煤礦機電設備事故知識圖譜構建及應用

李哲， 周斌， 李文慧， 李曉蘊， 周友， 馮占科， 趙涵

(1.北京低碳清潔能源研究院， 北京 102209； 2.國家能源投資集團有限責任公司， 北京 100120； 3.國能網信科技(北京)有限公司， 北京 100120)

0 引言

隨著各大能源和煤業集團對礦山智能化和煤礦應急管理要求的逐步提高，對煤礦機電設備的智能化、可靠性及可維護性提出了更高的要求[1-2]。一方面，由于礦井環境惡劣、工況復雜，很難從機電設備事故表象和部分監控數據判斷設備事故根本原因，導致事故分析和處理時間長，影響煤礦工作效率和經濟效益。另一方面，煤礦通過長時間運營，已經積累了大量機電設備事故分析和處理記錄，培養了一批有機電設備事故處理經驗的工程師和服務商，但目前缺少能夠有效利用歷史數據、經驗知識的手段來提高機電設備事故處理效率。

知識圖譜技術將知識或數據加以關聯，實現知識的描述及推理，并最終實現像人類一樣對事物的因果關系進行理解與解釋[3-4]。曹現剛等[5]通過定義煤礦裝備維護的關鍵概念、關系及屬性，進行基于本體的知識建模，并利用Neo4j圖數據庫存儲煤礦裝備維護知識，形成煤礦裝備維護知識圖譜，可提高煤礦裝備維護知識管理效率。劉鵬等[6]將知識圖譜技術引入煤礦安全領域，對知識概念分類建模，并基于圖數據庫存儲，構建了煤礦安全知識圖譜，可用實體關系圖的方式直觀描述各類概念及概念之間的關系。葉帥[7]基于煤礦學科知識構建了煤礦領域知識圖譜，并利用知識圖譜實現精準、快速的智能查詢。魏卉子[8]和鹿曉龍[9]構建了煤礦安全知識圖譜，可實現知識查詢、知識管理等功能，幫助用戶快速、準確、直觀地學習煤礦安全知識。在上述研究基礎上，本文通過對煤礦機電設備事故案例歷史數據進行分析，關聯設備、事故、原因和處理方式等知識元素，構建了煤礦機電設備事故知識圖譜，并利用知識推理和圖計算，實現煤礦機電設備事故診斷、風險管理和智能問答。

1 煤礦機電設備事故知識圖譜構建

1.1 構建流程

煤礦機電設備事故知識圖譜的構建需要將知識進行分析、歸納和標準化，構建有效、可擴展的知識模型。本體作為一種知識表達方式，能夠清晰地描述概念的結構、概念之間的關系等領域中實體的固有特征[10]。本體模型通過其知識標志元素保證知識的傳遞性、關聯性和準確性，其表達元素主要包括概念、屬性、關系、函數、公理和實例等，在實際使用過程中，根據具體的案例進行適當裁剪[11]。

本文以煤礦機電設備為核心，對煤礦機電設備、事故、處理方式等本體之間的復雜關系進行分析，確定采用四組元本體模型，并利用機器學習方法不斷對圖譜進行完善更新。四組元本體模型定義為O=〈C，R，A，I〉，其中各元素含義如下：O——煤礦機電設備事故本體模型；C——概念(或標簽)，指表達某一類實體對象的集合，本案例中包括設備、事故、處理方式、原因、單位、人員等；R——關系，指概念之間的交互作用關系，本案例中包括組成關系、繼承關系及其他業務關系，例如涉及、執行、派遣、導致、維修等；A——屬性，指概念具有的屬性和屬性值，本案例中包括時間、型號、ID、廠家等；I——實體，是屬于某概念類的基本元素，圖譜的構成節點。

本文采用自上而下和自下而上結合的方式構建煤礦機電設備事故知識圖譜，流程如圖1所示。首先，設計本體模型的數據關系，確定本體及本體之間的關系類型；然后，根據設計的數據關系，從數據庫、文本中抽取實體、關系和屬性；最后，利用Python語言對實體、關系和屬性進行創建并存入Neo4j圖數據庫，實現知識圖譜的構建和更新。

圖1 煤礦機電設備事故知識圖譜構建流程Fig.1 Construction process of mine electromechanical equipment accident knowledge graph

1.2 數據關系設計

根據煤礦業務特點，將《神東煤炭集團公司機電事故案例分析手冊》、《煤礦機電設備使用手冊》和《煤礦職工安全手冊》中涉及的知識本體進行歸納并梳理其中關系，形成本體模型數據關系，如圖2所示，本體模型以設備為核心，通過包含、涉及、導致、執行、預防等關系類型，關聯了事故、原因、措施、操作、處理、災害、規定、人員、后果和維護保養等本體。本體模型數據關系的核心作用是確定3個邏輯鏈條：① 設備鏈條。確定設備系統、子系統、組件和零件之間的構成關系。② 事故鏈條。確定各類事故涉及的設備、事故和事故之間的邏輯關系、原因和事故之間的因果關系。③ 維護鏈條。確定某類事故發生前，應采取的設備維護保養措施和事故預防規定；事故發生后，應遵循的制度規范、應執行的處理措施和應調動的處理人員。

圖2 本體模型數據關系Fig.2 Data relationship of ontology model

1.3 知識抽取

知識抽取一般指從結構化或非結構化數據中抽取實體、關系和屬性。實體抽取需要在數據庫和文本中識別出各級設備、措施、事故和原因等跟業務相關的實體名詞；關系抽取是在實體抽取的基礎上，通過語義規則等方法找到實體之間的關聯關系；屬性抽取指提取設備、措施、事故等實體的屬性參數[12]。

知識抽取的質量對知識圖譜構建效率和準確性影響極大。基于機器學習的知識抽取方法具有泛化能力強、使用靈活和便于更新等特點，但在輸入數據少的情況下難以保證準確性?；谝巹t模板的知識抽取方法具有準確性高和資源消耗少等特點，然而知識抽取涉及的文本內容和格式存在不確定性，該方法無法準確實現跨段落的邏輯關系提取[13]。因此，本文將機器學習和規則模板相結合進行知識抽?。菏紫葘⒚旱V機電設備相關手冊等文本作為BiLSTM(Bi-directional Long Short-Term Memory，雙向長短期記憶)+CRF(Conditional Random Field，條件隨機場)機器學習模型[14]的輸入數據，實現知識圖譜實體的自動抽??；然后，以BiLSTM+CRF機器學習模型的實體抽取結果為基礎，制定專業詞庫(包括煤礦機電設備、事故和措施等專業名詞)，編制規則模板并利用開源庫Pyltp實現簡單句式的關系提取；最后，對于涉及上下文含義分析并且跨句子或跨段落的復雜關系提取，需要進行人工處理，后續可根據業務需要定制模板,以適應復雜文本的知識抽取。

1.4 圖譜元素創建及知識存儲

綜合考慮易用性和穩定性，圖譜元素創建和知識存儲采用Python+Neo4j技術路線。Neo4j是一個高性能的NoSQL圖形數據庫，它將結構化數據存儲在網絡上而不是表中，同時Neo4j也是一個高性能的圖引擎，具備圖計算功能。本文使用Python語言，通過py2neo庫用Cypher語句對Neo4j圖數據庫進行操作[15]。在Neo4j圖數據庫中，利用標簽、節點、關系和屬性對四組元本體模型進行描述，具體描述方式見表1。圖譜元素創建具體方法：利用create()語句創建節點、節點標簽和節點屬性，利用match()create()語句創建兩節點之間的關系和關系屬性，利用return(),where(),match(),order()語句分別實現實體、關系和屬性等圖譜元素的加載、檢索、匹配和排序。創建圖譜元素后，用關系將所有節點連接形成一個能夠表達數據關系所隱含邏輯鏈條的知識網絡，以圖形結構的形式存儲于Neo4j圖數據庫中。

表1 Neo4j圖數據庫元素描述Table 1 Element description of Neo4j graph database

2 煤礦機電設備事故知識圖譜應用

基于煤礦機電設備事故知識圖譜，利用知識推理和圖計算實現煤礦機電設備事故診斷、風險管理和智能問答等功能，使用戶能夠高效利用煤礦機電設備事故相關知識，幫助設備維護人員快速查找事故鏈條、定位事故原因并提出維修方案，達到降低事故率、減少事故處理時間的目的。

(1) 煤礦機電設備事故診斷。煤礦機電設備事故知識圖譜蘊含設備、事故、原因、措施等本體之間的隱含關系，通過對關系的多級匹配和貝葉斯網絡技術，可使人們快速了解事故現象背后的隱含知識、定位事故原因，實現事故原因推理、事故鏈條分析、事故結果推理和事故處理建議等功能，解決機電設備事故依靠人為經驗、處理時間長等問題。利用基于知識圖譜的知識推理技術，可在歷史事故數據的基礎上預測未來可能發生的類似事故，實現煤礦機電設備預測性維護。

(2) 煤礦機電設備風險管理。Neo4j圖數據庫利用圖計算中的度中心性計算，可以從繁雜的事故數據中分析出每臺設備的事故數量和每個事故原因的發生數量并進行排序，幫助煤礦確定需要重點關注的機電設備和事故原因，協助煤礦進行日常的設備風險管理工作。

(3) 智能問答。煤礦機電設備和數據種類繁多，每一類數據查詢又涉及不同關鍵字，導致現有信息平臺的查詢過程比較復雜，往往需要多次查詢或展開多級目錄。煤礦機電設備事故知識圖譜在語義表達方面具有天然優勢，智能問答在煤礦機電設備事故知識圖譜的基礎上結合了自然語言處理和分詞技術，用戶輸入事故簡單描述后，便可得到多級的、深層次的關聯結果，便于用戶快速、準確地查詢所需結果，瀏覽關聯信息，提高工作效率和知識共享能力。

3 結語

從數據關系設計、知識抽取、圖譜元素創建及知識存儲等方面描述了煤礦機電設備事故知識圖譜構建流程。通過設計四組元本體模型的數據關系，確定了本體及本體之間的關系類型；以數據關系為依據，從數據庫、文本中抽取實體、關系和屬性；采用Python+Neo4j技術路線創建圖譜元素并實現知識存儲。煤礦機電設備事故知識圖譜可應用于煤礦機電設備事故診斷、風險管理和智能問答等方面，幫助設備維護人員快速查找事故鏈條、定位事故原因并提出維修方案，達到降低事故率、減少事故處理時間的目的。