📚 课程目录第1章课程导入

1. 课程导入

在智能制造与工业互联网的背景下，工厂里沉淀的数据早已不只是几张报表：设备台账、工艺参数、BOM、工单、质检记录、报警日志、维修工单、传感器时序数据分散在MES、ERP、SCADA、PLM、WMS等系统中。它们格式不同、口径不一、标识冲突，导致"数据很多、知识很少"。工业知识图谱数据治理工程，正是要把这些异构数据转化为可计算、可追溯、可复用的工业知识网络，让设备、物料、工艺、人员、故障之间形成明确的语义关系，从而支撑智能排产、故障根因分析、工艺优化与知识传承。

一、学习目标：从数据到知识的四层能力

本课程围绕"治理"与"图谱"两条主线展开，学习完成后应具备四层能力：

认知层：理解工业知识图谱的本体、实体、关系、属性、实例等核心概念，能区分"数据治理"与"数据管理"的边界。
方法层：掌握数据接入、清洗、标准化、实体对齐、关系抽取、质量评估的完整方法链路。
工程层：能设计图谱Schema、选择图数据库、编写ETL与知识融合任务，并建立数据质量监控指标。
应用层：能把图谱落地到设备健康管理、工艺知识推荐、供应链风险追溯等典型场景。

二、核心概念：工业知识图谱的构成要素

工业知识图谱可形式化描述为 G = (E, R, A, T)，其中 E 为实体集合（如"1号高炉""轴承SKF-6205"），R 为关系集合（如"属于""由…组成""导致"），A 为属性集合（如额定功率、温度上限），T 为时间维度（工业数据强时序性）。与通用知识图谱相比，工业图谱有三个显著特征：强本体约束（遵循ISA-95、OPC UA等标准）、强时空关联（设备状态随时间演化）、强因果需求（故障—现象—根因链路）。

数据治理不是一次性清洗，而是贯穿"采集—存储—加工—服务—消费"全生命周期的持续机制。图谱是治理成果的语义载体，治理是图谱可信的前提。

三、整体框架：五层治理架构

下图给出工业知识图谱数据治理工程的整体框架，自下而上分为数据源层、接入与治理层、知识建模层、图谱存储层和应用服务层，右侧贯穿数据质量与安全合规两条保障线。

四、典型应用场景与治理要点

工业知识图谱的价值必须落到具体场景。下表列出四类高频场景及其对应的治理重点与关键指标。

应用场景	图谱作用	治理重点	关键指标
设备健康管理	设备—部件—传感器—故障关系网	设备编码统一、测点对齐	故障定位准确率、MTTR
工艺知识推荐	工艺—参数—材料—质量关联	参数口径标准化、版本管理	推荐采纳率、良品率提升
供应链风险追溯	物料—供应商—批次—订单链路	批次主数据、多源对齐	追溯完整率、响应时长
故障根因分析	现象—原因—处置因果链	因果抽取、专家知识沉淀	根因命中率、复发率

五、常见误区与复盘提示

误区一：先建图，后治理。没有统一编码和主数据，图谱会变成"垃圾进、垃圾出"的关系堆砌。
误区二：追求大而全的本体。本体过重导致落地周期长，建议从单场景最小可用本体起步，迭代扩展。
误区三：忽视时序与版本。工业参数随工艺版本变化，图谱必须支持时间戳与版本快照，否则推理结论会失真。

复盘建议：每完成一个场景，回看三项数据——实体覆盖率、关系准确率、业务指标改善幅度。若业务指标无变化，优先检查治理链路中的标准化与对齐环节，而非盲目扩充图谱规模。

下面是一段典型的数据治理任务配置示例，用于说明治理规则如何以可执行方式落地：

task: device_master_governance
source:
  - system: MES
    table: t_device
  - system: SCADA
    table: t_tag
rules:
  - name: unify_device_code
    action: mapping
    from: [mes.device_no, scada.equip_id]
    to: canonical.device_id
  - name: dedup_by_name_location
    action: dedup
    keys: [device_name, workshop, line]
  - name: quality_check
    metrics: [completeness, consistency, timeliness]
    threshold: {completeness: 0.98, consistency: 0.95}
output:
  graph: industrial_kg
  node: Device
  edge: BELONGS_TO