本文來源于裝備質量
陸云峰 LU Yun-feng；張清晨 ZHANG Qing-chen；李鳴宇 LI Ming-yu
（航天工程大學，北京101416）
摘要：知識圖譜作為一項前沿的集大數據和人工智能于一體的研究數據之間關聯關系的綜合技術，能有效展示錯綜復雜數據之間的關聯關系。面對目前我國航天裝備質量數據孤立、標準不一、關聯性差、單個數據使用價值不高、無法發揮出數據最大效能等現狀。嘗試把知識圖譜引入航天裝備質量領域，在概要介紹知識圖譜的基礎上，闡述了航天裝備質量知識圖譜的構建思路和步驟，并介紹它在精準搜索、輔助決策、檢測質量故障等方面的典型應用。
關鍵詞：航天裝備質量；知識圖譜；模式層；數據層
航天裝備具有技術密集、系統復雜、生命周期長等典型特點，在其立項論證、方案設計、工程研制、試驗定型、生產訂購、調配保障、運行維護、退役報廢等全壽命周期的各個階段都會產生大量的數據。這些數據分屬于裝備設計方、研制方、生產方、試驗方、使用方等不同單位，數據孤立、標準不一、關聯性差、單個數據使用價值不高，無法在航天裝備質量管理中發揮出最大效能。怎樣處理和利用這些海量的數據來提升航天裝備質量，是每一個航天質量人認真思考的問題。知識圖譜作為一項前沿的集大數據和人工智能于一體的研究數據之間關聯關系的綜合技術，能有效展示錯綜復雜數據之間的關聯關系。針對航天裝備質量大數據特點，本文研究探討知識圖譜在航天裝備質量領域的典型應用。
知識圖譜是一種描繪實體之間關系的語義網絡?[1]，是人工智能重要研究領域——知識工程的主要表現形式之一。知識圖譜本質上是語義網絡，是一種基于邏輯和圖的數據結構，由“節點”和“邊”組成。在知識圖譜里，每個節點表示現實世界中存在的“實體”（如：裝備，研制單位），每條邊表示實體與實體之間的關系（如：可靠性，安全性）。知識圖譜是關聯關系最有效的表示方式。
知識圖譜通過三元組（RDF），即“實體—關系—另一實體”或“實體—屬性—屬性值”集合的形式，闡述世間萬物之間的關系。三元組是知識圖譜最基本的知識單元，三元組經過知識融合和數據推理，把非線性世界中的知識信息結構化，形成維度和層次更為復雜的關系網，達到認識世界實體的目的（如圖1 所示）。
圖1 知識圖譜闡述萬物關系的模式
通俗地講，知識圖譜就是把所有不同種類的信息連接在一起而得到的一個關系網絡[2]。知識圖譜提供了從“關系”的角度去分析問題的能力。
知識圖譜從架構上分，可分為邏輯架構和技術架構。
1.2.1 邏輯架構
知識圖譜在邏輯上可以分為模式層和數據層兩個層次。數據層是以三元組為表現形式的客觀事實集合，知識以事實為單位進行存儲，而模式層是它的“上層建筑”，主要是通過本體庫來規范數據層的一系列事實表達，是積累沉淀的知識集合。本體是一種概念化的明確的規范說明，用來描述某個領域內的概念及概念間關系，是在共享的范圍內大家共同認可的、明確的、唯一的定義。簡單地說，構建知識圖譜本體庫就是定義數據關系規則。
按照邏輯架構的構建順序，知識圖譜構建方式可分為自底向上和自頂向下兩種。“自底向上”的方式是指從數據層入手，利用機器學習，通過對現實世界海量龐雜的知識數據進行初步分析，根據數據特點抽象出與之相匹配的知識圖譜模式層，即先構建底層數據層進而推演出頂層模式層。這種構建方式常用于通用領域知識圖譜的構建，因為通用領域知識圖譜對數據關系發掘的深度大多要求不高；“自頂向下”的方式是在領域知識體系成熟完備的條件下首先進行知識圖譜模式層的構建，進而補全相應數據層。即先定數下根據專業體系先定義描述數據關系和屬性的規則，再抽取符合規則的數據生成知識圖譜。這種構建方式適用于需要深度挖掘數據關系的特定專業領域知識圖譜的構建。
1.2.2 技術架構
從技術實現路徑上講，知識圖譜構建從數據源開始，需經歷知識抽取、知識融合、知識加工等步驟[3]。原始的數據通過知識抽取或數據整合的方式轉換為三元組形式，然后大量的三元組數據再經過實體對齊（統一不同信息源中同一實體的不同標簽），加入數據模型，形成標準的知識表示，過程中如產生新的關系組合，通過知識推理形成新的知識形態，與原有知識共同經過質量評估，完成知識融合，最終形成完整形態上的知識圖譜。知識圖譜的技術架構如圖2 所示。
圖2 知識圖譜技術架構
航天裝備質量知識圖譜是基于圖2 結構的航天裝備質量知識庫。它通過形式化描述航天裝備質量領域概念、實體、屬性，以及之間關系的方式，將概念、實體、屬性相互連接，構成航天裝備質量領域知識的立體網狀結構圖，進而在航天裝備質量領域實現知識圖譜的精準搜索、智能問答、輔助決策等相關功能。
構建航天裝備質量知識圖譜，旨在將多階段、多領域的裝備質量數據層層分解并關聯起來，整合以往離散的、分段的、關聯性差的不同層面的質量數據來實現共同反映航天裝備質量的整體面貌。同時，通過知識圖譜輔助決策、診斷質量問題等應用來提高航天裝備全過程、全要素、全壽命周期質量管理能力。
航天裝備質量知識圖譜構建包括數據源獲取、數據層和模式層構建。由于航天裝備之間的關系和屬性分析需要航天裝備質量領域的專業支撐，因此航天裝備質量知識圖譜構建主要采用自頂向下的方式進行，知識圖譜框架設計如圖3 所示。
圖3 航天裝備質量知識圖譜構建框架
2.2.1 數據源獲取
航天裝備在從立項研制到退役報廢全壽命周期的各個階段都會產生大量的質量數據，這些數據分屬不同單位擁有。由于每個單位關注裝備質量的重點不一樣，造成各單位的質量數據格式標準不一、關聯性不強，加上航天裝備保密要求高，事實上很難形成數據共享和實現數據的整體價值。為獲得構建航天裝備質量知識圖譜所需的海量數據，首先必須由軍方牽頭，把參與各型航天裝備工作的軍地單位所擁有的質量數據統一起來，建立涵蓋主要航天裝備及裝備設計質量、生產質量、試驗質量、訂購質量、維修質量、在軌運行質量等全壽命周期各個階段的質量數據庫，規范質量數據采集、分發和存檔的格式，盡量形成結構或半結構化數據源，供構建知識圖譜使用。
2.2.2 模式層構建
采用本體方法構建模式層，包括本體構建、關系構建和屬性構建。航天裝備質量知識圖譜本體構建實際上就是規范化描述航天裝備質量系統的過程。
航天裝備種類各異、型號眾多，首先可以將航天裝備作為一個本體進行概念抽象和分析，以此確定本體構建的范圍。按照裝備功能可以把航天裝備分為信息支援、態勢感知、戰場環境、發射測控、空間對抗等五大類型。每一類裝備又可以作為一個本體分為若干小類。比如天基信息支援類裝備包含衛星子類，衛星則又包含偵測、預警、通信等各種類型，在每一種類型衛星里又包含很多型號，型號還分為更細粒度的分系統、零部件和元器件。
對于具體的航天裝備，本文在征詢專家意見的基礎上，選取功能需求、功能指標、功能故障三個概念來描述和定義裝備的質量。功能需求是指航天裝備需要具備的功能，包含航天裝備技戰術功能和裝備通用質量（可靠性、維修性、測試性、安全性、保障性、環境適應性等）方面的要求；功能指標是反映裝備功能的戰技術指標和裝備通用質量指標。質量故障是指裝備功能需求和實際功能指標不符而導致的裝備質量問題。
明確本體（概念）后，構建本體庫還需要定義本體之間的關系和屬性。本文結合航天裝備使用的實際情況，借助專家的經驗和智慧。對本體關系和屬性分析作出如下定義：航天裝備之間的關系用組成、配套、搭載、支援等概念來描述，如火箭和衛星的搭載關系；功能需求和功能指標之間的關系用匹配、互斥、競爭等概念來定義。匹配是指功能指標正好反映功能需求，互斥是指某些指標在特定功能實現上是不相容的，競爭是指某些指標對于特定功能實現是此消彼長的；質量故障用故障發生時間段（裝備全壽命周期的某個階段）、故障部位（分系統、元器件等）、責任單位、故障指標表現特征、影響分析、處理措施、歸零情況等字段來描述和抽取故障的屬性。為了驗證這些關系和屬性定義是否科學可行，可以利用仿真模擬手段加以驗證。驗證合格后，把它轉化為機器語言即形成航天裝備知識圖譜的模式層。
2.2.3 數據層構建
根據上述本體層構建的關系和屬性定義，利用自然語言處理技術，對軍隊牽頭建設的包含航天裝備全壽命周期各個階段的結構化、半結構化和非結構化質量數據進行實體抽取、關系抽取和屬性抽取。對于符合條件的數據便以知識的形式存儲形成航天裝備知識圖譜的數據層。
2.2.4 對齊和加工
知識圖譜中的每一個實體只能有一個身份代碼。航天裝備全壽命周期種不同階段的質量數據，有可能指向同一個實體，所以對于多源異構數據形成的知識，還必須進行實體對齊，即合并和消除歧義。在有新的數據源加入時，機器借助聚類算法等技術進行機器學習和推理，可能形成新的知識。新知識正確與否，需要人工對其質量加以評估，評估合格后才能加入到數據層形成新的知識，完成知識圖譜更新。數據層的知識以圖的形式展示出來便構成了航天裝備質量知識圖譜。
精準查詢是航天裝備質量知識圖譜最基本的應用。和基于統計分析的搜索不一樣，我們常見的網上搜索結果出來的都是網頁，是否真正符合我們的需要尚需進一步查看驗證。但知識圖譜由于實現了細粒度、多維度、多層次關聯，且機器能實現對自然語言的理解、分析，所以，當需要查找某階段、某方面的航天裝備質量數據時，可以非常便捷、精準地搜索到我們想要的結果，搜索效率極大地提高。
航天裝備的質量既不是生產出來的，也不是設計出來的，而是需要整體考慮裝備全壽命周期整體的質量狀況。當開展同類航天裝備迭代升級型號設計時，需要考慮裝備生產、使用、維修、報廢等各個階段的質量狀況，利用知識圖譜，可以很容易地發現裝備在不同階段所存在的質量問題，從而科學決策新型號的建設方案，科學分配各項指標；裝備主管機關利用知識圖譜，可以了解裝備的整體質量狀況，有針對性地定下決心抓裝備質量建設。航天裝備質量重大研討活動，專家團隊借助知識圖譜可以充分占據“知識”資料，輔助決策。
對于在軌航天器的運行，輸入在軌運行數據，利用知識圖譜中的同型號航天器功能需求和功能指標的匹配程度可以監測發現裝備運行狀況是否正常。若出現異常，可對照知識圖譜中質量故障發生異常的部位、時間段、責任單位、異常指標表現特征、后果影響等提示，采取處置措施，避免出現嚴重質量事故。
知識圖譜的概念由谷歌于2012 年提出[4]，隨后在商業領域取得了長足發展。把知識圖譜引入航天裝備質量領域是應用大數據技術的一次大膽嘗試。航天裝備質量知識圖譜建設的難點在于受裝備種類繁多、數據類型龐雜、數據標準不一、數據保密要求高等因素的影響，只能主要采用自頂向下的方式構建。這種方式在關系和屬性的定義上仍然依賴人工的參與，可以說構建過程復雜、難度很大。但作為大數據處理和利用的前沿技術，知識圖譜在航天裝備質量領域大有用武之地。
參考文獻：
[1]沈華，熊開宇，閆斌，邱桃榮.知識圖譜的用戶興趣向量化方法及應用[J].南昌大學學報（理科版），2020，44（06）：610-616.
[2]赫中翮.面向中文知識圖譜構建的知識抽取方法研究與實現[D].國防科學技術大學，2019.
[3]喻凡坤，胡超芳，羅曉亮，梁秀兵.無人系統故障知識圖譜的構建方法及應用[J].計算機測量與控制，2020，28（10）：71-76.
[4]杭婷婷，馮鈞，陸佳民.知識圖譜構建技術：分類、調查和未來方向[J].計算機科學，2021，48（02）：175-189.
Application of Knowledge Graph in Quality Management of Space Equipment
（Space Engineering University，Beijing 101416，China）
Abstract:?As a cutting-edge comprehensive technology integrating big data and artificial intelligence to study the association relationship among data, knowledge graph can effectively display the association relationship between complex data. In a long time, the quality data of space equipment in China was isolated, the standards were different, the relevance was poor, the value of single data was not enough, and the data can't be given full play to the maximum efficiency. To solve the problems mentioned above, the knowledge graph was introduced into the field of space equipment quality. Based on the brief introduction of the knowledge graph, the construction ideas and steps of the knowledge graph of space equipment quality are described. The typical applications in precision search, decision-making assistance and quality fault detection are introduced.
Key words:?space equipment quality；knowledge graph；model layer；data layer
中圖分類號：F407.5
文獻標識碼：A
文章編號：1006-4311（2021）32-173-03 doi:10.3969/j.issn.1006-4311.2021.32.056
作者簡介：陸云峰（1975-），男，湖南邵陽人，講師，碩士，研究方向為航天工程管理；張清晨（1993-），男，重慶人，助理工程師，碩士生，研究方向為項目質量管理；李鳴宇（1993-），男，吉林九臺人，助理工程師，碩士生，研究方向為工程風險管理。
長按二維碼識別關注我們
