基于知識圖譜的電子產品調試工藝路線推薦方法研究

摘" 要： 電子產品的調試步驟繁多，導致不同產品的調試工藝路線設計復雜，且工藝路線的確定本身具有極強的經驗性和復雜性。為實現電子產品調試工藝路線的快速、規范、便捷化設計，提出一種基于知識圖譜的電子產品調試工藝路線推薦方法。首先，通過分層規劃構建了電子產品模型和調試工藝路線模型，定義兩者之間的屬性關系，完成本體模型構建；然后，使用TranSparse模型獲取知識圖譜中的全部實體和關系，并進行低維向量表示，由此進行知識推理，得到定性的調試工藝路線，同時計算屬性之間的語義相似度，得到更準確的推薦模型；最后，以某一電子產品為實例，驗證所提方法的研究思路及相關算法的合理性和科學性，可應用在工藝知識殘缺的情況下，電子產品調試領域工藝路線的快速設計。

關鍵詞： 電子產品； 工藝路線； 知識圖譜； 本體構建； 低維向量； 語義相似度

中圖分類號： TN06?34； TP391.3" " " " " " " " " 文獻標識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2025）08?0013?06

Research on knowledge graph based debugging process route recommendation

method for electronic products

XIAO Wulong1， WANG Yanjun2， XIAO Yong2， ZHANG Shilong1， DAI Yinqiao1， ZHAI Yahui1， XIONG Ying1

（1. Southwest Jiaotong University， Chengdu 610031， China; 2. The No.10 Institute of CETC， Chengdu 610036， China）

Abstract： The debugging steps of electronic products are numerous， which leads to the complexity of debugging process route design for different products， and the determination of the process route itself is highly empirical and complex. In order to realize the fast， standardized， and convenient design of debugging process routes， a method of debugging process route recommendation based on knowledge graph for electronic products is proposed. The electronic product model and debugging process route model are constructed by means of hierarchical planning， and the attribute relationship between them is defined to complete the ontology model construction. The TranSparse model is used to obtain all the entities and relationships in the knowledge graph and perform low?dimensional vector representation， from which knowledge reasoning is performed to obtain qualitative debugging process routes， and the semantic similarity between attributes is calculated to obtain a more accurate recommendation model. Taking an electronic product as an example， the rationality and scientificity of the research ideas and related algorithms of the proposed method are verified. It can be applied to the rapid design of process routes in the field of electronic product debugging when process knowledge is incomplete.

Keywords： electronic product; process route; knowledge graph; ontology construction; low?dimensional vector; semantic similarity

0" 引" 言

電子產品工藝路線設計屬于調試工藝設計中最重要的環節之一。目前，調試工藝設計師在設計調試工藝路線之前，須消化諸多產品設計文件，包括產品規范、測試細則、調試說明等，從這些文件中提煉調試需求，如調試流程、測試項目、測試頻點等信息，再結合個人經驗設計調試工藝路線。在調試工藝路線設計過程中，采用文本編輯的方式進行，內容主要用文字形式進行描述，存在術語描述不一致問題，注重“給人看”[1?2]。電子產品調試工藝路線過程復雜，流程環節眾多，不同的電子產品的調試工藝路線各不相同，但又存在相同或類似的環節，以及面對一個新的電子產品，如何根據已有的工藝模板快速得到可借鑒的工藝路線方案，確定該產品的調試工藝路線。

針對以上問題，如何提高調試工藝的指導性，實現調試工藝路線快速、便捷、規范化設計[3?5]，并滿足調試工藝路線推薦的服務需求變得尤為重要。隨著人工智能快速發展，基于知識庫的推薦技術在許多領域得到很好的應用，本體模型目前已應用于對裝配工藝分類、屬性、條件等進行知識圖譜構建[6?8]；文獻[9]基于知識圖譜對工藝知識推薦方法進行研究，提高了生產系統工藝知識推薦的預測率；文獻[10]根據已有結合本體和規則推理的研究，提出一種基于SWRL的推理機制框架，該框架在OWL本體中引入了規則表示，彌補了OWL、DL在推理機制上的不足；文獻[11]基于描述邏輯將本體知識庫中的邏輯概念關系用語義網規則語言（Semantic Web Rule Language， SWRL）表示，將構建的本體和規則放入Pellet推理機中推理出新知識；文獻[12]提出一種將自動編碼器的網絡結構與基于知識圖譜的語義信息相結合的方法，以解決推薦算法中數據稀疏的問題；文獻[13?14]以用戶中心為理念，應用知識推送技術并設計工藝知識推送算法，實現工藝制定過程中相關知識的推送；文獻[15]提出一種集成加工車間隱式知識的知識圖譜決策框架；文獻[16]考慮到關系的多語義性以及不同實體與關系之間的確定性，提出一種面向多語義關系的知識圖譜表示方法——TransC；文獻[17]結合大數據處理方法，搭建了一個基于知識圖譜的智能決策平臺；文獻[18]為解決推薦模型面對長文本推薦任務存在的推薦信息獲取不準確的問題，提出一種基于知識表示增強的類案推薦模型。

目前的研究未見對電子產品調試工藝路線推薦方法進行研究，且現有基于知識圖譜的推薦方法對電子產品不適用。本文對電子產品模型以及調試工藝路線模型進行構建，定義兩者之間的屬性關系，完成本體模型構建；使用TranSparse模型來獲取知識圖譜中的全部實體和關系并進行低維向量表示，計算各屬性之間的相似度，加權融合后得到更準確的推薦模型。實驗結果表明，所提推薦方法能減少調試工藝設計人員時間，提高調試工藝設計效率，可以在工藝知識殘缺的情況下實現調試工藝路線的快速生成，最終使調試工藝路線設計達到標準化、規范化、快速化。

1" 模型構建

1.1" 本體構建方法

本體構建方法有IDEF5法、骨架法、TOVE法、METHONTOLOGY法、SENSUS法、七步法、循環獲取法和五部循環法等[19]。其中，七步法是由斯坦福大學開發的主要用于領域本體構建的方法[20]，該方法較為成熟，被廣泛應用于本體構建，但缺少檢查評估以及用戶反饋的環節，導致無法評估本體模型構建是否合理，是否滿足應用需求。本文使用改進的七步法進行本體構建，在其中添加評價指標，使得調試工藝路線本體的構建更加合理。定義本體評價指標為產品豐富度、工藝豐富度、關系豐富度、屬性豐富度[21]，如表1所示。

根據評價指標對所構建的本體進行評價，產品豐富度、工藝豐富度、關系豐富度和屬性豐富度計算結果分別為0.87、0.92、0.90和0.12。結果顯示：前三者豐富度較高，說明本體關系多樣性得到較好的應用；屬性豐富度較低，說明本體豐富度整體較為合理，本體模型構建較為完整。本文將上述本體評價指標融入改進的七步法中，使用Protégé進行本體構建，并使用OWL（Ontology Web Language）本體描述語言進行程序化表示，具體流程如圖1所示。

1.2" 產品本體構建

產品模型是用于定義和描述被調試產品有關調試信息的模型，為調試工藝程序設計提供標準文件。依據行業標準SJ/T 11144—1997《電子產品分類與代碼》修訂版以及相關產業產品標準，定義產品模型的類為產品類型、接口信息、產品狀態控制方式和調試指標參數。其中：產品類型又分為子類整機型和模塊型；接口信息又分為子類接口信號類型和接口信號方向。產品本體模型可視化圖如圖2所示。

1.3" 調試工藝路線本體構建

調試工藝路線是指電子產品在調試過程中所需調試工序，經過安全性和成本等測算后組合而成的工藝路線。調試工藝路線的構建是電子產品實現標準化、規范化和快捷生產的重要步驟之一。依據行業標準文件QJ 3155—2002和相關產業產品生產方法，將調試工藝路線按工藝順序分為調試準備、供電檢查、恒定濕熱調試、高低溫調試、應力試驗和電老煉六大類。每一類分別包含了該工序的一般調試工步以及相關參數指標。例如，恒定濕熱調試包含了接口單元調試、音頻單元調試和信號單元調試等調試工步，以及調試溫度、相對濕度和溫度容差等參數指標。調試工藝路線本體模型可視化圖如圖3所示。

1.4" 本體實例可視化

屬性是對象具有的特征或者參數，分為數據屬性和對象屬性兩類。數據屬性用來表示類與具體數值類型的關系，對象屬性用來表示類與類之間的關系。Protégé軟件中使用owl：topObjectProperty對OWL對象屬性進行定義，使用owl：topDataProperty對OWL數據屬性進行定義。根據所設計的產品本體模型和調試工藝路線本體模型以及它們的層次結構，產品模型與調試工藝路線間的關系包括產品所含工序工步、工藝路線的工序順序、產品類型與工藝路線的關系等。根據這些關系，定義了以下屬性：產品所含工序（has_route）、產品所含工步（has_steps）、下一個工序（next_process）、上一個工序（front_process）、產品類型與工藝路線關系（relative_to）等，并且在建模過程中除了對類和屬性進行定義外，還需要對類和屬性進行約束。

OWL可以對屬性的傳遞性（transitive）、對稱性（symmetric）、函數性（functional）等特性進行定義。通過對屬性進行定義和約束，并為各類添加實例，完成本體實例可視化，得到的調試工藝路線知識譜圖（部分）如圖4所示。

2" 調試工藝路線推薦

本文電子產品調試工藝路線推薦流程如圖5所示。首先使用OWL構建產品本體模型及調試工藝路線本體模型，并實例化將其作為知識庫，通過知識圖譜嵌入將三元組轉化為低維向量；然后對不同的屬性設置權重，得到相似度計算方法，建立全局相似度計算方法；最終通過輸入產品特征參數得到工藝路線推薦結果。

2.1" 知識圖譜嵌入

知識圖譜嵌入使用分布式表示的思想，將目標表示為密集的、實值的和低維的向量，同時在向量中保留知識圖譜中的結構與語義信息，可以彌補傳統知識圖譜向量表示的不足。知識圖譜嵌入模型中，基于翻譯的模型應用最為廣泛，其中包括TransE、TransH、TransR等[22]。

知識圖譜由知識三元體組成，包括頭實體[h]、關系[r]、尾實體[t]，對于每一個三元組可表示為[（h，r，t）]形式。知識圖譜嵌入是將知識圖譜中的實體與關系投影到一個低維連續向量空間內，進而可以快速計算實體之間的語義相似度。翻譯模型旨在通過將關系表示為頭實體到尾實體的翻譯來學習嵌入。針對知識中存在關系鏈接實體的數量不一致的問題，本文選取TranSparse（share）模型進行知識圖譜嵌入[23]。該方法會為每個關系構建一個稀疏投影矩陣[Mr（θr）]和一個平移向量[r]，表示由關系鏈接的實體對數量，[Nr*]表示最大數量（關系[r*]鏈接的實體對數量最多），并為矩陣[Mr*]設置最小稀疏度[θmin（0≤θmin≤1）]，那么矩陣的稀疏度定義為：

式中：[Nr]指關系[r]鏈接的實體對的數量，如果數量越多，則投影矩陣的稀疏度越小，矩陣越密集（即非0元素個數越多）；[Nr*]表示鏈接實體對數最多的值。

頭尾實體會共享稀疏矩陣[Mr（θr）]，評分函數為：

式中[fr（h，t）]表示[hp+r]與[tp]之間的差別。

2.2" 相似度計算

針對不同產品選取最具代表性的屬性進行表示，屬性又可分為文本型屬性、數值型屬性和符號型屬性三種類型。共選取了11個屬性，其中：文本型屬性有產品類型；數值型屬性有信號范圍、加電電流、加電時間、檢測頻率、檢測時間和調試帶寬；符號型屬性有接口信號類型、接口信號方向、產品狀態控制方式和工藝參數。

考慮到產品不同屬性具有不同作用和不同程度的影響，需要對屬性賦予權重。采用粗糙集理論進行屬性權重的計算，依據屬性的重要度對特征屬性進行權重賦值，去除不發揮作用的屬性，能夠提高結果的合理性，提升分析精度。對于文本類型屬性，其相似度無法直接被計算機度量，而基于矢量運算得到的知識圖譜實體向量能夠反映實體間的相似性。使用經知識圖譜嵌入后獲取的各調試工藝路線的分布式低維向量作為各屬性的數值化表示，利用歐氏距離計算相似度，如式（3）所示。[Sim（i，j）=1-Ii-Ij22Ii-Ij22+1] （3）

式中：[Ii]和[Ij]分別代表推薦屬性向量和其他屬性向量。

對于數值類型屬性，采用基于海明距離的相似度計算方法，如式（4）所示。

式中：[max（i）]、[min（i）]分別代表該屬性[i]可取的最大值和最小值。對于符號類型屬性，當其屬性相同時，定義相似度為1，屬性值不同時，定義相似度為0，公式如下：

式中：[Xi0]與[Xij]分別代表第i個屬性的值。將不同屬性的相似度通過加權后進行融合，即得到全局相似度：

式中：[ωi]為第[i]個屬性的權重；[Sim（X0，Xj）]為全局相似度。

3" 實例驗證

以某一電子產品為例，將此電子產品的屬性與知識庫中的屬性進行相似度匹配，對本文所提方法進行驗證。對于該電子產品，其文本類型屬性值為導航類，數值類型屬性值分別為0.2 A、1工時、6 kHz、1工時、23 ℃、60%和0.1 MPa，符號類型屬性值為射頻信號、輸入和離散線。以下為本體推理中部分實例展示。輸入文本類型屬性值為導航類產品，推理得到與其相關的產品，且展示了相互之間的關系和實例，如圖6所示。

輸入數值類型屬性工時，推理得到相關工時值為0.5工時和1工時，且展示了與工時相關的產品名稱，如圖7所示。輸入符號類型屬性值接口信號方向，推理得到相關值輸入、輸出和輸入/輸出，且展示了各值關系，如圖8所示。其余部分值推理與上述類似，得到相關屬性后，進行相似度計算。應用粗糙集理論，通過屬性重要度計算出各屬性的權重值，權重值計算公式如下：

計算出權重后，將各屬性值與知識庫中的屬性值進行相似度匹配，表2為案例屬性值與知識庫中屬性值數據。

根據公式計算出各屬性的相似度，進行加權計算，得到全局相似度，計算結果如下：

結果顯示，根據本文提供方法，推薦了一條相似度較高的電子產品調試工藝路線，可以根據該調試工藝路線進行調整，得到該電子產品推薦工藝路線，見表3。

4" 結" 語

本文應用改進的七步法建立一個電子產品調試工藝的本體模型。從調試工藝路線出發，將不同電子產品的調試步驟轉化為電子產品調試工藝本體知識庫中結構化的知識，使用TranSparse模型獲取知識圖譜的全部實體和關系，并進行低維向量表示，計算各屬性之間的相似度，加權融合后得到推薦模型，進行各類電子產品調試路線的可視化推理，從而降低調試過程的成本，提高工藝執行的效率。本文所提方法是本體技術在電子產品調試領域中一次有意義的探索。

注：本文通訊作者為熊鷹。

參考文獻

[1] 周陽明.基于Python語言的自動測試系統通用軟件平臺實現[J].電子設計工程，2019，27（5）：81?85.

[2] 任俊杰，李媛.基于PLC和串口通信的壓力儀表自動調試系統設計[J].制造業自動化，2022，44（10）：88?91.

[3] 魏良，王娜，任慶武，等.軌道交通車輛的工藝流程標準化[J].城市軌道交通研究，2020，23（5）：167?170.

[4] 柏占偉，胡韶華，范奇恒，等.航天產品數字化工藝快速編制方法及其應用[J].科學技術與工程，2016，16（33）：232?238.

[5] 李亞杰，何衛平，陳金亮，等.可重構流程模型驅動和組件化的MES流程進化[J].計算機集成制造系統，2013，19（4）：735?744.

[6] 崔祥友，唐敦兵，朱海華，等.基于本體與SWRL的工藝知識表示與語義推理[J].機械制造與自動化，2017，46（3）：6?10.

[7] 喬立紅，朱怡心，ANWER Nabil.幾何增強的裝配工藝本體建模[J].機械工程學報，2015，51（22）：202?212.

[8] 呂盛坪，喬立紅，劉威.制造過程數據形式化語義建模[J].機械工程學報，2012，48（10）：184?191.

[9] 楊偉凱，王艷，紀志成.面向知識圖譜的智能生產系統工藝知識推理方法[J].系統仿真學報，2023，35（4）：773?785.

[10] 陳布偉，李冠宇，張俊，等.基于語義網規則語言的推理機制框架設計[J].計算機工程與設計，2010，31（4）：847?849.

[11] 徐順航，楊長春，徐筱，等.面向智慧旅游的文物領域本體構建及推理[J].計算機工程與設計，2020，41（8）：2321?2326.

[12] 陳濤，劉學軍，張伯君.融合知識圖譜語義信息的推薦方法[J].計算機工程與設計，2020，41（11）：3047?3052.

[13] 王涌泉.基于三維CAPP系統的工藝數據應用的研究[D].濟南：山東大學，2019.

[14] ZHOU B， BAO J S， LI J， et al. A novel knowledge graph?based optimization approach for resource allocation in discrete manufacturing workshops [J]. Robotics and computer?integrated manufacturing， 2021， 71（3）： 102160?102179.

[15] TAI J J， LI H T， DU Y F， et al. A knowledge?based automated design system for mechanical products based on a general knowledge framework [J]. Expert systems with applications， 2021： 178： 114960?114971.

[16] 周航，劉學軍，張伯君.面向多語義關系的知識圖譜表示學習方法[J].計算機工程與設計，2021，42（1）：220?225.

[17] 王姝婷，劉曉冰，周軍華，等.基于本體的復雜產品維修工程案例知識表示及重用方法[J].系統工程與電子技術，2022，44（2）：557?568.

[18] 惠欣恒，白雄文，王紅艷，等.基于知識表示增強的類案推薦模型[J].計算機工程與設計，2023，44（8）：2399?2407.

[19] 張旭，朱勤東.環保領域本體的構建研究[J].微型機與應用，2015，34（10）：92?95.

[20] 張文君，姚遠，吳鏑，等.面向服務的RP領域本體構建方法研究[J].計算機工程與設計，2010，31（17）：3899?3902.

[21] 劉宇松.本體構建方法和開發工具研究[J].現代情報，2009，29（9）：17?24.

[22] 趙曄輝，柳林，王海龍，等.知識圖譜推薦系統研究綜述[J].計算機科學與探索，2023，17（4）：771?791.

[23] 徐有為，張宏軍，程愷，等.知識圖譜嵌入研究綜述[J].計算機工程與應用，2022，58（9）：30?50.

作者簡介：肖武龍（2000—），男，四川眉山人，碩士研究生，主要研究方向為機器學習。

王燕君（1974—），女，山西人，碩士研究生，高級工程師，研究方向為調試技術、射頻通信。

肖" 勇（1987—），男，四川宜賓人，工程師，主要從事產品自動測試技術的研究與應用。

張世龍（2000—），男，河北滄州人，碩士研究生，研究方向為機器學習。

代尹翹（2000—），男，湖北宜昌人，碩士研究生，研究方向為機器學習。

翟雅徽（2000—），男，四川眉山人，碩士研究生，研究方向為機器學習。

熊" 鷹（1974—），男，湖北武漢人，碩士研究生，講師，研究方向為計算機視覺、機器學習。

收稿日期：2024?06?17" " " " " "修回日期：2024?08?07

基金項目：四川省重大科技專項項目（2022ZDZX0007）