基于知识图谱的高铁动车设备检测系统的本体框架构建与维护

摘 要： 为了解决高铁机车设备运行数据的独立采集与分析造成大量数据冗余以及数据结构不一致、多源异构数据不能融合等问题。探索高铁动车行业知识图谱的自动化构建过程以及本体和知识图谱之间映射匹配机制，采用本体建模语言OWL，对高速铁路列车设备检测系统的上位机进行本体建模。实践证明高铁动车设备检测系统中本体框架的智能化维护是保证系统能正常运行的关键，利用本体技术和知识图谱解决数据异构和数据冗余的问题以及对车辆检测设备平台进行智能化本体维护。

关键词： 高铁动车； 本体； 多源异构数据； 知识图谱； 设备检测系统； 智能化维护

中图分类号： TN911.23⁃34 文献标识码： A 文章编号： 1004⁃373X（2018）06⁃0011⁃04

Abstract： The operating data independent collection and analysis of high⁃speed train′s equipment have the problems of massive data redundancy and inconsistent data structure， and can′t fuse the multi⁃source heterogeneous data. The automatic construction process of the knowledge mapping of the high⁃speed rail industry and mapping matching mechanism between ontology and knowledge mapping are explored. The OWL is used to model the ontology of the host computer of the high⁃speed train′s equipment detection system. The practice results prove that the intelligent maintenance for ontology framework of high⁃speed train′s equipment detection system is the key to guarantee the normal operation of the system. The ontology technology and knowledge mapping can solve the problems of data heterogeneity and data redundancy， and perform the intelligent ontology maintenance for the vehicle′s equipment detection platform.

Keywords： high⁃speed train； ontology； multi⁃source heterogeneous data； knowledge mapping； equipment detection system； intelligent maintenance

0 引 言

高铁动车上的车载设备，比如牵引设备、制动设备等，是机车行驶控制的重要部件，对机车行驶安全、实时状况的检测具有关键作用。如何检测设备故障、实时监测列车运行状态以及在多源异构数据中实现智能化本体维护，是适应高铁动车信息化发展的关键[1]。目前，高铁动车上机车设备运行数据由各个单元检测系统独立地采集与分析，造成大量数据冗余和数据结构不一致，所以需要解决机车设备各个系统单元缺乏统一的系统应用平台这一关键制约，以解决机车运行中数据冗余和数据异构问题。随着本体技术和知识图谱的应用为解决数据异构和数据冗余问题提供了可能。

本体技术是指针对事物的本身给出构成相关领域词汇的关系和规则集合。而知识图谱是描述真实世界中存在的各种实体、关系、理论，以及相互之间的关系。国内外专家学者在异构数据融合和防止数据大量冗余进行了大量的有益探索，歐洲FP5⁃IST Project就采用本体技术构建异构数据标准化文档，实现数据共享，进而建立保护欧洲铁路系统的处理方法。

借鉴国内外铁路系统应用本体技术和知识图谱的经验，将机车各子系统，集成到统一的用户平台，该平台框架采用统一的设计模式、数据存储方式和接口通信协议，采用本体建模语言（OWL），构建一种基于知识图谱表示知识本体的高铁设备检测系统平台框架，对机车车载设备检测系统进行智能化本体框架构建与维护[2⁃3]。

1 本体技术和知识图谱

1.1 本体和知识图谱

本体，是指事物的本身。近年来，随着“共享”概念的广泛提及，本体概念也被“共享”了，比较认可的定义是斯坦福大学的Gruber提出来的，即“本体是共享概模型的形式化规范说明”[4⁃5]。

知识图谱是在语义Web数据源的数量激增、大量RDF数据被发布的大背景下，于2012年5月，由Google提出这一概念[6⁃7]。知识图谱是表示真实世界里存在的各种实体、关联、理论和相互之间的关系[8]。知识图谱可以分为通用知识图谱和行业知识图谱。

1.2 知识图谱与本体的关系[6]

知识图谱在本体的根本上进行展开及扩大，扩大关键表现在实体层面：本体里突出与强调的是概念及概念间的相关性，而知识图谱则在本体的根本上，添加了更多的有关实体的内在信息。模式是对知识的提炼，而且按照预先设定的形式有助于知识标准化，更方便查询等后续治理。本体其实是表示了知识图谱的数据形式，本质上是组建本体。本体是基于概念层次上面的体现，对知识进行抽象化表示，侧重概念和概念间的关联；而知识图谱以实体为重心，关注实体本身间的关联推理，对知识形象化的表示[9]。

2 高铁动车设备检测系统的本体模型架构

高铁动车在运行结束后，检测系统要采集各种行车参数，对机车整体运行状况进行检测，以确保列车行车安全。检测系统平台主要包括CCU（中央控制单元）、BCU（制动自动控制单元）、TCU（牵引控制单元）、ACU（辅助控制单元）等子系统。

目前列车各种检测系统主要采用分布式结构，各主要检测单元是独立采集数据、独立进行故障检测分析，所以需要多次重复采集数据，造成数据大量冗余。同时，因为各个检测系统之间对数据类型表示的不一致，从而无法有效地进行数据共享和列车运行状况的整体分析。为了解决这一问题，构建统一的检测系统平台，便于各个检测单元间数据共享，兼容之前各个子系统的软件功能，并考虑到未来新的软件功能设计添加，所以系统基本框架采用本体模型进行构建，利用模块化动态设计思想，通过智能化配置动态生成新的应用系统，以实现知识共享和多源异构数据融合[10]。系统的总体模型架构如图1所示。

系统框架从静态资源描述和动态运作机制两个方面进行本体建模，所以本体模型框架的描述有两个方面[11]：

1） 数据的静态本体模型以及系统框架中各个单元的数据的静态语义表达，实现不同应用之间的数据融合。

2） 对系统的数据协议处理过程建立动态语义模型，对知识的故障识别、匹配、执行等过程进行动态语义描述。

高铁设备检测系统的本体模型架构采用面向服务架构，并且该本体框架独立于各具体的单元应用，将检测系统分层建模，然后每层再定义相应的内容，从而对高铁设备检测系统进行丰富的层次化描述和层次化本体模型构建。其层次化本体框架如图2所示。

1） 数据服务层：统一数据访问接口，实现数据融合，提高框架的通用性。

2） 本体元素层：将系统内知识用本体元素进行描述，并接收来自数据服务层的数据。

3） 本体逻辑层：利用通用模块和专用模块的动态运行机制，推理出需要的知识本体。

4） 适配插件层：根据本体框架动态运行机制，将传上来的数据与各功能插件进行适配，然后将适配结果上传应用交互层。

5） 应用交互层：用户在该层对各类任务进行分类整合，对数据进行关联分析，对列车设备故障、运行状态进行整体分析。

高铁设备检测系统的本体构建是一个比较复杂的过程，需要理清各种应用单元实体间的层次关系、逻辑关系等，并且还要使计算机能够识别和进行推理。为了实现高铁设备检测系统的本体构建、计算机自动推理及后续本体框架智能化维护，利用各自本体的映射机制，对系统整体的本体框架进行抽象化的概念描述。

3 高铁动车设备检测系统的知识图谱构建

构建该检测系统的知识图谱，首先要确定清晰的本体与知识图谱映射匹配机制，然后形象化地构建该检测系统的知识图谱。本体实质上是将关系、实体等进行层次化的抽象表达。因为知识图谱相当于一张巨大的语义网，其中的概念层次关系可以用树来表示，实体关系可以继续用图来表示，概念节点作为树的节点，实体节点可以作为图的节点，相互间关联线表达。因此知识图谱和本体映射配合模式能当作树和树、树和图的映射。

检测系统的本体与知识图谱映射匹配机制如图3所示。

根据映射匹配机制进行高铁动车设备检测系统的知识图谱构建，图4为具体的构建过程。

因为要考虑车载设备中数据的多源异构、融合、关键信息快速抽取等问题，所以，该检测系统的知识图谱的构建过程是比较复杂的。需要自底向上，从底层数据库、全局本体数据库等进行整体的知识图谱构建。

4 系统平台本体框架的智能化维护检测

該高铁动车设备检测系统的知识图谱是以本体库为基础，在高铁动车设备检测系统的本体架构应用平台上构建的。所以，高铁动车设备检测系统中本体框架的智能化维护依然是保证系统能正常运行的关键，其中包括根类、子类以及实体的维护，类属性的管理等。

4.1 根类维护

高铁动车设备检测系统的根类分为两大类，包括模块和单元应用两块，也可根据实际情况定义通用模块和专用模块。主要功能包括编辑根类、删除根类等。具体如表1所示。

4.2 子类维护

子类维护与根类操作相同，只是从根类继承了根类的属性和属性默认值，对于具有相同操作的模块具有相同属性，同时子类也可以建立私有属性。高铁动车设备检测系统中应用模块需要特殊操作模块时，可在通用模块下建立子类模块，并建立私有属性。主要包括编辑子类、删除子类等，具体如表2所示。

4.3 实体维护

实体是将类实体化，类中定义有属性和关系，实体依据这些类属性和关系建立属性值和实体关系。实体维护的主要功能包括增加实体、删除实体等，具体如表3所示。

5 结 语

本文通过本体与知识图谱的联系与映射匹配机制，探索构建一种基于知识图谱的高铁动车设备检测系统的本体框架模型，在系统中引入一些新概念和新方法，解决多源异构数据快速融合问题，使列车故障诊断和处置率有效提高。并进一步探索本体框架、行业知识图谱在高铁动车领域的深入应用。需要指出的是，本体建模工具仍需不断完善，下一步应该是朝着自动化、智能化方向发展，进一步补充和完善已有的高铁列车设备的本体库，构建适合于高铁列车设备检测系统的领域本体和行业知识图谱，结合最新的人工智能技术，探索知识图谱的自动构建机制。

注：本文通讯作者为周法国。

参考文献

[1] 韩春华.基于GIS的铁路选线系统智能环境建模方法研究[D].成都：西南交通大学，2008.

HAN Chunhua. Research on intelligent environment modeling method of railway route selection system based on GIS [D]. Chengdu： Southwest Jiaotong University， 2008.

[2] YANG Lianbao， LI Ping. Ontology⁃based decision tree model for intelligent maintenance of high⁃speed railway onboard equipment [J]. Railway transport and economy， 2017， 39（2）： 55⁃59.

[3] 徐田华，杨连报，胡红利，等.高速铁路信号系统异构数据融合和智能维护决策[J].西安交通大学学报，2015，49（1）：72⁃78.

XU Tianhua， YANG Lianbao， HU Hongli， et al. Heterogeneous data fusion and intelligent maintenance decision for high speed railway signaling systems [J]. Journal of Xi’an Jiaotong University， 2015， 49（1）： 72⁃78.

[4] 丘威，张立臣.本体语言研究综述[J].情报杂志，2006（7）：61⁃64.

QIU Wei， ZHANG Lichen. Research on ontology language [J]. Journal of information， 2006（7）： 61⁃64.

[5] 王宇华，印桂生.基于本体的需求模型到UML模型转换方法[J].哈尔滨工程大学学报，2012，33（6）：735⁃740.

WANG Yuhua， YIN Guisheng. Automatically generating a UML model from a requirement model based on ontology [J]. Journal of Harbin Engineering University， 2012， 33（6）： 735⁃740.

[6] 张德政，谢永红，李曼，等.基于本体的中医知识图谱构建[J].情报工程，2017，3（1）：35⁃42.

ZHANG Dezheng， XIE Yonghong， LI Man， et al. Construction of knowledge graph of traditional Chinese medicine based on the ontology [J]. Technology intelligence engineering， 2017， 3（1）： 35?42.

[7] 刘峤，李杨，段宏，等.知识图谱构建技术综述[J].计算机研究与发展，2016，53（3）：582⁃600.

LIU Qiao， LI Yang， DUAN Hong， et al. Knowledge graph construction techniques [J]. Journal of computer research and development， 2016， 53（3）： 582⁃600.

[8] 吴运兵，阴爱英，林开标，等.基于多数据源的知识图谱构建方法研究[J].福州大学学报（自然科学版），2017，45（3）：329⁃335.

WU Yunbing， YIN Aiying， LIN Kaibiao， et al. Knowledge graph construction method based on multiple data sources [J]. Journal of Fuzhou University （Natural science edition）， 2017， 45（3）： 329⁃335.

[9] 胡芳槐.基于多种数据源的中文知识图谱构建方法研究[D].上海：华东理工大学，2015.

HU Fanghuai. Research on construction method of Chinese knowledge atlas based on multiple data sources [D]. Shanghai： East China University of Science and Technology， 2015.

[10] 陈圣青.基于本体的知识发现系统框架研究[D].南京：南京航空航天大学，2009.

CHEN Shengqing. Research on ontology based knowledge discovery system framework [D]. Nanjing： Nanjing University of Aeronautics & Astronautics， 2009.

[11] 韩春华，易思蓉，吕希奎.基于GIS的铁路选线智能环境及领域本体建模方法[J].中国铁道科学，2006，27（6）：84⁃88.

HAN Chunhua， YI Sirong， LÜ Xikui. GIS based railway location intelligent environment and domain ontology modeling method [J]. China railway science， 2006， 27（6）： 84⁃88.

推荐访问:本体 图谱 检测系统 框架 高铁