《Reliability Engineering & System Safety》：Multi-granularity learning-based intelligent decision-making method for equipment operation and maintenance on large-scale knowledge graphs
编辑推荐：
提出MulKGR模型，通过多粒度子图生成与融合、图卷积网络与长短期记忆网络结合，提升设备运维知识图谱的决策效率与准确性，实验显示F1 score达65.88%，决策时间减少5.69%。
张正平|彭颖|杨波|杜凯泽|王世龙|魏建东
重庆大学先进设备机械传动国家重点实验室，中国重庆，400044
摘要
有效的设备运行和维护（O&M）对提高生产力和安全性至关重要；然而，传统的手动决策方法受到较长周期和不一致准确性的限制。本文介绍了MulKGR，这是一种为大规模O&M知识图设计的智能决策模型，旨在解决多级故障关联不足和决策效率低等挑战。该模型从O&M知识图中提取多粒度子图，结合设备状态、故障模式和环境因素来构建关系路径，从而增强决策能力。MulKGR随后使用图卷积网络（GCN）对问题文本和关系路径进行联合编码，生成词嵌入并计算相似性得分，通过子图剪枝优化计算效率。最后，剪枝后的子图由一个推理决策模块处理，该模块将GCN与长短期记忆网络集成以实现动态学习，从而实现准确的推理和答案生成。来自新能源汽车生产厂的实验结果表明，MulKGR显著提高了决策效率，F1得分达到65.88%，Hits@1得分达到62.5%，并减少了5.69%的决策时间。这些结果证明了该模型在设备O&M智能决策中的有效性。
引言
制造业是全球经济的重要支柱，在推动技术创新和社会发展中发挥着关键作用。随着工业化和信息技术的深度融合，制造商面临着日益复杂的生产环境和快速变化的市场需求。企业不仅需要确保生产效率和质量[1]，还需要保持设备可靠性和最佳运行状态。因此，设备维护和管理的有效性直接影响着制造企业的核心竞争力。通过有效的设备运行和维护（O&M），公司可以延长设备使用寿命，减少因故障导致的停机时间，并提高生产线的稳定性和可靠性。然而，尽管大规模部署了传感器，并且越来越多地应用数据驱动模型[2],[3]进行过程监控、故障排除和预测性维护[4]，操作专家仍需从积累的文本数据和领域知识中提取可操作的见解以做出明智的决策。此外，可用数据通常是离散和不连续的，故障原因多种多样，很少表现出简单的一对一对应关系。设备故障的复杂性往往源于多个层面的相互作用——从直接部件异常（例如，轴承温度突然升高），到系统间参数耦合（例如，润滑压力与电机速度之间的动态平衡），再到外部条件的长期影响（例如，湿度增加导致部件加速生锈）。在知识图中，这些多层面关系以不同粒度的拓扑结构体现出来：细粒度的设备实体直接链接表示；中粒度的由跨领域相互作用形成的复合效应表示；以及粗粒度的系统与其环境之间的广泛相关模式表示。仅依赖单一粒度进行决策可能会导致关键故障因素被忽略，给O&M策略带来重大挑战。因此，采用能够利用多粒度信息的智能决策方法至关重要，以便更全面地捕捉不同层面的故障原因，并为设备O&M提供更准确可靠的支持。
目前，设备O&M领域的智能决策方法主要分为数据驱动[5]和知识驱动[6]两种方法。虽然数据驱动的决策方法可以从信号中提前识别设备故障，实现设备的自动监控，并帮助维护人员及时发现故障并进行预测性维护，但设备状态的评估仍依赖于手动定义的阈值和参数设置。此外，尽管这种方法便于数据分析，但操作和维护决策仍依赖于专家经验。知识驱动的决策方法目前依赖专家经验或预定义规则通过逻辑推理来诊断和判断设备状态，这种方法高效灵活，适用于固定模式故障；然而，在面对复杂故障时，专家经验可能不足以支持有效决策，且其适用性较差。
在处理复杂且多变的设备O&M数据时，上述智能决策方法往往存在局限性。因此，如何有效利用和处理这些复杂多变的知识对于实现智能设备O&M决策至关重要。随着人工智能的不断发展，知识图[7]已成为制造业[8],[9]、医学[10]、铁路运输[11]等领域实现智能决策的关键工具。它们在知识表示、组织和语义推理方面的独特优势使它们能够比许多其他技术更有效地整合和利用复杂领域知识。例如，徐等人[12]提出了一种半监督的自适应知识图构建方法，用于工业系统的智能故障诊断。该方法使用BiLSTM-BIO命名实体识别和测试增强的自注意力关系提取模型生成三元组来构建知识图，适应工业故障日志的特点，并解决了现有方法在模型训练中的不足。苏等人在航空发动机壳体制造领域的认知制造研究中开发了一种以知识为中心的决策支持系统，采用RGAT-PRotatE双模推理机制，有效提高了智能制造决策的准确性和效率。崔等人在基于中医知识图的问答研究中提出了一个名为EITCMQA的问答模型，结合多跳推理和卷积神经网络技术，实现了中医领域的快速诊断和决策。在设备O&M中，基于知识图的决策[15]方法具有显著优势。它们可以结构化和推理数据，如设备、故障模式、运行状态和维护措施，同时通过挖掘和显化隐性知识来连接之前孤立的知识节点。例如，蔡等人[16]将知识图应用于故障诊断，通过结合贝叶斯推理和机器学习方法实现了设备系统状态检测和故障源定位。与传统方法相比，这种方法显著提高了准确性和实时决策能力。
目前大多数基于知识图的决策方法主要依赖于单一层次的信息进行推理，只关注一种知识粒度，忽略了其他层次的关键信息。这导致决策结果片面，无法全面反映实际情况。在复杂的设备O&M场景中，故障通常不是由单一因素引起的，而是由多种因素相互作用造成的。例如，设备故障可能受到操作不当、环境变化和设备老化等因素的影响。这些因素以复杂动态的方式相互关联，使得单一粒度的决策方法难以捕捉多层面、多粒度的相互作用，从而阻碍了故障模式的准确识别。此外，设备O&M数据的量正在迅速增加，相关知识图的大小也在增长，结构变得越来越复杂。在大规模知识图的背景下，节点之间的关系往往表现出复杂的层次特性。传统的推理模型经常无法有效处理这种复杂的关联，难以高效捕获和利用关键信息进行准确决策和推理。因此，在大规模设备O&M知识图中实现高精度和响应性决策已成为一个紧迫的挑战。
为了解决这些问题，本文提出了一种基于多粒度学习的智能决策模型MulKGR，该模型建立在大型知识图之上。本文的主要贡献总结如下：
1) 我们提出了一种基于图卷积网络（GCN）的注意力增强文本图卷积网络ATGCN。该模块将词嵌入转换为图结构，并整合连续核和注意力机制，动态捕捉节点之间的句法和语义关系（例如，句法结构、依赖关系）。这种方法有助于全面理解句子含义，并增强与设备O&M相关的句子的语义解释。
2) 为了利用知识图中主题实体的节点关联属性，我们设计了一个多粒度子图生成和融合模块（MGSG），它在三个渐进层次上构建子图，分别捕获直接和间接关系：粗粒度、中粒度和细粒度。该模块采用自上而下的信息过滤机制结合动态剪枝策略，专注于每一层的关键路径，从而提高大规模知识图决策的准确性和效率。
3) 我们提出了一种基于推理的决策模块LSTGCN，它将Transformer的注意力机制整合到传统的GCN中，并结合长短期记忆网络（LSTM）来处理查询文本中的时间序列信息。这种方法生成动态命令，帮助GCN进行学习和推理，最终提高知识图中的决策准确性。
本文的其余部分组织如下：第2节回顾了设备O&M技术和基于知识图的智能决策技术的背景和当前研究。第3节介绍了基于知识图的多粒度学习的设备O&M智能决策模型的框架和详细结构。第4节展示了实验结果并分析了模型的性能。最后，第5节总结了本文并提出了未来工作的建议。
部分摘录
设备O&M技术研究
设备O&M是指对设备进行有效管理、操作和维护的整个过程，以确保设备正常运行，提高可靠性和效率，并减少设备生命周期中的故障和停机时间。目前，根据O&M决策中使用的数据类型，设备O&M可以分为数据驱动和知识驱动的方法。
方法
本节首先介绍了MulKGR的总体框架，然后概述了其核心组件。
实验
本节概述了用于从不同角度验证MulKGR模型在设备运行和维护智能决策任务中的有效性的数据来源、实验设计和评估方法。
结论
设备O&M是确保企业生产力和最小化安全风险的关键方面。传统的O&M决策方法严重依赖手动经验，导致决策周期长且准确性有限。知识图技术因其结构化知识表示的能力为智能O&M决策提供了新的见解。然而，现有的基于知识图的决策方法仍面临挑战，包括挖掘不足等问题。
CRediT作者贡献声明
张正平：撰写——审阅与编辑，撰写——初稿，方法论。彭颖：方法论，形式分析，数据整理。杨波：资源获取，资金筹集。杜凯泽：数据整理，概念化。王世龙：监督，资源提供。魏建东：调查，数据整理。
