本书为“高速铁路基础研究与技术创新丛书”之分册。著者基于在动车组智能运维领域多年研究的成果著述而成。本书结合动车组运维场景，详细论述知识图谱在动车组智能运维领域的技术、算法、解决方案等内容，包括：动车组智能运维的概述、发展历程以及知识图谱在动车组智能运维的应用前景，动车组智能运维领域运用到的相关知识图谱、深度学习等技术及算法模型，知识图谱技术在动车组智能运维领域的应用案例。
本书可让读者了解动车组智能运维技术的现状和发展方向，在实践中借鉴相关方案，适合从事动车组运维领域、高端装备制造、健康管理与故障诊断等方向的研究人员、技术人员参考，也可作为高校“计算机科学与技术”专业“铁路信息技术”方向的研究生、本科生教材。？

本书为“高速铁路基础研究与技术创新丛书”之分册。按丛书要求，力图体现高速铁路动车组智能运维知识图谱构建理论与技术的前沿性、原创性等特色。
我国高速铁路的发展已处于世界先进行列，动车组作为高速铁路战略性关键资产，因其运行速度快、运行时间间隔短等特点，保障动车组的安全可靠运行面临极大挑战。以知识图谱、大模型等人工智能为代表的先进信息技术，正成为我国自主创新的动车组智能运维的重要支撑技术，并已处于世界高速铁路技术的制高点。
动车组智能运维是应用人工智能技术深入开发并充分利用信息资源，加速运维领域智能化进程，改进和优化动车组智能运维业务流程，以促成高速铁路智能运维领域新的作业模式。
动车组智能运维知识图谱将动车组智能运维领域的知识抽取出来，并表示为（实体，关系，实体）三元组的形式，从而构成基于语义网的图形结构，形成庞大的知识库，即知识图谱，从“关系”的角度去分析问题，为动车组智能运维提供方法和精准指导。
随着人工智能技术的发展，大语言模型（large language model，LLM）向垂直领域渗透已成为趋势。LLM以其强大的语言文字处理能力，在智能问答领域有很好的效果，但其精准性却不尽如人意。大模型辅以知识图谱，以模图互补的方式，即将知识图谱的精准性与大模型的语言处理能力相结合，可以得到性能更加优异的动车组运维智能分析和问答指导系统。
本书基于著者团队国家重点研发计划、国家高技术研究发展计划、科技重大专项、省部级等重大项目研究成果，梳理了知识图谱在动车组智能运维中的需求与现状，论述了我国动车组运维技术创新成就和发展趋势，系统地介绍了动车组智能运维知识图谱的基本概念和理论，分析和讲解了动车组智能运维知识图谱构建及应用的基本问题和关键技术，探索了知识图谱与LLM的优势互补方法，结合动车组智能运维的典型应用实例，展示了先进的人工智能技术对高速铁路智能运维的支撑作用，力求推进以人工智能技术为核心的动车组智能运维技术创新，对培养高速铁路智能运维高级人才发挥积极推动作用。
本书力图在以下两个方面发挥作用：
（1）凝练和讲解我国动车组智能运维知识图谱构建的先进理论、技术和方法，以及大模型技术研究的成就和工程实践经验，推进人工智能技术在高速铁路智能运维领域的持续创新。
（2）围绕计算机科学与技术（铁路信息技术）学科建设内容，凝练铁路信息处理技术基础理论知识点，为高速铁路智能运维尖端人才的培养作出贡献。
本书的主要特点如下：
（1）以人工智能技术为核心，具有时代特点，题材新颖、内容先进。人工智能技术助推高速铁路运维智能化，从动车组智能运维的实践案例的创新点中提炼知识图谱构建技术、大模型相关知识点，包括知识图谱构建原理、方法、技术、模型等，并以实际案例分析技术难点和创新思路。
（2）知识性与实践性密切结合。本书全面系统地梳理、归纳和总结了动车组智能运维知识图谱构建技术与应用，从基础理论到业务分析，从体系架构到流程分析，从动车组智能运维知识图谱构建技术到经典案例，全方位、多角度阐述了动车组智能运维知识图谱构建技术。各章密切关联，“理论方法+关键技术+经典案例”的模式生动形象。通过“图模结合”，使读者进一步加深对领域知识图谱、大模型的理解，理解人工智能技术助推高速铁路运维智能化的工程意义，理解知识图谱、大模型分析与应用的全过程；理解“信息—知识图谱—应用”的过程。
著者团队长期从事铁路大数据、人工智能、高速铁路健康状态监测和故障预测理论、技术、标准等研发和教学工作，主持国家重点研发计划、国家高技术研究发展计划、科技重大专项、省部级等重大项目，具有深厚的理论基础和丰富的实践经验。
本书由北京交通大学的张春、李学伟、张宁、刘峰合作著述，中国邮政储蓄银行运营数据中心邓悦参与著述，中国科学院自动化研究所模式识别国家实验室研究员赵军主审。
本书著述过程中得到了中车青岛四方机车车辆股份有限公司马利军、李兵、刘泰、崔玉龙，中国国家铁路集团有限公司谢赞德、贾璐，中国铁路上海局集团有限公司周斌，以及北京交通大学贺璐、许德智、张少帅、朱欣生、冯纯晨、张文浩、庞少雄等人员的协助，在此特表感谢！
由于高速铁路信息技术发展迅速，加之著者水平所限，本书难免有不足之处，欢迎广大读者批评指正。
著者
2025年3月

第1章绪论1

1.1动车组智能运维概述1

1.2知识图谱构建技术及发展概述2

1.2.1知识图谱构建技术2

1.2.2知识图谱构建核心技术4

1.2.3领域知识图谱的发展9

1.3知识图谱与动车组智能运维10

 

第2章动车组运维知识建模及图谱构建方法12

2.1动车组运维知识图谱构建特点与难点12

2.2动车组运维知识图谱构建流程13

2.3模式层设计14

2.4数据获取与清洗18

2.5数据存储22

 

第3章词典增强的中文实体关系抽取技术24

3.1词典增强的中文实体关系抽取的意义24

3.2文本表示25

3.2.1词嵌入技术26

3.2.2预训练语言模型26

3.2.3基于表示学习的文本嵌入29

3.3词典增强的实体关系抽取方法31

3.3.1词典增强的实体抽取32

3.3.2词典增强的关系抽取33

3.4融合表示和决策增强的实体识别34

3.4.1问题分析34

3.4.2模型结构35

3.4.3相关实验与结果分析39

3.5多任务学习和有效词选择的实体识别44

3.5.1问题提出44

3.5.2模型结构45

3.6基于多头注意力机制和词典增强的关系抽取50

3.6.1问题分析50

3.6.2模型结构51

3.6.3相关实验与结果分析54

 

第4章动车组智能运维的知识抽取方法58

4.1动车组智能运维命名实体识别模型设计58

4.1.1命名实体识别任务符号定义60

4.1.2实体文段标注方案61

4.1.3词元表示层61

4.1.4特征融合层62

4.1.5文段表示层62

4.1.6自注意力层64

4.1.7分类预测层65

4.1.8损失函数设计65

4.2动车组智能运维关系抽取模型设计66

4.2.1关系抽取任务符号定义68

4.2.2关系文段标注方案68

4.2.3词元表示层68

4.2.4字符词典特征层70

4.2.5特征融合层71

4.2.6关系表示层71

4.2.7分类预测层72

4.2.8损失函数设计72

4.3动车组智能运维知识抽取实验分析72

4.3.1动车组智能运维数据集构建72

4.3.2命名实体识别模型实验73

4.3.3关系抽取模型实验75

 

第5章动车组智能运维知识图谱补全77

5.1传统知识图谱补全方法77

5.2基于表征学习的知识图谱补全方法79

5.3浅层非神经网络方法83

5.4基于卷积神经网络的方法86

5.5基于图卷积神经网络的方法87

5.6动车组运维知识图谱实体关系交叉聚合的广义注意力补全算法88

5.6.1牵引电机故障数据集TMFD构建89

5.6.2基于广义GAT的实体关系交叉聚合补全模型91

5.6.3解码器100

5.6.4评价指标100

5.7实验结果与分析101

5.7.1实验数据集101

5.7.2实验设置102

5.7.3训练评估协议102

5.7.4实验结果与分析103

5.7.5关系信息范围敏感性实验105

5.7.6解码器分析对比实验106

 

第6章动车组运维咨询问答技术108

6.1动车组运维领域问答模型构建108

6.1.1基于知识库数据的问句生成方法109

6.1.2问句语义解析111

6.2动车组运维咨询问答系统集成与实现120

6.2.1动车组运维咨询问答系统设计120

6.2.2动车组运维咨询问答系统技术参数124

6.2.3动车组运维咨询问答系统展示127

 

第7章动车组制造设备故障智能分析129

7.1面向动车组制造设备故障的知识图谱构建129

7.1.1知识图谱模式层构建129

7.1.2故障知识获取与处理133

7.1.3故障知识图谱存储135

7.2基于知识图谱的故障智能分析模型设计136

7.2.1故障智能分析模型总体设计137

7.2.2故障描述语义解析138

7.2.3知识图谱表示学习147

7.3故障智能分析系统集成与实现154

7.3.1故障智能分析系统设计154

7.3.2开发环境159

7.3.3故障智能分析系统实现160

7.3.4故障智能分析系统展示161

 

第8章基于机电设备运维知识图谱的智能搜索164

 

8.1面向机电设备运维领域的知识图谱构建164

8.1.1知识图谱模式层构建164

8.1.2知识获取与处理167

8.1.3知识图谱存储169

8.2结合用户特征的机电设备运维领域问答模型设计172

8.2.1查询问句语义解析172

8.2.2查询模板设计与匹配181

8.2.3结合用户特征的结果排序182

8.3机电设备运维智能搜索系统集成与实现186

8.3.1机电设备运维智能搜索系统设计186

8.3.2机电设备运维智能搜索系统实现192

8.3.3机电设备运维智能搜索系统展示195

 

第9章基于大语言模型的动车组智能运维199

9.1大语言模型在动车组智能运维中的应用分析199

9.1.1大语言模型简介199

9.1.2基于大语言模型的动车组智能运维应用场景199

9.2大语言模型在动车组智能运维应用案例201

9.2.1基于动车组运维文档的大语言模型知识库问答应用201

9.2.2基于大语言模型的运维数据库分析技术217

9.2.3知识图谱、向量数据库、大语言模型三者结合探索219

 

参考文献227

张春，女，北京交通大学计算机学院网络管理研究中心主任，研究员，从事铁路大数据、人工智能、高铁健康状态监测和故障预测理论、技术、标准等研发工作，主授课程是“铁路智能信息处理技术”。先后获得中国铁道会科学奖、中国卫星导航定位协会、北京市科学技术奖等，发表相关论文40余篇。李学伟，男，教授，管理科学与工程学科博士生导师。专业方向是管理科学与工程、大数据理论与应用、AI模式理论与算法，中俄交通大学校长联盟（中方）主席；中国系统工程学会交通运输分会副主任，主持国家及省部级等重点科研项目数十余项，曾先后获国家科技进步特等奖（青藏铁路工程）、中国铁道学会二等奖、中国人工智能学会（吴文俊科技进步）二等奖、第九届茅以升铁道科技奖，清华大学社会治理研究院学术委员会副主任，作为第一作者或与学生联合发表多篇学术论文。张宁，男，北京交通大学计算机学院网络管理研究中心研究员，博士生导师，专业方向是铁路信息技术，长期从事铁路信息技术的教学和科研工作，在铁路及高速轨道交通运输装备的智能制造、智能运维技术等领域已有40多年研究积累，主持并以核心成员身份参加国家重点研发计划、 “863”、科技重大专项、省部级等科研项目30余项，发表相关论文50余篇，申请发明专利10余项。先后获得中国铁道会科学奖二等奖、三等奖各一项、中国卫星导航定位协会二等奖、北京市科学技术奖三等奖进步奖4项，发表相关论文40余篇。刘峰，男，教授，博士生导师，高速铁路网络管理教育部工程研究中心主任，北京交通大学软件评测实验室主任(国家认可实验室CNASCMA)，８６３计划信息领域智能计算机主题第五届专家组成员，国家高性能计算专项总体组专家，中国通信学会通信软件专委会成员，国家百千万人才工程、国务院特殊津贴、铁道部中青年有突出贡献专家，研究领域为高铁信息技术、高可信软件、智能运维等。长期从事铁路信息化研究,参与全国铁路运营管理系统(TMIS)总体设计,主持铁道部“动车维修基地信息化建设标准研究”、“８６３计划”“高铁动车组全生命周期数字管理系统”等科研项目。出版专著？现代铁路信息技术导论？？数字图书馆－原理与技术实现？等。获国家科技进步一等奖、通信学会一等奖、铁道科技二等奖等６项省部级奖。？

（1）以人工智能技术为核心，具有时代特点，题材新颖、内容先进。人工智能技术助推高速铁路运维智能化，从动车组智能运维的实践案例的创新点中提炼知识图谱构建技术、大模型相关知识点，包括知识图谱构建原理、方法、技术、模型等，并以实际案例分析技术难点和创新思路。
（2）知识性与实践性密切结合。本书全面系统地梳理、归纳和总结了动车组智能运维知识图谱构建技术与应用，从基础理论到业务分析，从体系架构到流程分析，从动车组智能运维知识图谱构建技术到经典案例，全方位、多角度阐述了动车组智能运维知识图谱构建技术。各章密切关联，“理论方法+关键技术+经典案例”的模式生动形象。通过“图模结合”，使读者进一步加深对领域知识图谱、大模型的理解，理解人工智能技术助推高速铁路运维智能化的工程意义，理解知识图谱、大模型分析与应用的全过程；理解“信息—知识图谱—应用”的过程。