原型增强的多模态知识对比学习框架在工业机器人维护知识图谱链路预测中的应用
《Electronics》:A Multimodal Knowledge Graph Completion Method for Human–Robot Collaborative Maintenance of Industrial Robots Toward Industry 5.0
【字体:
大
中
小
】
时间:2026年10月02日
来源:Electronics 2.9
摘要
工业机器人维护知识图谱中通常存在关系缺失问题,而维护文本、图谱结构与运行状态信号之间的语义差异使得多模态链路预测面临复杂挑战。稀疏连接的实体进一步限制了可用的结构证据。针对上述挑战,本研究提出了一种原型增强的多模态知识对比学习(Pro-MKCL)框架。该框架结合了模态专用编码器、多头邻域注意力机制以及跨模态Transformer,以学习集成化的实体表示。基于本体约束的多原型对比学习进一步促进了类内紧凑性与类间分离性。本研究在一个自主研发的工业机器人维护多模态知识图谱以及两个公开基准数据集MKG-W和DB15K上进行了实验。在五次独立运行中,Pro-MKCL在工业机器人数据集上达到了0.9193的平均MRR和0.8789的Hits@1,而表现最强的多模态基线模型MOUNT分别为0.9122和0.8709。在MKG-W上,其MRR和Hits@1分别为0.3529和0.2960;在DB15K上分别为0.3658和0.2777。在工业机器人数据集上,当随机遮蔽40%的多模态属性时,其MRR仍保持在0.8905。上述结果支持了该框架在评测数据集上链路预测能力的提升以及在所测试遮蔽条件下的鲁棒性,为故障关联和协同维护决策支持提供了知识基础。
生物通微信公众号
生物通新浪微博
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