面向制造领域人机物三元数据融合的本体自动化构建方法_本体融合

面向制造领域人机物三元数据融合的本体自动化构建方法

人工智能技术与咨询 

点击蓝字 · 关注我们

摘要

当前,智能制造面临的许多问题都具有不确定性和复杂性,单纯地利用专家经验和机理模型难以有效解决.鉴于此,面向跨层跨域的复杂制造系统网络化协同控制机制,提出一种基于本体的人机物三元数据融合方法,研究复杂制造环境下的人机物三元数据融合建模.在抽取三元组时,区别于传统的流水线式抽取方式,提出一种基于实体-关系联合抽取的模型ErBERT.该模型首先经过预训练模型BERT进行词序列化,经过最大池化、全连接和Softmax等操作后,完成实体识别和关系分类任务,得到抽取完毕的人机物三元组.将抽取好的三元组按照规则映射至OWL文件,最终存储在图数据库中,实现本体模型的构建.经实验验证,经过ErBERT抽取出的三元组有较好的准确率,能够达到通过本体融合人机物三元数据的目标,并为实现制造企业人机物三元协同决策与优化提供技术支撑.

“

引言

随着互联网、大数据、人工智能等技术的迅猛发展,传统制造业正加速向新一代智能制造迈进[1]. 快速变化的市场环境及多元化的用户需求使制造业环境日趋复杂,提升企业应对复杂环境中不确定性因素的控制与决策水平,是企业向智能工厂转型中亟待解决的重要科学命题.

伴随着制造系统复杂度日益增加、用户个性化需求不断增长,以往的制造体系和制造水平已经难以满足个性化、智能化产品和服务增值升级的需求,制造系统将由以往的机物二元系统发展为人机物三元系统. 在复杂制造系统中,人(人力资源)具备不完全

第37卷

信息决策能力的优点和获取深度知识能力差的缺点,机(虚拟信息系统)具备处理海量数据的优点和处理不完全信息能力差的缺点,物(生产物理系统)具备执行能力强的优点和缺乏数据强处理能力的缺点. 新一代人工智能将人的作用引入到系统中,可极大地提高制造系统处理复杂性、不确定性问题的能力,有效实现产品及其生产和服务过程的最优化,人机物三元深度融合将会使人的智慧与机器的智能相互启发性地增长[2].

语义网是由Tim Berners-Lee最先提出的一个概念,可以使异构的数据信息相关联,组成语义网络,从而计算机可以理解和处理网络中的语义信息[3]. 本体作为语义网的基础,是一种能在语义及知识层次上描述数据的概念模型,用于确定领域内被共同认可的概念,并给出概念间的相互关系,从而实现海量多元异构数据的集成、共享与重用[4]. 传统的本体构建方法主要依靠领域专家手工构建,一旦构建的领域本体较为庞大,则会耗费大量的时间和精力. 因此,如何使用自动化的方式从数据源中抽取信息并构建本体,减少领域专家的参与,是当前本体研究的热点之一.异构数据会造成信息交互的问题,利用本体进行人机物三元数据的集成与融合,不仅可以解决操作障碍, 减少数据冗余, 还可以加强数据的推理和决策能力. 本文提出一种基于本体的人机物三元数据融合模型, 并在进行本体三元组的抽取时, 区别于传统流水线式抽取方式, 基于预训练模型 BERT(bidirectional encoder representation from transformers)提出一种实体-关系联合抽取模型ErBERT (entity andrelationship extraction with BERT),从而更好地整合实体及其关系之间的信息. 最后以宝钢热轧生产环节为案例,使用ErBERT自动构建本体. 结果显示,所提出的ErBERT模型是行之有效的.

一、相关工作

1.1 人机物三元数据融合

数据融合的目的是将多元异构数据进行融合,使得获得的信息能有效地应用到决策中[5]. 传统的数据融合技术,如模糊集理论、概率论理论以及可信度理论,对于各有其特点的人机物三元数据缺乏有效的融合方法. 目前国内外已有针对人机物三元系统数据融合的研究, Hussein等[6] 提出DSSoT智能服务,将人与物联网的数据通过动态社会物联网的模型进行融合; Misra等[7] 提出一种多变量数据融合学习模型,通过训练朴素贝叶斯、k近邻、决策树和支持向量机4个分类器,可以改善数据异构,提高辅助决策预测精度; Bu[8] 提出了一种基于张量模型的高阶K-means算法用于人机物三元数据的聚类,以获得更准确的结果; Wang等[9] 提出一系列基于张量的数据融合方法,最后给出一个综合的人机物数据融合框架; Chen等[10] 对基于强化学习算法的三元数