基于知識圖譜的高鐵動車設備檢測系統的本體框架構建與維護

韓智+周法國

摘 要： 為了解決高鐵機車設備運行數據的獨立采集與分析造成大量數據冗余以及數據結構不一致、多源異構數據不能融合等問題。探索高鐵動車行業知識圖譜的自動化構建過程以及本體和知識圖譜之間映射匹配機制，采用本體建模語言OWL，對高速鐵路列車設備檢測系統的上位機進行本體建模。實踐證明高鐵動車設備檢測系統中本體框架的智能化維護是保證系統能正常運行的關鍵，利用本體技術和知識圖譜解決數據異構和數據冗余的問題以及對車輛檢測設備平臺進行智能化本體維護。

關鍵詞： 高鐵動車； 本體； 多源異構數據； 知識圖譜； 設備檢測系統； 智能化維護

中圖分類號： TN911.23?34 文獻標識碼： A 文章編號： 1004?373X（2018）06?0011?04

Abstract： The operating data independent collection and analysis of high?speed train′s equipment have the problems of massive data redundancy and inconsistent data structure， and can′t fuse the multi?source heterogeneous data. The automatic construction process of the knowledge mapping of the high?speed rail industry and mapping matching mechanism between ontology and knowledge mapping are explored. The OWL is used to model the ontology of the host computer of the high?speed train′s equipment detection system. The practice results prove that the intelligent maintenance for ontology framework of high?speed train′s equipment detection system is the key to guarantee the normal operation of the system. The ontology technology and knowledge mapping can solve the problems of data heterogeneity and data redundancy， and perform the intelligent ontology maintenance for the vehicle′s equipment detection platform.

Keywords： high?speed train； ontology； multi?source heterogeneous data； knowledge mapping； equipment detection system； intelligent maintenance

0 引 言

高鐵動車上的車載設備，比如牽引設備、制動設備等，是機車行駛控制的重要部件，對機車行駛安全、實時狀況的檢測具有關鍵作用。如何檢測設備故障、實時監測列車運行狀態以及在多源異構數據中實現智能化本體維護，是適應高鐵動車信息化發展的關鍵[1]。目前，高鐵動車上機車設備運行數據由各個單元檢測系統獨立地采集與分析，造成大量數據冗余和數據結構不一致，所以需要解決機車設備各個系統單元缺乏統一的系統應用平臺這一關鍵制約，以解決機車運行中數據冗余和數據異構問題。隨著本體技術和知識圖譜的應用為解決數據異構和數據冗余問題提供了可能。

本體技術是指針對事物的本身給出構成相關領域詞匯的關系和規則集合。而知識圖譜是描述真實世界中存在的各種實體、關系、理論，以及相互之間的關系。國內外專家學者在異構數據融合和防止數據大量冗余進行了大量的有益探索，歐洲FP5?IST Project就采用本體技術構建異構數據標準化文檔，實現數據共享，進而建立保護歐洲鐵路系統的處理方法。

借鑒國內外鐵路系統應用本體技術和知識圖譜的經驗，將機車各子系統，集成到統一的用戶平臺，該平臺框架采用統一的設計模式、數據存儲方式和接口通信協議，采用本體建模語言（OWL），構建一種基于知識圖譜表示知識本體的高鐵設備檢測系統平臺框架，對機車車載設備檢測系統進行智能化本體框架構建與維護[2?3]。

1 本體技術和知識圖譜

1.1 本體和知識圖譜

本體，是指事物的本身。近年來，隨著“共享”概念的廣泛提及，本體概念也被“共享”了，比較認可的定義是斯坦福大學的Gruber提出來的，即“本體是共享概模型的形式化規范說明”[4?5]。

知識圖譜是在語義Web數據源的數量激增、大量RDF數據被發布的大背景下，于2012年5月，由Google提出這一概念[6?7]。知識圖譜是表示真實世界里存在的各種實體、關聯、理論和相互之間的關系[8]。知識圖譜可以分為通用知識圖譜和行業知識圖譜。

1.2 知識圖譜與本體的關系[6]

知識圖譜在本體的根本上進行展開及擴大，擴大關鍵表現在實體層面：本體里突出與強調的是概念及概念間的相關性，而知識圖譜則在本體的根本上，添加了更多的有關實體的內在信息。模式是對知識的提煉，而且按照預先設定的形式有助于知識標準化，更方便查詢等后續治理。本體其實是表示了知識圖譜的數據形式，本質上是組建本體。本體是基于概念層次上面的體現，對知識進行抽象化表示，側重概念和概念間的關聯；而知識圖譜以實體為重心，關注實體本身間的關聯推理，對知識形象化的表示[9]。endprint

2 高鐵動車設備檢測系統的本體模型架構

高鐵動車在運行結束后，檢測系統要采集各種行車參數，對機車整體運行狀況進行檢測，以確保列車行車安全。檢測系統平臺主要包括CCU（中央控制單元）、BCU（制動自動控制單元）、TCU（牽引控制單元）、ACU（輔助控制單元）等子系統。

目前列車各種檢測系統主要采用分布式結構，各主要檢測單元是獨立采集數據、獨立進行故障檢測分析，所以需要多次重復采集數據，造成數據大量冗余。同時，因為各個檢測系統之間對數據類型表示的不一致，從而無法有效地進行數據共享和列車運行狀況的整體分析。為了解決這一問題，構建統一的檢測系統平臺，便于各個檢測單元間數據共享，兼容之前各個子系統的軟件功能，并考慮到未來新的軟件功能設計添加，所以系統基本框架采用本體模型進行構建，利用模塊化動態設計思想，通過智能化配置動態生成新的應用系統，以實現知識共享和多源異構數據融合[10]。系統的總體模型架構如圖1所示。

系統框架從靜態資源描述和動態運作機制兩個方面進行本體建模，所以本體模型框架的描述有兩個方面[11]：

1） 數據的靜態本體模型以及系統框架中各個單元的數據的靜態語義表達，實現不同應用之間的數據融合。

2） 對系統的數據協議處理過程建立動態語義模型，對知識的故障識別、匹配、執行等過程進行動態語義描述。

高鐵設備檢測系統的本體模型架構采用面向服務架構，并且該本體框架獨立于各具體的單元應用，將檢測系統分層建模，然后每層再定義相應的內容，從而對高鐵設備檢測系統進行豐富的層次化描述和層次化本體模型構建。其層次化本體框架如圖2所示。

1） 數據服務層：統一數據訪問接口，實現數據融合，提高框架的通用性。

2） 本體元素層：將系統內知識用本體元素進行描述，并接收來自數據服務層的數據。

3） 本體邏輯層：利用通用模塊和專用模塊的動態運行機制，推理出需要的知識本體。

4） 適配插件層：根據本體框架動態運行機制，將傳上來的數據與各功能插件進行適配，然后將適配結果上傳應用交互層。

5） 應用交互層：用戶在該層對各類任務進行分類整合，對數據進行關聯分析，對列車設備故障、運行狀態進行整體分析。

高鐵設備檢測系統的本體構建是一個比較復雜的過程，需要理清各種應用單元實體間的層次關系、邏輯關系等，并且還要使計算機能夠識別和進行推理。為了實現高鐵設備檢測系統的本體構建、計算機自動推理及后續本體框架智能化維護，利用各自本體的映射機制，對系統整體的本體框架進行抽象化的概念描述。

3 高鐵動車設備檢測系統的知識圖譜構建

構建該檢測系統的知識圖譜，首先要確定清晰的本體與知識圖譜映射匹配機制，然后形象化地構建該檢測系統的知識圖譜。本體實質上是將關系、實體等進行層次化的抽象表達。因為知識圖譜相當于一張巨大的語義網，其中的概念層次關系可以用樹來表示，實體關系可以繼續用圖來表示，概念節點作為樹的節點，實體節點可以作為圖的節點，相互間關聯線表達。因此知識圖譜和本體映射配合模式能當作樹和樹、樹和圖的映射。

檢測系統的本體與知識圖譜映射匹配機制如圖3所示。

根據映射匹配機制進行高鐵動車設備檢測系統的知識圖譜構建，圖4為具體的構建過程。

因為要考慮車載設備中數據的多源異構、融合、關鍵信息快速抽取等問題，所以，該檢測系統的知識圖譜的構建過程是比較復雜的。需要自底向上，從底層數據庫、全局本體數據庫等進行整體的知識圖譜構建。

4 系統平臺本體框架的智能化維護檢測

該高鐵動車設備檢測系統的知識圖譜是以本體庫為基礎，在高鐵動車設備檢測系統的本體架構應用平臺上構建的。所以，高鐵動車設備檢測系統中本體框架的智能化維護依然是保證系統能正常運行的關鍵，其中包括根類、子類以及實體的維護，類屬性的管理等。

4.1 根類維護

高鐵動車設備檢測系統的根類分為兩大類，包括模塊和單元應用兩塊，也可根據實際情況定義通用模塊和專用模塊。主要功能包括編輯根類、刪除根類等。具體如表1所示。

4.2 子類維護

子類維護與根類操作相同，只是從根類繼承了根類的屬性和屬性默認值，對于具有相同操作的模塊具有相同屬性，同時子類也可以建立私有屬性。高鐵動車設備檢測系統中應用模塊需要特殊操作模塊時，可在通用模塊下建立子類模塊，并建立私有屬性。主要包括編輯子類、刪除子類等，具體如表2所示。

4.3 實體維護

實體是將類實體化，類中定義有屬性和關系，實體依據這些類屬性和關系建立屬性值和實體關系。實體維護的主要功能包括增加實體、刪除實體等，具體如表3所示。

5 結 語

本文通過本體與知識圖譜的聯系與映射匹配機制，探索構建一種基于知識圖譜的高鐵動車設備檢測系統的本體框架模型，在系統中引入一些新概念和新方法，解決多源異構數據快速融合問題，使列車故障診斷和處置率有效提高。并進一步探索本體框架、行業知識圖譜在高鐵動車領域的深入應用。需要指出的是，本體建模工具仍需不斷完善，下一步應該是朝著自動化、智能化方向發展，進一步補充和完善已有的高鐵列車設備的本體庫，構建適合于高鐵列車設備檢測系統的領域本體和行業知識圖譜，結合最新的人工智能技術，探索知識圖譜的自動構建機制。

注：本文通訊作者為周法國。

參考文獻endprint

[1] 韓春華.基于GIS的鐵路選線系統智能環境建模方法研究[D].成都：西南交通大學，2008.

HAN Chunhua. Research on intelligent environment modeling method of railway route selection system based on GIS [D]. Chengdu： Southwest Jiaotong University， 2008.

[2] YANG Lianbao， LI Ping. Ontology?based decision tree model for intelligent maintenance of high?speed railway onboard equipment [J]. Railway transport and economy， 2017， 39（2）： 55?59.

[3] 徐田華，楊連報，胡紅利，等.高速鐵路信號系統異構數據融合和智能維護決策[J].西安交通大學學報，2015，49（1）：72?78.

XU Tianhua， YANG Lianbao， HU Hongli， et al. Heterogeneous data fusion and intelligent maintenance decision for high speed railway signaling systems [J]. Journal of Xian Jiaotong University， 2015， 49（1）： 72?78.

[4] 丘威，張立臣.本體語言研究綜述[J].情報雜志，2006（7）：61?64.

QIU Wei， ZHANG Lichen. Research on ontology language [J]. Journal of information， 2006（7）： 61?64.

[5] 王宇華，印桂生.基于本體的需求模型到UML模型轉換方法[J].哈爾濱工程大學學報，2012，33（6）：735?740.

WANG Yuhua， YIN Guisheng. Automatically generating a UML model from a requirement model based on ontology [J]. Journal of Harbin Engineering University， 2012， 33（6）： 735?740.

[6] 張德政，謝永紅，李曼，等.基于本體的中醫知識圖譜構建[J].情報工程，2017，3（1）：35?42.

ZHANG Dezheng， XIE Yonghong， LI Man， et al. Construction of knowledge graph of traditional Chinese medicine based on the ontology [J]. Technology intelligence engineering， 2017， 3（1）： 35?42.

[7] 劉嶠，李楊，段宏，等.知識圖譜構建技術綜述[J].計算機研究與發展，2016，53（3）：582?600.

LIU Qiao， LI Yang， DUAN Hong， et al. Knowledge graph construction techniques [J]. Journal of computer research and development， 2016， 53（3）： 582?600.

[8] 吳運兵，陰愛英，林開標，等.基于多數據源的知識圖譜構建方法研究[J].福州大學學報（自然科學版），2017，45（3）：329?335.

WU Yunbing， YIN Aiying， LIN Kaibiao， et al. Knowledge graph construction method based on multiple data sources [J]. Journal of Fuzhou University （Natural science edition）， 2017， 45（3）： 329?335.

[9] 胡芳槐.基于多種數據源的中文知識圖譜構建方法研究[D].上海：華東理工大學，2015.

HU Fanghuai. Research on construction method of Chinese knowledge atlas based on multiple data sources [D]. Shanghai： East China University of Science and Technology， 2015.

[10] 陳圣青.基于本體的知識發現系統框架研究[D].南京：南京航空航天大學，2009.

CHEN Shengqing. Research on ontology based knowledge discovery system framework [D]. Nanjing： Nanjing University of Aeronautics & Astronautics， 2009.

[11] 韓春華，易思蓉，呂希奎.基于GIS的鐵路選線智能環境及領域本體建模方法[J].中國鐵道科學，2006，27（6）：84?88.

HAN Chunhua， YI Sirong， L? Xikui. GIS based railway location intelligent environment and domain ontology modeling method [J]. China railway science， 2006， 27（6）： 84?88.endprint