葛睿夫 林越 高祖標(biāo)

摘要：注塑過(guò)程故障原因通常需要技術(shù)專家進(jìn)行現(xiàn)場(chǎng)人工定位，費(fèi)時(shí)費(fèi)力。為實(shí)現(xiàn)對(duì)工藝手冊(cè)及故障解決方案文本中診斷知識(shí)的有效管理和利用以及輔助提高專家診斷效率，提出了一種針對(duì)注塑工藝缺陷診斷領(lǐng)域的知識(shí)圖譜構(gòu)建方法。采用增量式本體構(gòu)建框架建立注塑工藝缺陷本體模型；基于R2RML實(shí)現(xiàn)數(shù)據(jù)由關(guān)系型數(shù)據(jù)庫(kù)表向資源描述框架（RDF）的轉(zhuǎn)化；基于RDF中的三元組實(shí)現(xiàn)知識(shí)智能搜索、故障診斷及工藝卡解析等應(yīng)用，展示了知識(shí)圖譜技術(shù)在注塑領(lǐng)域的良好應(yīng)用前景。

關(guān)鍵詞：知識(shí)圖譜；注塑產(chǎn)品缺陷；本體構(gòu)建；RDF；智能應(yīng)用

中圖法分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

１ 引言

注塑產(chǎn)品的成型受原料、模具及機(jī)器本身等諸多因素的影響，在不具備行業(yè)專家經(jīng)驗(yàn)與知識(shí)的情況下僅依靠產(chǎn)品缺陷表征很難定位其問(wèn)題所在，這極大地增加了解決問(wèn)題的時(shí)間成本，嚴(yán)重降低了自動(dòng)化產(chǎn)線設(shè)備的利用率和生產(chǎn)效率。同時(shí)，生產(chǎn)人員對(duì)工藝手冊(cè)和故障案例文本的現(xiàn)有檢索方式效率低下，亟待優(yōu)化。

本文提出構(gòu)建注塑領(lǐng)域知識(shí)圖譜，探究每個(gè)產(chǎn)品缺陷案例內(nèi)在因素之間的關(guān)聯(lián)，并將這些因素與關(guān)系結(jié)構(gòu)化、顯性化和可視化，從而實(shí)現(xiàn)產(chǎn)品缺陷知識(shí)的有效積累和組織，幫助車間工人更好地定位并解決引起產(chǎn)品缺陷的共性問(wèn)題。隨著知識(shí)的更新和補(bǔ)全，將當(dāng)前可獲取的知識(shí)作為先驗(yàn)知識(shí)，能夠使設(shè)備的維護(hù)和管理水平得到更好的提升。

知識(shí)圖譜技術(shù)對(duì)海量知識(shí)的高效管理、組織和理解提供了可能［１］ ?；谄淞己玫闹R(shí)表達(dá)能力，已有多個(gè)領(lǐng)域?qū)χR(shí)圖譜進(jìn)行了深入研究及探索［２］ ，且應(yīng)用形式廣泛，主要包括推理［３］ 、搜索［４］ 、推薦［５］ 、問(wèn)答［６］ 。在推理方面，吳運(yùn)兵等［７］ 提出了一種基于路徑張量分解的知識(shí)圖譜推理算法，利用路徑排列算法（ＰＲＡ）獲得知識(shí)圖譜中實(shí)體對(duì)間的關(guān)系路徑，對(duì)其進(jìn)行張量分解，并在迭代過(guò)程中采用交替最小二乘法。

于娟等［８］ 提出了基于圖數(shù)據(jù)庫(kù)的人物關(guān)系知識(shí)圖譜推理方法，根據(jù)知識(shí)圖譜中已有人物與關(guān)系，發(fā)現(xiàn)新的關(guān)系并檢測(cè)人物關(guān)系數(shù)據(jù)中的不一致性，提升基于人物關(guān)系作出的管理決策的有效性。在搜索方面，王萌等［９］ 基于搜索系統(tǒng)難以精準(zhǔn)捕獲用戶查詢意圖的難點(diǎn)，提出了人機(jī)混合的知識(shí)圖譜主動(dòng)搜索。在推薦方面，余敦輝［１０］ 利用知識(shí)圖譜及基于知識(shí)圖譜結(jié)構(gòu)的重啟隨機(jī)游走，實(shí)現(xiàn)了一種跨平臺(tái)的用戶推薦方法。李浩等［１１］ 結(jié)合電影自身知識(shí)和外部評(píng)分等屬性，提出了一種基于循環(huán)知識(shí)圖譜和協(xié)同過(guò)濾的電影推薦模型。在問(wèn)答方面，張鵬舉等［１２］ 基于多特征消歧的方法，提出了一種新型的中文知識(shí)圖譜問(wèn)答系統(tǒng)。曹明宇等［１３］ 針對(duì)原發(fā)性肝癌設(shè)計(jì)了基于知識(shí)圖譜的原發(fā)性肝癌問(wèn)答系統(tǒng)。除了以上的熱門應(yīng)用外，知識(shí)圖譜也被用于展示文獻(xiàn)間的高頻關(guān)鍵詞，有助于學(xué)者和企業(yè)管理者對(duì)行業(yè)熱點(diǎn)進(jìn)行分析。

目前，國(guó)內(nèi)外對(duì)這一問(wèn)題的研究也取得了一定的進(jìn)展。Ｆｅｎｇ 等［１４］ 基于電信息采集系統(tǒng)故障運(yùn)維知識(shí)庫(kù)難以滿足大量運(yùn)維信息條件下高效智能決策制定需求的背景，提出了一種用電信息采集系統(tǒng)的知識(shí)問(wèn)答系統(tǒng)，實(shí)現(xiàn)了邊與節(jié)點(diǎn)的高效遍歷搜索，支持高效和智能化的采集與維護(hù)故障診斷，使得推理效率獲得提高。Ｏｕ 等［１５］ 指出隨著電力無(wú)線專網(wǎng)的覆蓋率逐漸上升，如何有效利用智慧終端的信息來(lái)實(shí)現(xiàn)無(wú)人網(wǎng)絡(luò)監(jiān)控和自動(dòng)運(yùn)維成了亟待解決的問(wèn)題。針對(duì)以上問(wèn)題，使用故障信息和終端信息構(gòu)建了知識(shí)圖譜，實(shí)現(xiàn)了電力無(wú)線專網(wǎng)的決策制定和故障診斷。Ｌｉｕ等［１６］ 提出了鐵路操作故障及其危害組成的因果網(wǎng)絡(luò)，并基于該網(wǎng)絡(luò)構(gòu)建鐵路操作故障知識(shí)圖譜，在異構(gòu)網(wǎng)絡(luò)中對(duì)故障和危害進(jìn)行了描述，探索故障的潛在規(guī)則并提出預(yù)防措施。李樂(lè)樂(lè)等［１７］ 基于飛機(jī)維護(hù)和維修的相關(guān)知識(shí)研究知識(shí)圖譜的構(gòu)建和應(yīng)用方法，利用ＳＱＬｉｔｅ 數(shù)據(jù)庫(kù)和知識(shí)圖譜構(gòu)建了飛機(jī)維護(hù)維修知識(shí)庫(kù)，并利用數(shù)據(jù)庫(kù)對(duì)飛機(jī)故障進(jìn)行了時(shí)間和空間維度的分析。劉瑞宏等［１８］ 將電信網(wǎng)絡(luò)領(lǐng)域零散的產(chǎn)品、案例、專家知識(shí)和故障數(shù)據(jù)進(jìn)行了有效關(guān)聯(lián)，提出了電信領(lǐng)域知識(shí)圖譜的構(gòu)建方法。

２ 注塑工藝缺陷知識(shí)圖譜構(gòu)建

２．１ 知識(shí)表示

數(shù)據(jù)采集、領(lǐng)域本體建模構(gòu)成了知識(shí)表示的２ 個(gè)階段。構(gòu)建知識(shí)圖譜的數(shù)據(jù)通常來(lái)源于ＲＤＢ（Ｒｅｌａｔｉｏｎａｌ ＤａｔａＢａｓｅ，關(guān)系型數(shù)據(jù)庫(kù)，是基于關(guān)系模型的數(shù)據(jù)與數(shù)據(jù)庫(kù)對(duì)象的集合）結(jié)構(gòu)化數(shù)據(jù)、原始文本資料、行業(yè)專家經(jīng)驗(yàn)，只有擁有充足的數(shù)據(jù)來(lái)源，才能更好地對(duì)領(lǐng)域本體進(jìn)行建模。

本體能夠?qū)㈩I(lǐng)域概念、概念間的邏輯關(guān)系和層次、概念的屬性和約束等進(jìn)行清晰的描述，能夠保證知識(shí)含義在傳遞和共享過(guò)程中的唯一性。通過(guò)對(duì)知識(shí)來(lái)源及知識(shí)屬性的分析，將數(shù)據(jù)源信息中所涉及的知識(shí)模塊進(jìn)行細(xì)節(jié)劃分，從而構(gòu)建出知識(shí)本體框架。

在此基礎(chǔ)上，若要實(shí)現(xiàn)對(duì)模塊細(xì)節(jié)概念和關(guān)系的進(jìn)一步擴(kuò)展，則需采用數(shù)據(jù)驅(qū)動(dòng)的增量式本體建模方法，本體構(gòu)建流程如圖１ 所示。

本體模型的數(shù)學(xué)形式可表述為：Ｏ ＝〈Ｃ，Ｒ，Ａ，Ｉ，Ｆ〉（１）式中，各元素的含義如下。Ｏ： 本體模型； Ｃ： 概念（類），某一類實(shí)體對(duì)象的集合；Ｒ：概念（實(shí)例）邏輯關(guān)系，指概念之間的交互作用關(guān)系（組成關(guān)系、繼承關(guān)系及其他業(yè)務(wù)關(guān)系）；Ａ：概念（實(shí)例）屬性關(guān)系，即概念具有的屬性和屬性值；Ｉ：實(shí)例（獨(dú)立的實(shí)體），表示屬于某種概念類的基本元素。Ｆ：函數(shù)（公理），即關(guān)系或函數(shù)之間存在的關(guān)聯(lián)或約束。

實(shí)例的集合構(gòu)成概念，每一個(gè)實(shí)例作為概念的子類都會(huì)繼承概念的所有屬性，且實(shí)例之間也存在交叉和關(guān)聯(lián)關(guān)系。

構(gòu)建完成的本體依靠ＪＥＮＡ 解析器（一個(gè)基于Ｊａｖａ 的語(yǔ)義網(wǎng)應(yīng)用框架，常用于解析本體模型），實(shí)現(xiàn)本體元數(shù)據(jù)向資源描述框架ＲＤＦ （ ＲｅｓｏｕｒｃｅＤｅｓｃｒｉｐｔｉｏｎ Ｆｒａｍｅｗｏｒｋ，使用ＸＭＬ 語(yǔ)法，用于描述Ｗｅｂ資源的特性及資源之間的關(guān)系）的轉(zhuǎn)化，并將本體按照〈主體〉?〈屬性〉?〈客體〉的三元組形式進(jìn)行解析和存儲(chǔ)，且支持ＳＰＡＲＱＬ 查詢語(yǔ)言對(duì)存儲(chǔ)的三元組進(jìn)行查詢。

２．２ 數(shù)據(jù)映射

數(shù)據(jù)映射過(guò)程包括２ 種語(yǔ)言標(biāo)準(zhǔn)： “ ＤｉｒｅｃｔＭａｐｐｉｎｇ”（Ａ ｄｉｒｅｃｔ ｍａｐｐｉｎｇ ｏｆ ｒｅｌａｔｉｏｎａｌ ｄａｔａ ｔｏ ＲＤＦ）和“Ｒ２ＲＭＬ”（ＲＤＢ ｔｏ ＲＤＦ ｍａｐｐｉｎｇ ｌａｎｇｕａｇｅ）。前者直接按照關(guān)系型數(shù)據(jù)庫(kù)的結(jié)構(gòu)將數(shù)據(jù)向ＲＤＦ 圖中映射，其映射方式簡(jiǎn)單便捷，但無(wú)法將數(shù)據(jù)庫(kù)中的表名與本體中的類進(jìn)行關(guān)聯(lián)；后者可以通過(guò)自定義的詞表實(shí)現(xiàn)關(guān)系型數(shù)據(jù)庫(kù)向ＲＤＦ 數(shù)據(jù)集的轉(zhuǎn)化，在前者的基礎(chǔ)上增加了自由定制的特性，其靈活性適用于各種場(chǎng)景。

Ｒ２ＲＭＬ 映射設(shè)計(jì)一個(gè)在關(guān)系數(shù)據(jù)庫(kù)中檢索數(shù)據(jù)的邏輯表，將關(guān)系數(shù)據(jù)庫(kù)的一個(gè)基表的ＳＱＬ 查詢定義為邏輯表。每個(gè)邏輯表被一個(gè)三元組映射（ｔｒｉｐｌｅｓｍａｐ）轉(zhuǎn)換成ＲＤＦ，即邏輯表中每一行實(shí)例數(shù)據(jù)被映射為若干ＲＤＦ 三元組。

映射文檔（ ｍａｐＤｏｃ） 由一個(gè)關(guān)系數(shù)據(jù)的全部Ｒ２ＲＭＬ 映射構(gòu)成，表現(xiàn)為一系列ＲＤＦ 三元組映射的集合，通常以Ｔｕｒｔｌｅ 語(yǔ)法格式書寫。在梳理了概念之間的邏輯關(guān)系后，編寫了注塑產(chǎn)品缺陷數(shù)據(jù)庫(kù)的Ｒ２ＲＭＬ 映射文檔，部分實(shí)體Ｒ２ＲＭＬ 映射原理圖如圖２ 所示。

通過(guò)Ｒ２ＲＭＬ 映射文檔，基于Ｄ２Ｒ Ｓｅｒｖｅｒ 關(guān)系數(shù)據(jù)映射引擎實(shí)現(xiàn)數(shù)據(jù)從扁平化到網(wǎng)狀結(jié)構(gòu)化形式的轉(zhuǎn)換，在很大程度上豐富了本體中的實(shí)例與屬性關(guān)系。

２．３ 智能應(yīng)用

（１）基于屬性名稱的知識(shí)搜索。

針對(duì)傳統(tǒng)檢索效率低下的問(wèn)題，采用知識(shí)圖譜的圖結(jié)構(gòu)優(yōu)化檢索效率。作為知識(shí)融合的載體，知識(shí)圖譜所有的知識(shí)點(diǎn)被具有語(yǔ)義信息的邊所關(guān)聯(lián)，通過(guò)檢索其包含的任意知識(shí)即可將與其所關(guān)聯(lián)的全部知識(shí)顯示出來(lái)。

知識(shí)搜索界面如圖３ 所示，該功能可以通過(guò)輸入實(shí)體名稱，實(shí)現(xiàn)精準(zhǔn)匹配，從而挖掘?qū)嶓w間潛在關(guān)系。

在學(xué)習(xí)故障診斷相關(guān)知識(shí)時(shí)可以直接輸入書籍目錄中的故障名稱，界面會(huì)快速顯示以故障名稱為中心且包含故障描述、故障成因、解決措施等實(shí)體之間關(guān)聯(lián)關(guān)系的知識(shí)圖譜。

（２）基于數(shù)據(jù)驅(qū)動(dòng)的智能診斷。

智能診斷界面如圖４ 所示，該功能基于過(guò)往積累的設(shè)備和產(chǎn)品失效知識(shí)（如故障樹(shù)分析（ＦＴＡ）、故障分析（ＦＡ）等）構(gòu)建關(guān)系圖譜。該功能集成的自然語(yǔ)言處理領(lǐng)域常用的ＴＦ?ＩＤＦ（詞頻?逆文檔頻率）用于解決技術(shù)人員輸入的故障名稱不能精確匹配知識(shí)圖譜中已存儲(chǔ)的語(yǔ)義信息的問(wèn)題，即輸入的故障名稱會(huì)根據(jù)ＴＦ?ＩＤＦ 計(jì)算的相似度分值匹配到知識(shí)圖譜數(shù)據(jù)庫(kù)中分值最高的文本。

（３）工藝卡信息提取。

工藝卡記錄了一臺(tái)注塑機(jī)加工產(chǎn)品的正常工序及參數(shù)設(shè)定，是一線工作人員操作注塑機(jī)的重要參考。同類型的產(chǎn)品對(duì)應(yīng)的工藝卡片內(nèi)容大體一致，但格式多有變化，較為復(fù)雜的工藝卡格式容易增加一線工作人員的理解難度。因此，將不同格式的工藝卡解析為同一種圖譜形式（如圖５ 所示），可以更直觀地展示工藝卡內(nèi)容，降低理解難度。

由于注塑機(jī)工藝卡電子版本大多是以Ｅｘｃｅｌ 文件格式存在，因此其很容易被解析成知識(shí)圖譜的形式。

將每張工藝卡的設(shè)備型號(hào)作為知識(shí)圖譜的中心實(shí)體節(jié)點(diǎn)，各類型參數(shù)作為葉子實(shí)體節(jié)點(diǎn)與中心節(jié)點(diǎn)建立連接。在知識(shí)圖譜中，通過(guò)檢索設(shè)備型號(hào)即可獲得各項(xiàng)設(shè)定參數(shù)，有利于提升工作人員的工作效率。

３ 結(jié)束語(yǔ)

本文針對(duì)如何對(duì)現(xiàn)有工藝手冊(cè)和故障診斷文本中的診斷知識(shí)進(jìn)行高效管理和利用的問(wèn)題，提出了注塑工藝缺陷知識(shí)圖譜的構(gòu)建方法。構(gòu)建了領(lǐng)域本體模型，采用基于規(guī)則的數(shù)據(jù)映射機(jī)制生成了ＲＤＦ 文件，并基于ＲＤＦ 中包含的注塑工藝缺陷知識(shí)開(kāi)發(fā)了３個(gè)功能模塊，以輔助工業(yè)現(xiàn)場(chǎng)故障診斷效率的提升。

注塑工藝缺陷知識(shí)圖譜提升了對(duì)現(xiàn)有故障診斷知識(shí)的利用率，并對(duì)未來(lái)診斷推理方法的研究貢獻(xiàn)了較高的應(yīng)用價(jià)值。

參考文獻(xiàn)：

［１］ 黃海松，陳啟鵬，李宜?。?dāng)?shù)字孿生技術(shù)在智能制造中的發(fā)展與應(yīng)用研究綜述［Ｊ］．貴州大學(xué)學(xué)報(bào)（自然科學(xué)版），２０２０，３７（５）：１?８．

［２］ 劉燁宸，李華昱．領(lǐng)域知識(shí)圖譜研究綜述［Ｊ］．計(jì)算機(jī)系統(tǒng)應(yīng)用，２０２０，２９（６）：１?１２．

［３］ 王樹(shù)徽，閆旭，黃慶明．跨媒體分析與推理技術(shù)研究綜述［Ｊ］． 計(jì)算機(jī)科學(xué)，２０２１，４８（３）： ７９?８６．

［４］ 王淵，彭晨輝，王志強(qiáng)，等．知識(shí)圖譜在電網(wǎng)全業(yè)務(wù)統(tǒng)一數(shù)據(jù)中心的應(yīng)用［Ｊ］．計(jì)算機(jī)工程與應(yīng)用， ２０１９， ５５（１５）：１０４?１０９．

［５］ 常亮， 張偉濤，古天龍，等． 知識(shí)圖譜的推薦系統(tǒng)綜述［Ｊ］．智能系統(tǒng)學(xué)報(bào)，２０１９，１４（２）：２０７?２１６．

［６］ 王智悅，于清，王楠，等．基于知識(shí)圖譜的智能問(wèn)答研究綜述［Ｊ］．計(jì)算機(jī)工程與應(yīng)用，２０２０，５６（２３）：１?１１．

［７］ 吳運(yùn)兵，朱丹紅，廖祥文，等．路徑張量分解的知識(shí)圖譜推理算法［Ｊ］．模式識(shí)別與人工智能，２０１７，３０（５）：４７３?４８０．

［８］ 于娟，黃恒琪，席運(yùn)江，等．基于圖數(shù)據(jù)庫(kù)的人物關(guān)系知識(shí)圖譜推理方法研究［Ｊ］．情報(bào)科學(xué)，２０１９，３７（１０）：８?１２．

［９］ 王萌，王靖婷，江胤霖，等．人機(jī)混合的知識(shí)圖譜主動(dòng)搜索［Ｊ］．計(jì)算機(jī)研究與發(fā)展，２０２０，５７（１２）：２５０１?２５１３．

［１０］ 余敦輝，張蕗怡，張笑笑，等．基于知識(shí)圖譜和重啟隨機(jī)游走的跨平臺(tái)用戶推薦方法［Ｊ］．計(jì)算機(jī)應(yīng)用，２０２１，４７（１）：１８７１?１８７７．

［１１］ 李浩，張亞釧，康雁，等．融合循環(huán)知識(shí)圖譜和協(xié)同過(guò)濾電影推薦算法［Ｊ］ 計(jì)算機(jī)工程與應(yīng)用，２０２０，５６（２）：１０６?１１４．

［１２］ 張鵬舉，賈永輝，陳文亮．基于多特征實(shí)體消歧的中文知識(shí)圖譜問(wèn)答研究［Ｊ］．計(jì)算機(jī)工程，２０２２，４８（２）：４７?５４．

［１３］ 曹明宇，李青青，楊志豪，等．基于知識(shí)圖譜的原發(fā)性肝癌知識(shí)問(wèn)答系統(tǒng)［Ｊ］．中文信息學(xué)報(bào)，２０１９，３３（６）：８８?９３．

［１４］ ＦＥＮＧ Ｙ，ＺＨＡＩ Ｆ，ＬＩ Ｂ Ｆ，ｅｔ ａｌ．Ｒｅｓｅａｒｃｈ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｆａｕｌｔｄｉａｇｎｏｓｉｓ ｏｆ ｐｏｗｅｒ ａｃｑｕｉｓｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ［Ｃ］∥ ２０１９ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ（ＥＩＴＣＥ）． Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥ Ｐｒｅｓｓ，２０１９：１７３７?１７４０．

［１５］ ＯＵ Ｑ Ｈ，ＺＨＥＮＧ Ｗ Ｊ，ＱＩ Ｗ Ｗ，ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ ｆｏｒ ｅｌｅｃｔｒｉｃ ｐｏｗｅｒｗｉｒｅｌｅｓｓ ｐｒｉｖａｔｅ ｎｅｔｗｏｒｋ［Ｃ］∥２０２０ ＩＥＥＥ １０ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｌｅｃｔｒｏｎｉｃｓ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ ＥｍｅｒｇｅｎｃｙＣｏｍｍｕｎｉｃａｔｉｏｎ （ ＩＣＥＩＥＣ）． Ｐｉｓｃａｔａｗａｙ， ＮＪ： ＩＥＥＥ Ｐｒｅｓｓ，２０２０： １０?１３．

［１６］ ＬＩＵ Ｊ Ｔ，ＳＣＨＭＩＤ Ｆ，ＬＩ Ｋ Ｐ，ｅｔ ａｌ． Ａ ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ ｂａｓｅｄａｐｐｒｏａｃｈ ｆｏｒ ｅｘｐｌｏｒｉｎｇ ｒａｉｌｗａｙ ｏｐｅｒａｔｉｏｎａｌ ａｃｃｉｄｅｎｔｓ ［ Ｊ］．Ｒｅｌｉａｂｉｌｉｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ ＆ Ｓｙｓｔｅｍ Ｓａｆｅｔｙ，２０２１，２０７：１０７３５２．

［１７］ 李樂(lè)樂(lè)，王奕為，丁超，等．面向飛機(jī)維修與維護(hù)的知識(shí)圖譜應(yīng)用［Ｊ］．內(nèi)燃機(jī)與配件，２０１９（２３）：１４７?１４８．

［１８］ 劉瑞宏，謝國(guó)強(qiáng)，苑宗港，等．基于知識(shí)圖譜的智能故障診斷研究［Ｊ］．郵電設(shè)計(jì)技術(shù)，２０２０（１０）：３０?３５．

作者簡(jiǎn)介：葛睿夫（１９９６—），碩士，研究方向：工業(yè)知識(shí)圖譜。