基于网络的思想，是一种有向图结构的语义知识库

一方面，产品在其生命周期的各个阶段都会产生海量的工业数据和知识； 另一方面，工业数据和知识是制造领域信息化进程的重要资源，它们蕴藏着大量有用的模式。

然而，目前制造领域产品设计、制造、装配、服务等全生命周期过程中的数据和知识的存储大多基于传统的关系型数据库，冗余度高、分布分散、关联性弱、储量相对较少。 ，强调数据和知识的检索，而较少从语义层面对数据和知识的关联、认知、理解和推理进行研究。

因此，如何从冗余数据和知识文本中提取有用信息，如何有效表达数据与知识之间的内在相关性，如何有效利用数据与知识的相关性实现高效的信息检索信息推理是核心瓶颈之一实现当前智能制造的目标。

知识图谱（graph，KG）源自谷歌下一代智能语义搜索引擎技术。 它本质上是基于语义网络的思想，是一个具有有向图结构的语义知识库。 它用于以符号形式描述物理世界中的概念及其关系。 其应用服务架构如下图所示。

知识图谱具有以下三个特点：

①数据和知识的存储结构是有向图结构。 有向图结构让知识图谱能够有效存储数据与知识之间的关联；

② 具备高效的数据和知识检索能力。 知识图谱可以通过图匹配算法实现高效的数据和知识访问；

③ 具有智能数据和知识推理能力。 知识图谱可以从现有知识中多角度自动智能地发现和推理隐性知识。

目前，知识图谱技术已经在搜索引擎、智能问答等互联网领域发挥了重要作用，并且在金融、电商、医疗等多个领域也得到了初步应用。许多国际知名公司也开始探索知识图谱的应用，如谷歌、微软、IBM、苹果等。

与此同时，在智能制造领域，西门子在2018年提出了他们在知识图谱领域的计划； 博世在2019年构建了底盘系统控制相关数据的大知识图谱，提供有效的数据访问。

但国内机械行业对知识图谱的探索还存在一些不足。 在研究过程以及与多家机械相关企业的交流过程中，发现目前知识图谱在智能制造领域的应用流程还存在以下不足。

(1)对知识图谱理论缺乏深入理解。 目前，与知识图谱相关的理论和技术正在迅速发展，但大多数智能制造领域的专家缺乏对该技术的深入了解，无法有效管理和应用知识图谱中的数据和知识。

（2）知识图谱相关技术在智能制造领域的优势尚不明显。 目前，知识图谱在智能制造领域的应用正处于起步阶段。 产品设计、制造、装配、服务等流程带来的优势还不是很明显，知识图谱在智能制造领域应用可能遇到的问题也还不清楚。 不清楚。

（3）知识图谱相关技术在智能制造领域的应用场景模糊。 目前，企业对知识图谱在智能制造领域的应用前景心存疑虑，不确定知识图谱技术在产品设计、制造、装配和服务过程中的切入点和方法。

（4）知识图谱在智能制造领域的实现所需的技术尚不明确。 目前，知识图谱在一般领域的研究角度非常广泛，但对于智能制造领域的各种应用场景，需要用到知识图谱的相关技术类别还不是很明确。

（五）智能制造领域缺乏相关数据。 目前基于深度学习的知识图谱相关技术需要构建一定量的标记数据集。 目前，通用领域相关数据集较多，但智能制造领域缺乏相关数据。

针对以上问题，在下一篇文章中，我们将从应用出发，探讨知识图谱在智能制造领域的三大应用方向。 应用前景总共有15个小类，并分析每个应用前景与传统方法的差异。 应用过程中所需的知识图谱技术以及实施过程中需要突破的关键技术，为知识图谱在智能制造领域后续的进一步落地提供理论支撑和方法参考。

本文摘自《机械工程学报》2021年3月原标题：知识图谱在智能制造领域的研究现状及应用前景综述