風電設備情境知識圖譜構建技術研究

中圖分類號：TM315;TP391.1DOI：10.3969/j.issn.1004-132X.2025.06.008 開放科學（資源服務）標識碼（OSID）：

Research on Construction Techniques for Wind Power Equipment Contextual Knowledge Graphs

SHI Zhiyuan1，2 KONG Zhiwei2* CHEN Junzhen3WANG Shuying3 1.School of Mechanical Engineering，Southwest Jiaotong University，Chengdu，

2.Intelligence Manufacturing Department，Dongfang Electric Academy of Science and Technology Co.，Ltd.，Chengdu，

3.School of Computing and Artificial Inteligence，Southwest Jiaotong University，Chengdu，

Abstract： Traditional methods for constructing knowledge graphs didn't consider the contextual constraints on knowledge，making it challnging to effectively represent the complex associative relationships among vast knowledge in complex electromechanical equipment like wind turbines. This limitation hindered the practical applications of knowledge graphs in the production processes. This paper proposed a method for constructing a context-aware knowledge graph tailored for wind turbine equipment. Initially，the method extracted contextual knowledge，module meta-knowledge，and module instance knowledge generated from project customization. Utilizing the SHACL，an ontology model was constructed，incorporating context paths and attribute value constraints，thereby precisely characterizing and extracting various knowledge types. Furthermore，an ontology parsing-based algorithm is introduced for visualizing contextual knowledge subgraphs. Through the parsing of contextual knowledge classes within the ontology，data observation windows were generated for each contextual class， facilitating the construction of multi-dimensional visualization interactions tailored to specific scenarios. Through practical applications， the proposed method effectively integrates module meta-knowledge with project-specific module instance knowledge，meeting the demands for precise representation and diverse application scenarios in wind turbine equipment knowledge.

Key words： wind power equipment; contextual knowledge graph;contextual semantic constraint; visualization interaction engine; shape constraint language（SHACL）

0 引言

風電設備作為一種典型的按單設計型復雜產品，在設計、制造和運維過程中普遍采用模塊化定制模式。在此模式下，企業首先對現有的設計、制造和運維通用知識進行模塊化抽象，構建模塊元知識庫。產品的設計、制造和運維階段通過重用這些模塊元知識及現有產品模塊的實例知識，并結合特定場景進行定制化生產，從而有效適應各種應用需求。隨著模塊化過程的不斷深人，企業積累了大量多源異構的模塊元知識和實例知識，使得對這些知識進行有效的管理、挖掘和智能應用變得至關重要。

作為一種有效表達實體間關系和語義的方法，知識圖譜提供了靈活的海量數據管理解決方案[1]。它不僅具備強大的表示學習和推理的能力[2]，還提供了豐富的可視化技術[3-4]，可顯著提高復雜知識理解和應用的直觀性與效率。近年來，知識圖譜在智能制造領域的應用已成為研究熱點5，在航天產品研制6、數控裝備信息建模[7]、高速列車可維修性設計[8]等領域已經開展了嵌入應用研。然而，這些研究多集中于使用傳統的三元組結構來表征和學習場景特征，缺乏對全生命周期業務情境和知識完整性的全面考慮。

在風電設備的模塊化知識領域，存在多種類型的模塊元知識和實例知識，這些知識間存在復雜的完整性約束關系。例如，模塊參數值間的約束、模塊加工工序間的前置依賴關系，以及排程中工序實例的事務原子性約束等。同時，這些知識均具有顯著的業務情境特征，例如風機齒輪箱檢修標準僅適用于在運維業務場景中的齒輪箱部件的維修。因此，有效表征各類知識約束及情境是提高知識精準性、滿足生產應用的關鍵。本文針對風電設備知識應用情境特征，通過對各類知識融人情境約束，改進傳統三元組的知識建模方法和可視化方法，以滿足場景驅動的知識精準服務需求。

1情境知識圖譜構建相關工作

1.1 知識完整性約束

在知識完整性約束方面，ShEx（shapeex-pressions）[9] 和 SHACL（shapes constraint lan-guage）[10]是兩個主要的標準。特別地，SHACL作為W3C的推薦標準，在知識圖譜完整性約束方面已得到廣泛應用。例如，文獻[11提出了使用SHACL約束為圖數據集定義模式，并通過推理規則檢測知識實例違反約束的方法。文獻[12]探討了將一組SHACL形狀轉化為描述邏輯知識庫的句法轉化方法，并使用描述邏輯判斷SHACL形狀的包含關系。此外，文獻[13]提出了一個能夠規劃形狀模式遍歷和執行的SHACL引擎，該引擎通過重新排列形狀模式中的形狀，實現無效實體的快速檢測。

1.2 知識情境融合

在知識情境融合方面，本體建模是一種常用的方法。例如，文獻[14]提出了一個基于本體建模語言（web ontology language，OWL）編碼的上下文本體，用于在普適計算環境中對上下文進行建模，該方法使用位置、任務、用戶和設備等要素來描述知識情境。文獻[15針對火情情境感知需求構建了一個涵蓋緊急事件、事件應對方案、救援服務、資源、運輸設備和人員等六個維度的知識情境模型。文獻[16]則針對復雜工程系統設計情境，將利益相關者和任務信息融人上下文，構建了設計助手知識圖譜，為設計師提供與任務相關的設計規則服務；文獻[17]針對高速列車多領域知識，提出了融合實體及屬性綜合相似度和元結構樹的本體及數據的融合方法，為構建高速列車全生命周期知識圖譜提供解決方案。

1.3 面臨的挑戰

風電設備本身復雜的結構層級性和知識間的關聯性，使得傳統的知識表征和可視化方法難以準確描述各類模塊元知識與項目定制生產中產生的實例知識間的語義約束，同時也難以針對各類業務場景提供知識快速分割和可視化服務。

2風電設備領域知識分類及表征方法

如前所述，風電設備知識具有多樣性，按照知識來源可分為三大類，各類知識特征如表1所示。

2.1 情境類知識表征

情境類知識指與特定業務環境緊密相關的分類知識的總稱。這類知識在風電設備的元知識和實例知識的精確分類中發揮著至關重要的作用，主要體現在兩個方面：一是使元知識和實例知識能夠根據業務環境的具體需求進行更加精確的分類，提高知識的語義完整性；二是提高圖譜可視化處理速度，使復雜知識數據的解讀變得更加直觀和快捷。

1）模塊及裝配關系。模塊及裝配關系構建的通用物料清單（genericbillofmaterial，GBOM）是風電設備知識中最重要的情境之一，用于表征風電設備本身的結構特征。由于風電設備由成千上萬個零部件裝配而成，模塊元知識是針對零部件設計、制造和運維的通用知識，實例知識是在零部件定制過程中產生的，因此模塊是知識最重要的載體。GBOM的本體結構包括： ① 模塊節點，代表GBOM中的基本構成單元； ② 屬性，包括編碼、名稱、詞條和概念類型等，其中詞條表征模塊的語義； ③ part-of關系，表示模塊間的裝配關系，揭示了不同模塊之間的依賴和連接方式。

2）生命周期階段。風電設備業務過程復雜，其生命周期從大類上分為設計、制造和運維三個階段，每個階段又細分為多個子業務階段，如設計階段細分為方案設計、定標設計、載荷設計等。因此知識與業務活動的關聯性是其另一本質特征，這一特征可用生命周期階段本體表征，其結構包括： ① 階段節點，代表生命周期的各個階段； ② 屬性，包括編碼、名稱、詞條和概念類型等； ③ is-a關系，表示階段之間的子類關系。

3）項目及人員。項目和人員兩類情境知識是用來描述模塊定制實例類的情境知識的。其中，項目由屬性編碼、名稱和立項時間表征，人員由編碼、名稱和部門屬性表征。

4）其他情境類知識。除了上述情境類知識外，還可以根據業務需求構建其他情景類知識，如故障來源、故障等級等。這些知識有助于更全面地理解和管理風電設備知識的復雜性。

2.2 模塊元知識表征

在風電設備領域，模塊元知識指的是與裝備零部件相關的通用知識，如設計標準、設計參數、設計約束規則、加工工藝、工序、維修規范等，這類知識間往往具有復雜的依賴關系。本文根據與情境的相關程度和知識本身的獨立性，將其分為強實體類元知識和弱實體類元知識。

定義1強實體類：在特定的知識情境中，知識本身具有語義的完整性。

定義2弱實體類：在特定的知識情境中，知識本身不具有完整的語義，需要與其他強實體類關聯才具有語義的完整性。

例如，模塊設計標準、設計參數、維修規范等屬于強實體類知識，而設計約束規則、工序等屬于弱實體類元知識。這是因為設計約束規則是對一個或多個設計參數約束關系的描述，而多個工序按一定的前后順序聚集形成工藝才有意義，單獨一個或幾個工序沒有實際價值。

1）強實體類元知識表征。強實體類知識的表征需要添加它與模塊和階段間的情境路徑約束。以模塊設計標準為例，這類知識可以通過圖1所示的本體模型描述，除了實體本身及其屬性（編碼、名稱、文件路徑）外，還需要在該節點上定義它與模塊和階段節點的情境聯系（context-of）路徑約束，路徑約束可通過SHACL語言在設計標準類上定義與模塊及階段的路徑實現。

2）弱實體類元知識表征。如前所述，風電設備中，弱實體類主要分為兩種類型：一類是約束規則類知識，如設計參數約束規則、故障維修規則等，另一類是流程類知識，如工藝的工序、檢修的工步等。約束規則類知識是一類特殊的模塊元知識，這類知識用來表征某類元知識間的約束。如“齒輪箱最小齒間距 d=2.5m+0.01^?（m 為齒輪模數），這一約束規則表達了齒輪箱與齒輪模數參數間的關系。這類知識可通過形如圖2所示的本體模型描述，除自身的屬性外，還需要添加它與對應強實體類間的因子參數（factor-para）和校核參數（check-para）路徑約束。流程類知識是另外一類特殊的模塊元知識，這類知識節點間存在前序依賴關系，通過聚集形成完整的知識。以工序為例，這類知識可通過形成如圖3所示的本體進行表示，流程類知識節點除自身屬性外，還需要建立節點間前序依賴（pre-process）的路徑約束以及與對應強實體類間的part-of路徑約束。

2.3 模塊實例時序知識表征

模塊實例時序知識產生于不同項目中，在模塊定制過程中對元知識或實例知識進行復用是一種關鍵的時序知識，是基于實例進行推薦的基礎。為了全面表征這種知識，本文引入事件類節點，用以構建情境和實例知識節點之間的關系和約束。

1）模塊實例變更產生的模塊實例。以模塊設計模型定制為例，如圖4所示，模型定制是一個具有開始和結束時間屬性的事件類，該定制過程是從現有的模塊模型實例中選擇一個模型作為定制的基準，形成本項目的模塊實例。其中，“base-of\"表示定制基準，“outcome-of”表示定制結果，其余同上。

2）模塊元知識復用產生的模塊實例。在產品模塊化定制的生產過程中，一些模塊元知識（如設計標準、維修規范等）被用作參考，而另一些（如族模型、工藝等）則需要實例化和復用。一般強實體類元知識的復用與圖4中的實例知識復用類似，差異在于定制事件中的“base-of\"聯系是由模塊元知識類代替模塊現有實例。但對于具有弱實體約束的元知識，在實例化過程中則需要對弱實體約束進行特殊處理。 ① 約束規則類弱實體關聯元知識實例化。對于圖2所示的設計元參數類知識，在其實例化設計中需要將參數約束規則轉換為參數值間的約束，如圖5所示（為清晰起見，圖中僅保留了參數定制事件關聯的路徑約束及屬性）。其中，設計元參數在項目模塊實例化定制中產生設計參數（屬性包括值和名稱），需要將參數約束規則轉換為參數值間的約束，例如對于前述約束\"齒輪箱最小齒間距 d=2.5m+0.01^′ ，需要通過約束語言將其轉化為對應的設計參數值間的取值規則表達式查詢約束2。 ② 流程類弱實體關聯元知識實例化。對于圖3所示的流程類弱實體關聯的元知識，在實例化過程中需要項目模塊對應的任務驅動，通過任務排程事件實例化組成工藝的工序形成工序任務，轉換工序間的前置依賴為工序任務間的時間值約束，并用路徑數量約束來表征每個工序的完整性，對應的本體結構如圖6所示。

（as an example of design meta-parameter instantiation）

（asan example of a process task）

3基于情境約束的時序知識圖譜構建

3.1 情境知識形狀約束定義

本文采用SHACL語言來定義路徑約束和知識數據值間的約束，以確保數據的一致性和準確性。SHACL構建約束的語法元素如表2所示。

應用表2中的SHACL語法元素定義本體路徑形狀約束，例如：對于設計標準與模塊間的路徑約束，可在設計標準類上定義節點約束，通過sh：path：ex：Module定義它與模塊間的路徑約束；對于約束“齒輪箱最小齒間距 d=2.5m+0.01^， ，可通過構建SPARQL查詢，用FILTER與表達式比較，將實際值代人表達式，再通過存在性Exist判斷查詢結果。

3.2 知識數據抽取、校驗及存儲

基于上述方法，梳理風電設備知識，構建領域知識本體和約束。在此基礎上，抽取并驗證知識構建知識圖譜，具體步驟如下（圖7）：

1）收集風電設備結構、階段等情景數據。

2）使用 D2RQ（database to RDF query）工具對存儲在企業資源計劃（enterprise resourceplanning，ERP）、產品數據管理（productdata man-agement，PDM）等既有業務系統中的結構化模塊通用知識和實例知識進行抽取。

3）對于設計標準、故障維修手冊等非結構化知識進行標注，用標注的語料庫訓練命名實體識別和關系抽取模型（如BERT-BiLSTM-CRF等），利用訓練好的模型將文本知識抽取為圖節點及關系結構化數據。

4）將前面兩步抽取的知識節點和關系數據轉為資源描述框架（resource description frame-work，RDF）圖，使用Python 的 pySHACL包中的validate（·）函數對數據RDF圖和形狀RDF圖進行校驗，確保數據滿足約束條件。

（5）將符合條件的知識按知識三元組持久化地存儲到圖數據庫中。

3.3基于知識情境的圖譜可視化

針對不同場景對知識快速定位和交互需求，本文提出了基于本體解析的情境知識子圖可視化算法（算法1）如下：

輸出：可視化圖譜

1：if任務編碼為空then

2：為模塊、階段和項目情境變量賦默認值

3：else解析任務編碼，獲取模塊、階段和項目信息

4：解析本體中的情境類知識

5：foreach情境類知識do

6：構建觀測窗口標簽頁

7：獲取該情境知識的數據集

8：以該知識數據集為分組條件，構建分組統計模型

9：將分組結果數據集以表格形式可視化

10：為每行統計生成子圖查看按鈕及點擊事件

11：end for

12：foreach元概念及實例概念do

13：為每個概念生成一種顏色

14：為每個概念生成一個標簽及點擊可視化事件

15：end for

16：生成語義搜索窗體及搜索事件

17：以人員、模塊、階段和項目為條件查詢獲得子圖

18：為圖數據節點生成查看其語義信息的點擊事件。

該算法首先通過用戶身份和當前任務編碼獲得場景初始特征，然后解析本體中的情境知識類，為每類情境構建數據觀測窗口，以情境數據作為分組條件對知識進行分組，生成分組統計視圖，以支持用戶對知識的分類檢索。同時對每個類生成可視化顏色和標簽，用戶通過標簽可隱藏或加載該類數據，并為圖中數據項提供點擊事件功能，通過點擊可按前面情境約束本體展示數據屬性及相關數據實體，從而提高知識圖譜的可視化效率和知識的可讀性。

算法的收斂性分析： ① 算法的兩個循環結構均是針對本體中概念而非知識數據本身，數據量非常小，可在有限步驟內收斂； ② 算法在圖數據層只執行一次以情境特征值為條件的圖查詢，由于在模塊元知識和實例知識表征中融人了知識情境（見2.2節和2.3節），各類知識與情境知識節點間最多為2跳關系，因此圖查詢性能得以保證。

本文集成基于本體解析的情境知識子圖可視化算法研發了風電設備情境知識圖譜可視化引擎，該引擎前端采用ECharts可視化控件，后端采用Springboot應用框架，知識圖譜采用Neo4j圖數據庫存儲。該引擎通過集團單點登錄獲取用戶身份和當前對應任務編碼，讀取Neo4j圖數據庫中的本體和圖數據，執行算法1，生成針對該場景的初始化界面，當用戶點擊界面中的結構節點或圖中按鈕等事件后，引擎獲取事件對應的數據，以該數據為查詢條件執行算法1更新子圖。

4實例驗證

4.1 實驗背景

為了驗證所提出方法的可行性，以風機設計過程的情境知識、模型元知識和4個項目的設計實例知識數據為基礎開展實驗。

4.2 實驗過程

1）情境本體模型構建。應用圖2和圖4的本體模型，對設計過程情境知識（模塊、項目、人員、階段）、模塊元知識（設計元參數、設計標準、參數約束規則）和實例知識（項目模塊定制形成的零部件、設計參數）間關系進行表征，形成情境知識本體。

2）本文情境知識形狀約束定義。按照3.1節的方法用SCHAL對本體中路徑及值約束進行定義，定義結果用開源Graphviz可視化展示，如圖8所示。

3）知識數據抽取、校驗及存儲。根據知識本體中的概念及關系，按照3.2節的步驟對知識數據進行抽取、路徑及值約束校驗，最終將數據存儲到Neo4j圖數據庫中。

4）場景驅動的圖譜可視化。通過用戶身份集成認證進人知識圖譜可視化引擎，解析用戶任務，渲染出對應的多維可視化界面，如圖9所示。可視化內容及交互服務接口包括： ① 多維可視化交互構建。引擎自動解析并構建基于知識情境的多維可視化交互界面，按元數據及實例數據概念自動分配顏色標簽并按規則加載子圖。 ② 情境標簽頁展示。在界面的右側浮出窗口上端展示情境標簽頁，其中默認標簽頁為模塊維度。 ③ 知識數據分布與交互。右方表格展示按模塊數據分組統計的知識數據分布及交互入口。 ④ 知識情境切換。用戶可通過點擊標簽頁切換不同的知識情境。 ⑤ 知識節點交互。點擊圖上的知識節點，展示其具有完整語義的知識屬性及路徑約束關聯數據。圖10展示了點擊某條質量問題處理實例知識節點后彈出的窗口，其中包含了該質量問題事件及其關聯信息。實例驗證結果證實了所提出的風電設備知識圖譜構建方法能夠有效表征風機設備知識的語義，并能夠根據應用場景快速地將情境知識切分為子圖，實現高效的多維可視化展示，從而便于用戶理解和分析復雜的風電設備項目和專業知識數據。

5結語

本文深入分析了風電設備領域的知識特征及其應用場景，構建了針對情景類知識、模塊元知識和項目定制實例知識的語義本體模型，并詳細闡述了基于SHACL的知識情境約束驗證。在此基礎上提出了一種基于本體解析和情境交互的子圖切分算法，并開發了一個高效的情境圖譜可視化交互引擎。

參考文獻：

[1] WANG J，WANG X，MA C Q，et al. A Survey on the Development Status and Application Prospects ofKnowledgeGraphin SmartGrids[J].IETGeneration，Transmissionamp;Distribution，202l，15（3）： 383-407.

[2] 徐有為，張宏軍，程愷，等.知識圖譜嵌人研究綜述 [J].計算機工程與應用，2022，58（9）：30-50. XU Youwei，ZHANG Hongjun，CHENG Kai，et al.Comprehensive Survey on Knowledge Graph Embedding[J]. Computer Engineering and Applications，2022，58（9）：30-50.

[3] JI S X，PANSR，CAMBRIAE，et al. A Survey on Knowledge Graphs：Representation，Acquisition and Applications[J]. IEEE Transactions on Neural NetL」 綜述［J].計算機輔助設計與圖形學學報，2023，35 （1）：23-36. LIU Yuhua， ZHAI Ruyu， ZHANG Xiang，et al. A Survey on the Visual Analytics of Knowledge Graph [J]. Journal of Computer-aided Design amp;. Computer Graphics，2023，35（1） ：23-36.

[5]陶家琦，李心雨，鄭湃，等.制造領域知識圖譜的應用 研究現狀與前沿[J].計算機集成制造系統，2022， 28（12） ：3720-3736. TAO Jiaqi，LI Xinyu， ZHENG Pai，et al. State-ofthe-art and Frontier of Manufacturing Knowledge Graph Application[J]. Computer Integrated Manufacturing Systems，2022，28（12） ：3720-3736.

[6]徐雪松，肖剛，孟航程，等.面向設計計算多層知識圖 譜構建方法與應用[J/OL].計算機集成制造系統. http：// kns. cnki. net/kcms/detail/11. 5946. TP. 20230515.1129.014.html. XU Xuesong，XIAO Gang，MENG Hangcheng，et al. Multilayer Knowledge Graph Construction Method and Application for Design Calculation[J/OL]. Computer Integrated Manufacturing System.http ： // kns.cnki. net/kcms/detail/11. 5946. TP.20230515. 1129.014.html.

[7]路松峰，李祎明，屠向陽，等.基于知識圖譜的數控裝 備信息模型建模方法[J].華中科技大學學報（自然 科學版），2022，50（6）：39-47. LU Songfeng，LI Yiming，TU Xiangyang，et al. Modeling Method of Numerical Control Equipment Information Model Based on Knowledge Graph[J]. Journal of Huazhong University of Science and Technology（Natural Science Edition）， 2O22，50 （6） ：39-47.

[8]郭恒，黎榮，張海柱，等.多域融合的高速列車維修性 設計知識圖譜構建［J].中國機械工程，2022，33 （24） ：3015-3023. GUO Heng，LI Rong，ZHANG Haizhu，et al. Construction of Knowledge Graph of Maintainability Design Based on Multi-domain Fusion of Highspeed Trains[J]. China Mechanical Engineering， 2022，33（24）：3015-3023.

[9]PRUD’ HOMMEAUX E，LABRA GAYO J E， SOLBRIG H. Shape Expressions： an RDF Validation and Transformation Language[C] // Proceedings of the 1Oth International Conference on Semantic Systems. Leipzig，2014：32-40.

[10]FERNBACH A，KASTNER W. Semi-automated Engineering in Building Automation Systems and Management Integration[C]// The 26th IEEE International Symposium on Industrial Electronics （ISIE）.Edinburgh，2017：8001472.

[11］PARETI P，KONSTANTINIDIS G，NORMAN T J，et al. SHACL Constraints with Inference Rules[C]// The Semantic Web-ISWC 2019：18th International Semantic Web Conference. Auckland： Springer International Publishing，2019：539-557.

[12]SCHAFFENRATH R，PROKSCH D，KOPP M， et al.Benchmark for Performance Evaluation of SHACL Implementations in Graph Databases[C]// Rules and Reasoning：4th International Joint Conference.Oslo，2020：82-96.

[13]FIGUERA M，ROHDE P D，VIDAL M E. TraVSHACL： EfficientlyValidatingNetworksof SHACL Constraints[C]// Proceedings of the Web Conference.New York，202l：3337-3348.

[14]WANG X H，ZHANG D Q，GU T，et al. Ontology Based Context Modeling and Reasoning Using OWL[C]// IEEE Annual Conference on Pervasive Computingand CommunicationsWorkshops， 2004.New York：IEEE，2004：18-22.

[15]SMIRNOV A，LEVASHOVA T，SHILOV N. Patterns for Context-based Knowledge Fusion in Decision Support Systems[J]. Information Fusion， 2015，21：114-129.

[16] HUET A，PINQUIE R，VERON P，et al. CACDA：a Knowledge Graph for a Context-aware Cognitive Design Assistant[J]. Computers in Industry，2021，125：103377.

[17]王淑營，李雪，黎榮，等.基于知識圖譜的高速列車 知識融合方法[J].西南交通大學學報，2024，59 （5）：1194-1203. WANG Shuying，LI Xue，LI Rong，，et al. Knowledge Fusion Method of High Speed Train Based on Knowledge Graph[J]. Journal of Southwest JiaotongUniversity，2024，59（5）：1194-1203.