2.5.4 制造业多价值链协同数据空间知识发掘方法

数据挖掘技术 ^[35] 通过快速获取、分析、处理海量的制造业流程数据和多样化的生产数据，从中提取有价值的信息，是帮助制造企业制定生产、管理决策的辅助手段。它针对不同关键生产指标，通过采用数据分析的方法，如描述统计分析、机器学习、关联规则挖掘 ^[36] 、运筹与优化、专家知识库与专家系统、概率推理、分类与聚类 ^[37] 等，有效实现设备运行监控与性能对比分析、企业生产流程的优化、设备故障诊断与健康管理等问题，助力工业企业实现包括生产设备、制造流程以及各种生产管理指标的实时监控、预警报警和优化改进。

在制造业多价值链协同数据空间中，数据具有更为明显的复杂性和冗余性，对于知识服务的要求也更高。为满足多价值链协同知识发掘需求，本书提出从知识提取、知识融合、知识推理演化及知识图谱构建四个方面展开体系化的应用。面向多价值链协同数据知识提取，首先要统一多价值链协同异构数据的模型标准和描述规范，进而基于有监督方法、无监督方法和半监督方法，应用复杂数据信息抽取的鲁棒语义模型，以解决复杂知识的垂直孤岛和价值密度稀疏的问题，实现自动化语义化数据治理和知识获取。面向多源、多模态的知识融合，主要应用深度学习、表征学习、Bert技术和自然语言处理等技术，实现跨模态、跨层次和跨域的内外知识融合；依据知识粒度和语义的对齐方法，提出多源异构知识融合机制，以解决实体、属性、关系、概念描述的不一致问题；同时应用多模态知识协同表征学习模型，实现多模态知识在特征层和语义层的融合，为知识的扩展、互补、更新和纠正提供解决方案。面向多源知识推理，可通过深度学习和智能算法的多角度知识推理方法，挖掘深层知识网络拓扑信息，同时基于知识融合技术，从数据层和应用层实现知识的动态生成和演化。最后，基于概率评估、模糊评估和图模型等方法，形成包括知识综合评估策略，形成高质量结构化、网络化的全维语义知识体系，并根据本体化知识表达框架，采用自上而下的方式构建多价值链协同活动全过程知识图谱，为复杂知识可视化智能交互和个性化智慧服务奠定基础。多价值链协同知识发掘方法如图2-14所示。