CN110869920B

CN110869920B - 多维工业知识图形

Info

Publication number: CN110869920B
Application number: CN201780092654.3A
Authority: CN
Inventors: 武义凯; 侯芳; 程晓培; 沈晖
Original assignee: Accenture Global Solutions Ltd
Current assignee: Accenture Global Solutions Ltd
Priority date: 2017-08-02
Filing date: 2017-08-02
Publication date: 2021-11-26
Anticipated expiration: 2037-08-02
Also published as: US11327989B2; WO2019023982A1; US20200201875A1; CN110869920A

Abstract

用于工业运营的定制的工业图形知识库包括图形数据库，该图形数据库存储根据工业运营的性质和特性预定义的多维节点。使用针对结构化和非结构化数据的各种分析，从基准、特定于领域和特定于实现的工业知识数据源中提取节点。定制的工业图形知识库还包括表示维度间或维度内的节点之间的关系的边线。使用图形模型进一步量化每个节点对工业运营的重要性，并将其作为复合过滤参数包括在图形数据库中。

Description

多维工业知识图形

技术领域

本公开一般涉及知识库，具体地涉及工业图形知识库。

背景技术

图形数据库是用于图形知识库的基础组件。图形知识库包括图形数据库、用于发出查询和分析查询结果的处理平台和接口、以及用于构建、扩展和更新图形数据库的过程。图形知识库可以备选地被称为知识图。访问图形知识库中的信息的应用的效率主要取决于图形知识库的基础组织和架构。

附图说明

图1示出了用于实现定制的工业图形知识库的示例系统；

图2示出了用于实现定制的工业图形知识库的逻辑流程和数据组件；

图3图示出了特定工业运营中的示例性实体以及实体之间的关系。

图4图示出了用于从基准数据源和特定于领域的数据源中提取基准和特定于领域的数据元素的示例实现；

图5图示出了用于从特定于实现的数据源中提取特定于实现的数据元素的示例实现；

图6图示出了用于特定工业运营的实体的预定义分类方案；

图7示出了用于根据从基准、特定于领域和特定于实现的数据源中提取的数据元素来构建定制的工业图形知识库的示例实现；

图8图示出了针对属于特定石油精炼厂的设备类别的数据元素的示例数据模板；

图9图示出了针对属于用于特定石油精炼厂的工业领域过程类别的数据元素的示例领域过程图和示例数据模板的摘录；

图10图示出了针对属于特定石油精炼厂的关键绩效指标类别的数据元素的示例数据模板；

图11图示出了特定石油精炼厂的示例设施图和针对属于特定石油精炼厂的设施和环境类别的数据元素的示例数据模板；

图12图示出了针对属于特定石油精炼厂的劳动力类别的数据元素的示例数据模板；

图13示出了类别间关系的示例性类型；

图14示出了用于使用针对实体和节点的小型集合的预定义过滤参数来估计针对整个图形数据库的实体和关系的过滤参数的示例方案；

图15图示出了用于利用外部获得的新知识来更新定制的工业图形知识库的逻辑流程；和

图16图示出了用于在提供数据服务的同时得出的新知识更新定制的工业图形知识库的逻辑流程。

具体实施方式

本公开涉及为特定工业场景(setting)的特定工业运营定制的图形知识库。化学合成、石油精炼和电力生产都是不同类型的工业和不同工业场景的示例。工业场景可能针对任何特定的工业运营而存在，并且工业场景可以包括承载我们任何类型的工业运营的任何类型的工业工厂。工业运营的示例包括合成一组特定的化学制品，制造半导体晶片，以及执行水处理。在任何工业场景中执行的工业运营可能会因公司、位置或其他特性而在具体实现中有所不同。

特定工业工厂的运营可以涉及具有复杂关系的大量实体。例如，这些实体可以包括性质和特性完全不同的物理项目和抽象项目，包括但不限于领域过程、设施、设备、传感器/传感器参数、人员层次结构、供应链、原材料、中间产品、最终产品、关键绩效度量、客户、功耗、排放和法规遵从。表示这些实体中的一些或全部及其关系的数据可以被用来为工厂建立定制的知识库。然而，这些实体及其关系可能无法以有组织的形式轻易获得。相反，它们可以作为各种数据元素被嵌入到分散的数据源中。例如，与工厂有关的基准工业数据元素可以被嵌入在描述各种类型的工业场景所共有的知识的数据源中。另一方面，特定于领域的数据元素可以被嵌入在如下数据源中，该数据源包含实现相同或相似的特定工业场景(或相同工业领域)的所有工业运营所共有的知识。对于另一个示例，特定于实现的数据元素可以被嵌入在专门在工厂内维护和保留的数据源中。这些分散的数据源可以具有大量独特的格式，并且可以是结构化的或非结构化的。结构化数据源例如可以包括关系数据库和其他具有列表化或其他形式的组织化数据的数据源。非结构化数据源例如可以包括自由格式的文档、操作手册和说明。

从各种分散的数据源中自动提取在多个方面准确描述和表示工业运营的一组实体和关系的过程因此涉及分散数据源的复杂的数据分析和提取。所提取的实体和关系可以形成用于工业运营的定制知识库的基础。考虑到这些实体之间的差异性以及它们之间的复杂关系，它们在定制的知识库中的组织对于定制的知识库向工业运营的操作者和控制者提供智能、准确和高效的数据服务至关重要。

由于工业运营中涉及的数据的复杂性，传统的关系数据库可能不适合作为以实体和关系为特征的数据的存储层。为特定工业运营定制的工业知识库可以改为基于将各种实体和关系存储在图形数据库中，诸如开源图形数据库管理系统Neo4j。在Neo4j中，图形数据库可以被用来存储节点、边线和属性的集合。图形数据库的这些组件可以备选地被称为图形结构组件。节点可以表示在工业运营中扮演某个角色的任何物理或抽象实体。边线可以被用来连接两个节点并且可以表示节点之间的关系。以边线的形式，节点之间的关系可以是有方向的。尽管诸如Google知识图形中使用的自由格式图形数据库可能适用于具有广泛且不可预测的性质的节点和关系，但是特定工业运营的特定工业场景中的节点和关系的类型可能会更加结构化。因此，为特定工业运营定制的工业图形数据库的组织也可以采取更结构化的形式，以用于实现更好的数据处理和查询效率。

下面描述的系统基于上面的工业图形数据库为特定工业运营构建定制的工业知识库。在这种定制的工业图形知识库的实现中，基于诸如机器学习算法、自然语言处理技术和关系数据库分析之类的各种技术，提取嵌入在包含基准、特定于领域和特定于实现的数据元素的各种数据源中的足够的实体和关系的集合。此外，所提取的实体和关系被组织成基于特定工业运营的性质和特性而被预定的多个维度。每个预定维度定义了特定工业运营的实体类别。这些提取和分类的实体以及实体之间的关系然后可以作为节点和边线而被存储在图形数据库中。此外，可以使用例如图形概率模型来估计和量化过滤参数，也被称为复合过滤参数，诸如表示每个节点和边线对工业运营的重要性的值。对于实体和关系的重要性的这种量化度量可以进一步被包括在图形数据库中并且例如被使用在用于数据查询的过滤器中。基于图形数据库的定制的工业知识库可以进一步提供从图形数据库开发的各种中间数据存储库。定制的工业知识库另外可以包括接口，以供应用访问被存储在图形数据库和中间数据存储库中的数据。这些应用可以提供有效的数据查询和数据服务，以用于监视、控制和优化特定工业运营。

在图1中，用于特定工业运营的定制的图形知识库100被示为包括一组计算机101，诸如计算机103、105和107。计算机101可以包括通信接口102、系统电路装置104、输入/输出(I/O)接口106、存储装置109、以及显示电路装置108，显示电路装置108本地生成机器接口110，或者生成机器接口110以例如在本地或远程机器上运行的web浏览器中进行远程显示。机器接口110和I/O接口106可以包括GUI、触敏显示器、语音或面部识别输入、按钮、开关、扬声器和其他用户界面元素。I/O接口106的附加示例包括麦克风、视频和静止图像相机、耳机和麦克风输入/输出插孔、通用串行总线(USB)连接器、存储卡插槽以及其他类型的输入。I/O接口106还可以包括磁或光介质接口(例如，CDROM或DVD驱动器)、串行和并行总线接口、以及键盘和鼠标接口。

通信接口102可以包括无线发射器和接收器(“收发器”)112以及由收发器112的发射和接收电路装置所使用的任何天线114。收发器112和天线114可以例如在任何版本的IEEE 802.11(例如802.11n或802.11ac)下支持Wi-Fi网络通信。通信接口102还可以包括有线收发器116。有线收发器116可以为多种通信协议中的任何通信协议提供物理层接口，诸如任何类型的以太网、电缆数据服务接口规范(DOCSIS)、数字用户线(DSL)、同步光网络(SONET)或其他协议。

定制的图形知识库100的计算机101可以经由通信接口102和通信网络111来与数据源140进行通信。定制的图形知识库100的计算机101可以经由通信接口102和通信网络111来与特定工业运营或工业工厂150通信。数据源140还可以直接或经由通信网络111来与工业工厂150通信。例如，数据源140可以从工业工厂150获取特定于实现的数据元素的更新，如箭头152和备选的154所示。工业工厂150可以经由网络111从计算机101、图形数据库130接收数据，如156所示。定制的图形知识库100还包括图形数据库130。图形数据库130可以经由通信接口102和通信网络111来与计算机101通信。工业工厂的运营者和控制器可以经由通信网络111访问定制的图形知识库100，以用于提交查询并获得经查询和分析的数据。

存储装置109可以被用来存储各种初始、中间或最终数据或模型，以用于构建、更新和操作定制的图形知识库100。图形数据库130可以存储表示针对特定工业运营的实体和关系的多维节点和边线。关于图形数据库的术语实体可以备选地被称为数据实体。数据源140可以包含基准、特定于领域和特定于实现的工业数据项目。存储装置109、图形数据库130和数据源140可以是集中式的或分布式的。例如，它们可以由云计算服务提供方远程托管。数据源140的一部分可以由第三方来操作。例如，数据源之中的基准和特定于领域的数据项目可以由其他工业组织以各种形式提供，各种形式包括但不限于其他知识库。

系统电路装置104可以包括硬件、软件、固件或任何组合的其他电路装置。系统电路装置104可以例如利用一个或多个片上系统(SoC)、专用集成电路(ASIC)、微处理器、离散模拟和数字电路以及其他电路装置来实现。系统电路装置104是与定制的图形知识库的构建、维护和应用有关的任何期望功能性的实现的一部分。仅作为一个示例，系统电路装置104可以包括一个或多个指令处理器118和存储器120。存储器120例如存储控制指令124和操作系统122。在一个实现中，指令处理器118执行控制指令124和操作系统122，以执行与定制的图形知识库有关的任何期望功能性。

图2示出了用于为特定工厂实现定制的工业知识图形的逻辑流程和数据组件200。逻辑流程包括用于处理来自数据源140的数据的数据元素提取210，并且还包括建立定制的工业图形知识库230。数据源140可以包括嵌入有基准工业数据元素的基准数据源202、包含特定于领域的工业数据元素的特定于领域的数据源204、以及包含与特定工厂有关的特定于实现的数据元素的特定于实现的数据源206。基准数据源202和特定于领域的数据源204例如可以来自诸如开源知识库之类的外部数据源。基准工业数据元素可以包括与各种类型的工业场景所共有的知识有关的数据元素。另一方面，特定于领域的数据元素可以包括与实现特定工业场景的所有工业运营所共有的知识有关的数据元素。特定于实现的数据元素可以包括在工厂内专门维护和保存的数据元素。尽管将图2的数据源140描绘为三种不同的类型，但是可以有更少的类型或附加的类型，并且一个具体的数据源可以是混合类型，其中嵌入了基准、特定于领域和特定于实现的数据元素的混合。

在一个示例性实现中，因为基准数据源202、特定于领域的数据源204和特定于实现的数据源206可以具有不同的格式和特性，所以它们可以由数据元素提取过程210使用不同的数据提取技术来处理，如下面将更详细描述的。用于提取数据元素的数据元素提取过程210相应地可以包括分离的数据元素过程212和214，用于分别提取基准和特定于领域的数据元素以及特定于实现的数据元素。

从基准、特定于领域和特定于实现中提取的数据元素可以被用来构建定制的工业图形知识库230，以用于提供数据服务。如图2的示例实现所示，定制的工业图形知识库可以包括图形数据库232、中间数据存储库220以及平台和应用接口234。具体地，可以从基准、特定于领域和特定于实现的数据源中提取的数据元素中进一步得出实体和关系。这些实体和关系可以作为节点和边线而被存储在图形数据库232中。图形数据库是存储实体和关系网络的有效方法。

图形数据库232可以形成用于工厂的定制的工业图形知识库230的基础。可以使用例如图形数据建模技术来分析存储在数据库中的实体和关系，以在各个方面提取图形数据库的各种中间表示。如220所示，可以从这些中间表示中进一步提取中间数据存储库，并将在下面更详细地解释。中间数据存储库可以是图形数据库的直接派生，或者可以是图形数据库的间接派生，因为一些数据存储库可以直接从210中提取的数据元素所得出。可以使用这些中间数据存储库通过在处理数据服务时减少定制的图形知识库的处理量来促进快速数据服务。

构建在图形数据库232之上的平台和应用接口234可以被用于外部应用240，以用于访问图形数据库232和中间数据存储库220，用于处理查询和数据服务请求，用于对查询结果执行分析，以及用于提供其他数据服务。可以从定制的工业图形知识库230获得的服务和应用的示例可以包括搜索242、设备剖析244、工厂性能的实时预测246以及其他智能分析248。

图3图示出了从基准、特定于领域和特定于实现的数据元素中提取的特定石油精炼厂运营中的实体和关系的示例300。特别地，如310所示，带有虚线的符号表示基准实体和关系。如320所示，带有实线的符号表示特定于领域的实体和关系。如330所示，带有点划线的符号表示特定于实现的实体和关系。

例如，图3的实体312表示“化学工程”的基准实体。实体312是基准实体，因为石油精炼厂运营包括化学工程是众所周知的工业知识，并且可以从包含在公共工业知识数据源中的基准数据元素中提取这种知识。另一方面，实体322(“石油精炼”)、324(“液化石油气”)、326(“汽油”)、328(“苯乙烯生产”)和329(“苯乙烯单体”)是特定于领域的实体，并且可以从与石油精炼工业场景有关的特定于领域的数据源中被提取。这些特定于领域的实体之间的关系也可以从特定于领域的数据源中被提取。例如，可以将实体324和326确定为实体322的通用产品。同样，可以将实体328确定为实体322的领域过程，并且可以将实体329确定为实体322的通用产品以及实体328的直接产品。实体332(“设备A01-01”)、334(“设备A01-02”)、336(“John”)、338(“设备A02-01”)及其关系可能与具体石油精炼厂的特定实现有关并且可以从石油精炼厂收集的特定于实现的数据源中被提取。例如，实体332、334和338可以表示特定石油精炼厂中用于苯乙烯生产的特定连接设备。它们的关系可以用“设备连接”来表示。然而，实体336可以表示设备实体332和334的特定操作者。实体之间的关系可以是有方向的，如图3中的箭头所示。跨在基准、特定于领域和特定于实现的实体之间的关系，诸如关系340和350，可以根据任何基准、特定于领域和特定于实现的数据源来确定。

图4图示出了图2的过程212的示例实现，该过程用于从基准数据源202和特定于领域的数据源204中提取基准和特定于领域的数据项目。基准数据源202和特定于领域的数据源204可以具有各种格式和特性。例如，这些数据源可以是开源知识库的一部分，诸如Wikidata、Freebase、Dbpedia、YAGO和Google知识图形。这些数据源可以是非结构化的。例如，它们可以是基于文本的。因此，基准和特定于领域的工业数据项目的提取可能需要依赖各种文本分析和识别技术。对应地，在过程212中提取的基准工业数据元素可以包括自然语言处理(NLP)410。可以依赖于NLP领域内的各种技术。这些技术可以在各种级别的NLP中被使用，并且可以进行级联。例如，可以使用文本挖掘412和/或文本提取414技术来处理输入文档，以标识输入文档中的文本。可以使用各种语义识别技术416来进一步分析所标识的文本。例如，可以在420处使用词嵌入技术418来提取文本中的词特征，以用于从文本中提取基准和特定于领域的数据元素。

图5图示出了图2的过程214的示例实现，该过程用于从特定于实现的数据源206中提取特定于实现的数据元素。特定于实现的数据源可以由工厂的各个组织内部地维护或者经由第三方数据服务提供方维护。这些数据源可以是结构化的也可以是非结构化的。例如，可以以关系数据库管理系统(RDBMS)或其他类型数据库系统的形式维护结构化的特定于实现的数据源。例如，可以以文档(例如，操作手册和其他说明)、视频和图像的形式来维护非结构化的特定于实现的数据源。

在520处，可以使用用于提取特定于实现的数据元素的多数据源整合过程530来分析这些特定于实现的数据源。例如，多数据源整合过程530可以包括用于分析结构化数据源的RDBMS融合532、用于分析非结构化数据源的自然语言处理534和用于整合来自结构化和非结构化数据源的分析的知识融合过程536。RDBMS融合532可以被用来组合各种关系数据库系统和其他数据库系统，以用于提取特定于实现的数据元素。自然语言处理534可以在功能上类似于图5的自然语言处理410，并且被用来从非结构化的特定于实现的文档、手册和说明中提取特定于实现的数据元素。知识融合过程536可以负责整合来自RDBMS融合532和自然语言处理534的数据元素。例如，可以提取和发现跨两个过程标识的数据元素之间的关系。

一旦例如根据图4和图5提取了基准、特定于领域和特定于实现的数据元素，然后可以得出在定制的工业知识库中的对应的基准、特定于领域和特定于实现的实体。此外，可以在定制的工业图形知识库中将基准、特定于领域和特定于实现的实体在类别上进行组织，以用于提供更有效的数据服务。这些实体的适当组织和分类可以取决于工业的性质和特性。因此，可以基于特定工业场景和工业工厂的特性来预先确定分类方案。这样，这些类别可以被称为特定于工业的类别。可以将这些预定义的类别设计为捕获适合于形成用于描述工厂整体运营的定制的工业知识库的足够的实体维度集合。

图6图示出了为特定石油精炼厂预定义的示例分类方案。在该示例方案下，可以由属于五个类别的实体来描述石油精炼厂的运营，该五个类别包括设备610、关键绩效指标(KPI)620、工业领域过程630、劳动力640、以及设施和环境650。针对实体的这些类别可以备选地被称为维度。因此，每个实体属于预定义维度之中的特定维度。

一旦分类方案被定义，就可以建立一组规则和分类算法，以用于将实体标识和指派给预定义类别之中的适当类别。一些实体的类别可以显式地嵌入到数据源本身中。例如，可以将从数据库中提取的用于工厂的组织结构图的实体指派给劳动力类别。对于另一个示例，这些规则和分类算法例如可以基于使用机器学习技术开发的模型，并且可以在从各种基准、特定于领域和特定于实现的数据源中提取实体时或提取之后被应用。特别地，可以基于各种机器学习算法来开发分类器，可以将实体输入模型中并在预定义的类别集合中的一个类别之中进行分类。用于开发分类器模型的带标记的训练和测试数据的语料库例如可以从具有已标记实体的其他类似工业场景中获取。备选地，这些规则和分类算法可以在图4和图5的用于基准、特定于领域和特定于实现的数据元素的数据元素提取过程212和214中被使用。换言之，在从数据项目中提取实体之前，可以将数据元素分类为预定义的类别。

图7示出了用于根据从基准、特定于领域和特定于实现的数据源中提取的数据元素来构建定制的工业图形知识库的示例实现。在210处提取的数据元素可以被用来建立图形数据模型760。图形数据模型760可以包括多类别数据模板，每个模板用于预定义的类别之一，如710所示。实体和关系然后可以从数据模板710中被提取并被存储在图形数据库232中。可以从数据模板或图形数据库中得出图形数据模型760的各种数据存储库，包括但不限于图形模型存储库720、领域知识存储库730、分类法存储库740和知识映射规则存储库750。这些数据存储库可以由图1的系统电路装置104从图形数据库232和数据模板710得出，并且可以被存储在例如图1的存储装置109中。

图形模型存储库720可以存储图形数据库中包含的实体和关系的图形表示。例如，存储在图形模型存储库720中的图形表示可以是可缩放向量图形(SVG)的形式。SVG模型可以是基于XML的，并且可以支持交互性和动画。SVG模型可以直接由web浏览器支持并在web浏览器上进行查看。领域知识存储库可以包括图形数据库中所提取的数据的相关性和中间知识。分类法存储库740使用分类法格式来跟踪节点的名称。例如，可以从上述三个各种数据源中提取信息，并将其重新组织和聚类为类别和子类别，从而创建分类法存储库740。在一种实现中，可以叠加多个独立的分类法，以提供对同一数据的不同视图。例如，设备的数据库可以具有按制造商、生产过程、操作状态等进行组织的分离的方面。用户可以创建或修改实体的标记，并经由分类法管理工具/软件和界面重新定义分类法存储库中的实体信息。分类法存储库740和对应的分类法管理工具/软件还可以被用来减少在创建、实现和维护分类法中的时间、劳力和潜在的不一致。知识映射规则存储库750跟踪在图形数据建模中使用的规则。特别地，为了创建工业知识图形，所提取的实体应经由各种规则进行链接。这些规则是从数据源中提取的，并被维护在知识映射规则存储库750中。

这些中间数据存储库表示图形数据库的各个方面，并且可以被用于实现对图形数据库的快速访问。它们可以根据需要不时更新。因此，可以由图形数据库232、数据模板710和诸如720、730、740和750之类的图形数据模型760的其他数据存储库经由平台和应用接口234将数据服务提供给外部应用(图7的240)。

图8图示出了针对属于特定石油精炼厂的设备类别的数据元素的示例数据模板800。设备数据模板中的数据元素可以被组织为多个级别，如图8中所图示的单元系统级别(810)、设备级别(820)、以及属性和参数级别(840)所示。单元系统级别810可以包括石油精炼厂的各种系统，诸如812和814。系统812例如可以标示真空蒸馏系统，而系统814可以标示石油厂的催化重整器系统。每个系统可以包括各种设备。例如，真空蒸馏系统812可以包括熔炉822和泵配件824。每个级别820和840可以继而被组织为层次结构。例如，熔炉822可以包含子设备826、828和830，并且泵配件824可以包括子设备832和834。类似地，每个设备可以由一组属性和参数类型来表征，诸如规格842和操作参数844。设备的规格可以包括诸如制造商846、大小/重量848等参数。操作参数844还可以包含参数850、852、854和856的分层集合。

图9图示出了用于石油厂的示例领域过程图902，以及针对属于工业领域过程类别的数据元素的示例领域过程数据模板930的摘录。石油厂的整个过程流程由910示出。过程流程910可以被分成各种组成过程或部分。例如，组成过程920(由虚线框包围)可以与精炼厂的特定处理部分有关。如922所示，可以提取组成过程920所包含的各种设备之间的连通性。910、920和922中的箭头可以表示材料流动的方向。示例领域过程数据模板930可以包括成对的源和目的地设备934和940，以及它们的关系950。每个设备可以由唯一的ID来标识，如932和942所示。在一种实现中，设备的ID可以被构造来标识在其中使用该设备的组成过程。例如，设备ID 932和942的第一部分包含“E010”，指示这些设备全部属于组成过程920。

图10图示出了针对属于特定石油提炼厂的KPI类别的数据元素的示例分层KPI结构1000和对应的数据模板1002。KPI数据元素可以被组织为多个级别，如工业总体KPI级别1010、特定KPI指标级别1040和参数级别1060所示。工业总体KPI级别1010包含用于测量石油厂的运营绩效KPI指标1012。这些KPI指标例如可以包括燃料消耗指标1014、生产指标1016(可以存在用于测量各种中间产品和最终产品的生产的这种类型的多个指标)、运营指标1018和电力指标1020。这些总体指标中的每一个可以包括一组特定的KPI指标1040。例如，燃料消耗指标1014可以是蒸汽温度指标1042、柱中心压力指标1044、氧气含量指标1046、速率流量指标1048和蒸汽压力指标1050的组合。这些特定的KIP指标中的每一个又可以与一组参数1060相关。例如，柱中心压力指标1044可以与参数1062、1064、1066和1068相关或由其确定。

可以相应地建立针对属于特定石油精炼厂的KPI类别的数据元素的列表数据模板1002。每个特定的KPI指标1040可以被指派唯一的ID1072。数据模板可以包括用于每个特定的KPI指标1040的描述1076。用于每个特定指标的参数1060可以包括一对描述和参数ID，如数据模板中的1060所示。这些参数中的每个参数可以对应于由一对设备描述和ID所表示的设备，如数据模板中的1078所示。此外，每个KPI指标可以基于参数1060而被计算或由领域专家估计，如数据模板的列1080所指示的。

图11示出了特定石油精炼厂的示例设施图1100和针对属于特定石油精炼厂的设施和环境类别的数据元素的示例数据模板1160。精炼厂的设施和环境结构可以是分层的。例如，整个工厂1110或1级区域可以包括多个2级区域，诸如区域1120和1122。2级区域1120可以包括多个3级区域，诸如区域1130和1140。3级区域可以进一步包括4级区域(例如，区域1130包括4级区域1150)等等。级别的最大数量可以是预先确定的。区域的这种层次结构可以相应地在设施和环境数据模板1160中被制成表格。数据模板1160还包括针对每个级别中的每个区域的主管——如1170所示，以及针对每个区域的健康安全与环境(HSE)级别——如1180所示。

图12图示出了针对属于特定石油精炼厂的劳动力类别的数据元素的示例数据模板。劳动力数据模板可以从精炼厂的组织结构图中提取。这些组织结构图例如可以最初被存储在关系数据库中。用于劳动力数据元素的数据模板可以被组织在例如树形数据结构中。

在图6中预定义的提取的五个类别的实体以及图8至图12的对应数据模板可以各自用其类别进行标记。可以将针对每个实体的类别标签作为该实体的属性存储在图形数据库中。这样，可以在任何预定义类别内方便地实施对图形数据库的查询。

预定义类别中的实体可以经由类别内(或维度内)或类别间(或维度间)关系而彼此相关。类别内关系是指属于同一类别的实体之间的关系。另一方面，类别间关系是指跨类别的实体之间的关系，如图6中的虚线所示。类别间关系可以被嵌入在图8至图12的数据模板中。例如，设备可以跨类别被连接到KPI指标，并且这种类别间关系可以通过图10的用于KPI类别的数据模板的列1040和1078来指示。跨类别的条目之间的类别间关系可以是有限数目的类型。可以从图8到图12中的数据模板中提取有限数目的关系类型。跨类别的任何两个实体之间的关系可以属于有限数目的类别间关系类型之一。

图13示出了一组类别间关系的提取类型。特别地，图13的1310图示出了类别之一(KPI)和所有其他类别之间的关系的类型。仅作为示例并且出于说明性目的，可以从图8至图12的数据模板中提取KPI类别内的实体与设备和工业流程类别中的实体直接相关。KPI与其他类别之间的关系可以是间接的，也可以未被明确反映在数据模板中。一旦从数据模板确定了每个类别与其他类别的类别间关系的类型，就可以建立如图13的1320所示的针对类别间关系类型的整体图。

图形数据库中的每条边线可以相应地与标签相关联，该标签指示由该边线表示的关系是类别内还是类别间。这样的标签可以作为针对边线的属性而被存储在图形数据库中。标签可以方便地使用在查询过程中，以用于将查询结果过滤到仅是类别内类型或仅是类别间类型的关系中。

实体和关系作为节点和边线而被存储在图形数据库中。因为图形数据库是为特定工业运营或工厂定制的，所以图形数据库可以被称为特定于工业的图形数据库。对应地，定制的图形数据库的图形结构组件可以被称为特定于工业的图形结构组件。图形数据库中的节点可以相应地被称为特定于工业的实体。

在典型的工厂中，实体和关系对于工厂的运营可能具有不同的重要性。每个实体和关系的重要性可以被量化为权重值，并被用作过滤参数，以用于在处理对图形数据库的查询时筛选不重要的实体和关系。用于工厂的图形数据库中的每个实体或关系因此可以与用作该实体或关系的重要性的指标的过滤参数相关联。这样的过滤参数可以例如作为与实体或关系相关联的属性而被存储在图形数据库中。过滤参数可以被标准化为预定义尺度。用于实体和关系的尺度可以被统一，或者也可以被独立地定义为分离的尺度。在另一个实现中，可以在每个类别或维度内独立地定义用于实体或关系的尺度。

在一种实现中，如图14中所示，可以经由根据工厂的历史运营进行的估计来获知用于图形数据库的实体和关系的子集的过滤参数。例如，根据过去的运营经验，可以知道诸如实体1402、1404、1406和关系1408、1410和1412之类的一些关键实体和关系对于特定的KPI至关重要。因为图形数据库固有地包含大量节点的网络之间的相互关系的网络，所以可以从实体和关系的子集的已知过滤参数中估计出的具有未知过滤参数的针对那些节点和边线(诸如图14中的其余节点和边线)的过滤参数。这样的估计可以基于各种图形概率模型。这样，过滤参数可以备选地被称为复合过滤参数。之所以是复合的，是因为它表示通过组合包含在实体和关系的整个网络中的信息而得出的对应节点或边线的重要性值。

对于示例概率模型，令

为定制的工业图形知识库中的所有实体的集合且

为所有关系的集合，其中，N_e表示实体的数目，N_r表示关系的数目。然后x_ijk＝(e_i，e_j，r_k)可以被定义为标示

空间中的每个可能的实体-关系-实体组合。可以将

中所有可能的三元组分组在三阶空间

中。二进制变量y_ijk∈{0，1}可以被定义为：

示例概率模型经由得分函数f(x_ijk；Θ)预测三元组x_ijk的存在，该得分函数表示给定Θ参数的模型的置信度。得分函数可以以许多不同的方式而被定义。例如，可以使用二进制模型和多层感知模型来定义得分函数。示例概率模型可以被写为：

其中，σ(u)＝1/(1+e^-u)是逻辑函数，子集

并且

是贝努利分布。

可以计算节点和关系的概率P(Y|D，Θ)以确定节点和关系的重要性。确定函数可以被定义为：

节点和关系的概率因此可以被用作过滤参数。如上所示，可以将用于实体和关系的过滤参数的值范围划分为多个预定级别。例如，过滤参数的范围可以从0到最大，并且该范围可以被分为{0，a}，{a，b}，和{b，∞}，分别表示低、中和高重要性。用于a和b的值可以被预定义为例如5和10。在一种实现中，低重要性的实体和关系可以从图形数据库和各种中间数据存储库中被移除，尤其是在定制的工业知识库变得过大时。

因此，上述定制的工业知识库将多维图形数据库与各种中间数据存储库以及用于有效处理输入查询的应用接口集成在一起。表示特定工业运营中的实体以及实体之间的关系的图形数据库的节点和边线与指示实体和关系对特定工业运营的重要性的过滤参数相关联。通过从各种基准、特定于领域和特定于实现的数据源中提取实体和关系来构建这样的定制的图形工业知识库。

可以在新知识被获取时更新定制的工业图形知识库。例如，图15图示出了当引入当前工业知识库外部的知识1510时用于更新知识库的逻辑流程。可以经由任何基准、特定于领域和特定于实现的数据源中的更新，从补充信息中引入外部新知识。例如，可以购买和安装新设备，可以升级现有设备，可以更新操作手册，并且可以构建新的设施。可以分析该补充信息以用于提取补充数据元素，在1520中可以从中提取新的节点和新的关系。可以使用类似于图4-图6中所图示的方法的方法来实现新的节点(实体)和关系的提取。可以通过将所提取的节点和关系与当前图形数据库1502进行比较来确定所提取的节点和关系是否是新的。然后，将新的节点添加到分类法存储库中(1530)。将节点添加到分类法中可以进一步导致分类法存储库的重新组织和更新(1540)。可以将新的节点进一步添加到领域知识存储库(1550)。可以基于新的节点和新的关系来开发新的映射规则，并将其添加到知识映射规则存储库中(1560)。新的节点可以进一步以适当的类别而被添加到图形数据库，并且新的关系可以以适当的类别间和类别内指定而被添加到图形数据库(1570)。

对于另一个示例，图16图示出了用于当获取当前工业知识库内部的知识1510时更新知识库的逻辑流程。这样的内部知识可以被固有地嵌入在图形数据库中。然而，获取此类知识可能涉及复杂的分析。因此，将这些知识存储到适当的中间数据存储库中是有利的，因为这种知识是在向外部应用提供数据服务时被获取的。特别地，外部应用可以访问图形数据库(1602)。然后，工业知识库提供数据服务并相应地实施数据分析(1610)。根据数据服务和数据分析，可以确定新知识是否被获得(1620)。新知识可以包括在提供数据服务时从对当前图形数据库进行分析得出的新的实体和关系。如果确定新知识被获取，则可以执行对分类法存储库的适当更新(1630)。可以将新的节点和新的关系进一步添加到领域知识存储库(1640)。可以基于新的节点和新的关系来开发新的映射规则，并将其添加到知识映射规则存储库中(1650)。新的节点可以进一步以适当的类别而被添加到图形数据库，并且新的关系可以以适当的类别间和类别内指定而被添加到图形数据库(1660)。

上面对定制的工业图形知识库进行更新还可以包括：确定用于新添加的节点和关系的过滤参数，然后将过滤参数与图形数据库中新添加的节点和关系相关联。可以使用上面讨论的概率模型基于图形数据库中已知或先前估计的过滤参数来估计用于新添加的节点和关系的过滤参数(重要性值或权重值)。在一种实现中，可以通过新的实体和关系的估计的重要性或权重值来确定是否将新的实体和关系添加到图形数据库和各种中间数据存储库中。例如，如果估计用于新实体的权重值在上面讨论的低范围内，则系统电路装置可以决定不将该新实体包括在图形数据库和中间数据存储库中。备选地，用于过滤参数的预定义的包含阈值可以被用来确定是否将新的实体或关系包括在定制的工业图形知识库中。

可以以许多不同的方式以及以硬件和软件的许多不同组合来实现上述方法、装置、处理和逻辑。例如，全部或部分实现可以是包括指令处理器的电路装置，诸如中央处理器(CPU)、微控制器或微处理器；专用集成电路(ASIC)、可编程逻辑器件(PLD)或现场可编程门阵列(FPGA)；或是包括分立逻辑或其他电路组件(包括模拟电路组件、数字电路组件或两者)的电路；或其任何组合。作为示例，电路装置可以包括分立的互连硬件组件和/或可以被组合在单个集成电路管芯上，分布在多个集成电路管芯之中，或在公共封装中以多个集成电路管芯的多芯片模块(MCM)来实现。

电路装置还可以包括或访问用于由电路装置执行的指令。指令可以被存储在除了瞬时信号之外的有形存储介质中，诸如闪存、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)；或被存储在磁盘或光盘上，诸如压缩盘只读存储器(CDROM)、硬盘驱动器(HDD)或其他磁盘或光盘上；或被存储在其他机器可读介质之中或之上。诸如计算机程序产品之类的产品可以包括存储介质以及存储在介质中或介质上的指令，并且当指令由装置中的电路装置执行时，该指令可以使该装置实现上述或在附图中图示出的任何处理。

实现可以作为电路装置而被分布在多个系统组件之中，诸如在多个处理器和存储器之中，可选地包括多个分布式处理系统。参数、数据库和其他数据结构可以被分别存储和管理，可以被合并到单个存储器或数据库中，可以以许多不同的方式在逻辑上和物理上进行组织，并且可以以许多不同的方式而被实现，包括作为数据结构被实现，诸如链表、哈希表、数组、记录、对象或隐式存储机制。程序可以是单个程序的部分(例如，子例程)、单独的程序、分布在多个存储器和处理器之间，或者以许多不同的方式而被实现，诸如以诸如共享库(例如，动态链接库(DLL))之类的库而被实现。DLL例如可以存储指令，这些指令在由电路装置执行时执行以上描述或在附图中图示出的任何处理。

已经具体描述了各种实现。然而，许多其他实现也是可能的。

Claims

1.一种用于信息处理的系统，其特征在于，所述系统包括：

图形数据库，所述图形数据库包括图形结构组件，所述图形结构组件表示被链接到工业场景中的工业运营的数据；

通信接口；

与所述图形数据库和所述通信接口通信的系统电路装置，所述系统电路装置被配置为：

访问预定义的特定于工业的类别，利用所述预定义的特定于工业的类别来标记与所述工业场景和所述工业运营相关联的特定于工业的实体；

经由所述通信接口从第一外部数据源获取基准工业数据元素；

经由所述通信接口从第二外部数据源获取表征所述工业场景的所述工业运营的特定于领域的数据元素；

经由所述通信接口获取由所述工业运营收集的特定于实现的数据元素；

从所述基准工业数据元素、所述特定于领域的数据元素和所述特定于实现的数据元素中，提取具有标签的数据实体，所述标签用于利用所述预定义的特定于工业的类别之中的特定类别标记每个数据实体；

提取跨所述预定义的特定于工业的类别的所述数据实体之间的类别间关系；

提取在所述预定义的特定于工业的类别之中的所选类别内的所述数据实体之间的类别内关系；

将具有所述标签的所述数据实体、所述类别间关系和所述类别内关系以节点和边线的形式作为所述图形结构组件存储在所述图形数据库中；以及

基于所选择的图形结构组件与所述图形数据库中的其他图形结构组件的关系网络以及基于所述其他图形结构组件的复合过滤参数，确定用于所述图形数据库中的所述所选择的图形结构组件的复合过滤参数；

与所述图形数据库和所述通信接口通信的应用接口，所述应用接口被配置为：

经由所述通信接口接收数据服务请求；

查询所述图形数据库以获得查询结果，所述查询结果包括所述图形数据库的图形结构组件子集；以及

基于所述数据服务请求、用于所述图形数据库中的所述所选择的图形结构组件的复合过滤参数和从所述图形结构组件子集中提取的所述标签，过滤所述图形结构组件子集。

2.根据权利要求1所述的系统，其中用于所述图形数据库中的所述所选择的图形结构组件的复合过滤参数包括响应于预定义的图形概率模型而被确定的权重值。

3.根据权利要求1所述的系统，其中所述系统电路装置还被配置为：

接收表征所述工业运营的补充数据元素；

从所述补充数据元素中提取与所述工业运营相关联的附加实体；以及

利用从所述预定义的特定于工业的类别之中确定的所选择的特定于工业的类别来标记所述附加实体。

4.根据权利要求3所述的系统，其中所述系统电路装置还被配置为：响应于所述附加实体与所述图形数据库中的现有图形结构组件相关的方式，确定用于所述附加实体的权重值。

5.根据权利要求4所述的系统，其中所述系统电路装置还被配置为：当所述附加实体的所述权重值超过预定义的包含阈值时，确定将所述附加实体包括在所述图形数据库中。

6.根据权利要求1所述的系统，其中所述系统电路装置还被配置为：将用于所述图形数据库中的所述所选择的图形结构组件的复合过滤参数存储为所述所选择的图形结构组件的属性。

7.根据权利要求1所述的系统，其中所述系统电路装置还被配置为：将特定于工业的类别标签作为节点属性存储在所述图形数据库中。

8.根据权利要求1所述的系统，其中所述所选择的图形结构组件包括所述图形数据库内的节点。

9.根据权利要求1所述的系统，其中所述所选择的图形结构组件包括所述图形数据库内的边线。

10.根据权利要求1所述的系统，还包括用于存储所述图形数据库的中间表示的中间数据存储库，其中所述系统电路装置还被配置为：

访问所述图形数据库；

得出所述图形数据库的所述中间表示；以及

将所述中间表示存储在所述中间数据存储库中。

11.一种用于信息处理的方法，其特征在于，所述方法包括：

访问预定义的特定于工业的类别，利用所述预定义的特定于工业的类别来标记与工业场景中的工业运营相关联的特定于工业的实体；

从第一外部数据源获取基准工业数据元素；

从第二外部数据源获取表征所述工业运营的所述工业场景的特定于领域的数据元素；

获取由所述工业运营收集的特定于实现的数据元素；

提取跨所述预定义的特定于工业的类别的所述数据实体之间的类别间关系；以及

将具有所述标签的所述数据实体、所述类别间关系和所述类别内关系以节点和边线的形式作为图形结构组件存储在图形数据库中；以及

接收数据服务请求；

12.根据权利要求11所述的方法，其中用于所述图形数据库中的所述所选择的图形结构组件的复合过滤参数包括：响应于预定义的图形概率模型而被确定的权重值。

13.根据权利要求11所述的方法，还包括：

接收表征所述工业运营的补充数据元素；

14.根据权利要求13所述的方法，还包括：响应于所述附加实体与所述图形数据库中的现有图形结构组件相关的方式，确定用于所述附加实体的权重值。

15.根据权利要求14所述的方法，还包括：当所述附加实体的所述权重值超过预定义的包含阈值时，确定将所述附加实体包括在所述图形数据库中。

16.根据权利要求11所述的方法，还包括：将用于所述图形数据库中的所述所选择的图形结构组件的复合过滤参数存储为所述所选择的图形结构组件的属性。

17.根据权利要求11所述的方法，还包括：将特定于工业的类别标签作为节点属性存储在所述图形数据库中。

18.根据权利要求11所述的方法，其中所述所选择的图形结构组件包括所述图形数据库内的节点。

19.根据权利要求11所述的方法，其中所述所选择的图形结构组件包括所述图形数据库内的边线。

20.根据权利要求11所述的方法，还包括：

得出所述图形数据库的中间表示；以及

将所述中间表示存储在中间数据存储库中。