0 引言

工业4.0提出工业互联网的应用包括智能化、网络化协同生产以及个性化定制和服务延伸^[1]，推进工业从“制造”向“智造”转型，我国也提出了“中国制造2025”，以期向知识密集型产业转型，发展智能制造^[2]。在工业信息化的大背景下，研究者的主要工作是建立工业互联网的基础设施以及支持工业信息化建设的各类管理或业务模型^[3]，而构建工业知识库是开发工业互联网应用的重要环节。工业知识库需要有工业机理的描述。本文将复杂的工业机理描述进行抽象化、规范化，研究表达工业机理的本体模型，在本体层面对工业机理进行多角度的描述。

通过构建工业机理的本体对工业制造流程进行智能化改造是工业4.0场景中的典型应用，海尔COSMPlat^[4]、青岛酷特智能^[5]基于用户的个性化需求进行生产，库特智能^[6]实现了服装行业特定领域的个性化生产。建立工业制造流程中的数字孪生模型^[7]可以加强对制造过程的管理。对于行业内的静态信息进行本体建模可以构造行业内的知识问答专家系统^[8]。但上述应用的本体模型都是针对单个应用场景，存在着应用场景有限、难以扩展、能力描述单一等问题。

针对上述问题，为了对工业领域内的工业机理进行多角度的描述，拓展多场景应用，本文提出了一种能够层次化、多维度描述工业机理的本体模型。通过分层多视图的结构在三层工业机理本体模型中构建了与工业机理相关的抽象概念、概念实例以及实例能力等元素，使工业机理的描述更加完备，且在不同的领域内可以进行适应性改造与扩展。同时在三层模型之上，定义了模型的操作集以便运用在实际工业场景中。该模型提供了一种构建工业机理知识库的方法，有助于在大规模定制协同生产过程中快速设计产品原型，确定制造环节所需的材料和工艺，缩短研发投产周期，提高整个环节的效率。作为三层模型的应用案例，本文以三层模型为架构构建了以台式电脑组装为代表的家电领域的知识库，通过三层模型构造的领域知识库对工业机理进行合理化的表达，支持提供面向个体消费者以及企业用户的个性化定制服务。

1 相关工作

已有的个性化工业定制生产平台有海尔COSMPlat、库特智能C2M商业模式等。COSMPlat集成了系统集成商、独立软件供应商、解决方案提供商等生态伙伴，它收集用户通过智能终端输入的个性化需求，并在达到一定规模后，联动工厂启动研发与制造进行生产^[4]。库特智能通过C2M模式改造工厂，主要面向高端西服市场的个性化定制，通过线上线下渠道获取用户需求，自研3D激光量体仪，构建千万级版型数据库，结合生产端实现了“由订单驱动的个性化定制”的经营模式，解决了传统定制模式中人工量体费用高、生产周期长等痛点^[5]。

RDF、RDF-S和OWL是目前最具代表性的本体描述语言。它们都是基于XML的W3C语言栈的不同层次。RDF提供了一种描述资源的数据模型，由节点和边组成，节点表示资源或属性，边表示资源间的关系，使用Web标识符来标记资源，使用属性和属性值来描述资源^[9]。RDF表达能力有限，能够对具体事物进行描述而缺乏抽象能力，无法区分类和对象。RDF-S是用于描述RDF数据的模式语言，在RDF的基础上加入了约束资源的定义域和值域以扩展其抽象能力^[10]。OWL则进一步扩展了RDF-S，加入了额外的预定义词汇，提供更加完备的建模和推理能力, Chen等^[11]使用OWL进行语义网相关的研究，提出了新的本体嵌入方法。Li等^[12]对本体描述语言进行了比较分析，采用了一种评价标准，给出了基于Web的本体语言进行主要元素和推理机制的比较方法。OWL有三种子语言以适应不同的数据场景: OWL Lite适合描述具有简单约束的本体；OWL DL支持自动推理；OWL Full有强表达能力^[13]。OWL的最新版本为OWL2，是语义网的本体语言^[14]。

随着本体描述语言的快速发展，关联开放数据技术和专家系统逐渐兴起。关联数据的基本原理是强调数据之间的关联关系，关联数据在国防科研机构知识库中进行了应用，国防科研机构知识库中蕴含着大量具有丰富空间属性的科学概念和学术实体信息。关联数据的发展目标及其实践证明了关联数据能够有效解决当前国防科研机构知识库所面临的问题^[15]。专家系统发展有五个阶段：基于规则；基于框架；基于案例；基于模型和基于网络的专家系统，是知识库和推理机的结合^[16]。

2 元模型的定义

元模型是对现实世界或者源系统抽象的确切说明，它定义了一系列相关概念及概念间的关系并提供用于创建领域中特定模型元素的本体^[17]，元模型与本体论密切相关，也可以称为表示模型的语言^[18]。元对象机制(meta-object facility，MOF)出现之前，在软件工程领域，不同社区有着不同的元模型规范与元模型的建模语言，而在提出对象管理组织(object management group, OMG)之后，大多数都是使用MOF工具进行本体建模。本文也使用MOF进行元模型的定义，包括节点、关系和等级三种元素。元模型的结构如图 1所示。

在元模型中，节点是模型的基本组成元素，其本身仅包含类型和名称的基本信息，可以根据不同领域补充额外的扩展属性。模型中定义的节点共五种类型，分别位于模型的不同层次以及不同视图当中，节点之间通过可视关系与隐藏关系{r₁, r₂, …, r_n}∈Relation进行连接，节点之间的协调组合共同表达了差异化的工业机理。五种类型的节点是Abstraction、Instance、Goal、Operation、Condition，分别用于描述领域抽象概念、领域实例、领域能力、领域工艺目标和目标满足的条件。

关系是指节点之间的关联关系，分为可视关系与隐藏关系两种，节点间主要通过可视关系进行连接，部分节点间的关系是通过隐藏的关系达到互相组合关联的目的。隐藏关系通常需要结合等级图来完成功能。

等级指节点间的等级关系，例如偏序关系，通常存在于Instance类型的节点之间。在定制化流程中, 可以通过等级关系来定义同类实例间的差异性。

3 三层模型的定义

基于元模型，定义了三层工业机理本体模型框架：三层模型(abstraction-instance-capability，AIC), 即抽象概念层、概念实例层和能力层。AIC模型是本体建模的框架：抽象概念层描述从实际工业场景中抽象出的概念；概念实例层描述抽象概念包含的一个或多个实例；能力层描述概念和实例具备的能力。三个层次通过设定的关系进行衔接来完整地表述工业制造过程中所涉及的各环节与各要素所包含的工业机理。

抽象概念层是由工业制造具体领域内的抽象概念组成，抽象概念按照抽象层次逐步划分顶级抽象概念、次级抽象概念和抽象能力概念等。

概念实例层是由抽象概念层中的抽象概念对应的具体实例组成，包含顶级抽象概念的具体实例、次级抽象概念的具体实例和具体能力等。

能力层包含两部分：一部分从工艺目标的角度出发，分解成多个工艺子目标，工艺子目标的实现需要满足某个限制实例的具体条件，该指标映射在概念实例层以及等级图，是由某个实例特有的属性决定；另一部分包括概念实例自身具有的一些能力以及属性参数等。三层模型的变量说明如表 1所示。

AIC模型支持从模型的各个环节进行双向检索，以便满足不同工业场景以及工艺目标下的实际需求，三层模型的总体设计图如图 2所示。此外为了多角度描述工业机理以及进行特定场景下的高效响应与应用，本文基于AIC模型，定义了组成视图、能力视图和模式视图。

3.1 组成视图

组成视图是从工业产品的组成角度对模型进行划分。组成视图侧重于对AIC模型的抽象概念层和概念实例层的描述, 是AIC模型的基础视图，在抽象概念层和概念实例层，提取出表示组成关系的节点和关系，形成组成视图，组成视图仅表示各部件的组成关系。例如，在工业场景里，以电脑的组装过程为例，电脑是由固态硬盘、显卡等组件构成，而这些组件根据厂商、价格、型号会分成多个实例。这就是组成视图描述的特征，组成视图的构成如图 3所示。

3.2 能力视图

能力视图是从能力视角对工业机理进行针对性的描述。能力视图是AIC模型中的抽象能力元素和具体能力元素的集合，是对工业制造过程相关能力的描述。能力视图描述了领域抽象能力和具体能力，同时结合A₁所实现的工艺目标，综合反映了目标、能力、条件与具体实例的对应关系。

能力视图由概念的抽象能力、实例的具体能力和A₁的概念实例{I₁₁, I₁₂, …, I_1n}所具有的工艺目标、工艺子目标、实现工业目标要满足的条件所构成；{O₁，O₂，…，O_n}∈Operation表示操作符。这些能力节点以及节点间的关系共同构成了能力视图。图 4展示了能力视图的组成情况，实线表明头实体、尾实体中存在真实的关系，虚线表明层级之间的回溯，通过能力层中等级图描述的属性，检索实例层提供能力的实例节点。

3.3 模式视图

模式视图是AIC模型的子图，是从工艺目标的分解角度对模型进行划分。在个性化定制过程中，将用户需求转换为要实现的工艺目标是最重要的步骤，关乎个性化定制的效率，模式视图包含工艺目标及其分解转换过程，这些工艺目标包含总目标以及工艺子目标。模式视图是将总工艺目标按照工艺分解方式分解为多个可连接的工艺子目标，在工业场景中的逻辑判断操作对应这些分解过程，通过模式视图，可以将用户需求转换为工艺目标以及最终的实例限制条件，提供个性化定制的支持。模式视图结构如图 5所示。

4 操作集

为了支持模型在各工业领域内的可操作性，本节提出基于AIC模型的操作集, 与其他模型类似，AIC模型也具备增加、删除、修改、查询等基本操作，此外AIC模型的特点是分层多视图，所以它额外还具备视图操作。

4.1 基本操作

AIC模型作为描述工业机理的本体模型，应当支持工业制造中有关模型数据的增加、删除、修改、查询操作，与一般的数据库中的此类操作有所区别，AIC模型中的概念、实例、能力存在逻辑关联，因此在对模型中的数据进行操作时，需要考虑到不同数据间的关联性，下面以三层模型AIC为例简要介绍增加、删除、修改、查询操作的操作集定义，增加与删除操作相似，查询与修改操作相似，故基本操作以增加操作以及查询操作为例进行介绍。

增加操作旨在支持AIC模型中不同类型节点与关系的插入，对于抽象概念与概念实例的增加操作，即在关联的抽象概念节点A_i、概念实例节点I_i通过关系include以及has_instance连接，完成新节点的增加，增加过程中要保证概念与实例间的关联性以及完整性。如能力节点需要考虑其抽象能力概念以及拥有能力实例的概念实例，工艺目标节点需要考虑父子工艺目标与转换条件间的关联性。

修改操作的前提是查询操作，而在AIC模型上的查询操作，由于各个节点之间均通过关系进行逻辑上的关联，可以高效地进行正向搜索与反向搜索，如可以从顶级抽象概念A₁依次检索次级抽象概念A_i来完成实例查找范围的迅速缩小，也可以通过给定实例反查出其所属的抽象概念，实例包含概念实例以及能力实例，通过AIC模型将抽象概念、概念实例以及能力实例三个层次连结起来，可以进行高效清晰地检索，视图操作也是在查询操作的基础上建立的。

4.2 视图操作

AIC模型可划分成组成视图、能力视图和模式视图，也可以根据实际应用场景抽象出其他视图。组成视图是描述工业产品以及工业制造过程的组成情况，能力视图是描述工业制造流程中各个环节以及环节当中涉及的工业实例的能力情况，模式视图是对工艺目标、工艺目标分解过程和最终限制条件的规范表达。在视图中的操作以具有三级抽象概念的AIC模型为例进行说明，说明中“→”代表可视关系，“ $\Leftrightarrow $”代表隐藏关系，其余出现的概念均与AIC模型的定义一致。本节仅表述AIC模型中定义的视图操作的逻辑推理规则，具体实现需依赖AIC模型实现的实际载体。

4.2.1 组成视图的操作

组成视图中包含高级概念A₁和其实例{I₁₁, I₁₂, …, I_1n}、次级概念A₂和其实例{I₂₁, I₂₂, …, I_2n}、横向关系、纵向关系。组成视图的组成元素与操作流程如图 6所示。

基本操作不再赘述，在这里描述其推理规则。元素A₁、A₂、{I₁₁, I₁₂, …, I_1n}和{I₂₁, I₂₂, …, I_2n}形成一个闭环，从任何一个元素都能通过正向或者反向的方式检索到其他元素，即组成视图是可推理、可操作的。同时由于是单向连接，推理过程中不会形成无限循环，通过这样的推理规则可以对组成视图中的元素进行解构与检索，协助理解工业领域内流程的环节组成、产品的构成元素以及组成视图中涉及元素的高效检索。

4.2.2 能力视图的操作

能力视图中包含抽象能力A₃和其实例{I₃₁, I₃₂, …, I_3n}、工艺目标G、等级图Rank diagram、横向关系include、has_capability、纵向关系has_instance、include_goal。能力视图的组成元素与操作流程如图 7所示。

不包含等级图的能力视图与组成视图类似，单向连接组成闭环，而包含等级图的能力视图由于存储了能力的等级，会引入能力实例I₃与等级图Rank diagram中相关实例双向关联的关系，因而推理过程中会有无限循环的风险，故需要限制推理终止条件。能力视图由组成视图、各级概念实例及其所关联的能力概念实例组成，其中高级抽象概念A₁的实例代表领域内的高级抽象概念，其能力特征一般是粗粒度的整体性描述，在AIC模型中将其描述为工艺目标G。能力视图实现了各级概念实例与能力实例，包括工艺目标以及能力概念实例的关联，通过这样的关联性，能力视图可以实现在不同抽象概念深度下的能力特征检索，规范化的能力特征描述有助于实例在不同工业情境中的即时适配，反之，也可以实现不同粒度需求的即时性响应。

另外，模式视图是描述工艺目标G的规范形式。模式视图包含工艺目标G，工艺目标分解的工艺子目标G′，满足工艺需要的条件C，与这些条件相关联的等级图Rank diagram。内部是可操作的，在这里不展开详细叙述。

4.2.3 跨视图的操作

根据不同的需求场景，三层模型划分为组成视图、能力视图和模式视图。上述介绍了单视图的操作，本节将介绍跨视图的操作。三层模型的缩略图如图 8所示。

单个视图内部支持视图操作和知识推理，而组成视图和能力视图通过预先定义的关系进行组合，从而支持跨视图操作。加入了A₂和A₃之间的关系include；I₂和C′之间的关系has_capability。

5 案例

为了展示三层模型在工业场景中的应用，以电脑领域应用为例，详细叙述三层模型对于工业机理的描述以及在个性化定制生产中的应用。首先基于三层模型进行适应性改造与扩展来构建电脑领域的本体，再以本体模型为基础构建知识库，最后实现个性化定制应用。

5.1 构建知识库

三层工业机理模型包括抽象概念层、概念实例层、实例能力层以及不同视图。在台式电脑组装领域中抽象概念层确定为高级概念A₁(Computer)，次级概念A₂，包括固态硬盘、主板、电源、内存等电脑部件，以及各次级概念抽象能力A₃。抽象能力主要是依据各个部件的主要能力进行抽象，如中央处理器侧重表达运算能力；硬盘和内存侧重表达存储能力；电源侧重表达供电能力；散热器侧重表达散热能力；主板侧重表达组装等。概念实例层中，高级概念A₁对应的实例是电脑的组装方案，即组装清单。次级概念A₂的实例是9类部件的不同品牌的产品。抽象能力A₃的实例表示抽象能力的具体实例，例如不同存储容量的固态硬盘具备不同的存储能力，这些能力是存储能力A₃的实例，因为存储容量影响存储能力的强弱，存储容量取不同的值，即不同存储容量的存储能力不同，都是存储能力A₃的实例化。组装方案的工艺目标即目标方案可以满足用户需求的能力，各个元素间的关系与三层模型中的定义一致。

按照适应性改造后的本体模型以自动化或半自动化的方式利用原始数据，通过数据处理、知识抽取、实体消歧等过程进行知识库的构造^[19-20]。构建所有的数据存储在Neo4j图数据库以及MongoDB当中，构建的领域知识库包含11 716个实体和23 393个关系。

知识库可以用于校验整机组装方案的合理性，即将台式电脑组装方案经过知识库的分解转换后，对比知识库的分解结果与原组装方案的部件实例进行分析对比来验证知识库的有效性。以网上在售的整机方案作为参考数据，包括豪华发烧型、图形音像型、疯狂游戏型和经济实惠型四类配置。假设所有组装方案均为合理方案，经过知识库分解出其物料清单，根据方案的各个部件的信息，查询到知识库中相对应的节点，如果该方案下的所有节点间无冲突，且满足合理性评价指标在正常区间内，则视为一个合理的整机组装方案。对于整机方案的准确性检验如算法1所示。

算法1  整机方案准确性检验

输入：kg知识图谱，constraints约束集。

输出：solution是否通过检验。

Step 1  初始化整机方案；

Step 2  分析整机方案，获取该方案中的部件信息；

Step 3  通过部件信息中的参数，在kg中检索与之对应的节点信息；

Step 4  检测检索到的对应信息是否满足约束集中的所有约束，若不满足，返回false；

Step 5  重复步骤3、4，直到方案中所有部件均完成检测；

Step 6  若所有信息均满足约束，返回true。

在测试的240个组装方案中，有211个方案通过本知识库的检验, 最终检验结果如表 2所示，平均通过率87.92%，说明知识库对整机方案的分解验证效果良好, 且具有一定的合理性验证能力。

通过内存扩展能力以及电源负载率对每套方案的合理性验证结果如图 9所示。

选择统计学指标：均值、最小值、四分位数(第一四分位数、第二四分位数、第三四分位数)、最大值为方案的评价指标体系，内存扩展能力和电源负载率值如表 3所示。

综上，可以认为本知识库与行业内权威的组装方案吻合度及准确性比较高，知识库的有效性得以验证。

5.2 个性化定制应用

不同的用户有着不同的定制需求，家庭用户一般追求基本的办公影音需求与性价比，游戏玩家则趋向于极致的性能或外观，企业用户在性能与成本间作权衡以获取最大利润。知识库在B2B、B2C两方面均有着广阔的应用场景，定制应用的基本思路是通过知识库检索满足用户需求的定制方案，加以部件替换达到自己最终的需求方案。为了验证个性化定制应用的效果，在学生群体中进行定制测试的应用，针对其中的部件替换流程进行了详细分析，部件更换流程如算法2所示。

算法2  部件替换流程

输入：kg知识图谱, constraints约束集, instance部件实例。

输出：result推荐实例列表。

Step 1  检索kg中的instance所具备的能力，得到结果集合caps；

Step 2  通过能力约束caps在kg中检索满足条件的所有节点信息；

Step 3  检查节点信息是否满足约束集中的所有约束，若满足，则添加到结果列表result中，否则略过；

Step 4  重复步骤3直到所有节点检查完毕；

Step 5  若结果result为空，进入知识图检索异常处理流程，进行即时数据采集填充result；

Step 6  返回结果result。

根据上述流程，在学生群体内随机寻找50位同学进行部件替换服务的应用测试，收到了涵盖CPU、显卡两种实例的平级推荐以及升级推荐共计106份测试案例。应用过程类似于TOP-K系统，抽取的K值分别为5、10、15、20。收集到的样本中以计算精确度(Precision)、召回率(Recall)、综合得分(F1-score)、平均倒数排名(MRR)作为评价指标^[21]，实验结果如图 10所示。精确度描述了推荐实例中用户意愿之内的比例，召回率描述了推荐实例与标准结果的吻合度，平均倒数排名的指数越高，意味着用户选择的实例在推荐列表中的位次越靠前，即推荐列表与用户需求匹配度较高。

部件替换实际测试结果表明，不同的部件替换推荐服务的精确度发展趋势类似，在K值取15时上升趋缓，K值取20时，精确度涨幅较小，可以预测推荐列表的长度为10~15之间较为合适。召回率随着K值的增大而下降，意味着非目标实例数增长较快，也就是根据知识库构造的推荐系统在寻找大批量相似实例的能力欠佳，这一结果可能是由于知识库相关实例数收录较少，数据稀疏导致的。在等价替换显卡应用的结果中，K值取20时的召回率回升，一定程度上印证了这一观点。平均倒数排名的下降趋势平缓，在K值为5时，MRR值在0.08左右；K值为20时，MRR值在0.065左右，这样的结果表明基于知识库构造的推荐系统在部件替换应用方面较好地符合了用户需求。

6 总结与展望

三层工业机理本体模型采用分层多视图的方式描述本体的特征，解决了工业制造领域中本体建模过程对于描述能力欠缺以及应用场景受限的问题，提供了一种构建工业机理知识库的方法，有助于在大规模定制协同生产过程中快速设计产品原型，确定制造环节所需材料和工艺，缩短研发投产周期，提高整个环节的效率。AIC模型中的组成视图与传统工业领域的本体建模类似，能力视图描述了工业制造过程中各抽象概念和实例的自身能力、属性或可以满足的需求，模式视图描述了工艺目标的分解模式以及最终的实例限制条件。在AIC模型上，提出了系列操作构成模型的操作集以支持模型在具体工业领域内的实践。本文以台式电脑代表的家电组装领域为例，按照AIC模型框架适应性改造后构建了电脑领域的本体，在本体上构建台式电脑组装领域知识库，结合个性化定制的需求进行了针对个体用户以及团队用户的定制应用，验证了该模型的有效性。