CN115080797A - 一种基于知识图谱的数字孪生车间多尺度关联方法 - Google Patents

Abstract

本发明公开了一种基于知识图谱的数字孪生车间多尺度关联方法，包括以下步骤：S1、针对车间中的结构化、半结构化、非结构化数据，定义能够记录整型、符点型、字符串等不同类型数据的知识图谱的数据结构；S2、根据车间中已有的制造资源本体模型的数据结构，编写获取静态数据及动态数据的程序代码并进行封装，获取知识图谱节点的基本信息及其属性数据；S3、先根据尺度层次、应用场景判断是否存在跨尺度关系；再通过分析车间制造资源间的关系，定义制造资源关系模板，判断是否存在同尺度关系；S4、将绘制知识图谱所需的基本信息、属性数据、关系数据填充到定义好的知识图谱数据结构中，生成车间知识图谱的图形化表达，并发布到Web端。

Description

一种基于知识图谱的数字孪生车间多尺度关联方法

技术领域

本发明属于数字化技术领域，具体涉及一种基于知识图谱的数字孪生车间多尺度关联方法。

背景技术

信息物理系统(CPS)被认为是工业4.0的核心，CPS通过计算、通信、控制相关技术实现数字与物理世界的深度融合。数字孪生是物理实体在虚拟空间中的高保真映射，是构建CPS的有效方法，因而受到专家学者的广泛关注。已经有许多学者在数字孪生的建模、应用方面进行了大量的探索与实践。随着对数字孪生研究的进一步深入，数字孪生的应用正在逐渐由数据监测、远程控制等简单应用向仿真分析、行为预测、优化决策等复杂应用发展。数字孪生车间是一个复杂系统，包括人、设备、物料、环境等要素和车间、产线、设备等不同尺度的应用场景。针对某一特定场景开发的数字孪生无法从不同的视角对车间进行描述，需要关联多尺度的场景，实现对车间整体的高保真映射，以满足不同层次的应用需求。

2012年，谷歌公司提出了知识图谱的概念，并将其应用于搜索引擎中的信息检索。通过对目标信息的语义检索，可以提高信息检索的效率和质量。近年来，知识图谱被广泛应用于自然语言处理、智能分析、推荐系统等领域。知识图谱是揭示物理实体之间关系的语义网络，知识图谱的构建通常需要多种技术的支持，包括知识提取、知识表示、知识融合、知识推理、知识库等。三元组是知识图谱的基本单元，主要包括两种基本形式：“实体-属性-属性值”和“实体-关系-实体”。在知识图谱的图形表示中，使用节点和线来描述这些三元组，图中的节点通常代表物理实体或属性值，节点间通过线连接，这些线也称为边，代表实体的属性或实体间的各种语义关系。通过图形化的方式表达实体间信息，能够有效提高信息获取的效率。

目前针对特定场景开发的简单数字孪生只考虑了当前场景中包含的要素，要实现复杂数字孪生的应用还需进一步考虑不同场景间的尺度关系和功能关系。

发明内容

本发明的目的是解决上述问题，提供一种能描述复杂数字孪生系统中要素的多尺度关联关系，包括不同空间尺度下的包含关系，相同空间尺度下的协作关系、加工关系等；提出的知识图谱的数据结构，并将构建知识图谱所需数据划分为静态数据与动态数据，分别采取不同的方式对数据进行更新，再分析车间资源之间的关系，设计关系构建规则，最终完成基于知识图谱的数字孪生车间多尺度关联方法。

为解决上述技术问题，本发明的技术方案是：一种基于知识图谱的数字孪生车间多尺度关联方法，包括以下步骤：

S1、针对车间中的结构化、半结构化、非结构化数据，定义能够记录整型、符点型、字符串等不同类型数据的知识图谱的数据结构，统一数据格式，融合多源异构数据，为后续知识图谱的绘制提供支撑；

S2、针对知识图谱所需的属性数据，根据车间中已有的制造资源本体模型的数据结构，编写获取静态数据及动态数据的程序代码并进行封装，获取知识图谱节点的基本信息及其属性数据；

S3、针对知识图谱所需的关系数据，先根据尺度层次、应用场景判断是否存在跨尺度关系；再通过分析车间制造资源间的关系，定义制造资源关系模板，并结合车间实体的真实标签、属性数据，判断是否存在同尺度关系；

S4、将绘制知识图谱所需的基本信息、属性数据、关系数据填充到定义好的知识图谱数据结构中，并转化为Json格式，生成车间知识图谱的图形化表达，并发布到Web端。

进一步地，所述步骤S1中知识图谱的基本结构是三元组，主要包括“节点—属性—属性值”和“节点—关系—节点”两种类型；因此构建知识图谱所需的数据包括节点的基本信息、节点的属性值、节点间的关联关系；在此基础上，构建了一种数据结构用于记录绘制知识图谱所必需的数据；节点的基本信息主要包括ID、名称、功能描述等，节点的属性信息主要包括尺寸、加工精度、通讯协议等静态属性和位置、速度、电流等动态属性，节点的关系信息主要包括不同尺度间的包含关系和相同尺度下的协作、维护等关系。

进一步地，所述步骤S2具中根据已经构建的车间资源本体模型的数据结构、数据格式，编写数据解析读取程序，并将其封装成读写ID、名称、尺寸、位置等数据的接口，以实现数据的快速、安全、稳定的提取；在车间运行过程中，静态数据通常不发生变化，而动态数据则可能时刻发生变化，因此需要采取不同的数据更新策略；对于静态数据，只需在知识图谱生成时，遍历ID、名称等静态数据读取接口，实现静态数据的初始化；对于动态数据，则需要平衡考虑知识图谱中数据的实时性需求和计算资源负载，循环调用位置、速度等动态数据读取接口，实现动态数据的更新。

进一步地，所述步骤S3包括以下分步骤：

S31、数字孪生应用的尺度、场景等通常在开发之初就已经设定完成，车间通常可以划分为系统、单元、部件尺度，包括了远程控制、故障诊断等多个应用场景；根据数字孪生节点基本信息中的尺度层次、应用场景判断是否存在跨尺度的包含关系；

S32、将车间中的制造资源分为制造设备、人力资源、物料资源和辅助硬件资源，在此基础上进一步研究真实车间中存在的人、设备、物料等之间的关系，将这些关系整理记录，形成车间制造资源关系模板；将车间制造资源关系模板与实体标签、属性等数据结合，判断是否存在同尺度的协作、维护等关系。

进一步地，所述步骤S31中的系统为整个车间，单元包括：生产单元、物流单元和仓储单元，部件包括：机床、AGV、三坐标测量机和机械臂等。

进一步地，所述步骤S4包括以下分步骤：

S41、开发资源虚拟化注册终端，调用步骤S2中封装好的属性数据读写接口，在Web端实现静态数据的增删改查等操作，并将其存储在数据库中；

S42、提取步骤S2、步骤S3中的获取的实体、属性、关系数据，并将这些数据按照S1定义的数据结构统一转化为Json格式；

S43、使用集成在的Web项目中的图数据在线交互框架，将记录了车间知识多尺度关联信息的Json文件转化为可视化知识图谱，并支持浏览、关系查找等交互操作。

本发明的有益效果是：本发明所提供的一种基于知识图谱的数字孪生车间多尺度关联方法，定义了一种能够记录节点基本信息、属性值、节点间关系的数据结构，使用车间物理实体中的静态数据和动态数据填充数据结构中的属性值，根据车间制造资源关系模板填充数据结构中的节点关系，生成可交互的车间知识图谱，从多尺度视角描述数字孪生车间，为数字孪生车间在不同的尺度下的模型管理与更新、模型关联分析、模型交互提供支持。

附图说明

图1是本发明一种基于知识图谱的数字孪生车间多尺度关联方法的流程图；

图2是本发明知识图谱的数据结构图；

图3是本发明属性数据解析和接口封装；

图4是本发明知识图谱数据更新流程图；

图5是本发明节点间关系构建流程图；

图6是本发明同尺度关系构建流程图；

图7是本发明知识图谱构建流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明：

如图1所示，本发明提供的一种基于知识图谱的数字孪生车间多尺度关联方法，包括以下步骤：

S1、针对车间中的结构化、半结构化、非结构化数据，定义能够记录整型、符点型、字符串等不同类型数据的知识图谱的数据结构，统一数据格式，融合多源异构数据，为后续知识图谱的绘制提供支撑。

步骤S1中知识图谱的基本结构是三元组，主要包括“节点—属性—属性值”和“节点—关系—节点”两种类型。因此构建知识图谱所需的数据包括节点的基本信息、节点的属性值、节点间的关联关系。在此基础上，构建了一种数据结构用于记录绘制知识图谱所必需的数据。节点的基本信息主要包括ID、名称、功能描述等，节点的属性信息主要包括尺寸、加工精度、通讯协议等静态属性和位置、速度、电流等动态属性，节点的关系信息主要包括不同尺度间的包含关系和相同尺度下的协作、维护等关系。

根据知识图谱的基本结构，定义了一种用于绘制知识图谱的数据结构，能够记录节点的基本信息、节点属性值和节点间的关系。

如图2所示，定义的数据结构主要分为跨尺度信息和同尺度信息两大部分。跨尺度信息中记录了尺度层次、应用场景、父节点。跨尺度信息是指处于不同尺度节点的包含关系，该关系只可能是单向的，即宏观尺度包含微观尺度，因此只需要记录处于微观尺度节点的父节点即可，父节点可根据当前物理实体的层次尺度和应用场景确定。同尺度信息包括了节点自身的属性信息和与同尺度下其他节点间的关联关系，属性信息中包含了节点的基本信息(如ID、名称、功能描述等)、静态属性(如重量、材料、通讯协议等)和动态属性(如位置、电流、速度等)。与跨尺度节点间关系不同，同尺度节点间关系是双向的，并且存在协作、维护、运输等多种类型，因此需要记录其起点ID、终点ID和关系类型。

S2、针对知识图谱所需的属性数据，根据车间中已有的制造资源本体模型的数据结构，编写获取静态数据及动态数据的程序代码并进行封装，获取知识图谱节点的基本信息及其属性数据。

步骤S2中根据已经构建的车间资源本体模型的数据结构、数据格式，编写数据解析读取程序，并将其封装成读写ID、名称、尺寸、位置等数据的接口，以实现数据的快速、安全、稳定的提取；在车间运行过程中，静态数据通常不发生变化，而动态数据则可能时刻发生变化，因此需要采取不同的数据更新策略；对于静态数据，只需在知识图谱生成时，遍历ID、名称等静态数据读取接口，实现静态数据的初始化；对于动态数据，则需要平衡考虑知识图谱中数据的实时性需求和计算资源负载，循环调用位置、速度等动态数据读取接口，实现动态数据的更新。

根据车间物理实体本体模型的数据结构和数据类型，封装数字孪生体静态数据和动态数据的读写程序，并预留接口，获取知识图谱中节点的属性。

如图3所示，车间实体的本体模型为Json格式，编写读写标准数据结构的程序代码，提取物理实体的本体描述文档中各节点属性和数据，实现本体模型的数据解析。并且为了方便数据的读写，将读写特定属性数据的程序封装为多种接口，例如：getID(),setID(),getContext(),setContext(),getPosition(),setPosition()等。如图4所示，针对静态数据和动态数据采取不同的数据更新策略：在生成知识图谱时，将所有属性的数据读取接口调用一次，完成静态数据的初始化。而对于动态数据，则需要综合考虑实时性需求和计算资源消耗，决定更新频率。由于构建知识图谱的主要目的不是对车间状态的实时监控，而是描述物理实体间的关联关系，因此将动态数据的更新频率设置为每分钟更新一次，既不会占用过多的计算资源，又能在一定程度上保证数据的实时性。参数初始化后，再进行动态参数更新，车间运行时按照设定的频率进行动态数据更新，如果车间未运行，则结束。

S3、针对知识图谱所需的关系数据，先根据尺度层次、应用场景判断是否存在跨尺度关系；再通过分析车间制造资源间的关系，定义制造资源关系模板，并结合车间实体的真实标签、属性数据，判断是否存在同尺度关系。

步骤S3包括以下分步骤：

S31、数字孪生应用的尺度、场景等通常在开发之初就已经设定完成，车间通常可以划分为系统，即整个车间、单元、部件尺度，包括了远程控制、故障诊断等多个应用场景；根据数字孪生节点基本信息中的尺度层次、应用场景判断是否存在跨尺度的包含关系。

步骤S31中的系统为整个车间，单元包括：生产单元、物流单元和仓储单元，部件包括：机床、AGV、三坐标测量机和机械臂等。

S32、将车间中的制造资源分为制造设备、人力资源、物料资源和辅助硬件资源，在此基础上进一步研究真实车间中存在的人、设备、物料等之间的关系，将这些关系整理记录，形成车间制造资源关系模板；将车间制造资源关系模板与实体标签、属性等数据结合，判断是否存在同尺度的协作、维护等关系。

在实际使用过程中，如图5所示，以车间中的制造设备、人力资源、辅助硬件资源、物料资源为例，先判断节点间是否存在跨尺度关系，再判断是否存在同尺度关系。如果存在跨尺度的包含关系，则确定其关系并结束；如果不存在跨尺度的包含关系，则进一步判断是否存在同尺度关系。在同一尺度关系的判断过程中，加入制造资源关系模板，判断关系存在与否，如果关系存在，则结束，如果关系不存在，则将关系设置为Null，结束。具体来说，车间中的制造设备主要包括机床、机械臂、AGV，人力资源指车间中的工人，辅助硬件资源包括机床刀具、机械臂夹爪、AGV托盘等，物料资源指未加工的原材料、毛坯、半成品。

步骤S31具体为：车间不同尺度间的包含关系在数字孪生体构建之初就已经确定。本实施例中，将车间分为系统、单元、部件、子部件四个层次。系统指车间整体，包括生产单元、物流单元、仓储单元等。单元是为了完成特定功能而组织形成的，包括了多个部件(如生产单元包括多台机床和机械臂，物流单元包括多台AGV)。部件是车间生产任务的执行端，即车间中的机床、机械臂、AGV等设备，包括更加细粒度的子部件(如机床包含了多种用于加工的刀具，机械臂包含了多种夹爪以应用于不同的场景)。父节点与子节点间是一对多的对应关系，即一个父节点包含多个子节点。按照本案例中定义的知识图谱数据结构，相邻层次间的包含关系，总结如表1所示。

表1制造资源跨尺度关系

步骤S32具体为：系统层只有车间一个节点，不存系统层的节点间关系。单元层的生产单元、物流单元、仓储单元执行不同类型的生产任务，不存在单元层的节点间关系。子部件分属于特定的设备，各子部件间没有直接关系，不存在子部件层的节点间关系。因此，同层次节点间关系主要集中在部件层。总结分析车间中部件层节点间关系，形成制造资源关系模板，如表2所示。同尺度节点间关系的构建流程如图6所示，将图谱中的任意两节点与制造资源关系模板中的关系进行逐一比对，确定其关系，若模板中的关系均不满足，则将节点间关系设置为Null，即无关系。重复上述过程，直到所有节点间的关系被确定。具体地，输入两个节点信息，然后提取信息，通过提取一条符合节点类型的关系，加上制造资源关系模板，判断关系是否正确，关系正确时，再进行所有关系是否都已设置的判断，如果均设置则结束。如果判断关系是否正确时，关系不正确，则在判断模板中所有关系是否都不正确，如果结果为否，则重新回到提取一条符合节点类型的关系，如果结果为是，则关系设置为Null，再进行所有关系都已设置的判断。

表2制造资源关系模板

S4、将绘制知识图谱所需的基本信息、属性数据、关系数据填充到定义好的知识图谱数据结构中，并转化为Json格式，生成车间知识图谱的图形化表达，并发布到Web端。

步骤S4包括以下分步骤：

S41、开发资源虚拟化注册终端，调用步骤S2中封装好的属性数据读写接口，在Web端实现静态数据的增删改查等操作，并将其存储在数据库中；

S42、提取步骤S2、步骤S3中的获取的实体、属性、关系数据，并将这些数据按照S1定义的数据结构统一转化为Json格式；

S43、使用集成在的Web项目中的图数据在线交互框架，将记录了车间知识多尺度关联信息的Json文件转化为可视化知识图谱，并支持浏览、关系查找等交互操作。

知识图谱的构建流程如图7所示，将车间资源注册终端获取的节点基本信息、属性数据和节点间关系数据填充到定义好的知识图谱数据结构，并转化为Json格式，再使用嵌入到Web项目中的图数据在线交互框架生成车间的知识图谱。

步骤S41具体为：开发基于SpringBoot架构的资源注册平台，主要包括前端可视化界面、数据库和后端数据处理逻辑。按照车间中的制造资源的分类(制造设备、人力资源、物料资源、辅助硬件资源)，提前定义好常用资源(如机床、机械臂、刀具、毛坯等)的注册模板，简化资源注册过程。通过前端界面手动输入数据，在后端调用S2中定义好的数据写入接口，实现制造资源静态属性的输入，并将数据存储到数据库中。

步骤S42具体为：将物理实体的属性数据和关系数据与S1中定义好的知识图谱数据结构相对应，并使用Json格式完成对知识图谱节点及关系的描述。Json格式的基本结构是“键—值”对，键对应知识图谱数据结构中的“属性”、“尺寸”等标签，值对应这些标签的具体内容。

步骤S43具体为：将InteractiveGraph图交互式框架集成到车间现有的Web项目中，完成知识图谱终端的开发。InteractiveGraph图交互式框架的环境依赖可能与现有项目不同，通过容器技术实现该框架的部署与发布。在数据处理后端读取知识图谱的结构化数据，解析得到知识图谱的节点、节点属性和节点间关系，绘制知识图谱并完成前端结果显示。与知识图谱的交互，则通过鼠标点击Web界面的多种功能控件触发请求，处理完成后再由服务器将处理结果传输到前端完成响应。

基于知识图谱的数字孪生车间多尺度关联方法在手动输入或自动采集数据的基础上，构建知识图谱的数据结构，再通过封装数据读写接口、关系分析构建描述数字孪生车间中相同或不同尺度下要素的关联关系，提供对数字孪生车间的多视角描述，用于在不同的抽象层次上管理和分析制造系统的关联，并支持未来对数字孪生模型的更新与管理、数字孪生模型间的交互等。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种基于知识图谱的数字孪生车间多尺度关联方法，其特征在于，包括以下步骤：

S1、针对车间中的结构化、半结构化、非结构化数据，定义能够记录整型、符点型、字符串等不同类型数据的知识图谱的数据结构，统一数据格式，融合多源异构数据，为后续知识图谱的绘制提供支撑；

S2、针对知识图谱所需的属性数据，根据车间中已有的制造资源本体模型的数据结构，编写获取静态数据及动态数据的程序代码并进行封装，获取知识图谱节点的基本信息及其属性数据；

S3、针对知识图谱所需的关系数据，先根据尺度层次、应用场景判断是否存在跨尺度关系；再通过分析车间制造资源间的关系，定义制造资源关系模板，并结合车间实体的真实标签、属性数据，判断是否存在同尺度关系；

S4、将绘制知识图谱所需的基本信息、属性数据、关系数据填充到定义好的知识图谱数据结构中，并转化为Json格式，生成车间知识图谱的图形化表达，并发布到Web端。

2.根据权利要求1所述的一种基于知识图谱的数字孪生车间多尺度关联方法，其特征在于：所述步骤S1中知识图谱的基本结构是三元组，主要包括“节点—属性—属性值”和“节点—关系—节点”两种类型；因此构建知识图谱所需的数据包括节点的基本信息、节点的属性值、节点间的关联关系；在此基础上，构建了一种数据结构用于记录绘制知识图谱所必需的数据；节点的基本信息主要包括ID、名称、功能描述等，节点的属性信息主要包括尺寸、加工精度、通讯协议等静态属性和位置、速度、电流等动态属性，节点的关系信息主要包括不同尺度间的包含关系和相同尺度下的协作、维护等关系。

3.根据权利要求1所述的一种基于知识图谱的数字孪生车间多尺度关联方法，其特征在于：所述步骤S2具中根据已经构建的车间资源本体模型的数据结构、数据格式，编写数据解析读取程序，并将其封装成读写ID、名称、尺寸、位置等数据的接口，以实现数据的快速、安全、稳定的提取；在车间运行过程中，静态数据通常不发生变化，而动态数据则可能时刻发生变化，因此需要采取不同的数据更新策略；对于静态数据，只需在知识图谱生成时，遍历ID、名称等静态数据读取接口，实现静态数据的初始化；对于动态数据，则需要平衡考虑知识图谱中数据的实时性需求和计算资源负载，循环调用位置、速度等动态数据读取接口，实现动态数据的更新。

4.根据权利要求1所述的一种基于知识图谱的数字孪生车间多尺度关联方法，其特征在于，所述步骤S3包括以下分步骤：

S31、数字孪生应用的尺度、场景等通常在开发之初就已经设定完成，车间通常可以划分为系统、单元、部件尺度，包括了远程控制、故障诊断等多个应用场景；根据数字孪生节点基本信息中的尺度层次、应用场景判断是否存在跨尺度的包含关系；

S32、将车间中的制造资源分为制造设备、人力资源、物料资源和辅助硬件资源，在此基础上进一步研究真实车间中存在的人、设备、物料等之间的关系，将这些关系整理记录，形成车间制造资源关系模板；将车间制造资源关系模板与实体标签、属性等数据结合，判断是否存在同尺度的协作、维护等关系。

5.根据权利要求4所述的一种基于知识图谱的数字孪生车间多尺度关联方法，其特征在于，所述步骤S31中的系统为整个车间，单元包括：生产单元、物流单元和仓储单元，部件包括：机床、AGV、三坐标测量机和机械臂等。

6.根据权利要求1所述的一种基于知识图谱的数字孪生车间多尺度关联方法，其特征在于，所述步骤S4包括以下分步骤：

S41、开发资源虚拟化注册终端，调用步骤S2中封装好的属性数据读写接口，在Web端实现静态数据的增删改查等操作，并将其存储在数据库中；

S42、提取步骤S2、步骤S3中的获取的实体、属性、关系数据，并将这些数据按照S1定义的数据结构统一转化为Json格式；

S43、使用集成在的Web项目中的图数据在线交互框架，将记录了车间知识多尺度关联信息的Json文件转化为可视化知识图谱，并支持浏览、关系查找等交互操作。

Images