCP知识图谱方法的一个重要问题。本节将对工业知识图谱中的基于本体的知识表示方法以及知识图谱在质量管理中的应用进行全面回顾。

2.1 知识表示与建模

工业知识图谱广泛应用于产品设计与开发、车间规划与调度、制造质量控制、设备故障诊断与维护等场景，如表1所示[ 14, 16‒ 17]。现代先进技术，如新一代人工智能、物联网（IoT）、传感器和信息物理系统（CPS）等的整合，推动了智能工厂中HCP知识的深度融合。此外，在不同应用领域生成的异构数据所体现的知识模式和粒度各异。由于参与者的个体行为、开发过程、工具或环境因素的影响，大多数早期的知识表示方法使用某些数据结构和语义描述，导致了互操作性较差[ 18‒ 19]。

在工业4.0时代，本体和基于本体的知识图谱已成为表示知识并支持集成与互操作的基本工具[ 20‒ 21]。早期的制造领域本体研究将制造问题与解决方案的案例和经验转化为制造场景资源的语义关联。Kitamura等[ 22]基于功能-行为结构框架，开发了一种面向功能知识的本体建模框架，用于描述人工制品的功能性。Prestes等[ 23]以通用术语定义了一个机器人与自动化核心本体，作为机器人和自动化领域的标准方法。对于更高层次的集成应用，集成现有本体和开发模块化本体为重用领域知识提供了机会。Cheng等[ 24]提出了一个包含基础、产品、过程、设备和参数五个维度的制造本体，采用模块化和可重用的方法覆盖了整个制造过程。此外，层次化的构建方法可以开发出具有任意维度和粒度级别的可扩展本体模型。Järvenpää等[ 25]采用具有概念层次和逻辑推理的本体进行语义建模，将资源模型导入能力模型，以获得一个通用的正式资源-能力本体，从而形成资源和能力之间的匹配关系。Lin等[ 26]提出了一种基于本体的分层和模块化资源统一描述模型，确保了资源描述的一致性和独立性，有效消除了资源异质性和整个生命周期数据的隔离。以往的研究揭示了模块化和层次化本体在制造领域知识（如资源、设备、过程和预测维护本体）上的实际效果，提出了各种描述性框架，以提供对制造领域复杂和多样化知识的统一表示，支持构建整个制造系统的知识图谱和实施复杂制造任务的决策过程。

2.2 知识图谱在质量管理中的应用

工业知识图谱的一个典型特征是对历史经验和案例的表示与存储。此外，借助推理机器的有效查询和相似性匹配能力，可以及时、准确和全面地提供解决制造问题所需的知识，从而帮助生成决策解决方案。

基于知识的质量控制需要一个完整且准确的知识框架，特别是在故障诊断和设备操作与维护等应用领域。因此，需要进行本体建模以获取理论知识和具体要素。Zhou等[ 27]提出了一种从表中提取和语义融合知识的方法，并构建了知识图谱以建立历史案例知识库，从而实现产品加工缺陷潜在原因的识别和推断。He和Jiang [ 28]验证了通过查询知识图谱明确问题现象、分析问题原因以及生成生产问题解决方案的实用性，并通过参数优化案例进行了验证。Zhou等[ 29]利用Java专家壳系统规则引擎建立了带有故障模式和效果分析机制的本体模型，以确定主要风力故障的原因。这些研究通过复杂的自然语言处理技术整合来自不同来源和形式的数据知识，支持企业高效访问所需的知识。然而，专业知识模型和框架在复杂决策应用中并未提供合理的共享性或重用性。

现有工业知识图谱的最显著特点是通过基于当前经验知识的案例相似性匹配来获取相同或高度相似的解决方案。基于案例的推理（CBR）和基于规则的推理（RBR）是专家系统和工业知识图谱的关键推理方法，尤其是在质量控制任务中。然而，CBR的故障诊断问题在缺乏相应案例时无法避免。此外，RBR在处理低频关联和低连接图（即稀疏数据案例）时表现不佳。由于对CBR和RBR能力的语义理解不足，提出了CBR和RBR的组合以促进本体推理。Tung等[ 30]开发了一种基于RBR和CBR混合方法的解决方案检索系统，称为基于规则的CBR（RCBR）。他们的实验表明，RCBR在降低时间成本和提高案例检索准确性方面的表现具有优势。Xu等[ 31]使用结合CBR和RBR的推理机器，在基于本体的故障诊断模型中执行案例检索，从而解决了在缺乏检索案例时的诊断失效问题。

此外，基于为特定制造问题提供的知识服务，查询条件或结果必须经进一步处理以应对复杂问题。在制造领域，结合知识和数据驱动方法的混合方法正在推进，以应对这一挑战。Zhou等[ 32]实现了一种混合诊断方法，将从信号中提取的特征语义映射到知识图谱中的实体。Chen等[ 33]提出了一种数据-知识混合驱动的气体路径分析方法，将从数据中提取的特征映射到知识图谱中。尽管上述研究显著提高了领域知识的完整性，并基于知识图谱提供了全面的决策能力，但使用知识图谱实现自动化和复杂决策仍然存在困难，如表2所示。为了填补这一空白，需要构建一个能够结合制造过程数据、经验和方法的知识图谱，以建立完整的知识框架并自动化驱动整个质量控制过程。

3 基于HCP知识图谱的制造过程质量控制方法框架

本研究提出了一种基于HCP知识图谱的制造过程质量控制方法，并引入了“HCP三元数据”的新概念，用于分类和管理领域理论、方法和制造数据。此外，还提出了一套系统方法论和关键技术。图1展示了基于HCP知识图谱的制造过程质量控制方法框架，包括数据层、HCP知识图谱层和应用层。

3.1 HCP三元数据的定义

信息技术、人工智能等新兴技术的快速发展，推动着人类技术、计算机技术和物理技术的融合。随着智能制造需求的不断增长，促进人、机、物数据的连接、协同和融合，有利于打造具有自学习、自适应和持续进化能力的智能工业。HCP数据的深度集成有助于实现智能、精细、高效的制造数据管理流程和更高的利用水平[ 4]。

生产数据的分析和管理是确保知识源有价值和可靠的基础。根据数据的特征和内在联系对数据进行分类和管理，有助于高效地管理和利用数据，并有利于结构化知识的完善和表达。此外，全面和结构化的知识描述框架有助于广泛的数据应用，解决复杂的制造决策问题。

在制造业中，人类在处理不确定信息的同时，也会产生大量的经验知识。计算机系统主要指计算机和计算资源，可以处理、计算和存储海量数据，但无法处理不确定信息。物的数据是从现有的物理对象中客观获取的，一般指生产设备的数据和生产过程中产生的数据，这些数据是人类做出决策和计算机进行计算的主要数据来源。

因此，知识图谱对于融合HCP本体以促进复杂制造环境中的智能数据管理和利用非常重要。在HCP三元数据中，人的数据、机的数据和物的数据的定义如下：

（1）人的数据是指在解决实际制造过程问题时积累的专家知识；它们通常在制造现场的加工记录、技术手册和经验笔记中观察到，这些数据主要是非结构化的。

（2）机的数据是指用于分析、识别、诊断和解决制造问题的算法、数学模型、方法和工具及其提取的特征数据，主要以半结构化和非结构化形式存在。

（3）物的数据是指生产过程中产生的设备运行参数和生产数据；这些数据主要是半结构化和结构化的。

3.2 数据层

数据层包括数据采集和管理机制，是数据库和知识库的来源。根据所提供的质量管理内容，数据主要包括质量监控、质量检验、质量诊断和维护策略信息等几个方面。生产过程质量数据主要有三个来源：生产现场、质量管理系统和文档。生产现场是最直接的数据来源，通过传感器、设备运行数据和生产记录生成数据。质量管理系统用于对原始数据进行预处理、计数、处理和分析，并获得完善的新质量数据。技术文件、基本设备信息、手册和设计文件也是关键的数据来源。

根据HCP三元数据的定义，制造过程质量数据分为三部分，用于构建HCP本体和知识图谱。人的数据主要体现在对质量问题、问题追踪和解决方案的描述和记录。机的数据指用于分析过程数据、产品质量数据、设备状态数据以及从多种异构数据中提取的各种特征的计算机算法和模型。物的数据是指从各种传感器、控制器和测试设备中获取的数据，这些数据通过许多数据属性和属性值来表示过程、产品质量和设备状态。

3.3 HCP知识图谱层

HCP知识图谱层包括三个关键步骤：本体构建、知识处理和知识图谱构建。HCP本体的构建基于专家经验，HCP知识图谱的构建采用自上而下的方式。HCP知识图谱采用分层和模块化的描述框架，对相关制造过程中包含的质量管理知识进行统一描述。利用复杂的自然语言处理、数据分析和处理技术，从HCP三元数据中提取HCP知识。这些HCP知识在语义上被映射到HCP本体中，并将本体模型实例化，从而获得HCP知识图谱。

3.4 应用层

应用层使用推理机来推理获得的HCP知识图谱。该推理机是基于图卷积网络（GCN）和本体推理开发的，同时具有可解释性和智能推算。通过将质量问题的现象和特征与匹配的历史案例进行语义关联，技术人员可以快速定位和处理质量问题。对于复杂的质量问题，可以对提供的数据进行分析，选择合适的方法或工具，提出并执行相应的解决方案，从而获得准确的诊断和解决方案。HCP知识图谱可积累和重用现有知识，帮助找出质量问题的原因，并提供解决这些质量问题的方法，同时更新知识库中新生成的知识。

4 HCP知识图谱构建

基于本体的知识图谱可以有效地存储数据和知识，并支持质量控制任务。因此，我们根据与质量控制相关的内容和特征构建了一个完整的HCP本体模型，还开发了一种有效的知识提取方法来自动构建HCP知识图谱。

4.1 HCP本体构建

制造领域知识图谱对知识的深度和准确性有很高的要求。一个适合人类和计算机理解的描述模型对于提高操作能力和人机交互能力至关重要。以HCP三元数据为基础，针对海量、异构和独立的制造过程质量数据，建立了统一的描述模型，即HCP本体。HCP本体的核心定义了质量控制领域的主要类、属性和层次结构。该框架提供了清晰准确的表述，同时确认了知识图谱的高度可扩展性和可重用性。HCP本体包括人、机和物模块。每个模块都包含分层描述的属性和相应的属性值，以保证输入知识的每个部分都能得到准确描述。最后，所有模块被融合为一个统一的描述框架。

人类知识包括与生产过程质量问题相关的客观描述和主观决定，其主要内容如图2所示。人类本体的核心包括质量管理内容的四个主要元素。如图3所示，“hPhenomenon”（现象）是核心，“hCause”（原因）、“hDiagnosticMethod”（诊断方法）、“hMaintenance”（维护）和“hPrevention”（预防）是内容；这种范式相当于“问题-原因-解决方案”模型。每个核心类都有相应的属性和值。例如，“hPhenomenon”包括描述性特征，如“hLocation”“hTime”和“hDegree”，以及特殊的“hAtrribute”，如故障代码。人类知识本体基于“中心概念-主要内容-属性-值”框架统一描述人类知识，使本体具有可扩展性和通用性。

如图4所示，机的本体是一个统一的模型，概括了质量控制过程中使用的工具和方法的核心要素。该抽象模型以“cOutputFeature”“cInputFeature”和“cParameter”作为面向用户的属性，并包括“cMethodType”和“cAttribute”等内在属性。

如图5所示，物的本体包括两个部分：生产资源实体和生产数据。实体类型由不同的关系和“pType”属性区分。所有实体都有三个方面的特征，即“pIntrinsicAttribute”（内在属性）、“pOperationalAttribute”（运行属性）和“pCondition”（条件），它们也是人工分析和计算机操作的数据源。

HCP本体模型整合了人、机和物组件，形成一个综合本体。图6显示，该模型表示了HCP各方面的知识及其相互关系。一个类的一个部分被映射到具有相应关系的另一个类。例如，人的本体中的“hLocation”和“hCauseLocation”被映射到物的本体中的“pEntity”。人的本体和物的本体中的所有属性和值都可用作机的本体的输入。如表3所示，集合{relations:Comparison}表示所有属性和值之间的关系。

综合本体模型定义了基本类、类间关系和相关属性。HCP本体使用Protégé本体编辑器构建，并补充了函数和公理。如图7所示，HCP知识图谱以owl:Thing为中心，分为三个HCP面板和分层概念类。

4.2 HCP本体中推理规则的开发

语义网络规则语言（SWRL）是一种语义规则描述语言，可以结合网络本体语言（WOL）本体所描述的概念，弥补OWL在规则描述和推理任务中的局限性[ 34]。通过调用已建立的本体和自定义的SWRL规则，SWRL可以进一步完善本体并定义本体术语之间的逻辑关系，直至形成合理的规则库。利用Protégé和SWRL规则开发的本体能有效增强推理过程，并允许各种推理引擎之间的互操作性，这一点已得到证实和深入研究；基本理论和实例也得到了详细研究[ 35‒ 36]。

在对本体模型的类和属性进行分析的基础上，介绍了所构建的SWRL规则。为了便于理解SWRL，下面介绍两个基本语法元素。

（1）

C (? x)

：如果 x是类 C的实例，或其数据属性

C (? x)

的值已经确定；

（2）

P ? x, y

：如果 x和 y与属性 P相关联，则

P ? x, y

是有效的。

∑ C i (? x)^∑ P j ? x, ? y → ∑ C m (? x)^∑ P n ? x, ? y

(1)

这一基本规则表明，我们可以通过已知实体和关系

∑ C i (? x)^∑ P j ? x, ? y

来分析实体或关系

∑ C m (? x)^∑ P n ? x, ? y

。例如，我们研究了推理规则（附录A）。

pEntity(HorizontalGirthWeldingMachine)^pType(WeldingMachinery)^pFunction(GirthWelding)^has_pType(HorizontalGirthWeldingMachine, WeldingMachinery)^has_pFunc(WeldingMachinery, GirthWelding) → has_pObj(GirthWelding, HorizontalGirthWeldingMachine).

这些规则有助于与HCP本体论三个部分中的实体进行交互，并有助于综合推理和决策步骤。基本要素和规则如下。

规则1：hPhenomenon(?hPhe)^hLocation(?hLoc)^hAttribute(?hAttr)^hAttrValue(?hAVal)^has_hLoc(?hPhe, ?hLoc)^has_hAttr(?hPhe, ?hAttr)^has_hAttrVal(?hAttr, ?hAVal)?has_hCau(?hPhe, ?hCau)^is_hCau_of(?hPhe, ?hCau)^has_hMeth(?hPhe, ?hMeth)^has_hMaint(?hPhe, ?hMaint)^has_hPrev(?hPhe, ?hPrev)^hCause(?hCau)^hDiagnosticMethod(?hMeth)^hMaintenance(?hMaint)^hPrevention(?hPrev)

规则1用于根据质量问题的描述匹配HCP知识图谱中的“hPhenomenon”，以获得其他概念，如“hCause”和“hDiagnosticMethod”。

规则2：hDiagnosticMethod(?hDiag)^hParameter(?hPara)^hParaValue(?hPVal)^has_hPara(?hDiag, ?hPara)^has_hParaVal(?hDiag, ?hPVal)^cDiagnosticMethod(?cDiag)^cParameter(?cPara)^has_cPara(?cDiag, ?cPara)^is_a(?hDiag, ?cDiag)?is_input(?hPVal, ?cPara)

规则2表示人的诊断方法属性与机的知识之间的映射关系。同样，规则3和4提供了HCP知识图谱中输入和输出特征之间的映射关系。

规则5：pEntity(?pEnt)^pIntrinsicAttribute(?pIAttr)^pInAttrValue(?pIAVal)^hLo-cation(?hLoc)^hPhenomenon(?hPhen)^hDiagnosticMethod(?hMeth)^hInputFeature(?hIFea)^cDiag-nostic-Method(?cMeth)^cInputFeature(?IFea)^locate(?hLoc, ?pEnt)^has_pInAttr(?pEnt, ?pIAttr)^has_pInAttrVal(?pIAttr, ?pIAVal)^has_hLoc(?hPhe, ?hLoc)^has_hMeth(?hPhe, ?hMeth)^has_hIpt(?Meth, ?hIFea)?input(?pIAVal, ?cIFea)

规则5用于通过检索现有的诊断方法来选择适当的诊断方法和输入特征。规则6、7和8与规则5一样，定义了为“pEntity”的其他特征选择诊断方法的推理过程。

规则9：pEntity(?pEnt)^pIntrinsicAttribute(?pIAttr)^pInAttrValue(?pIAVal)^cDiagnosticMethod(?cMeth)^cInputFeature(?cIFea)^has_pInAttr(?pEnt, ?pIAttr)^has_pInAttrVal(?pIAttr, ?pIAVal)^has_cIpt(?cMeth, ?cIFea)^isEqualTo(?pIAttr, ?cIFea)?input(?pIAVal, ?cIFea)

规则9定义了根据特征和数据比较选择适当诊断方法和输入特征的推理过程。规则10和11与规则9一样，定义了为“pEntity”的其他特征选择诊断方法的推理过程。

规则12：cDiagnosticMethod(?cMeth)^cOutputFeature(?cOFea)^hPhenomenon(?hPhe)^hOutputFeature(?hOFea)^hOutFeaValue(?hOFVal)^has_cOpt(?cMeth, ?cOFea)^has_hOutFeaVal(?hOFea, ?hOFVal)^isEqualTo(?hOFea, cOFea)?is_Output(?hOFVal, cOFea)^has_hAttr(?hPhe, ?cOFea)

规则12将诊断方法的输出与历史数据相匹配，以确定适当的历史质量问题。规则13和14将输出属性或实体与推理相匹配。

4.3 HCP知识图谱构建

本体为制造质量知识提供了一个标准的描述框架。基于本体的知识图谱用于存储和利用制造质量知识。使用知识提取框架收集、处理和提取制造过程中的质量知识[ 37]。提取的每一条知识都表示为一个三元组。随后，对所有三元组进行融合，以保证知识的一致性。最后，所有知识都存储在Neo4j（Neo Technology Inc.，瑞典）。如图8所示，HCP知识图谱的构建顺序如下：数据预处理、知识处理和知识存储。

非结构化数据具有相应的内部结构，经常以文档和文本格式出现。然而，它们的数据结构是不规则或不完整的，即没有预定义的数据模型或模式；此外，用关系数据库的二维逻辑形式表示数据也不方便。结构化数据遵循数据格式要求和长度规范，通常通过关系数据库进行存储和管理。在构建知识图谱时，结构化数据可以很容易地进行处理。半结构化数据介于结构化数据和非结构化数据之间，具有高度可变的结构。

人的数据是非结构化的。双向长短期记忆条件随机场（Bi-LSTM-CRF）模型用于实体识别，隐马尔可夫模型用于提取以动词为核心关系的三元组。利用相似性计算和人工检测方法对获得的实体进行对齐。计算机处理和输出的数据一般都是半结构化的。机的数据主要包括方法模型和提取的特征，经过人工标注和提取后与其他实体数据对齐。物的数据包括结构化和半结构化数据，需要在知识处理之前进行预处理。

Neo4j拥有专门的图形查询语言Cipher，可以在数据库中快速存储实体和实体关系，并执行相应的查询操作。将从HCP三元数据中提取的命名实体和关系以csv格式保存。它们通过Cipher统一语法存入Neo4j数据库，以完成知识图谱构建过程。

5 基于HCP知识图谱的质量控制方法

已建立的知识图谱为决策提供了知识支持，因此可以使用推理机来确定知识图谱中的解决方案。推理机的开发基于GCN和本体推理，使用可解释的智能算法。基于HCP本体中现有的推理规则，开发了基于HCP知识图谱方法的决策模型，以确定基于知识的质量问题解决方案，并开发了基于HCP知识图谱的决策过程，以确定基于知识和数据的混合质量问题解决方案。

5.1 基于HCP知识图谱法的决策模型

GCN通过融合本地图信息和节点特征来提高节点分类结果的质量。此外，它还为每个节点的相邻节点分配重要性权重，然后使用相邻节点的加权特征和作为每个节点的特征表示。因此，节点特征与图结构无关，从而提高了模型的可移植性。因此，GCN被广泛应用于涉及知识图谱的基于推理的决策任务中。

提出的方法采用了基于GCN的问答模型。如图9所示，该模型可以结合语义结构和层次结构的信息。该模型由文本知识特征学习和决策部分组成。基于文本知识的特征学习过程使用预训练的语言模型、来自转换器的双向编码器表征（BERT）来获取输入问题和推理决策之间的语义空间关系。决策部分通过GCN的信息聚合和传输部分获得目标节点的最终信息表示。对于文本信息，所提供的质量问题和知识图谱中的实体，以及问答实体之间的传递路径，都通过BERT层获得的文本向量来表示。推理阶段主要考虑从BERT层学习到的实体向量，并经过两个GCN层获得实体结构层信息。随后，将质量问题与知识图谱中的实体向量相结合，并在获得完全连接层（即多层感知器）后对候选答案进行评分。最后，选择得分最高的结果作为决策过程的解决方案。

5.2 基于高级保健医生知识图谱的决策过程

目前的决策系统可分为知识型和数据驱动型。基于知识的决策系统通常使用操作手册、故障手册和专家经验作为知识源，通过人工或自动转换成基于规则的专家知识，为决策提供支持。这些基于知识的方法无法完全列举所有故障情况；规则在表达非确定对象方面的能力有限，而且理解各种手册、专家经验和编写规则是一项劳动密集型任务。相比之下，数据驱动型方法采用深度学习，自动从实际生产数据中提取知识，从过去的数据中学习，并揭示可用数据中的未知模式。

HCP知识图谱中包含了知识支持和数据驱动两种方法，兼容了两方面的优势，从而为生产场景中的决策提供了更全面的支持。

分析算法或模型挖掘出的数据特征与相关专家知识应用本体相结合，从图网络中提取信息。随后，将高阶信息输入分类器，以获得针对目标产品质量问题的最终诊断结果，如图10所示。

在诊断出质量问题后，通过图网络的语义信息匹配，利用诊断结果和相关知识节点获得候选集。随后，对候选决策集进行评估，以获得质量控制决策方案，如图11所示。

6 案例研究

6.1 开发基于HCP知识图谱的质量控制系统

基于HCP知识图谱的质量控制系统采用了Django处理框架的模型-模板-视图（MTV）模型，该模型分为模型层、视图层和控制器层，如图12所示。在MTV模型中，服务器上的视图层接收来自浏览器的请求，并与模型层和模板层交互。接着，模型层从输入数据库中提取数据并发送给视图层，视图层再将准备好的模板发送给视图层。随后，视图层用接收到的数据渲染模板，并将其整理成响应格式发送给浏览器。最后，浏览器解析响应并将其呈现给用户。其最大的意义在于可以通过互联网或局域网（LAN）使用任何浏览器运行已部署的系统，从而提供低耦合率、高可重用性和低生命周期成本等优势。

如图13所示，基于HCP知识图谱的质量控制系统的架构分为前端用户交互层、后端处理层、核心算法层和支持平台层。前端浏览器接受用户指令，并将其链接到企业数据库。随后，它通过超文本传输协议（HTTP）与后端处理架构交互，获取数据和功能。核心算法层为知识提取、图形构建和管理、故障排除和其他功能需求提供基本计算和分析。该系统在开放式支持平台上运行，支持各种操作系统和数据库。

实验在一台使用Ubuntu 22.04.3长期支持（LTS；Canonical，英国）操作系统的计算工作站上进行，该计算工作站配备了AMD Ryzen Threadripper PRO 5965WX中央处理器（CPU；Advanced Micro Devices Inc.，美国）。随后，系统服务器被部署到企业的CentoS7操作系统中。

6.2 HCP基于知识图谱的汽车生产线质量控制

在一条智能汽车生产线上对基于HCP知识图谱的方法进行了案例研究。利用所讨论的方法，提取企业生产数据中包含的知识以获得知识图谱，并将其存储在Neo4j中。通过在生产现场部署质量管理系统，证明了该方法的有效性。

目前，企业数据库中存储了大量的流程、设备和统计数据。汽车制造商已开始利用这些数据，通过大数据分析技术做出质量改进和设备维护的决策。例如，制造执行系统可用于获取有关生产合格率和能耗水平等各种指标的统计数据。机器视觉和机器学习技术可分别用于检测产品表面质量缺陷和监控汽车生产线上关键旋转设备的状态。

然而，选择适当的解决方案往往需要花费大量的时间和精力。决策支持系统是利用各种分析技术分离出来的。现有决策方法的低效率严重影响了汽车生产场景中的质量控制效率。因此，必须探索和建立各种分析技术与决策系统之间的潜在联系，以便为质量控制、设备运行和维护提供更好的支持。

汽车生产线的原始数据是经过全面调查和处理后获得的。根据第3.2节中对HCP三元数据的定义，人的知识主要体现在对质量问题现象的描述、问题追踪和解决方案上。这些数据主要来自冲压和焊接车间，涉及焊接、涂胶和轧边等各种工序。机的知识来自用于质量控制的算法模型和提取的特征，如图14所示。

物的知识包括生产设备和数据，如图15所示。生产设备分为五大类：机器人设备、控制设备、工艺设备、输送设备和夹具，以及与之相关的工作参数和设备信息。质量问题处理所需的数据包括六大类：图片、振动信号、噪声信号、视频、电信号和统计数据。图片的关键属性是拍摄位置、像素大小、图片颜色和图片格式，而振动信号的关键属性是数据检测位置、振幅大小、频率大小和相位大小。图15显示了其他几种数据类型的特征。

最后，开发了一个应用程序来验证该方法，并将其部署在生产线上。该系统从历史数据中提取知识，获得500多个实体和10个算法模型，并将其存储在图数据库中。此外，系统还可以构建、查看、编辑和查询知识图谱，从而实现知识库的可视化管理，如图16所示。系统自动采用适当的分析方法对质量问题数据进行处理和诊断，最终得出诊断结果和决策方案。该诊断方法已应用于电阻点焊表面质量检测、电阻点焊焊核直径分布预测、冲压件表面划痕缺陷识别等数十个场景。

以焊点外观质量检测功能为例，如图17所示，系统执行以下步骤：

（1）首先，从知识图谱中获取合适的焊缝外观图片实体特征提取算法（物的知识）。在这种情况下，使用细粒度机的提取算法（机的知识）来提取焊缝外观的细粒度视觉特征。

（2）通过比较焊缝外观缺陷体位置实体和焊缝外观缺陷类型实体的质量知识，确定两者之间的概率依赖关系知识（人的知识）。为此，确定了一种焊缝位置特征提取算法（机的知识）。随后，将车身位置和缺陷类别的概率值输入柔性图卷积算法进行特征计算，以输出焊接位置欧氏空间特征（机的知识）。

（3）将上述步骤获得的细粒度焊缝外观视觉特征和焊缝位置欧氏空间特征同时输入交叉熵分类器进行分类。最终得到焊缝外观缺陷分类结果。

（4）根据相应的焊接外观缺陷类型，基于知识图谱确定相应的解决方案和预防措施（人的知识）。

将点焊机器人的实时电压、电流、能量、功率和脉宽信号导入系统，利用知识图谱分析金块的质量问题，并提供相应的原因和解决方案，如图18所示。首先，选择能量、功率、电压、电流、脉宽和数据实体（物的知识）作为知识图谱查询的输入。通过知识图谱查询适当的特征提取算法，优化选择广义回归神经机（机的知识），并调用蚱蜢优化算法（GOA）算法（机的知识）进行金块特征提取。获得了金块质量特征，包括金块直径和压痕值（机的知识）。预测的金块直径作为质量诊断知识图谱查询的输入。最后，根据工艺参数确定了金块直径异常的质量问题的原因和解决方案。

在大批量、快节奏的焊接过程中，一般采用人工采样后进行离线工艺调整的策略，但这种方法无法实现全面的质量控制。该系统可实现实时数据监控和诊断，信号采集频率高达200Hz，对车内所有焊点的检测率达到100%。表4列出了部分实际数据。

融合直径的预测准确率为95.3%，平均误差小于5%。知识辅助决策的评价指标是Hits@ n。Hits@ n表示候选节点根据相似度得分进行排序，正确结果出现在前 n项中。Hits@1、Hits@3和Hits@10通常用于性能比较，我们的实验结果对应的值分别为51.8%、97.8%和99.7%。如表5所示，Hits@1的性能优于大型广义MT5模型[ 38]和基于图嵌入的EmbedKGQA模型[ 39]，而Hits@3则足以满足生产控制的要求。

6.3 HCP基于知识图谱的齿轮制造质量控制

由于齿轮制造设备的数字化和智能化水平不断提高，解决传统质量控制方案中遇到的问题极大地促进了制造业的转型升级。影响齿轮加工质量的因素很多，如齿坯材料、工艺参数、工人技能和加工环境等。这些数据和信息也是企业积累起来的，通过大数据挖掘确定数据与质量问题之间的潜在关系。企业必须通过从大量生产过程质量数据中挖掘关联关系，获得潜在的质量控制策略，从而指导生产过程，提高加工质量。

因此，在本研究中，基于HCP知识图谱的方法使用了某企业齿轮制造过程中的质量数据进行验证。此外，还对现有数据进行了知识提取，以构建HCP知识图谱，如图19所示。最后，使用通用应用系统验证了该方法的有效性，如图20所示。

所部署的系统将生产过程数据转化为集成到知识图谱中的知识，并通过智能推理引擎实现知识的利用。所开发的应用系统可用于分析和诊断质量问题，并提供决策解决方案，从而帮助企业改进和提高质量管理系统。此外，所开发的系统还可用于对质量问题进行实时监测和诊断分析，以实现及时发现问题和快速响应。所提出的方法是利用HCP知识图谱实现的，在此基础上可以快速检索历史问题，从而获得解决方案，并结合智能算法自动进行数据分析。对质量问题的实时和全面监控有助于及时修复缺陷产品，降低废品率。也可以及时发现其他潜在问题，如设备故障和生产事故，从而避免事故造成更大的经济损失。

7 结论和未来工作

本研究提出了一种基于HCP知识图谱的质量控制方法。该方法是一种利用知识获得辅助决策的系统方法，包括数据管理、本体模型构建、知识图谱构建和应用开发四个方面。提出的方法引入了“HCP三元数据”这一新概念，有助于对生产过程数据进行有效分类和管理。此外，本研究还提出了一种HCP本体模型；其分层和模块化结构可实现知识集成、共享和重用。特别是，该结构化本体模型具有语义坚实正确、检索有效、可移植性和可扩展性等特点，能更有效地完成知识图谱的构建和管理过程。此外，与质量问题有关的分析、诊断和辅助决策任务使用了基于CBR和RBR组合的GCN推理机。该推理机是在基于知识的信息匹配基础上构建的，同时挖掘出更多的隐含关系，从而避免了因知识限制而造成的检索障碍。因此，我们设计并开发了一个通用质量控制系统，并将其部署在一个生产工厂中，以验证该方法在汽车生产线和齿轮制造场景中的有效性和实用性。

总之，所提出的HCP知识图谱方法通过将HCP协作深度整合到制造流程中，显著改善了IQC。所提出的方法基于HCP知识图谱实现了案例检索、自动分析和辅助决策。结构化系统由功能模块组成，既可独立使用，也可与拥有相关标准数据结构的其他系统集成。由于知识模型的可移植性、推理机的通用性和系统方法的适用性，建议的方法可以通过直接提取相关知识源扩展到其他制造过程质量控制任务。为了最大限度地发挥本体在现实世界中的作用，实际应用应侧重于定制HCP本体框架，以适应特定的行业要求，如智能预警、生产调度和生产线重新配置。此外，集成更多的知识模式（如图形和公式）将为实现更高层次的辅助决策提供可能。

强大的本体结构可以有效地表示工业知识，而强大的推理算法可以做出复杂的决策。更全面的知识库可以改进应用。因此，需要对自动化和智能化知识提取方法进行更多研究，以实现更高水平的智能辅助决策。然而，多模态数据和知识具有交叉融合的特点，这对知识提取方法提出了挑战。因此，现有的方法无法自动获取、整合和表示这种复杂的多模态工业知识，也无法保证知识要素的连贯性和一致性。为了在更大程度上实现自动化和准确的HCP三元知识提取：①必须开发能够自动构建知识图谱（物的知识）算法模型的方法和算法，以提高知识图谱开发和构建过程的自动化程度；②还必须开发更准确的知识提取方法，以处理新的HCP三元数据模型。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Zhou J, Li P, Zhou Y, Wang B, Zang J, Meng L. Toward new-generation intelligent manufacturing. Engineering 2018; 4( 1): 11‒ 20. . 10.1016/j.eng.2018.01.002

[2]	Büchi G, Cugno M, Castagnoli R. Smart factory performance and Industry 4.0. Technol Forecast Soc Change 2020; 150: 119790. . 10.1016/j.techfore.2019.119790

[3]

Li B, Chai X, Hou B, Zhang L, Zhou J, Liu Y. New generation artificial intelligence-driven intelligent manufacturing (NGAIIM). In: Proceeding of the 2018 IEEESmartworld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/ SCALCOM/UIC/ATC/CBDCom/IOP/SCI); 2018 Oct 8‍‒‍12; Guangzhou, China. Piscataway: IEEE; 2018. p. 1864‒9. . 10.1109/smartworld/scalcom/u45904.2018

[4]	Zhou J, Zhou Y, Wang B, Zang J. Human-cyber-physical systems (HCPSs) in the context of new-generation intelligent manufacturing. Engineering 2019; 5( 4): 624‒ 36. . 10.1016/j.eng.2019.07.015

[5]	Li X, Zheng P, Bao J, Gao L, Xu X. Achieving cognitive mass personalization via the self-X cognitive manufacturing network: an industrial knowledge graphand graph embedding-enabled pathway. Engineering 2021; 22( 3): 11‒ 9.

[6]	Escobar CA, McGovern ME, Morales-Menendez R. Quality 4.0: a review of big data challenges in manufacturing. J Intell Manuf 2021; 32( 8): 2319‒ 34. . 10.1007/s10845-021-01786-z

[7]	Haq A, Khoo MBC. A new synthetic control chart for monitoring process mean using auxiliary information. J Stat Comput Simul 2016; 86( 15): 3068‒ 92. . 10.1080/00949655.2016.1150477

[8]	Lee J, Kao HA, Yang S. Service innovation and smart analytics for Industry 4.0 and big data environment. Procedia CIRP 2014; 16: 3‒ 8. . 10.1016/j.procir.2014.02.001

[9]	Tercan H, Meisen T. Machine learning and deep learning based predictive quality in manufacturing: a systematic review. J Intell Manuf 2022; 33( 7): 1879‒ 905. . 10.1007/s10845-022-01963-8

[10]	Tambare P, Meshram C, Lee CC, Ramteke RJ, Imoize AL. Performance measurement system and quality management in data-driven Industry 4.0: a review. Sensors 2021; 22( 1): 224. . 10.3390/s22010224

[11]	Yang N, Yang C, Wu L, Shen X, Jia J, Li Z, et al. Intelligent data-driven decisionmaking method for dynamic multisequence: an E-Seq2Seq-based SCUC expert system. IEEE Trans Industr Inform 2022; 18( 5): 3126‒ 37. . 10.1109/tii.2021.3107406

[12]	Li X, Chen CH, Zheng P, Wang Z, Jiang Z, Jiang Z. A knowledge graph-aided concept-knowledge approach for evolutionary smart product-service system development. J Mech Des 2020; 142( 10): 101403. . 10.1115/1.4046807

[13]	Yang B, Wang S, Li S, Bi F. Digital thread-driven proactive and reactive service composition for cloud manufacturing. IEEE Trans Industr Inform 2023; 19( 3): 2952‒ 62. . 10.1109/tii.2022.3171338

[14]	Yahya M, Breslin JG, Ali MI. Semantic web and knowledge graphs for Industry 4.0. Appl Sci 2021; 11( 11): 5110. . 10.3390/app11115110

[15]	Buchgeher G, Gabauer D, Martinez-Gil J, Ehrlinger L. Knowledge graphs in manufacturing and production: a systematic literature review. IEEE Access 2020; 9: 55537‒ 54. . 10.1109/access.2021.3070395

[16]	Maleki E, Belkadi F, Boli N, Van Der Zwaag BJ, Alexopoulos K, Koukas S, et al. Ontology-based framework enabling smart product-service systems: application of sensing systems for machine health monitoring. IEEE Internet Things J 2018; 5( 6): 4496‒ 505. . 10.1109/jiot.2018.2831279

[17]	Wang R, Cheung CF. Knowledge graph embedding learning system for defect diagnosis in additive manufacturing. Comput Ind 2023; 149: 103912. . 10.1016/j.compind.2023.103912

[18]	Ray SR, Jones AT. Manufacturing interoperability. J Intell Manuf 2006; 17( 6): 681‒ 8. . 10.1007/s10845-006-0037-x

[19]	Matsokis A, Kiritsis D. An ontology-based approach for product lifecycle management. Comput Ind 2010; 61( 8): 787‒ 97. . 10.1016/j.compind.2010.05.007

[20]

Lemaignan S, Siadat A, Dantan JY, Semenenko A. MASON: a proposal for an ontology of manufacturing domain. In: Proceedings of the IEEE Workshop on Distributed Intelligent Systems: Collective Intelligence and Its Applications (DIS’06); 2006 Jun 15‒ 16; Prague, Czech Republic. Piscataway: IEEE; 2006. p. 195‒200. . 10.1109/dis.2006.48

[21]	Wan J, Chen B, Imran M, Tao F, Li D, Liu C, et al. Toward dynamic resources management for IOT-based manufacturing. IEEE Commun Mag 2018; 56( 2): 52‒ 9. . 10.1109/mcom.2018.1700629

[22]	Kitamura Y, Koji Y, Mizoguchi R. An ontological model of device function: industrial deployment and lessons learned. Appl Ontol 2006; 1: 237‒ 62. . 10.3233/apo-2006-019

[23]	Prestes E, Carbonera JL, Fiorini SR, Jorge VAM, Abel M, Madhavan R, et al. Towards a core ontology for robotics and automation. Robot Auton Syst 2013; 61( 11): 1193‒ 204. . 10.1016/j.robot.2013.04.005

[24]

Cheng H, Zeng P, Xue L, Shi Z, Wang P, Yu H. Manufacturing ontology development based on Industry 4.0 demonstration production line. In: Proceedings of the 2016 Third International Conference on Trustworthy Systems and Their Applications (TSA); 2016 Sep 18‒ 22; Wuhan, China. Piscataway; IEEE; 2016. p. 42‒ 7. . 10.1109/tsa.2016.17

[25]	Järvenpää E, Siltala N, Hylli O, Lanz M. The development of an ontology for describing the capabilities of manufacturing resources. J Intell Manuf 2019; 30( 2): 959‒ 78. . 10.1007/s10845-018-1427-6

[26]	Lin J, Wu C, Yared R. An effective resource matching scheme based on a novel unified descriptive model for modern manufacturing industry systems. Electronics 2022; 11( 8): 1187. . 10.3390/electronics11081187

[27]	Zhou B, Hua B, Gu X, Lu Y, Peng T, Zheng Y, et al. An end-to-end tabular information-oriented causality event evolutionary knowledge graph for manufacturing documents. Adv Eng Inform 2021; 50: 101441. . 10.1016/j.aei.2021.101441

[28]	He L, Jiang P. Manufacturing knowledge graph: a connectivism to answer production problems query with knowledge reuse. IEEE Access 2019; 7: 101231‒ 44. . 10.1109/access.2019.2931361

[29]	Zhou A, Yu D, Zhang W. A research on intelligent fault diagnosis of wind turbines based on ontology and FMECA. Adv Eng Inform 2015; 29( 1): 115‒ 25. . 10.1016/j.aei.2014.10.001

[30]	Tung YH, Tseng SS, Weng JF, Lee TP, Liao AYH, Tsai WN, et al. A rule-based CBR approach for expert finding and problem diagnosis. Expert Syst Appl 2010; 37 ( 3): 2427‒ 38. . 10.1016/j.eswa.2009.07.037

[31]	Xu F, Liu X, Chen W, Zhou C, Cao B. Ontology-based method for fault diagnosis of loaders. Sensors 2018; 18( 3): 729. . 10.3390/s18030729

[32]	Zhou Q, Yan P, Liu H, Xin Y. A hybrid fault diagnosis method for mechanical components based on ontology and signal analysis. J Intell Manuf 2019; 30( 4): 1693‒ 715. . 10.1007/s10845-017-1351-1

[33]	Chen J, Hu Z, Lu J, Zheng X, Zhang H, Kiritsis D. A data-knowledge hybrid driven method for gas turbine gas path diagnosis. Appl Sci 2022; 12( 12): 5961. . 10.3390/app12125961

[34]	Li J, Xiang J, Cheng J. EARR: using rules to enhance the embedding of knowledge graph. Expert Syst Appl 2023; 232: 120831. . 10.1016/j.eswa.2023.120831

[35]	De Farias TM, Roxin A, Nicolle C. SWRL rule-selection methodology for ontology interoperability. Data Knowl Eng 2016; 105: 53‒ 72. . 10.1016/j.datak.2015.09.001

[36]	Li Z, Li Z, Guo X, Liang P, He KQ, Huang B. A transformation approach from informal descriptions of SWRL to built-in elements of protégé4.1. In: Proceedings of International Conference on Modelling, Identification and Control: 2012 Jun 24‒ 26; Wuhan, China. Piscataway; IEEE; 2012. p. 322‒ 7.

[37]	Du K, Yang B, Wang S, Chang Y, Li S, Yi G. Relation extraction for manufacturing knowledge graphs based on feature fusion of attention mechanism and graph convolution network. Knowl Base Syst 2022; 255: 109703. . 10.1016/j.knosys.2022.109703

[38]

Xue L, Constant N, Roberts A, Kale M, Al-Rfou R, Siddhant A, et al. mT5: a massively multilingual pre-trained text-to-text transformer. In: Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies; 2021 Jun 6‍‒‍11; online. Kerrville: Association for Computational Linguistics; 2021. p. 483‒ 98. . 10.18653/v1/2021.naacl-main.41

[39]

Saxena A, Tripathi A, Talukdar P. Improving multi-hop question answering over knowledge graphs using knowledge base embeddings. In : Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020); 2020 Jul 5‍‒‍10; online. Kerrville: Assoc Computational Linguistics-Acl; 2020. p. 4498‒507. . 10.18653/v1/2020.acl-main.412