Grafo de Conhecimento de Ponte Rolante e Raciocínio Semântico

O diagnóstico de falhas em pontes rolantes tem dependido, durante muito tempo, da experiência individual dos engenheiros de manutenção. Ao longo do ciclo de vida de uma ponte rolante, de 15 a 20 anos entre a instalação e o desmantelamento, são geradas centenas de ordens de manutenção e registos de falhas — no entanto, estes dados estruturados ou semiestruturados, dispersos por diferentes sistemas (ERP, CMMS, Excel), não constituem um ativo de conhecimento reutilizável. A tecnologia de Grafo de Conhecimento, através do reconhecimento de entidades (NER), extração de relações (RE) e armazenamento em grafo (Neo4j), converte esta informação fragmentada numa rede de associações semânticas entre equipamento-falha-causa-medida-peça de reposição. Este artigo, baseado na construção da base de conhecimento de falhas interna do Grupo Kelude, apresenta integralmente a implementação de engenharia, desde a aquisição de dados até à consulta e raciocínio sobre o grafo. A solução técnica a seguir referenciada baseia-se na documentação oficial do Neo4j (Neo4j Graph Data Science Manual v5.x, 2024), no kit de ferramentas de processamento de linguagem natural HanLP (versão 2.1, 2023) e na experiência de implementação real do projeto da base de conhecimento de falhas da Kelude (código do projeto KL-KG-2024-001).

Fontes de Dados e Entidades no Grafo de Conhecimento de Falhas

Os dados para o grafo de conhecimento de falhas de pontes rolantes provêm de quatro dimensões: ①Registo do equipamento (modelo/capacidade de carga/vão/altura de elevação/classe de funcionamento/número de série/data de entrada em operação); ②Ordens de falha (data da falha/número do equipamento/sintoma da falha/código de falha/processo de diagnóstico/medidas de reparação/peças de reposição substituídas/técnico de manutenção/tempo de paragem); ③Dados de sensores (valor eficaz de vibração/temperatura/corrente/histórico de ocorrências de sobrecarga); ④Normas do setor (cláusulas de julgamento de falhas relevantes nas normas ISO 4301 / TSG 51 — Regulamento Técnico de Segurança de Equipamentos Especiais / FEM 1.001). Após a extração de relações entre entidades, são definidos 6 tipos de entidades e 9 tipos de relações:

Extração de Relações Semânticas — Implementação com BiLSTM+CRF

A extração de conhecimento é a etapa mais crítica na construção do grafo. O sistema utiliza o modelo de sequência BiLSTM+CRF (rede de memória de longo prazo bidirecional + campo aleatório condicional), com o HanLP 2.1 como pipeline de pré-processamento (segmentação, etiquetagem morfossintática e análise de dependências), treinado em 2.400 textos de falhas de pontes rolantes anotados manualmente. O esquema de anotação adota o formato BIOES (Begin/Inside/Outside/End/Single), com 6 tipos de entidades × BIOES = 30 etiquetas de anotação.

Armazenamento em Grafo Neo4j e Consultas Cypher

Os tripletos extraídos (entidade-cabeça – relação – entidade-cauda) são armazenados na base de dados de grafos Neo4j Enterprise 5.x. O modelo adotado é o Labeled Property Graph, com um rótulo (label) por nó, e relações com tipo (type) e direção (direction). Dimensão dos dados: ≥58.000 nós e ≥126.000 relações (até junho de 2026).

Exemplo típico de consulta Cypher:

// ConsultaQD32t-023Todos os históricos de falhas da ponte rolante e as medidas de manutenção correspondentes MATCH (c:Crane {id: 'QD32t-023'})-[r1:has_fault]->(f:Fault) OPTIONAL MATCH (f)-[r2:resolved_by]->(a:Action) OPTIONAL MATCH (a)-[r3:uses_part]->(p:Part) RETURN f.name AS sintoma de falha, a.name AS Todos os históricos de falhas da ponte rolante e as medidas de manutenção correspondentes, p.name AS Substituição de peças de reposição ORDER BY f.severity DESC

// Raciocínio de falhas baseado em caminho de grafo：Uma ponte rolante apresenta"Escorregamento da carga na elevação"，Direções de diagnóstico recomendadas e peças de reposição MATCH path = (f:Fault {name: 'Escorregamento da carga na elevação'})-[*1..2]-(n) WHERE ANY(label IN labels(n) WHERE n:Action OR n:Part OR n:Cause) RETURN path LIMIT 30

// Busca de falhas similares（Baseado em causas comuns+das medidasJaccardSimilaridade） MATCH (f1:Fault {name: 'Ruído anormal do freio'})-[r1]->(n) MATCH (f2:Fault)-[r2]->(n) WHERE f2 <> f1 WITH f2, COUNT(DISTINCT n) AS common, COLLECT(DISTINCT n.name) AS shared_nodes ORDER BY common DESC LIMIT 5 RETURN f2.name, common, shared_nodes

Raciocínio Semântico e Perguntas & Respostas Inteligentes

O valor do grafo de conhecimento reside no raciocínio (Reasoning). O sistema suporta três modos de raciocínio:

①Raciocínio por regras — baseado numa árvore de decisão de Diagnóstico de Falhas predefinida (conjunto de regras IF-THEN, elaborado por 3 engenheiros seniores de Manutenção de pontes rolantes, cobrindo 8 tipos de equipamento × 243 falhas × 480+ causas, com um total de 1.520 regras), implementado através de travessia de grafo Cypher para diagnóstico automático;

②Raciocínio por ordenação de caminhos — dado um nó de falha, através de random walk (Personalized PageRank, 20 iterações, probabilidade de reinício 0,15), as soluções de manutenção candidatas são ordenadas, com uma precisão de 86,4% no Top-3 (conjunto de validação N=500);

③Perguntas & Respostas semânticas — conversão NL2Cypher baseada em modelos (transformação de consultas em linguagem natural para Cypher), suportando 12 modelos de perguntas (ex.: ”Que falhas ocorreram na ponte rolante XX” MATCH(c:Crane)…).

Solução Tradicional vs. Grafo de Conhecimento: Comparação

Perguntas Frequentes