金属材料缺陷知识图谱 （T/IFA0003 -2021） 编制与披露说明 一、工作简况 1、编制背景 近年来，随着《 中国制造 2025》的持续推进，工业制造业亟须由传统制造向 智能制造转型升级，推动制造业高质量发展。工业制造数据化、信息化、智能化， 越来越成为行业转型升级的重要手段，但工业领域，特别是金属材料生产制造过 程中涉及大量碎片化的数据信息，由于没有有效的信息化手段，无法合理加工 ， 分析成为价值更高的信息和知识，信息预判和数据追溯困难，同时由于数据的专 业性，数据的分析判定往往受限于专业人员的知识结构与工作经验，信 息判断效 率低、成本高， 人工智能和大数据的技术在工业制造业领域的应用和研究是解决 这些问题的核心和重要手段，比如，工业制造业的信息化和 大数据质量管控系统 的建设当前普遍获得了制造行业企业的高度 重视。 人工智能的发展经历了从表示、计算到感知两个阶段，下一个阶段的核心是 认知，这需要通过大量的领域知识积累才能实现，就需要建立一个丰富完善的知 识库—知识图谱。 2、目的意义 知识图谱是机器具有认知能力的基石，对于实现强人工智能有着重要的意 义。 但大规模知识图谱的应用场景还比较有限， 其在智能语义搜索、 深度问答 （包 括基于信息检 索的问答系统、基于语义分析的问答系统）、演化分析、对话理解 等方面的应用也处于初级阶段，仍具有广阔的应用与推广前景。从知识图谱应用 发展趋势来看，当前正在从通用知识图谱应用向领域或行业知识图谱应用拓展， 如金融、医疗、公安、医疗、司法、电商等，依托知识图谱强大知识库的深度知 识推理能力和逐步扩展的认知能力，帮助相关行业从业者对特定的问题进行分 析、推理、辅助决策。在工业领域，目前知识图谱的应用和研究还很少，特别是 金属材料制造生产行业的知识图谱研究和应用还没有见到。 本项目基于 大数据平台，采用 自然语言识别、图像识别 、深度学习等现代信 息技术，提出了知识量化系统这一概念 ，形成金属材料缺陷知识图谱 。研究工业 全国团体标准信息平台 领域图谱建立和应用不仅 对知识图谱在工业领域的应用具有示范和借鉴意义， 而 且将会对工业制造业的信息化和大数据质量管控系统的实施发挥极大助推作用。 3、主要工作过程 起草（草案、论证）阶段：北京科技大学牵头建立标准起草领导小组与工作 小组，收集了相关标准资料，在对这些资料进行研究和分析基础上，确定了标准 起草原则、主题与方向等，起草了《金属材料缺陷知识图谱》工作草案，标准起 草工作组通过多次沟通研讨，在反复 论证基础上经审查会议后修改定稿。具体如 下： 2021年6月1日-7月31日，标准起草工作小组汇集征求意见后， 明确标准 主题和方向、标准调研。 2021年8月1日-9月30日，明确起草责任和分工，起草形成标准初稿。 2021年10月1日-11月31日，二次调研、专家论证、修改形成标准草案。 对标准进行修改， 于2021年9月23日形成标准的送审稿大纲。 2021年12月1日-12月31日，提交标准评审申请，召开了标准审查会， 依 据管理要求完成评审流程，于2021年12月对标准进行发布。 4、主要参加单位和工作组成员 本标准由北京科技大学牵头起草。 本标准参编起草单位：北京辰极国泰科技有限公司、威讯柏睿数据科技（北 京）有限公司、北 京科技大学烟台工业 技术研究院 、钢铁研究总院、 泰州鑫宇精 工股份有限公司、首钢长治钢铁有限公司轧钢厂 起草组主要成员：戎豫、高学东、何新波、阿孜古丽•吾拉木、申轶男、郭 茜、王翔、刘欣、 马绍彪、郭慧杰、王景毅、莫明勋、阿尔曼、姚迪、戎马屹飞、 江军、李欢、何汉涛、黄德忠、单栋、宋志刚、贾广如、 荆剑、王海平、郭新文、 胡洪、谢剑 审查组主要成员 ：周进生、刘俊友、马锐、葛启胜、李君芳 二、标准编制原则和标准主要内容 1、编制原则 本标准编制原则是为 规范和指导冶金、钢铁、石油、化工、航空航天等工业 企业对金属材料制造生产大数据知识的组织、管理和应 ，以市场化开发为主导， 全国团体标准信息平台 基于大数据平台，采用 自然语言识别、图像识别 、深度学习 等现代信息技术，提 出了知识量化系统这一概念 ，形成金属材料缺陷知识图谱 。金属材料缺陷知 识图 谱是金属制造业人工智能的重要基石，推动了金属制造业智能应用，金属制造业 强人工智能发展的核心驱动力之一。 研究工业领域 图谱建立和应用不仅 对知识图 谱在工业领域的应用具有示范和借鉴意义， 而且将会对工业制造业的信息化和大 数据质量管控系统的实施发挥极大助推作用。 2、主要内容 以信息化、数据安全基础设施为依托，围绕金属材料信息采集、组织、分类、 存储、共享、开放等信息生命周期各环节，以信息资源提供者、管理者、使用者 的工作职责，研究定制金 属材料缺陷知识量化的标准体系，为工业互联网、智能 制造业等现有以及将来新建的金属材料 提供产品缺陷知识量化考核标准， 有效构 建促进工业智能生产。 图1 金属材料缺陷知识图谱 架构图 基础设施层：统筹部署无所不在的感知设施，构建宽带、泛在、融合、安全 的信息网络，为金属材料缺陷图谱提供基础设施环境。 数据源层：图谱数据资源包括存储业务数据的业务数据库、第三方行业已经 存在的各类标准的数据库等。 数据采集层：实现图谱的业务数据、基础库数据、日志数据、传感数据等的 采集功能。 全国团体标准信息平台 大数据平台层：大数据中心建立在基础设施之上，充 分利用基础设施，对数 据资源进行采集、存储、管理 、分析及利用为金属材料功能 -缺陷知识分析提供 数据资源的数据仓库。 知识量化层：知识量化系统主要是实现缺陷知识的集成、统一、规范并量化 成行业指标的新标准， 知识量化体系数据资源主要来自各类标准数据和生产过程 数据，形成产品标准库和缺陷标准库。 业务逻辑层：图谱主要包含金属材料知识图谱模型组件、金属材料知识库组 件、金属材料数据分析组件三大模块。 数据中台：打造基础的、共性的图谱，可以支持企业的数据中台，通过接口 服务实现与业务系统的数据共享交换。 业务中台：打造基础的、共性的图谱，可以支持企业的 业务中台，构建业务 模块化。 数据管控：建立数据管理组织 、管理流程等规范，在管理上约束数据资源的 规范。 数据标准规范：解决信息资源采集，数据命名、定义、类型、格式差异，部 门数据不一致等问题，逐步建立数据格式、命名、编码等一系列标准，覆盖到信 息生命周期各环节。 3、适用范围 本标准规定了工业领域金属材料 缺陷知识图谱的概念， 金属材料生产制造全 流程知识量化的技术要求和规范。 本标准适用于规范和指导冶金、钢铁、石油、化工、航空航天等工业企业对 金属材料制造生产大数据知识的 组织、管理和应用，主要技术内容包括生产过程 大数据和生产经验的知识量化、材料组织知识量化、材料缺陷知识量 化、流程大 数据与知识混杂的挖掘分析与计算、材料组织与性能动态预测与评价。 四、标准涉及国内外专利及处置情况 本标准不涉及专利问题。 五、预期达到的社会效益、对产业发展的作用等情况 本标准基于大数据分析处理、自然语言识别、图像识别、深度学习等现代信 息技术，提出了知识量化系统这一概念，形成金属材料缺陷知识图谱。工业领域 金属材料缺陷知识图谱建立和应用不仅对知识图谱在工业领域的应用具有示范 和借鉴意义，而且将会对工 业制造业的信息化、智能化和生产质量管控具有巨大 全国团体标准信息平台 推动作用，并且构成工业智能制造的基础。 （1）数据采集和 治理的基础标准 在数据采集环节，该采集哪些数据，采集的数据应该具有什么样的特点，都 需要在采集前进行设计 ,最基础的依据应该就是各项标准文件。将采集到的数据 经过量化系统筛查之后，确保其满足下一步分析的质量，是保障大数据质量分析 的基础。 （2）质量过程管理的依据 判断生产过程是否按照预期的质量设计， 最基础的是生产过程是否按照相应 的标准执行。区别于以往的基于人的认知的判断，知识量化系统对接实时监控数 据，可以直接判定 生产过程与标准的匹配程度，并实时指导生产过程。在生产数 据发生偏离时，及时进行预警，以保障生产按照预定设 计进行，并保障最终的质 量结果。 （3）质量问题处理的工具 当生产出现质量问题时，需要对问题进行快速定位与分析。知识量化系统可 以依据现象 -特征-成因的关联路径快速定位问题并分析出现问题的成因要素， 并 在一定程度上对成因要素进行量化分析。 这样就极大的降低了企业处理质量异常 时所需要花费的时间与精力，从而降低了企业的生产成本。 与此同时，科学出版物积累了大量关于材料的信息，但数据以非结构化和任 意形式呈现，这严重阻碍了 其在数据驱动研究中的应用。材料数据文本挖掘的早 期方法是通过从有限数量的文章和实验室笔记本中手动提取来实 现的。 文本挖掘 和自然语言处理（ NLP）方法的发展使得实现将科学文本转换为结构化数据收集 的各种自动化方法成为可能。用于化学文本处理和信息提取的最广泛使用的 NLP 工具包包括 ChemDataExtractor22 、OSCAR423 、ChemicalTagger24 和其他，这就 是材料基因工程的基本方法， 本标准最有价值的地方就是对材料基因工程数据采 集及积累作出巨大贡献。 六、与国际、国外对比情况 随着知识图谱在各领 域的深化应用，和 ISO/IEC、JTC1/SC42 、W3C、IEE