摘要
目前，我国复杂装备制造业正在加速实现服务型转型，装备质量和复杂度不断提高，装备维修次数、复杂度和成本显著增加，这些因素导致全寿命周期内的运维服务质量成为企业竞争力的关键因素。在维修中，拆卸作业是装备维修的第一道工序，具有极其重要的地位。一般地，拆卸工艺是按照装配的逆序进行。但是与装配过程不同，拆卸中零部件劣化状态千差万别，事先难以预料，每一步拆卸可能面临新的问题。更为重要的是，拆卸工艺实施不当不仅影响装备拆卸效率，而且可能加剧零件损伤甚至造成安全事故。但是，当前拆卸工艺构建严重依赖于专家技术和专家经验、易受到个人主观影响，难以实现工艺知识统一规范化组织和表达，并且当前工艺知识多以文本形式存储，难以支持模糊语义检索，工艺知识利用率低下。因此，亟需装备拆卸工艺知识库构建和知识检索技术支撑工艺人员快速地构建拆卸工艺方案并指导装备拆卸过程。当前，知识图谱以结构化的知识表示方式、强大的可视化和语义表达能力，被广泛应用于各个领域的知识工程中。考虑到工艺路径与知识图谱表达形式相似，即工艺路径中的节点可视为知识图谱的实体，节点之间关系可视为实体的关系，论文将利用知识图谱强大的处理能力探索拆卸中突发状况的解决方案。具体地，论文的主要工作组织如下： 为能够有效提取工艺实体和工艺关系语义特征，论文建立了工艺实体和关系双投影超平面模型，将实体和关系的语义表示分别投影在关系超平面和关系投影超平面，使得模型能够同时提取实体和关系的相似信息和差异信息，利用模型学习得到的语义向量有效表示工艺实体的语义信息。利用 JH70 发动机拆卸工艺碎片化知识图谱和公共数据验证了语义向量学习的准确性和有效性。 为实现拆卸工艺知识图谱的实体信息补全，论文研究自动化的补全方法。文中以实体类别补充为例，研究了信息的自动化补全方法。装备零部件通常按照由外到内和先后顺序拆卸，零件的类别体系呈现层次结构特征和序列特征。为了准确获得实体的类别，论文建立了样本自适应长短时记忆网络（LSTM）神经树模型，该模型将决策树和LSTM融合在一起，能同时提取实体的层次结构特征和序列特征，提高了实体的类别预测精度和鲁棒性。论文利用JH70发动机拆卸工艺知识图谱验证了工艺实体的类别预测精度。 为实现碎片化知识图谱相似度量与融合，论文建立了强化极大连通同归结构相似度模型来有效度量碎片化知识图谱的整体相似度，提出了基于实体和图结构的拆卸工艺知识图谱融合方法，保证信息不丢失的情况下有效融合相似知识图谱。通过理论证明了所建立的相似度模型在碎片化知识图谱融合中不会出现漏融问题，确保融合后的模型满足工程实际需求；最后，通过JH70发动机拆卸工艺碎片化知识图谱融合建模实验验证了方法的有效性。 为支持面向拆卸工艺知识图谱的模糊检索和语义检索，论文提出了一种基于强相关序列的细粒度集体实体链接方法，将一段检索文本中所有的关键词视为一个整体，建立了整体相关度模型和整体语义相似度模型，充分体现工艺知识的强逻辑关联，从而在语义层面完成工艺知识准确检索。利用JH70发动机拆卸工艺知识图谱和若干公共数据进行实体链接实验，证明了所提方法可以提高语义检索精度。
NETL