威廉希尔技术洞察ㅣPlantData：工业设备知识中心建设与应用实践

　　威廉希尔工业设备是智能制造的重要入口之一，设备知识中心以故障知识为基础，利用知识图谱技术，对知识进行解构，构建故障图谱，实现知识与业务场景有机融合，在企业业务流程中发挥知识的价值，提高业务效率和准确率。

　　• 设备故障排查是当前设备知识中心的核心应用场景，基于设备缺陷知识图谱，一方面可以提供知识检索与问答服务，提升设备缺陷智能化管理水平，实现设备及故障维修信息的快速查询、故障影响的快速发现与处理；另一方面可以提供可视化图分析模型，通过缺陷关联设备、厂商、部件、部位等信息，评估缺陷影响范围。

　　• 设备知识中心应围绕工业设备全生命周期进行智能化管理，将大数据、知识图谱、深度学习等技术应用于设计方案生成、生产工艺设计、质量分析、故障分析、企业管理、产业生产协同等步骤中，实现智能互联互通、知识/经验复用和智能决策支持；

　　• 图谱模式定义的通用方式包括自顶向上和自底向上有两种，设备知识中心知识建模环节往往采取两种方式结合，先由专家定义顶层规划，然后从数据中间做自动规约，模式融合后经过专家审核，威廉希尔最终形成设备知识本体。

　　全球范围内，美国、德国、中国先后提出先进制造、工业4.0以及中国制造2025战略，发展高端制造业成为主要经济体的国家战略与竞争焦点。

　　在《中国制造2025》制造强国战略引导下，我国于2017年提出“互联网+先进制造”，于2018年发布《工业互联网发展行动计划(2018-2020年)》，并在2019年两会工作报告中明确提出要打造工业互联网平台，拓展“智能+”，为制造业转型升级赋能。大力发展工业互联网，推动工业制造业转型升级，成为我国建设制造强国的重要抓手。

　　• 数字化：通过将种类繁多的工业传感器布置于生产与流通的各个部分，将工业过程各主要参数制式数字化，产生大量工业数据，为智能化奠定数据基础。

　　• 网络化：工业通信将传感器采集到的工业数据低延迟、低丢包率地传输至云端。未来，通信协议标准化、无线通信技术应用将成为趋势。

　　• 智能化：依托区块链和图像识别、语音、机器学习、知识图谱等人工智能技术，制造业企业得以在网络化的基础上进一步实现智能化，如辅助故障诊断、故障排查、预测性维护等。

　　随着工业制造业数字化、网络化、智能化的需求不断被激发，以工业互联网、工业数据智能赋能的智能制造领域迎来新的发展机遇。

　　在这样的背景下，工厂业务能力高速发展，积累了丰富的知识资产，现阶段虽然具备知识及文档存储和管理能力，但没有形成有效的知识应用手段。依托知识图谱技术，建设知识中心，可以实现知识与业务场景有机融合，更好的复用知识，在企业业务流程中发挥知识的价值，提高业务效率和准确率。

　　工业设备是智能制造的重要入口之一，设备知识中心以故障知识为基础，利用知识图谱技术，对知识进行解构，构建故障图谱，实现故障知识的场景化应用，具体如下：

　　• 提升排故效率，实现历史故障及时定位并推荐相应解决措施，针对新增故障，缩短排故周期；

　　• 基于故障图谱，实现故障的推理分析，包括故障传递规律的分析、故障原因频次和权重分析、故障与相关因素分析等；

　　第一，智能互联互通。工业设备各阶段数据隔离，通过串联“设计-制造-运行使用-维护服务”等各环节，打通阶段隔阂，实现全流程的互联互通，在单节点上考虑多环节之间的相互影响，实现设备协同优化。

　　第二，知识/经验复用。工业设备的故障维修很大程度依赖于专家经验，通过固化专家经验，形成故障树、维修经验等，聚合生成设备知识图谱，快速定位故障原因，推荐维修方案，实现新人快速上手，达到知识/经验复用的目的。

　　第三，智能决策支持。通过历史故障的经验挖掘分析，实现故障快速定位，维修方案推荐等；结合设备周期管理及实时监测数据，实现设备失效预警与预测性保护。

　　从工业设备的生命周期来看，从设计研究、生成制造、服务管理、运行使用是一个闭环的过程，其中迭代的具体步骤包括设计方案生成、生产工艺设计、质量分析、故障分析、企业管理、产业生产协同，在这些步骤中利用大数据、知识图谱、深度学习等技术实现互联互通、知识复用和智能决策，最终实现设备智能化全生命周期管理。

　　基于场景需求和源数据基础，设备知识中心的功能架构如下：通过将各业务系统中的结构化、半结构化、非结构化数据进行统一接入，加工处理成图谱数据，并基于图谱能力进行表示，实现故障知识图谱的构建，以支持图谱计算，提供推理和语义计算等能力，最终支持上层基于知识的智能应用，例如故障智能检索、故障智能推荐、故障智能排放、故障分析等。

　　围绕知识图谱全生命周期，设备知识中心构建分为六个步骤，分别为图谱模式定义、数据获取加工、知识融合、知识存储、知识计算、知识应用。

　　具体来看，在图谱模式定义环节，设备知识中心建模需要依据实际的应用场景和数据情况，通用方式有两种，一种是自顶向下，专家通过数据结构、行业标准、经验等对知识体系进行定义，准确率较高，尤其适用于复杂场景，但人工成本较高且行业缺乏统一标准时专家之间可能存在分歧；另一种是自底向上，通过数据驱动的方式，基于数据抽取情况，对模式进行小规模抽象补充。

　　设备知识中心知识建模环节往往采取自顶向下和自底向上结合的方式，威廉希尔先由专家定义顶层规划，然后从数据中间做自动规约，模式融合后经过专家审核，最终形成设备知识本体。

　　在数据接入和抽取环节，数据源包括工业设备相关的业务系统如PLM系统、MES系统、PDM系统等，ERP系统，以及企业内部已经构建好的知识管理系统、工艺技术专利、论文等，对不同类型的数据采取相应的知识抽取技术，构建设备库、故障库、文献库等，最终形成统一设备知识图谱。

　　在知识融合环节，对于同一个实体、同一个属性在不同数据源出现的情况，需要进行预测和对齐，图谱融合包括人工融合和自动融合方式，融合过程中需要进行冲突检测，消除冲突和不一致性。

　　知识图谱构建好之后，利用图谱的知识计算、推理、图关联挖掘分析、图模式挖掘等技术，实现知识应用，应用场景包括故障报告在线编辑、故障知识语义搜索、智能排放、维修故障定位、相似元器件替代、设备失效预警与预测性防护等。

　　设备故障排查是当前设备知识中心的核心应用场景，威廉希尔以设备的缺陷、故障为核心，构建设备缺陷知识图谱，将设备缺陷知识进行精细化管理。

　　基于设备缺陷知识图谱，一方面可以提供知识检索与问答服务，提升设备缺陷智能化管理水平，实现设备及故障维修信息的快速查询、故障影响的快速发现与处理；另一方面可以提供可视化图分析模型，通过缺陷关联设备、厂商、部件、部位等信息，评估缺陷影响范围。

　　以电网主设备知识体系和支持服务构建为例，电网主设备知识库包含变压器、电压互感器、电流互感器、断路器、组合电器、隔离开关、开关柜、架空线类设备；覆盖技术标准、管理制度、一次结构图、二次回路图、维护保养手册、设备说明书、故障分析报告7类知识板块，以及电工基础知识、变电运行知识、变电检修知识等N个知识点。

　　统一管理和分类检索，推动电网主设备知识管理水平向系统化、精益化和智能化提升。

　　通过损伤树分析（DTA）、损伤模式及影响分析（DMEA）、维修技术方案分析（RRA）、机械型图谱管理、机械结构树层次管理、功能项目结构分析、案例库管理、数据解析管理等能力，可以帮助用户进行机械装备、故障溯源、故障影响分析、故障维修分析，并根据用户对工程机械常见结构、故障、应急维修方法和案例等知识管理及语义查询的实际需要，提供搜索问答能力。