随着“工业4.0”、“中国制造2025”等的提出与推进,对数据与知识的挖掘利用已经成为制造业升级的重要途径。知识工程相关技术也再次成为学界及产业界的研究热点。近年来,知识图谱技术发展快速,该技术能够形式化的描述客观事物及事物间相互关系,可以对制造领域的数据和知识进行关联性表达、相关性推理。装配过程是机械制造中必不可少的环节,机械产品的装配工作量占整个产品制造工作量的20%-70%。提高装配环节的智能化水平意义重大。而装配涉及工装夹具、时序等,装配序列难以智能生成;论文依托国家自然科学基金和贵州省科技重大专项计划项目,围绕机电产品装配序列规划这一基础问题,研究工业领域知识图谱构建方法和基于知识图谱的装配序列推理,探索装配序列合理性驱动的推理结果评估和选择,尝试着为机电产品装配序列的智能生成提供理论及技术参考。最后以贵州某航天企业生产的空心杯电机为例,对本文所提方法进行了验证。论文主要研究工作如下:（1）针对文本型装配知识难以被有效挖掘利用,无法直接用于指导装配等问题:（1）提出了一种结合预训练字向量、长短期记忆神经网络和条件随机场的文本知识抽取方法ALBERT-Att Bi LSTM-CRF,用于文本型知识抽取,实验结果表明该方法比Ro BERTa等其他方法在准确率、召回率和F1值分别提升13.27%,5.33%和9.2%。（2）由于装配领域暂无公开文本数据集,本文构建了一个装配文本数据集Assembly Data,为了克服Assembly Data因数据收集困难,数据标注费时费力等导致的数据量偏少问题,本文提出了一种结合主动学习的模型迁移方法MTAL,即:将ALBERTAtt Bi LSTM-CRF知识抽取方法应用于公开数据集CLUENER2020获取预训练权重,再将公开数据集上得到的权重在Assembly Data上进行微调以增强装配领域文本数据,从而解决装配文本数据集数据量较少的问题,并验证了数据集的有效性。（3）基于装配数据集Assembly Data,将MTAL与未进行迁移的ALBERT-Att Bi LSTM-CRF进行对比,实验结果表明本文所提的知识抽取方法在准确率、召回率和F1值分别提升3.75%,1.32%和2.38%。（2）针对装配知识图谱的构建:装配知识图谱构建其知识源不仅有文本类数据,还有经验知识等。（1）对于难以直接运用数据挖掘方式进行处理利用的经验知识,本文提出了一种基于本体+规则的表示方法来表示经验知识,然后将用“本体+规则”表示的经验知识作为文本数据的补充。（2）基于装配任务构建了装配本体与装配规则,进行了本体与知识图谱之间的关联性分析,研究了资源描述框架RDF与图数据库Neo4j之间的映射,将RDF数据导入图数据库中,实现了异构数据之间的存储。最后在知识融合与知识存储的基础上,进行了知识图谱的构建,为后续的推理奠定基础。（3）针对知识图谱的补全和推理:（1）上述知识图谱缺少零件拓扑信息和几何信息等,本文提出了一种融合MBD模型信息的知识图谱补全方法MBD-KRL,通过对MBD模型中3DXML文件和STEP AP242文件进行信息抽取,获得零件的拓扑信息和几何信息,完成不同实体间的链接预测,完善、补全知识图谱,最终构建了相对完整的装配知识图谱,最后在WN18和FB15K数据集上进行补全方法验证,验证结果表明,MBD-KRL补全结果比Trans H等传统方法更优,在Hits@10指标中分别提升了5.1%和6%。（2）基于补全后的知识图谱,研究了装配序列的生成,实现了基于知识图谱的装配序列推理,并验证了推理出的装配关系的合理性和可靠性。（4）针对装配序列的选择与评估:上述推理获得的装配序列不一定唯一,无法直接用于生产,本文分析了装配序列和装配序列合理性的关联,提出了一种序列合理性驱动的基于序列模式挖掘的装配序列寻优方法。该方法定义了装配序列单元,对相关的子装配进行合并,并通过装配语义相似度来对序列进行归一,从而去除序列冗余。经过与Clo FAST等其他主流序列模式挖掘算法的结果比较,本文所提方法在挖掘结果的精度、运行时间和内存占用方面优于其他方法。最后,将序列模式挖掘得出的带有装配序列合理性信息的频繁装配序列模式与基于知识图谱推理得出的装配序列进行相似度计算,并依照计算结果进行装配序列排序,根据排序结果进行装配序列方案选择。（5）开发了机电产品装配序列智能规划原型系统,系统在贵州某航天企业进行了应用验证。