金属切削加工知识图谱构建及应用研究

马 莉

在大数据时代下，海量的数据信息呈爆炸式增长。机械制造业是国民经济的基础产业，它的发展直接影响到国民经济各部门的发展。金属切削是用刀具从工件切除多余材料，是金属加工工艺中的一种重要成形方法，在机械制造中占据重要地位。工件和刀具在切削过程中相互作用，“机床-刀具-工件”构成一个机械加工工艺系统。研究人员对金属切削加工过程的研究持续不断，且硕果累累。选取这些海量信息时，如何从其中的众多数据信息中选出有价值以及有用的信息资源，同时向用户呈现这些资源，已经成为重点关注的一项问题。而知识图谱的出现，有效解决知识针对性选择的问题，在各领域逐渐被广泛应用，在金属切削加工中，进行知识图谱构建意义重大，能够有效提升加工效率，提升信息资源的利用率，本文对此进行深入分析，具体如下。

1 金属切削加工相关概述

对于金属切削加工而言，主要是通过具有刃口，并且工件坚硬的切削工具，切去坯件上存在的多余金属，保证工件表面质量、形状及尺寸满足规定要求，属于一种较为常见的金属加工方法。实际切削加工环节，工件表面加工，主要是通过工件与切削工具相对运动进行实现。根据表面形成方式，可以将切削加工具体分为以下几种类型：第一，刀尖轨迹法。这种方式主要是通过刀尖在工件表面按照既定的运动轨迹进行切削，使工件获得要求的表面几何形状，包括刨削平面、车削以及磨削内外圆等。第二，成形刀具法。根据工件表面轮廓，应用相应的成形砂轮及刀具等，进行实际加工，最终获得成形面，在这一环节，机床只进行横向进给运动即可，例如成形砂轮磨削、成形铣刀铣削以及成形车刀车削等。第三，展成法。利用这种方法进行加工时，基于既定规律下，保证工件与切削工具进行相对展成运动，在坯件中，会在刀刃的作用下形成最终的加工表面。例如刨齿、插齿、滚齿以及锥砂轮磨齿等。除此之外，成形刀具法与刀尖轨迹法良好结合下，会形成一些新的切削加工形式，例如螺纹车削。根据工艺特征对切削加工进行分类。可将其分为刮削、车削、螺纹加工、钻削、齿轮加工、铣削、钳工、抛光、研磨、抛光、刨削、镗削、超精加工等。通过强力切削、高速切削、振动切削以及等离子弧加热切削等方式，能够使加工效率得到进一步提升。

2 知识图谱

随着对金属切削加工深入的研究以及计算机系统在制造业的广泛应用，已形成一系列概念和概念之间的关系用于描述金属切削加工过程。例如，切削力、切削热和切削温度、刀具磨损等等。金属切削过程就是用刀具在机床上从工件表面切去多余的金属，形成已加工表面的过程，也是工件的切削层在刀具前面挤压下产生塑性变形，形成切屑而被切下来的过程。随着切削过程的发生和发展，形成了许多物理现象。例如，积屑瘤的成因，切屑形成的机理等。企业和高校的研究人员已总结形成了一整套关于金属切削过程中的基本物理现象及其变化规律，本文将这些物理现象及其变化规律称为事实性知识。

2.1 知识图谱的概念及分类

2012年，谷歌首次提出知识图谱这一概念，其原本的目的在于提升搜索性能，实现智能化搜索，对用户搜索体验进行优化。王昊奋等人员认为，基于本质上来讲，知识图谱属于一种语义网络，在这一网络中，实例通过结点进行表示，而实例间存在的各种语义关系，则通过边进行表示。此外，相关研究人员认为，知识图谱实际上属于呈现知识属性关系与发展流程的诸多图形，在可视化技术配合下，清晰地呈现出图形中所表示的知识实体及属性、知识实体间存在的关系。按照服务领域，可将知识图谱分为以下几类：一类是通用知识图谱，这一类型的知识图谱，主要是为横向需求提供服务，将横向覆盖面作为主要的关注点，涉及各个领域的大量实体，在相互关系作用下，从而形成多维度的知识图谱，主要应用于问答、推荐以及搜索等业务场景中。另一类属于行业知识图谱，这一类型的知识图谱，主要是为纵向需求提供服务，将纵深覆盖面作为主要的关注点，因为会对专业领域的业务场景有所涉及，在实体数量上相对较少，需要基于纵向维度下，对实体间存在的关系进行充分的抽取，其主要在医疗、图书情报以及金融行业应用较为广泛。

2.2 构建过程

当知识图谱类型不同时，其实际的构建方式也会存在较大的差异，在构建形式上主要有以下几种：一种为自顶向上的构建方式，这种构建方式在模型及规则上先于知识，另一种为自底向上的构建方式，这一构建方式的构建知识先于模型。在图谱构建上，主要会经历三个步骤，步骤一，知识抽取；步骤二，知识融合；步骤三，知识存储及更新。

首先，知识抽取。进行知识图谱构建时，知识从哪里来是最先需要考虑的问题，如何在大量的相关数据中，将有效的知识提出出来，就是知识抽取，知识抽取环节，一般是在不用的领域中进行该领域数据的收集，预处理结构化以及非结构化数据，形成知识的同时，获取知识属性，并且，还会枚举出关系列表。可以通过以下方法进行实体抽取：第一，利用规则进行实体抽取。对所需目标实体规则进行预先定义，基于该规则下，匹配原始语料，从而获得符合需求的实体。第二，通过统计机器学习进行抽取。利用训练好的模型，筛选数据，最终得到想要的实体。相关研究者通过K紧邻算法与线性条件随机场模型的良好结合，进行实体识别。第三，利用开放域进行抽取。相关学者在实际分析中，在开放的网络数据中，利用已知实体的语义特征进行实体抽取。在关系抽取方式上，有以下分类：第一，监督学习下的关系抽取。该环节中，先标注相应数据，随后训练模型，最终抽取数据集中的关系。第二，半监督或无监督下的关系抽取。将未标注及部分标注数据作为训练源开展实际训练，随后抽取数据集中的关系。第三，模板下的关系抽取。这一抽取方式中，主要是进行抽取关系模板的预先定义，按照该模板抽取关系，不过这种方式存在较大的维护难度，同时，在大量数据中不适用。

其次，知识融合。对于知识融合而言，其表示的是提供用户基于业务配置融合规则同自动算法相结合的知识融合等能力，能够实现冲突的自动检测，并且按照决策进行针对性解决。进行知识融合时，主要会涉及到以下几点重要内容：第一，实体消歧。通常情况下，某个实体需要具体代表现实中存在的某个实物，部不可对应现实中存在的多个真实实物，进行实体消歧时，可以选择实体连接以及聚类等方式。相关学者在维基百科知识背景下，精确的找出了实体间的相似性，达到了较好的消歧效果。第二，实体对齐。存在一些实体，其在现实中表示的是相同的实体，对于这种类型的数据，应做出实体对齐处理。可以通过深度学习的方式，进行实体对齐。在嵌入表示的实体对齐方面，可以选择监督学习的方式进行实体对齐，这种方式对数据标注存在较大的依赖性，会花费较多的时间，而无监督学习的方式，则会对验证集相似度计算方式存在较大的依赖。第三，知识合并。此项工作开展中，会对不同源数据信息做出合并处理，一般为两个层次的数据，一是数据层融合，在这层数据融合中，主要关注的问题是如何防治关键冲突与实例冲突，防止冗余的出现。二是模拟层融合，其实际上就是在已有本体库中，将新获得的本体融入其中。

最后，知识存储与更新。在大规模的知识图谱存储上，主要是以三元组存储为核心，并且，其他类型知识的存储也包含其中。在三元组知识的存储上，具体包括两种类型，一种是资源描述框架存储，其主要的基础为RDF图模型，另一种为图数据库，其中多数应用的是属性图数据模型。在新数据的不断生成下，实现知识更新，三元组的不断更新及生成，从而更新图谱。

3 金属切削加工知识图谱构建与应用

3.1 知识类型

进行金属切削技工过程知识获取时，先进行TBox，即本层模式层的构建，随后再进行ABox的建立。金属切削环节，实际上就是在机床上利用刀具，将工件表面多余的金属切去，最终形成想要的加工表面，简单而言，就是在刀具的挤压作用下，使工件的切削层发生塑性变形，最终切下切屑的过程。在切削过程不断发展中，形成了较多的物理现象，现阶段，已经形成一整套金属切削环节的变化规律以及基本物理现象，即事实性知识，其对于生产率提高、加工质量保证、生产实践指导以及成本降低存在较为积极的作用。并且，当前信息化建设不断深入，企业中广泛应用到了各种新型系统，例如MES、CAPP、ERP以及CAM等，企业中已经具备较多的切削加工数据，均是企业宝贵的数据资源，在指导生产及决策上意义重大，以上数据为过程性知识。在事实性知识与过程性知识的良好结合下，可以实现相互转换。在相应软件应用下，对其进行OWL本体建模。

3.2 知识图谱数据生成

构建完成金属切削知识图谱的TBox后，进行ABox的构建，根据本体模式，实现三元组形式数据的生成。现阶段，与其他机械制造型企业一样，xx公司已有多种应用系统，包括MES、CAPP以及ERP等，这些数据系统中，均存在与切削加工相关的数据，同时彼此隔离，形成了相应的数据孤岛。基本上这些数据被存放在关系型数据中，属于知识图谱的关键数据源。所以，在金属切削知识图谱构建中，根据本体模式进行多源数据的集成与融合，是一项较为关键的技术。

Ontop属于现阶段较为成熟的软件平台，其是在本体构建的基础上，对本体与关系数据库表模式间存在的映射关系进行定义，进而对多数据源数据进行访问，以OBDA为主要架构，支持所有W3C推荐的关于OBDA的标准，包括SWRL、OWL2QL、SPARQL以及后向推理等。本文通过这一软件平台，进行数据集成框架构建，从而获得金属切削知识图谱三元组，主要步骤为：首先，经过JDBC，DatasourceManager会与各种关系数据库进行连接；其次，制定出一个或多个Mappingaxiom,其中包含target、source以及mappingid，其中target表示的是一个多元组模板，与SQL中的列名通过占位符关联，source表示的是一条SQL查询语句，主要针对关系型数据库，mappingid表示的是一个字符串，其主要的作用是进行axiom的标识。最后，通过实际映射后，会形成虚拟三元组，在OntopAPI接口访问下，能够利用SPARQL查询语言，获得虚拟RDF图，能够将数据实例化为具体的三元组，在图数据库中进行存储。

三元组生成环节为：第一，基于JDBC下，构建Oacle连接，192.168.1.114是连接的主机地质，oracle实例为orcl,tms为用户名，123为用户密码。第二，进行Mappingaxiom设计是较为关键的一步，因此需要做好映射关系的构建。第三，变化才能调用ontop API，生成三元组。现阶段，xx公司已经生成了40多万余条三元组，实现了工件、机床、道具以及材料等方面的数据转换。

3.3 确定数据融合算法

进行数据集成过程中，一个较为关键的任务是融合不同数据源的同一客体实体，例如工件、机床以及刀具等，从而使知识图谱数据具备更好的一致性以及准确性。集成多元数据环节，通常情况下，不同的应用系统都是不用的软件供应商供应，这种情况下，会使客观实体编码体系存在较大不同，所以，利用编码分辨是否为统一实体，存在较大的难度。所以，可以通过计算属性相似度的方式，进行实体对齐。因为进行工件、机床以及刀具描述的字符大多是短文本，在短文本相似度计算上，Levenshtein最小编辑距离以及Jaccard系数均具备较好的应用效果，所以，可以选择两者结合的方式，对实体等价性进行确定，保证获得更高的准确性。

3.4 确定知识存储系统

将图数据库Neo4j作为存储系统，该存储属于NOSQL数据库，存在较高的性能，其能够在图上存储结构化数据，而并不是在表中存储。节点、关系与属性均为基元。对于节点而言，其可以是零个属性，也可以是多个属性，均会以key-value对的形式存在，利用标签标识不同类型的节点。Neo4j中，存在Cypher语言，能够高效查询图数据库。在OWL本体模型下，Neo4j的node-Relation与三元组Subject-Predicate-Object存在一定的不同，前者描述关系的对象属性，可以存在数据属性，而后者不可以。

3.5 金属切削加工知识图谱的应用

现阶段，知识图谱在金属加工领域的应用，能够有效提升金属切削加工方面的质量与效率。现阶段在一些其他领域，包括医疗、金融以及电商等，知识图谱均得到了广泛应用，不过在工业加工领域的应用还需要不断进行深入探索，本文提出的金属切削加工知识图谱，可以在以下方面进行应用：第一，辅助决策方面。在现代金属切削加工方面，大多数是利用计算机辅助技术进行设计，实际设计环节对于设计人员设计经验以及专业知识存在较大的依赖性，构建金属切削加工知识图谱，能够在实际工作中，按照知识库中存在的相关知识与关联关系，为金属切削加工提供辅助决策，从而减少对于人员的依赖性，进一步提升此项工作的开展效率。第二，金属切削加工异常警告。进行金属切削加工时，往往会存在一些细节上的问题，在金属切削加工知识图谱下，会按照存储的关联关系知识，对当前操作是否会发生异常进行预判，为相关工作人员做出相应提示，有效避免加工缺陷的出现，提升金属切削加工质量。

4 结语

综上所述，金属切削加工过程是工件和刀具相互作用的过程，机床、夹具、刀具和工件组成一个完整的机械加工工艺系统。对金属切削机理大量的研究已形成描述基本物理现象和变化规律的诸多知识。而金属切削加工在机械行业广泛的应用已产生海量的各种类型的数据，称之为过程性知识。现阶段，知识图谱已经被应用到各个领域，知识图谱构建过程中，会经历知识抽取、知识融合、知识存储及更新环节。进行金属切削加工知识图谱构建时，能够有效解决制造业切削数据资源利用价值不高这一问题，在辅助决策以及金属切削加工异常警告上，均能发挥出较好的作用，进一步提升制造加工水平。