基于三维框架本体建模的钢铁生产工艺知识库系统设计与实现

王莹　戴毅茹　王坚

摘要：钢铁生产工艺知识复杂多样，难以进行有效的组织和管理，不利于企业提升生产工艺水平，针对该问题提出基于产品-工序-目标的钢铁生产工艺知识本体建模方法。构建钢铁生产工艺本体模型，与实际生产工艺数据进行映射，建立钢铁生产工艺知识库，用于知识本体检索和知识本体推理等服务。论文首先介绍了系统开发和设计中用到的关键技术，然后介绍了系统的基本架构，最后介绍了系统的部分功能模块。

关键词：三维框架；本体建模；知识库

中图分类号：TP311 文献标识码：A文章编号：1009-3044（2017）02-0242-03

Design and Implementation of Knowledge Base System for Steel Production Process Based on Three Dimensional Framework Ontology Modeling

WANG Ying， DAI Yi-ru， WANG Jian

（CIMS Research Center，TongjiUniversity，Shanghai 201804，China）

Abstract：The iron and steel production process knowledge is complicated， difficult to carry out effective organization and management， is not conducive to enterprises to improve the level of production technology. This paper presents a method of production process of iron and steel knowledge ontology modeling based on the products-process-target. The ontology model mapped with the actual production process data is used by the knowledge base for the service of ontology retrieval and ontology reasoning. Firstly， this paper introduces the key technologies used in the system development and design， and then introduces the basic structure of the system， last， introduces some functional modules of the system.

Key words：3D framework； ontology modeling； knowledge base

1背景

钢铁生产工艺知识来源复杂，结构异质，其多源异构性增加了钢铁企业进行知识创新活动的难度和复杂度。有效组织和管理工艺知识的多源性、规范知识的语义异构性、增强知识对钢铁产品自主创新的重要支撑作用，是钢铁企业当前需要重点突破的难题。

本文针对钢铁行业生产工艺知识的多源异构性，提出了一种基于产品-工序-目标的本体建模方法，建立鋼铁生产工艺本体模型，将本体模型实际生产工艺数据进行映射，用于知识本体检索和知识本体推理等服务，为工艺建模、在线工艺优化提供有价值的知识，有助于全面提高钢铁生产工艺设计水平。

2 系统中的关键技术

2.1钢铁生产工艺知识的三维框架体系

针对钢铁生产工艺知识的特点，为了有效组织和管理知识的多源性、规范知识的语义异构性，增强知识对钢铁生产工艺自主创新的重要支撑作用，本文提出一种基于产品—工序—目标的钢铁生产工艺知识的组织框架体系，该体系分别从产品维、工序维、目标维三个维度提供多源异构的钢铁生产工艺知识的组织方法。

每一个维度的具体内容描述了生产工艺知识的不同侧面。其中，产品维包括：高强韧度、轻质化汽车板，超高强度、韧度钢材，工程机械用高强钢，高强集装箱板及铁道车厢用钢，中/重型卡车用钢；工序维包括：炼铁、炼钢、精炼、连铸、热轧、冷轧；目标维包括：智能化、绿色化、安全化。例如：当工序维的具体描述设定为炼铁，生产工艺知识包含所有产品在炼铁工序中的相关知识内容；当上述三个维度同时具体描述时，生产工艺知识包含针对中/重型卡车用钢产品在炼铁工序中与安全相关的知识内容，如图1所示。

2.2构建钢铁生产工艺知识本体模型

根据钢铁生产工艺知识的三维框架体系，对钢铁生产工艺知识进行抽取，定义类、关系、属性以及实例，明确各类之间的层次结构，个体之间的对象属性和数值属性，建立钢铁生产工艺知识的概念模型，定义概念模型到本体模型的映射规则，根据映射规则建立钢铁生产工艺知识本体模型。

按照三维框架体系，构建钢铁生产工艺知识的概念模型为：

[Fxyz=i=15j=16k=13Fxiyjzk（C，SUP，SUB，POP，BOP，DP，I）]

其中：

[C]：表示该概念模型所属的类；

[SUP]：表示该概念模型所属类的父类；

[SUB]：表示该概念模型所属类的子类；

[POP]：表示当前类与父类中实例之间的关系；

[BOP]：表示当前类与子类中实例之间的关系；

[DP]：表示该概念模型所拥有的数值属性；

[I]：表示该概念模型所拥有的对象；

[x]：描述了产品维，[x=x1，x2，x3，x4，x5]分别对应于{高强韧度、轻质化汽车板，超高强度、韧度钢材，工程机械用高强钢，高强集装箱板及铁道车厢用钢，中/重型卡车用钢}；

[y]：描述了工序维，[y=y1，y2，y3，y4，y5，y6]分别对应于{炼铁，炼钢，精炼，连铸，热轧，冷轧}；

[z]：描述了目标维，[z=z1，z2，z3]分别对应于{绿色化，智能化，安全化}。

钢铁生产工艺知识本体模型的构建方法具体为：首先，建立局部范围的概念模型；然后，集成所有的局部概念模型，得到钢铁生产工艺知识的全局范围概念模型；最后，根据映射规则建立钢铁生产工艺知识本体模型。概念模型到本体模型的部分映射规则如表1所示：

2.3语义映射技术

钢铁生产工艺数据种类繁多，对数据的提取和整合产生很大的困难。其中，D2RQ语义映射技术可以将结构化数据转化为RDF数据，实现了大批量数据自动化的语义集成。

利用D2RQ语义映射技术将钢铁生产工艺本体模型与实际生产工艺数据进行映射，生成的RDF数据可以用于知识本体检索和知识本体推理等服务。本体模型与实际生产数据的数据映射基于Java开发平台，首先要根据建立的本体模型制定D2RQ映射规则、编写相应的映射文件，然后在Java开发平台上调用D2RQ映射引擎，载入本体模型和映射文件，建立本体模型与数据源的连接，从而实现将实际生产数据映射为本体的实例数据。

3系统基本架构

钢铁生产工艺知识库包含诸多方面的功能，本文重点围绕知识本体检索和知识本体推理这两个方面进行系统开发。知识库系统基本架构如图2所示，系统自下而上主要分为三层：数据层、业务处理层、应用层。

数据层是知识库系统的知识源，其数据源主要包括结构化数据、相关技术文献以及专家经验等。

业务处理层的主要功能是建立钢铁生产工艺本体模型，并在本体模型的基础上进行语义解析和案例推理，其语义解析和案例推理的结果用以支持知识本体检索和知识本体推理等服务。业务处理层具体过程为：根据数据层所提供的知识建立钢铁生产工艺的概念模型，在概念模型的基础上，根据概念模型到本体模型的映射规则，建立钢铁生产工艺本体模型，然后编写钢铁生产工艺映射文件，利用D2RQ映射引擎将本体模型与钢铁生产工艺实际生产数据进行绑定，最后便可以利用该本体模型进行Jena语义解析和案例推理。

应用层的功能主要是向用户提供知识本体检索和知识本体推理等服务。

4系统基本实现

4.1知识本体检索

知识本体检索是钢铁生产工艺知识浏览和学习的有效手段，可以根据检索的关键字提供相应的钢铁生产工艺知识实体。用户进入该功能模块后，若无明确的检索目标，可以参照左侧钢铁生产工艺知识导航栏进行检索如图3所示；若有明确的检索目标，可以在输入框中输入待检索的知识进行检索，其检索结果由表格和力引导布局图展示如图4所示。

4.2知识本体推理

钢铁生产工艺知识涉及的知识领域广泛，知识本体推理模块利用本体建模技术，将加热炉工艺知识有效地组织起来，根据用户输入的钢坯类型和钢含碳量推理出适合该类型钢的热炉使用条件，在一次推理的基础上选择加热炉的适用场合、最高炉温和最大功率，从而二次推理出符合用户输入条件的钢工艺参数和加热炉工艺参数，其结果如图5所示。

5结束语

本文针对钢铁生产工艺知识来源复杂多样，钢铁企业对钢铁生产工艺知识难以进行有效的组织和管理问题，提出了基于产品-工序-目标的钢铁生产工艺知识本体建模方法，构建钢铁生产工艺本体模型，与实际生产工艺数据进行映射，建立钢铁生产工艺知识库，用于知识本体检索和知识本体推理等服務，为钢铁企业工艺建模、在线工艺优化、设备诊断等功能提供有价值的知识。

参考文献：

[1] 黄美丽， 刘宗田.基于型式概念分析的领域本体构建方法研究[J].计算机科学，2006，19（3）：113.

[2]Bao Q， Wang J， Cheng J. Research on Ontology Modeling of Steel Manufacturing Process Based on Big Data Analysis[C]. 2016：04005.

[3]杨哲.基于启发式规则的本体概念语义相似度匹配[J].计算机应用，2007，27（12）：2919-2921.

[4] 谢红薇， 李建伟. 基于本体的案例推理模型研究[J].计算机应用研究， 2009（4）：1422-1424.

[5] Maedche A，Staab S.Ontology learningfor the Semantic Web[J]. IEEE Intelligent Systems， 2001（2）：72-79.