煤礦機(jī)電設(shè)備事故知識圖譜構(gòu)建及應(yīng)用

　　摘要：針對難以從煤礦機(jī)電設(shè)備事故表象和部分監(jiān)控?cái)?shù)據(jù)判斷設(shè)備事故根本原因，以及缺少能夠利用歷史數(shù)據(jù)、經(jīng)驗(yàn)知識的有效手段來提高設(shè)備事故處理效率等問題，構(gòu)建了煤礦機(jī)電設(shè)備事故知識圖譜。首先設(shè)計(jì)四組元本體模型的數(shù)據(jù)關(guān)系，確定本體及本體之間的關(guān)系類型;然后根據(jù)設(shè)計(jì)的數(shù)據(jù)關(guān)系，采用機(jī)器學(xué)習(xí)和規(guī)則模板相結(jié)合的方法從數(shù)據(jù)庫、文本中抽取實(shí)體、關(guān)系和屬性;最后基于 Python 語言，通過 py2neo 庫用 Cypher 語句對實(shí)體、關(guān)系和屬性進(jìn)行創(chuàng)建并存入 Neo4j 圖數(shù)據(jù)庫，實(shí)現(xiàn)知識圖譜的構(gòu)建和更新。煤礦機(jī)電設(shè)備事故知識圖譜在煤礦機(jī)電設(shè)備事故診斷、風(fēng)險(xiǎn)管理和智能問答等方面的應(yīng)用可使用戶能夠高效利用煤礦機(jī)電設(shè)備事故相關(guān)知識，幫助設(shè)備維護(hù)人員快速查找事故鏈條、定位事故原因并提出維修方案，達(dá)到降低事故率、減少事故處理時間的目的。

　　關(guān)鍵詞：煤礦機(jī)電設(shè)備;知識圖譜;Neo4j;事故診斷;風(fēng)險(xiǎn)管理;智能問答

　　李哲; 周斌; 李文慧; 李曉蘊(yùn); 周友; 馮占科; 趙涵 工礦自動化 2022-01-18

　　0 引言

　　隨著各大能源和煤業(yè)集團(tuán)對礦山智能化和煤礦應(yīng)急管理要求的逐步提高，對煤礦機(jī)電設(shè)備的智能化、可靠性及可維護(hù)性提出了更高的要求[1-2]。一方面，由于礦井環(huán)境惡劣、工況復(fù)雜，很難從機(jī)電設(shè)備事故表象和部分監(jiān)控?cái)?shù)據(jù)判斷設(shè)備事故根本原因，導(dǎo)致事故分析和處理時間長，影響煤礦工作效率和經(jīng)濟(jì)效益。另一方面，煤礦通過長時間運(yùn)營，已經(jīng)積累了大量機(jī)電設(shè)備事故分析和處理記錄，培養(yǎng)了一批有機(jī)電設(shè)備事故處理經(jīng)驗(yàn)的工程師和服務(wù)商，但目前缺少能夠有機(jī)利用歷史數(shù)據(jù)、經(jīng)驗(yàn)知識的有效手段來提高機(jī)電設(shè)備事故處理效率。知識圖譜技術(shù)將知識或數(shù)據(jù)加以關(guān)聯(lián)，實(shí)現(xiàn)知識的描述及推理，并最終實(shí)現(xiàn)像人類一樣對事物的因果關(guān)系進(jìn)行理解與解釋[3-4]。曹現(xiàn)剛等[5]通過定義煤礦裝備維護(hù)的關(guān)鍵概念、關(guān)系及屬性，進(jìn)行基于本體的知識建模，并利用圖數(shù)據(jù)庫 Neo4j 存儲煤礦裝備維護(hù)知識，形成煤礦裝備維護(hù)知識圖譜，可提高煤礦裝備維護(hù)知識管理效率。劉鵬等[6]將知識圖譜技術(shù)引入煤礦安全領(lǐng)域，對知識概念分類建模，并基于圖數(shù)據(jù)庫存儲，構(gòu)建了煤礦安全知識圖譜，可用實(shí)體關(guān)系圖的方式直觀描述各類概念及概念之間的關(guān)系。葉帥等[7]基于煤礦學(xué)科知識構(gòu)建了煤礦領(lǐng)域知識圖譜，并利用知識圖譜實(shí)現(xiàn)精準(zhǔn)、快速的智能查詢。魏卉子[8]和鹿曉龍[9]構(gòu)建了煤礦安全知識圖譜，可實(shí)現(xiàn)知識查詢、知識管理等功能，幫助用戶快速、準(zhǔn)確、直觀地學(xué)習(xí)煤礦安全知識。在上述研究基礎(chǔ)上，本文通過對煤礦機(jī)電設(shè)備事故案例歷史數(shù)據(jù)進(jìn)行分析，關(guān)聯(lián)設(shè)備、事故、原因和處理方式等知識元素，構(gòu)建了煤礦機(jī)電設(shè)備事故知識圖譜，并利用知識推理和圖計(jì)算，實(shí)現(xiàn)煤礦機(jī)電設(shè)備事故診斷、風(fēng)險(xiǎn)管理和智能問答。

　　1 煤礦機(jī)電設(shè)備事故知識圖譜構(gòu)建 1.1 構(gòu)建流程

　　煤礦機(jī)電設(shè)備事故知識圖譜的構(gòu)建需要將知識進(jìn)行分析、歸納和標(biāo)準(zhǔn)化，構(gòu)建有效、可擴(kuò)展的知識模型。本體作為一種知識表達(dá)方式，能夠清晰地描述概念的結(jié)構(gòu)、概念之間的關(guān)系等領(lǐng)域中實(shí)體的固有特征[10]。本體模型通過其知識標(biāo)志元素保證知識的傳遞性、關(guān)聯(lián)性和準(zhǔn)確性，其表達(dá)元素主要包括概念、屬性、關(guān)系、函數(shù)、公理和實(shí)例等，在實(shí)際使用過程中，根據(jù)具體的案例應(yīng)用進(jìn)行適當(dāng)裁剪[11]。

　　本文以煤礦機(jī)電設(shè)備為核心，對煤礦機(jī)電設(shè)備、事故、處理方式等本體之間的復(fù)雜關(guān)系進(jìn)行分析，確定采用四組元本體模型，并利用機(jī)器學(xué)習(xí)方法不斷對圖譜進(jìn)行完善更新。四組元本體模型定義為 O=，其中各元素含義如下：O——煤礦機(jī)電設(shè)備事故本體模型;C——概念(或標(biāo)簽)，指表達(dá)某一類實(shí)體對象的集合，本案例中包括設(shè)備、事故、處理方式、原因、單位、人員等;R——關(guān)系，指概念之間的交互作用關(guān)系，本案例中包括組成關(guān)系、繼承關(guān)系及其他業(yè)務(wù)關(guān)系，例如涉及、執(zhí)行、派遣、導(dǎo)致、維修等;A——屬性，指概念具有的屬性和屬性值，本案例中包括時間、型號、ID、廠家等;I——實(shí)體，是屬于某概念類的基本元素，圖譜的構(gòu)成節(jié)點(diǎn)。本文采用自上而下和自下而上結(jié)合的方式構(gòu)建煤礦機(jī)電設(shè)備事故知識圖譜，流程如圖 1 所示。首先，設(shè)計(jì)本體模型的數(shù)據(jù)關(guān)系，確定本體及本體之間的關(guān)系類型;然后，根據(jù)設(shè)計(jì)的數(shù)據(jù)關(guān)系，從數(shù)據(jù)庫、文本中抽取實(shí)體、關(guān)系和屬性;最后，利用 Python 語言對實(shí)體、關(guān)系和屬性進(jìn)行創(chuàng)建并存入 Neo4j 圖數(shù)據(jù)庫，實(shí)現(xiàn)知識圖譜的構(gòu)建和更新。

　　1.2 數(shù)據(jù)關(guān)系設(shè)計(jì)

　　根據(jù)煤礦業(yè)務(wù)特點(diǎn)，將《神東煤炭集團(tuán)公司機(jī)電事故案例分析手冊》、《煤礦機(jī)電設(shè)備使用手冊》和《煤礦職工安全手冊》中涉及的知識本體進(jìn)行歸納并梳理其中關(guān)系，形成本體模型數(shù)據(jù)關(guān)系，如圖 2 所示，本體模型以設(shè)備為核心，通過包含、涉及、導(dǎo)致、執(zhí)行、預(yù)防等關(guān)系類型，關(guān)聯(lián)了事故、原因、措施、操作、處理、災(zāi)害、規(guī)定、人員、后果和維護(hù)保養(yǎng)等本體。本體模型數(shù)據(jù)關(guān)系的核心作用是確定 3 個邏輯鏈條：① 設(shè)備鏈條。確定設(shè)備系統(tǒng)、子系統(tǒng)、組件和零件之間的構(gòu)成關(guān)系。② 事故鏈條。確定各類事故涉及的設(shè)備、事故和事故之間的邏輯關(guān)系、原因和事故之間的因果關(guān)系。③ 維護(hù)鏈條。確定某類事故發(fā)生前，應(yīng)采取的設(shè)備維護(hù)保養(yǎng)措施和事故預(yù)防規(guī)定;事故發(fā)生后，應(yīng)遵循的制度規(guī)范、應(yīng)執(zhí)行的處理措施和應(yīng)調(diào)動的處理人員。

　　1.3 知識抽取

　　知識抽取一般指從結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)中抽取實(shí)體、關(guān)系和屬性。實(shí)體抽取需要在數(shù)據(jù)庫和文本中識別出各級設(shè)備、措施、事故和原因等跟業(yè)務(wù)相關(guān)的實(shí)體名詞;關(guān)系抽取是在實(shí)體抽取的基礎(chǔ)上，通過語義規(guī)則等方法找到實(shí)體之間的關(guān)聯(lián)關(guān)系;屬性抽取指提取設(shè)備、措施、事故等實(shí)體的屬性參數(shù)[12]。知識抽取的質(zhì)量對知識圖譜構(gòu)建效率和準(zhǔn)確性影響極大。基于機(jī)器學(xué)習(xí)的知識抽取方法具有泛化能力強(qiáng)、使用靈活和便于更新等特點(diǎn)，但在輸入數(shù)據(jù)少的情況下準(zhǔn)確性難以保證。基于規(guī)則模板的知識抽取方法具有準(zhǔn)確性高和資源消耗少等特點(diǎn)，然而知識抽取涉及的文本內(nèi)容和格式存在不確定性，該方法無法準(zhǔn)確實(shí)現(xiàn)跨段落的邏輯關(guān)系提取[13]。因此，本文將機(jī)器學(xué)習(xí)和規(guī)則模板相結(jié)合進(jìn)行知識抽取：首先將煤礦機(jī)電設(shè)備相關(guān)手冊等文本作為 BiLSTM (Bi-directional Long Short-Term Memory，雙向長短期記憶)+CRF(Conditional Random Field，條件隨機(jī)場)機(jī)器學(xué)習(xí)模型[14]的輸入數(shù)據(jù)，實(shí)現(xiàn)知識圖譜實(shí)體的自動抽取;然后，以 BiLSTM+CRF 機(jī)器學(xué)習(xí)模型的實(shí)體抽取結(jié)果為基礎(chǔ)，制定專業(yè)詞庫(包括包括煤礦機(jī)電設(shè)備、事故和措施等專業(yè)名詞)，編制規(guī)則模板并利用開源庫 Pyltp 實(shí)現(xiàn)簡單句式的關(guān)系提取;最后，對于涉及上下文含義分析并且跨句子或跨段落的復(fù)雜關(guān)系提取，需要進(jìn)行人工處理，后續(xù)可根據(jù)業(yè)務(wù)需要定制模板以適應(yīng)復(fù)雜文本的知識抽取。

　　1.4 圖譜元素創(chuàng)建及知識存儲

　　綜合考慮易用性和穩(wěn)定性，圖譜元素創(chuàng)建和知識存儲采用 Python+Neo4j 技術(shù)路線。 Neo4j 是一個高性能的 NoSQL 圖形數(shù)據(jù)庫，它將結(jié)構(gòu)化數(shù)據(jù)存儲在網(wǎng)絡(luò)上而不是表中，同時 Neo4j 也是一個高性能的圖引擎，具備圖計(jì)算功能。本文使用 Python 語言，通過 py2neo 庫用 Cypher 語句對 Neo4j 圖數(shù)據(jù)庫進(jìn)行操作[15]。在 Neo4j 圖數(shù)據(jù)庫中，利用標(biāo)簽、節(jié)點(diǎn)、關(guān)系和屬性對四組元本體模型進(jìn)行描述，具體描述方式見表 1。圖譜元素創(chuàng)建具體方法：利用 create()語句創(chuàng)建節(jié)點(diǎn)、節(jié)點(diǎn)標(biāo)簽和節(jié)點(diǎn)屬性，利用 match()create()語句創(chuàng)建兩節(jié)點(diǎn)之間的關(guān)系和關(guān)系屬性，利用 return()、where()、match()、order()語句分別實(shí)現(xiàn)實(shí)體、關(guān)系和屬性等圖譜元素的加載、檢索、匹配和排序。創(chuàng)建圖譜元素后，用關(guān)系將所有節(jié)點(diǎn)連接形成一個能夠表達(dá)數(shù)據(jù)關(guān)系所隱含邏輯鏈條的知識網(wǎng)絡(luò)，以圖形結(jié)構(gòu)的形式存儲于 Neo4j 圖數(shù)據(jù)庫中。

　　2 煤礦機(jī)電設(shè)備事故知識圖譜應(yīng)用

　　基于煤礦機(jī)電設(shè)備事故知識圖譜，利用知識推理和圖計(jì)算實(shí)現(xiàn)煤礦機(jī)電設(shè)備事故診斷、風(fēng)險(xiǎn)管理和智能問答等功能，使用戶能夠高效利用煤礦機(jī)電設(shè)備事故相關(guān)知識，幫助設(shè)備維護(hù)人員快速查找事故鏈條、定位事故原因并提出維修方案，達(dá)到降低事故率、減少事故處理時間的目的。

　　(1) 煤礦機(jī)電設(shè)備事故診斷。煤礦機(jī)電設(shè)備事故知識圖譜蘊(yùn)含設(shè)備、事故、原因、措施等本體之間的隱含關(guān)系，通過對關(guān)系的多級匹配和貝葉斯網(wǎng)絡(luò)技術(shù)，可使人們快速了解事故現(xiàn)象背后的隱含知識、定位事故原因，實(shí)現(xiàn)事故原因推理、事故鏈條分析、事故結(jié)果推理和事故處理建議等功能，解決機(jī)電設(shè)備事故依靠人為經(jīng)驗(yàn)、處理時間長等問題。利用基于知識圖譜的知識推理技術(shù)，可在歷史事故數(shù)據(jù)的基礎(chǔ)上預(yù)測未來可能發(fā)生的類似事故，實(shí)現(xiàn)煤礦機(jī)電設(shè)備預(yù)測性維護(hù)。

　　(2) 煤礦機(jī)電設(shè)備風(fēng)險(xiǎn)管理。Neo4j 圖數(shù)據(jù)庫利用圖計(jì)算中的度中心性計(jì)算，可以從繁雜的事故數(shù)據(jù)中分析出每臺設(shè)備的事故數(shù)量和每個事故原因的發(fā)生數(shù)量并進(jìn)行排序，幫助煤礦確定機(jī)電設(shè)備事故重點(diǎn)需要關(guān)注的設(shè)備和原因，協(xié)助煤礦進(jìn)行日常的設(shè)備風(fēng)險(xiǎn)管理工作。

　　(3) 智能問答。煤礦機(jī)電設(shè)備和數(shù)據(jù)種類繁多，每一類數(shù)據(jù)查詢又涉及不同關(guān)鍵字，導(dǎo)致現(xiàn)有信息平臺的查詢過程比較復(fù)雜，往往需要多次查詢或展開多級目錄。煤礦機(jī)電設(shè)備事故知識圖譜在語義表達(dá)方面具有天然優(yōu)勢，智能問答在煤礦機(jī)電設(shè)備事故知識圖譜的基礎(chǔ)上結(jié)合了自然語言處理和分詞技術(shù)，用戶輸入事故簡單描述后，便可得到多級的、深層次的關(guān)聯(lián)結(jié)果，便于用戶快速、準(zhǔn)確地查詢所需結(jié)果，瀏覽關(guān)聯(lián)信息，提高工作效率和知識共享能力。

　　3 結(jié)語

　　從數(shù)據(jù)關(guān)系設(shè)計(jì)、知識抽取、圖譜元素創(chuàng)建及知識存儲等方面描述了煤礦機(jī)電設(shè)備事故知識圖譜構(gòu)建流程。通過設(shè)計(jì)四組元本體模型的數(shù)據(jù)關(guān)系，確定了本體及本體之間的關(guān)系類型;以數(shù)據(jù)關(guān)系為依據(jù)，從數(shù)據(jù)庫、文本中抽取實(shí)體、關(guān)系和屬性;采用 Python+Neo4j 技術(shù)路線創(chuàng)建圖譜元素并實(shí)現(xiàn)知識存儲。煤礦機(jī)電設(shè)備事故知識圖譜可應(yīng)用于煤礦機(jī)電設(shè)備事故診斷、風(fēng)險(xiǎn)管理和智能問答等方面，幫助設(shè)備維護(hù)人員快速查找事故鏈條、定位事故原因并提出維修方案，達(dá)到降低事故率、減少事故處理時間的目的。