随着人工智能的高速发展,工业机器人已成为了我国智能制造业结构转型升级中关键的一环。随着工业机器人的升级,其内部构造愈加复杂,模块单元之间高度耦合,一旦发生故障,原发性故障会引发许多继发性故障,使得工业机器人系统产生大量告警。根据告警查询到的知识缺乏关联性,难以分析故障成因。知识图谱能够有效整合碎片化的文本,对语义关联表达有着天然的优势。因此,本文基于原始数据结构特点确定知识图谱模式层,对文本知识进行抽取、验证和存储,完成工业机器人故障知识图谱的构建。通过融合知识图谱与模糊多属性决策方法,改进故障链的评估方式,提高告警故障信息分析的准确率;并建立故障分析系统平台,该平台能辅助维修人员检修工业机器人。本文的主要研究内容如下:1.针对工业机器人故障知识数据碎片化且难以利用的问题,对现有文本资料数据进行整理,分别以基于规则的方法抽取半结构化文本,基于BERT模型抽取非结构化文本后,将文本整合为结构化知识。然后构造知识验证流程,通过Text Rank关键词加权算法改进Skip-gram模型的句向量表达,以向量余弦相似度分析完成知识三元组的类别验证。最后使用Neo4j图数据库将验证通过的工业机器人故障知识图谱统一存储至本地计算机,完成知识图谱的构建。2.针对工业机器人故障时知识图谱无法精准分析出故障原因的问题,提出一种融合知识图谱与模糊多属性决策的方法（KG-FMADM）。首先将日志中的故障告警信息提取出来,深度挖掘知识图谱关系路径得到故障关系链。然后构建故障链评价指标体系,以三角隶属度函数定量描述语义值,通过层次分析法确定指标权重,并基于TOPSIS方法进行故障链溯源。最后,使用多组故障链数据集验证了KG-FMADM在故障评估方面的准确性,从而保证故障分析的科学性和合理性。3.设计并搭建一个可供维修人员查询的工业机器人故障分析系统平台。首先以Neo4j图数据库中的知识图谱作为数据支撑,通过py2neo、flask等python工具库,完成系统后台的业务逻辑层处理;然后利用Vue建立前端框架,完成了可视化设计;最后实现了系统的知识检索、故障分析、链路溯源、后台管理等功能。