让制造知识图谱更加智能化:一种针对制造企业的知识智能管理方法

《ADVANCED ENGINEERING INFORMATICS》:Making manufacturing knowledge graph more intelligent: A knowledge intelligence management method for manufacturing enterprises

【字体: 大 中 小 】 时间:2025年12月31日 来源:ADVANCED ENGINEERING INFORMATICS 9.9

编辑推荐:

  制造业知识图谱智能管理方法基于LLMs构建自动构建、优化和问答系统,解决传统方法更新困难、应用不足等问题,在中钢集团验证了MKG构建与优化效果及LLMs的适应性。

  
刘志新|胡冰涛|冯一雄|卢成宇|谭建荣
中国浙江大学流体动力与机电系统国家重点实验室,杭州

摘要

大型语言模型(LLMs)的快速发展和广泛应用加速了制造企业向数字化和智能化的转型。在这一过程中,知识在帮助企业应对新挑战方面发挥了越来越重要的作用。知识图谱(KG)已成为企业转型过程中知识管理的核心工具之一。从多源异构数据中提取知识以构建KG,并将其应用于新的业务场景,对于制造企业的智能知识管理至关重要。然而,传统的KG构建方法依赖于图神经网络和深度学习,存在知识更新困难以及实际应用不足等问题。事实证明,LLMs能够从公开可用的数据中构建KG。然而,当应用于制造等特定领域时,构建的KG容易出现不完整和适用性低等问题。为了解决这些问题,提出了一种针对制造企业的智能知识管理方法,包括制造知识图谱(MKG)的自动构建代理、MKG自动优化代理和MKG自然问答(Q-A)系统。基于LLMs,设计了一种多阶段实体-属性(E-A)识别策略、多阶段关系提取策略和三元组优化策略来构建全面的MKG。还开发了一种MKG融合和潜在三元组识别策略,利用LLMs和扩展的关系图卷积网络(R-GCN+)来实现MKG的优化。此外,还构建了一个集成MKG的自然问答系统,以准确地向用户提供图谱知识。为了证明所提方法的可行性和先进性,为大型钢铁制造企业构建了钢铁制造知识图谱(SMKG),并将其与传统的KG构建方法进行了比较。此外,还使用所提方法对多个主流LLM在KG构建各个阶段的性能进行了对比分析。实验结果进一步验证了该方法的可适用性,并为未来关于KG智能管理的研究提供了宝贵的参考。

引言

丰富的制造知识是制造企业快速适应新一代制造需求的基础[1]。利用知识图谱(KG)等工具管理制造知识,可以在新的业务需求出现时快速提取可参考的知识,这是提高制造效率的关键[2]、[3]。在生成式人工智能(GAI)技术的快速推动下,以大型语言模型(LLMs)为代表,全球制造企业正在加速其数字化和智能化转型[4]。传统的制造知识管理方法,包括专家引导系统和预训练的神经网络模型,存在显著的局限性。这些方法包括智能反馈不足、自动化程度低以及在特定领域中的泛化能力有限。因此,这些方法难以满足大规模制造企业的需求,这些企业需要高效的多源知识提取、智能推理和响应迅速的反馈机制[5]、[6]。
以钢铁制造企业为例,大量的知识——如钢铁制造特性、材料和工艺——不断在企业资源规划(ERP)和制造执行系统(MES)软件中生成。这些知识从各个制造站点上传到中央企业系统进行统一管理。在传统的运营模式下,当出现新的钢铁制造任务时,工程师必须手动在系统中搜索相关知识,并将其与要求进行比较以确定兼容性。这一过程显著降低了企业业务链的运营效率[7]。因此,将存储在ERP、MES等系统中的历史制造知识转换为制造知识图谱(MKG),并建立更直观的信息检索机制,可以帮助提高制造企业的业务链运营效率[8]。
以往的研究采用了专家引导方法和预训练模型等方法来识别知识三元组[9]、[10]、[11]。然而,这些方法存在显著局限性,包括高昂的标记成本、知识更新困难以及交互式知识推理的挑战[12]。此外,许多这些研究依赖于公共数据集来评估其方法,这凸显了缺乏与应用相关的专业知识[13]。最近,LLMs(如GPT和DeepSeek)的快速发展为各个行业的数字化转型提供了新的机会。利用LLMs来赋能企业制造生命周期的各个阶段已成为该领域的一个突出研究热点[14]。最近利用LLMs在公共数据集上的研究成功实现了知识三元组的自动提取和KG的完整构建,显著提高了构建和更新KG的效率[15]、[16]。尽管如此,LLMs仍存在固有的缺点,包括事实知识的缺失和幻觉等问题,需要设计特定任务的提示策略以确保更准确的响应[17]。在制造领域,学者们对LLMs进行了微调,以实现工艺知识的自动提取[18]。然而,大规模制造企业中的企业知识具有跨学科整合和高度专业化的特点。以钢铁制造企业为例,其内部知识包括特性、材料和加工技术等类别。为这些不同类型的知识开发定制的注释和微调策略会大幅增加KG构建的成本。因此,有必要探索无需微调LLMs即可提取制造知识的适当提示策略,从而实现各种类型制造知识的准确和全面提取。
传统方法,如图学习算法和逻辑推理,已被用于从KG中推断知识。然而,这些方法经常面临图嵌入和自然语言嵌入之间的不一致性问题,导致用户查询与KG之间的交互效率低下[19]。虽然基于LLMs的问答(Q-A)交互系统(如ChatGPT)在各个行业中作为一种用户友好的解决方案得到了广泛接受[20]。为了提高系统响应的专业准确性,通常使用专业文档作为知识库来提供检索增强生成(RAG)功能。然而,这种方法往往会引入过多的无关噪声,从而增加响应成本。此外,随着专业文档数量的增加,系统响应时间也会增加[21]。虽然将结构化知识(如KG)与LLMs集成可以缓解幻觉问题并提高模型响应的可解释性[22]。因此,如何合理利用LLMs自动提取企业制造知识,实现制造KG的自动构建和优化,以及进一步开发基于LLMs的KG驱动的制造知识交互系统,构成了制造企业知识智能管理中的一个关键挑战。
基于制造企业的上述知识管理需求和现有研究的局限性,提出了一种针对制造企业的智能知识管理方法,其主要贡献如下:
  • 1.
    开发了MKG的自动构建代理。提出了一种基于LLMs的多阶段实体-属性(E-A)对识别和关系提取算法。为了避免LLMs输出的不完整性,分别提取三元组中的实体和关系。渐进的多阶段提取策略确保了最终知识三元组的专业性和完整性。此外,引入了制造知识三元组优化算法来修正非标准的三元组组件。最后,使用图数据库管理MKG。
  • 2.
    开发了MKG的自动优化代理。设计了一种图融合策略,基于LLMs自动合并不同的MKG,解决三元组中的歧义并进行去重。此外,提出了一种跨MKG潜在三元组识别算法,实施多阶段提取策略以发现更多的潜在MKG关系。开发了一种扩展的关系图卷积网络(R-GCN+)来预测潜在三元组的关关系,其中LLMs选择最符合上下文的关关系。这种双重方法同时完成了MKG的构建,并提高了潜在三元组的准确性。最后,将融合的三元组和选定的三元组整合起来生成优化的MKG。
  • 3.
    开发了一种基于MKG的自然问答(Q-A)系统。为了提高LLM生成响应的专业性和完整性,以三元组形式表示的MKG作为系统的知识库。收到用户查询后,系统检索相关的MKG三元组,将其转换为自然语言,并将结果呈现给用户,从而提高了知识传递给最终用户的可读性。
  • 本文的其余部分组织如下。第2节回顾了与KG构建、优化和应用相关的最新研究。第3节系统介绍了所提出的制造知识智能管理方法的框架。第4节提出了一个关于钢铁制造企业知识智能管理的案例研究,并附有必要的讨论。最后,第5节总结了这项工作的创新点、结论和未来方向。

    章节片段

    知识图谱构建

    大规模企业的多部门和多工厂特性往往导致知识分布碎片化,从而形成了知识孤岛[23]。因此,构建领域知识图谱(DKGs)已成为企业保存历史数据的主要方法。领域KG的典型构建过程通常包括实体识别、共指解决和关系提取[12]。

    方法论

    为了解决制造企业的知识管理需求和现有研究的局限性,提出了一种针对制造企业的智能知识管理方法。所提方法的总体框架如图1所示。它由三个主要部分组成:MKG自动构建代理(详见第3.1节)、MKG自动优化代理(详见第3.2节)和MKG智能应用(详见第3.3节)。第一部分

    钢铁制造知识图谱的构建

    钢铁是汽车和建筑等行业供应链中不可或缺的资源。有效利用大型钢铁制造企业的广泛知识是提高生产效率的关键。以中国宝武钢铁集团有限公司的产业链知识为基础,使用光学字符识别(OCR)技术对未识别的字符进行预处理。然后将所有知识分为三个部分:

    结论

    随着GAI技术的快速发展,制造企业的数字化和智能化转型正在加速。在这个过程中,经验知识仍然是维持企业发展的核心基础。为了克服传统制造知识管理中难以获取和自动化程度有限的瓶颈,提出了一种制造知识智能管理方法。

    CRediT作者贡献声明

    刘志新:撰写 – 审稿与编辑,撰写 – 原稿,可视化,验证,软件,方法论,调查,形式分析,数据整理,概念化。胡冰涛:撰写 – 审稿与编辑,监督,资源,项目管理,方法论,调查,资金获取,形式分析,数据整理。冯一雄:撰写 – 审稿与编辑,监督,资源,项目管理,调查,资金获取,概念化。

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

    致谢

    作者感谢国家重点研发计划(编号:2024YFB3311500)和浙江省重点研发计划(编号:2024C01029和2025C01023)的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号