Построение графа знаний о подвесных кранах и технологии семантического вывода — извлечение отношений между сущностями в базе знаний о неисправностях и практический опыт использования графовой базы данных Neo4j

天车（桥式起重机）的故障诊断长期依赖维修工程师的个人经验。一台天车从安装到退役的15~20年生命周期中，会产生数百份维修工单和故障记录——但这些分散在不同系统（ERP、CMMS、Excel）中的结构化/半结构化数据，没有形成可复用的知识资产。知识图谱（Knowledge Graph）技术通过实体识别（NER）、关系抽取（RE）和图存储（Neo4j），将这些碎片化信息转化为设备-故障-原因-措施-备件之间的语义关联网络。本文以克鲁德重工集团内部故障知识库建设为背景，完整介绍从数据采集到图查询推理的工程实现方案。以下技术方案参照Neo4j官方文档（Neo4j Graph Data Science Manual v5.x, 2024）、HanLP自然语言处理工具包（2.1版，2023）及克鲁德重工内部故障知识库项目（项目编号KL-KG-2024-001）的实际部署经验。

天车故障知识图谱——数据来源与实体体系

天车故障知识图谱的数据来自四个维度：①设备档案（型号/吨位/跨度/起升高度/工作级别/出厂编号/投产日期）；②故障工单（故障时间/设备编号/故障现象/故障代码/排查过程/维修措施/更换备件/维修人员/停机时长）；③传感器数据（振动有效值/温度/电流/超载次数历史记录）；④行业标准（GB/T 3811/TSG 51/GB/T 14405等标准中相关故障判定条款）。经过实体关系抽取后，共定义6种实体类型和9种关系类型：

实体关系抽取——BiLSTM+CRF工程实现

知识抽取是图构建中最关键的环节。系统采用BiLSTM+CRF（双向长短期记忆网络+条件随机场）序列标注模型，以HanLP 2.1为预处理管道（分词+词性标注+依存句法分析），在2,400条人工标注的天车故障文本上训练。标注方案采用BIOES（Begin/Inside/Outside/End/Single），实体标签6类×BIOES=30个标注标签。

Neo4j图数据库存储与Cypher查询

抽取后的三元组（头实体-关系-尾实体）存入Neo4j Enterprise 5.x图数据库。采用Labeled Property Graph（标签属性图）模型，每个节点一个标签（label），关系有类型（type）和方向（direction）。数据规模：节点数≥58,000个，关系数≥126,000条（截至2026年6月）。

典型Cypher查询示例：

// 查询QD32t-023天车所有历史故障及对应的维修措施
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 故障现象, a.name AS 维修措施, p.name AS 更换备件
ORDER BY f.severity DESC

// 基于图路径的故障推理：某天车出现"起升溜钩"，推荐排查方向和备件
MATCH path = (f:Fault {name: '起升溜钩'})-[*1..2]-(n)
WHERE ANY(label IN labels(n) WHERE n:Action OR n:Part OR n:Cause)
RETURN path LIMIT 30

// 相似故障检索（基于共有原因+措施的Jaccard相似度）
MATCH (f1:Fault {name: '制动器异响'})-[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

语义推理与智能问答

知识图谱的价值在于推理（Reasoning）。系统支持三种推理模式：

①规则推理——基于预定义的故障诊断决策树（IF-THEN规则集，由3位资深天车维修工程师编写，覆盖8类设备×243种故障×480+原因，规则总数1,520条），通过Cypher图遍历实现自动诊断；

②路径排序推理——给定故障节点，通过随机游走（Personalized PageRank，迭代次数20，重启概率0.15）对候选维修方案排序，Top-3推荐准确率86.4%（验证集N=500）；

③语义问答——基于模板的NL2Cypher（自然语言→Cypher查询转换），支持12种问句模板（如”XX天车出现过什么故障”→MATCH(c:Crane)…）。

传统方案 vs 知识图谱方案对比

Часто задаваемые вопросы