1. 课程导入

在智能制造、工业互联网和数字孪生快速发展的今天，工厂里沉淀的数据早已不只是表格中的数值，还包括设备说明书、工艺卡片、维修记录、报警日志、专家经验、标准规范与供应链关系。这些内容分散在MES、ERP、SCADA、PLM、CMMS以及大量文档中，彼此之间缺少可计算的语义连接。工业知识图谱要解决的，正是把“人、机、料、法、环、测”等工业对象及其关系组织成机器可理解、可推理、可复用的知识网络。

一、什么是工业知识图谱

工业知识图谱是以图结构表达工业领域知识的技术体系。它通常由本体层、实例层和规则层构成：本体层定义设备、工序、物料、故障、工单等概念及其关系；实例层把具体设备编号、批次、传感器测点、维修事件等真实对象挂载到本体上；规则层则承载工艺约束、故障传播逻辑、质量判定条件和安全规范。与通用知识图谱相比，工业知识图谱更强调时空属性、测点数据、设备层级和工程可验证性。

可以用一个简单三元组理解它：

(数控机床_CNC_01, 属于产线, 精加工线_A)
(数控机床_CNC_01, 监测测点, 主轴振动)
(主轴振动, 异常模式, 轴承磨损)
(轴承磨损, 建议工单, 更换主轴轴承)

当这样的三元组达到一定规模，并与实时时序数据、工单系统、备件库存连接后，知识图谱就不再是静态档案，而成为支撑故障诊断、工艺优化、智能排产和知识问答的工业语义底座。

二、发展历程：从专家系统到工业大模型协同

工业知识图谱并非突然出现，它经历了几个清晰阶段。早期是专家系统与规则库，用if-then规则表达故障诊断经验，但规则维护成本高、覆盖范围有限。随后进入本体工程与语义网阶段，RDF、OWL、SPARQL等技术让设备、工艺、标准之间可以建立形式化语义关系。第三阶段是大数据与图数据库驱动，Neo4j、JanusGraph、NebulaGraph等图数据库使亿级节点和关系的存储与查询成为可能。当前阶段则走向知识图谱与大模型、数字孪生、工业互联网平台协同：图谱提供可解释的结构化知识，大模型提供自然语言交互与生成能力，二者结合形成“检索增强生成+知识约束推理”的工业智能应用范式。

三、课程学习目标与整体知识框架

本课程围绕“建模—存储—融合—推理—应用—治理”主线展开，共30章。学习完成后，你应能够：

• 理解工业知识图谱的本体设计方法，能区分概念、实例、关系与属性；
• 掌握从设备台账、工艺文件、报警日志中抽取实体与关系的工程流程；
• 使用图数据库和SPARQL/Cypher完成知识存储、查询与版本管理；
• 将时序测点、工单、备件、质量数据与图谱实体进行对齐融合；
• 设计故障诊断、工艺推荐、智能问答、根因分析等典型应用；
• 建立知识质量评估、权限治理和持续更新机制。

整体知识框架可以概括为五层：数据源层（PLC、SCADA、MES、ERP、文档）、知识抽取层（实体识别、关系抽取、事件抽取）、图谱构建层（本体建模、实体对齐、图存储）、推理应用层（规则推理、图算法、大模型协同）、治理运营层（质量、权限、版本、审计）。

四、典型工程场景与案例

以一条汽车零部件精加工线为例。设备台账中有CNC机床、机器人、输送线；SCADA中有主轴振动、温度、电流测点；MES中有工单、批次、质量结果；CMMS中有维修记录。传统做法是分别查询各系统，再由工程师凭经验判断。引入知识图谱后，可以建立如下链路：

主轴振动升高 → 关联测点阈值规则 → 匹配历史故障模式
→ 检索同型号设备维修案例 → 推荐更换轴承工单
→ 校验备件库存 → 生成维修建议并推送至CMMS

这个过程中，图谱负责提供对象关系、故障传播路径和历史案例，规则引擎负责阈值判断与工艺约束，大模型负责自然语言解释与交互。三者分工明确，避免让大模型直接“猜”工业结论。

五、常见误区与复盘