[发明专利]用于构建和/或处理知识图的工业设备和方法

说明书

用于构建和/或处理知识图（KG）的工业设备（ED），具有至少一个传感器（S）和/或至少一个数据源（DS），被配置用于提供原始数据（RD）；具有ETL组件（ETLC），被配置用于使用映射规则（MR）将原始数据（RD）转换为三元组语句（T）；具有三元组存储（ETS），将三元组语句（T）存储为动态改变的知识图（KG）；具有学习组件（LC），被配置用于在学习模式下处理三元组语句(T)，并且用于在推理模式下执行推理(IF)；以及具有控制组件(CC)，被配置用于在学习组件（LC）的不同操作模式之间进行切换。

技术领域

基于图的数据分析在工业应用中发挥着越来越重要的作用。一个突出的示例是知识图，其基于能够摄取和（利用语义信息）表示来自潜在的多个来源和领域的知识的图结构的数据库。知识图是丰富的数据结构，其使得能够实现对抽象概念及其相互关系的符号描述。知识图的使用使得先前隔离的数据源以使得AI和数据分析应用能够在统一的、上下文化的、语义丰富的知识库上工作的方式集成成为可能，从而使得能够实现利用来自（一个或多个）感兴趣领域（例如，工业自动化或构建系统）的良好定义的实体和关系来执行其任务（例如，推断或推理）的更通用、可解释、可互操作且准确的AI算法。

背景技术

图14示出了描述工业系统的部分的工业知识图KG的简化示例。一般而言，知识图由表示实体的节点和表示这些实体之间关系的边组成。例如，在工业系统中，节点可以表示物理对象，物理对象比如传感器、比如PLC之类的工业控制器、机器人、机器操作者或所有者、驱动器、制造对象、工具、材料清单的元素、或其他硬件组件，但是也可以表示比如所述物理对象的属性和配置、生产调度和计划、机器或机器人的技能或传感器测量之类的更抽象的实体。例如，抽象实体可以是IP地址、数据类型或在工业系统上运行的应用，如图14所示。

这些实体如何相互关联是利用节点之间不同类型的边来建模的。这样，可以使用语义上有意义的语句（所谓的三元组或三元组语句）对图进行总结，所述语句采用简单且人类可读的形状“主语-谓词-宾语”，或者以图格式“节点-关系-节点”。

图15示出了总结图14所示的工业知识图KG的已知三元组语句集合T，包括当前未包含在工业知识图KG中的两个未知三元组语句UT。对图数据的推理涉及在给定知识图KG的结构的情况下评估未知三元组语句UT是否有效。

诸如图14所示的工业知识图之类的多关系图是用于对比如工业项目之类的各种系统和问题建模的丰富数据结构。因此，最近对能够处理图结构数据的机器学习算法的兴趣增加并不令人意外。当将图总结为三元组语句“主语-谓词-宾语”或“节点-关系-节点”列表时，图的这种广泛适用性将变得显而易见。不同实体和概念之间的复杂关系可以通过这种方式建模。例如，在电影数据库中，图可能如下所示：“#M.Hamill - #plays - #L.Skywalker”, “#L.Skywalker - #appearsIn - #StarWars”，“#A.Skywalker - #isFatherOf - #L.Skywalker” 和 “#A.Skywalker - #is - #DarthVader”。然后，对这样的图结构数据的推理类似于评估先前未知的新的三元组语句——或者用符号图的语言来说就是：预测给定图中节点之间的新的链接——比如“#DarthVader - #isFatherOf - #L.Skywalker”和“#DarthVader - #appearsIn - #StarWars”，但是不是“#A.Skywalker -#isFatherOf - #M.Hamill”。

尽管多关系图具有很高的表达能力，但是它们的符号性质阻止了直接使用经典统计方法进行进一步的处理和评估。最近，已经引入了图嵌入算法通过将节点和边映射到向量空间同时保持某些图特性来解决这个问题。例如，人们可能想要保持节点的接近度，使得连接的节点或具有极大重叠的邻域的节点被映射到彼此接近的向量。然后，这些向量表示可以用在传统的机器学习方法中，以对看不见的语句进行预测，从而实现对主语、谓词和宾语的抽象推理。