CN105808734B - 一种基于语义网的钢铁制造过程知识间隐性关系获取方法 - Google Patents

Abstract

本发明涉及一种基于语义网的钢铁制造过程知识间隐性关系获取方法，用以对钢铁制造过程知识之间的隐性关系进行准确表达，包括以下步骤：1)对钢铁制造过程知识进行三元组表述，建立钢铁制造过程知识的概念与关系的初始化模型；2)将初始化模型进行转化，构建本体库；3)对生产标准数据和本体库进行语义映射，构建语义网模型；4)采用语义网规则语言SWRL对钢铁制造过程知识中概念与关系的约束条件进行形式化表达，建立面向知识推理的规则库；5)根据语义网模型和规则库，采用推理引擎，获取钢铁制造过程知识之间的隐性关联信息。与现有技术相比，本发明具有可复用、易维护、表达灵活、充分发掘、数据联系强等优点。

Description

一种基于语义网的钢铁制造过程知识间隐性关系获取方法

技术领域

本发明涉及钢铁行业高附加值产品制造过程，尤其是涉及一种基于语义网的钢铁制造过程知识间隐性关系获取方法。

背景技术

钢铁企业高端、高附加值产品的生产是具有创新性的知识密集型生产过程，需要相应设备和制造规范，涉及到生产案例、材料信息、工艺信息、设计方法、规则和经验等多领域知识。为此，面向钢铁行业的可持续发展需求，加强钢铁工业生产过程的工艺软件与知识库的自主创新能力，提升钢铁行业高附加值产品的生产能力是解决我国流程工业转型发展、推动传统产业升级、摆脱困境的一条有效途径。

钢铁行业高附加值产品制造过程机理复杂、生产标准多样化、涉及产业众多，从而使知识的来源广泛分散，关联性复杂。而且，高附加值产品的产品类型不同、规格尺寸和质量标准等要求的，生产工艺和控制方法也相差较大。随着高附加值产品创新性和多样化的发展需要，大量的生产标准和工艺方法得到不断的突破和创新，传统的知识表达不足以适应高附加值快速发展的实际情况；知识之间的多样化关系，尤其是隐性关系得不到充分的表达。这些缺陷都限制了知识的共享和有效传播。语义网作为一种知识表达和推理的有效手段，其中的本体为领域知识提供规范化描述，具有良好的可复用性和易维护性，能够适应知识扩展和改进的需要；语义网能够将多元异构的大量生产过程实例通过语义映射加以整合，并提供丰富的属性和规则描述，尤其对于知识之间的隐性关系具有很好的表达。

按照钢铁工业不同知识类型的基本特征，基于知识推理、知识更新对知识的存储要求，采用本体建模的方法为知识表达提供统一框架和集成化管理，并将多源异构的制造生产标准数据并入到知识表达及推理体系中，形成完整的语义网模型。同时，规则库的加入使得语义关系的描述更加丰富和多样化，为后续的知识推理、充分发掘知识之间的隐性关系奠定了基础。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可复用、易维护、表达灵活、充分发掘、数据联系强的基于语义网的钢铁制造过程知识间隐性关系获取方法。

本发明的目的可以通过以下技术方案来实现：

一种基于语义网的钢铁制造过程知识间隐性关系获取方法，用以对钢铁制造过程知识之间的隐性关系进行准确表达，包括以下步骤：

1)对钢铁制造过程知识进行三元组表述，建立钢铁制造过程知识的概念与关系的初始化模型；

2)将初始化模型进行转化，构建本体库；

3)对生产标准数据和本体库进行语义映射，构建语义网模型；

4)采用语义网规则语言SWRL对钢铁制造过程知识中概念与关系的约束条件进行形式化表达，建立面向知识推理的规则库；

5)根据语义网模型和规则库，采用推理引擎，获取钢铁制造过程知识之间的隐性关联信息。

所述的步骤1)具体包括以下步骤：

11)根据专家经验、技术文档和数据获取钢铁制造过程知识的概念与关系，并将概念与关系按照“资源-属性-属性值”的资源描述框架三元组表示形式进行表述；

12)获取钢铁制造过程知识的汇总维度；

13)采用建模语言UML对资源、属性和属性值按照汇总维度进行初步建模，得到初始化模型。

所述的步骤11)中，钢铁制造过程知识的概念为钢铁制造过程中知识表达中的主语或宾语，钢铁制造过程知识的关系为钢铁制造过程中知识表达中的谓语。

所述的资源包括原料、能源、产物、设备、工艺制度、环境因素和成分七个大类，汇总维度包括质量、成本、安全、环保和节能五个维度。

所述的步骤2)具体包括以下步骤：

21)按照初始化模型，将资源转化为本体库中类或实例，将属性转化为本体库中的关系、数值属性、关系属性或规则，属性值转化为本体库中的类或数值属性的值。

22)采用网络本体语言OWL中的Protégé工具根据转化后的初始化模型构建钢铁制造过程知识的本体库。

所述的步骤3)具体包括以下步骤：

31)获取钢铁制造过程中多源异构的冶炼区和轧钢区的生产标准数据与本体库之间的映射规则；

32)采用Jena框架下的D2RQ映射引擎，对映射规则进行解析，并将本体库分别与企业过程控制系统和制造执行系统的数据源进行对接，将多源异构的冶炼区和轧钢区生产标准数据映射为本体库中的实例，并形成语义网模型。

所述的步骤4)中，所述的约束条件包括制造单元顺序约束、制造标准约束和产品的生命周期约束。

所述的步骤31)中，映射规则包括类映射规则、子类映射规则、对象属性映射规则和数值属性映射规则。

所述的步骤5)中，推理引擎包括Pellet和Racer推理引擎。

与现有技术相比，本发明具有以下优点：

一、可复用、易维护：由于本体方法具有显著的可复用性和易维护性，本发明既能复用行业相关标准的本体库进行二次开发，也能够供钢铁不同产品或工艺流程复用本体库，引领领域内知识的标准化；当需要知识更新时，本发明只需更改本体库中的元素，变动的成本相对较小。

二、表达灵活：鉴于钢铁行业知识的要素较多且强耦合，一般的知识表达方法对复杂关系的表达十分有限，知识检索主要是基于关键字查找，而不不支持语义查询，尤其当知识量越来越大和知识融合时，知识检索的效率和质量会更差。语义网通过属性和规则等定义，增强了复杂度较高的知识在语义层面的灵活表达。语义层面的表达更加接近人类自然语言。语义网通过语义查询的方式，能够突破知识项命名和知识检索语句设计对知识检索的限制，使检索更加灵活化。

三、充分发掘：本发明通过建立SWRL进行知识推理，在Jena框架中结合推理引擎，充分发现知识中要素之间的隐性关联，解决了由于钢铁行业高附加值产品制造过程机理复杂、生产标准多样化、涉及产业众多，从而使知识的来源广泛分散，关联性复杂，难以对隐性关系进行充分表达的问题。

四、数据联系强：本发明将生产标准数据按照本体库在知识层面进行了语义集成，提高了数据之间的联系和数据质量，有利于大数据分析进行知识发现，形成数据和知识之间的良性循环。

附图说明

图(1a)为知识的三元组抽取示例的资源。

图(1b)为知识的三元组抽取示例的属性。

图(1c)为知识的三元组抽取示例的属性值。

图2为转炉炼钢过程本体模型示意图。

图3为语义网模型建立流程。

图4为基于SWRL的制造标准约束示例。

图5为知识服务模块工作原理。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例：

下面结合附图和具体实施例对本发明进行详细说明，本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

步骤1：知识的三元组抽象提取，是通过对专家经验、技术文档和数据分析进行知识获取，得到组成知识的概念及其关系，将概念和关系按照“资源-属性-属性值”的RDF三元组形式进行抽取和组织。如图(1a)～(1c)所示，以LT干法为例，通过对专家经验、技术文档和数据分析进行知识获取，采用“资源-属性-属性值”的RDF三元组形式，描述LT系统的各级组成部分、LT系统的输入输出元素、设备标识号、设备运行状态和设备工作温度。

然后，按照三元组形式，将领域概念划分为原料、能源、产物、设备、工艺制度、环境因素和成分七个大类，明确类之间的层次关系、数值属性和对象属性，并面向质量、成本、安全、环保和节能五大维度进行汇总。如图2所示，以转炉炼钢为例，其中一条面向质量维的知识，是通过供氧强度中的氧压表达的。

步骤2本体库的建立，具体为：

21)按照UML知识初步建模结果，明确本体当中的类、关系、属性、实例和规则；

22)采用OWL，通过Protégé工具建立领域知识本体，形成本体库。

步骤2中本体模型是参照RDF三元组的形式，对不同制造标准的钢铁制造过程进行规范化描述，分别面向质量、成本、安全、环保和节能五大维度进行归类。

步骤3语义映射过程，如图3所示。钢铁制造过程的生产标准数据来源于企业过程控制系统和制造执行系统。通过语义映射过程，生产标准数据和本体库实现对接，即生产标准数据作为实例存储在语义网模型中。其中，自定义映射文件是以本体库和生产标准数据为基础，通过D2RQ映射工具，对本体库和生产标准数据进行语义映射，形成语义网模型。步骤3语义映射具体为，

31)建立生产标准数据与本体库之间的映射文件，包括：类映射规则、子类映射规则、对象属性映射规则和数值属性映射规则；

32)在Jena框架下调用D2RQ映射引擎，对映射文件进行解析，并将本体库和各个数据源进行对接，将多源异构的生产标准数据映射为成包含领域知识的RDF数据；

步骤3语义网模型，将生产标准数据批量转化为本体中的实例，并建立了生产标准数据的逻辑关系，以RDF的形式保存。

步骤4约束条件包括制造单元顺序约束、制造标准约束和产品的生命周期约束。在本体模型中，通过SWRL定义上述约束关系。如图4所示，以型号“HS9920”钢种的碳元素含量在2％至5％这一制造标准约束为例，建立相应的SWRL推理规则。

步骤5知识服务模块根据知识检索请求，读取包含领域知识的RDF数据和规则库，加载推理引擎，完成知识的推理，并将推理结果返回至查询页面，如图5所示，其工作原理具体为：

51)建立查询解析模块，将用户查询请求转化为SPARQL查询，读取相应的映射文件，并对生产标准数据和本体库在映射引擎的作用下完成语义映射，得到语义网模型。同时，将推理层次和输出文件格式传递给知识推理模块；

52)建立知识推理模块，将输出文件格式和推理层次(none、rdf或owl)，加载推理引擎(如Pellet、Racer等)，读入语义网模型和规则库，发现语义模型中的隐性关联，从而完成知识推理并将推理完成命令传递给语义网模型操作模块；

53)建立语义网模型操作模块，执行查询命令，对语义网模型进行操作将查询解析，输出查询结果；

54)建立查询结果解释模块，将查询得到的实例进行标准化解释，输出推理结果。

Claims (1)

1.一种基于语义网的钢铁制造过程知识间隐性关系获取方法，用以对钢铁制造过程知识之间的隐性关系进行准确表达，其特征在于，包括以下步骤：

1)对钢铁制造过程知识进行三元组表述，建立钢铁制造过程知识的概念与关系的初始化模型，所述的步骤1)具体包括以下步骤：

11)根据专家经验、技术文档和数据获取钢铁制造过程知识的概念与关系，并将概念与关系按照“资源-属性-属性值”的资源描述框架三元组表示形式进行表述，钢铁制造过程知识的概念为钢铁制造过程中知识表达中的主语或宾语，钢铁制造过程知识的关系为钢铁制造过程中知识表达中的谓语；

12)获取钢铁制造过程知识的汇总维度；

13)采用建模语言UML对资源、属性和属性值按照汇总维度进行初步建模，得到初始化模型，所述的资源包括原料、能源、产物、设备、工艺制度、环境因素和成分七个大类，汇总维度包括质量、成本、安全、环保和节能五个维度；

2)将初始化模型进行转化，构建本体库，具体包括以下步骤：

21)按照初始化模型，将资源转化为本体库中类或实例，将属性转化为本体库中的关系、数值属性、关系属性或规则，属性值转化为本体库中的类或数值属性的值。

22)采用网络本体语言OWL中的Protégé工具根据转化后的初始化模型构建钢铁制造过程知识的本体库；

3)对生产标准数据和本体库进行语义映射，构建语义网模型，具体包括以下步骤：

31)获取钢铁制造过程中多源异构的冶炼区和轧钢区的生产标准数据与本体库之间的映射规则，映射规则包括类映射规则、子类映射规则、对象属性映射规则和数值属性映射规则；

32)采用Jena框架下的D2RQ映射引擎，对映射规则进行解析，并将本体库分别与企业过程控制系统和制造执行系统的数据源进行对接，将多源异构的冶炼区和轧钢区生产标准数据映射为本体库中的实例，并形成语义网模型；

4)采用语义网规则语言SWRL对钢铁制造过程知识中概念与关系的约束条件进行形式化表达，建立面向知识推理的规则库，所述的约束条件包括制造单元顺序约束、制造标准约束和产品的生命周期约束；

5)根据语义网模型和规则库，采用推理引擎，获取钢铁制造过程知识之间的隐性关联信息，推理引擎包括Pellet和Racer推理引擎。

Images