分享图数据库在制造业中的一些应用

大家好，今天很高兴能有机会和大家一起探讨关于图计算在制造业的一些应用案例。首先自我介绍下，我是TigerGraph的合作伙伴点春科技的王福强。之所以这里说的是图计算，而不是图数据库，是因为TigerGraph相较于其它的图数据库，它不仅仅是一个图数据库，而是基于图数据库平台之上，它又叠加了很多AI算法和高级的计算能力，比如这两年很火的GNN图神经网络，以及前几年比较流行的聚类、分类算法等。

所以，我们现在谈论TigerGraph，它不仅仅是一个图数据库的平台，而且是利用图数据库的各种优点的一个计算平台。针对这一点，在这里我只是抛出一个引子出来，如果有感兴趣的小伙伴，后续可以找TigerGraph或者我们，再一起深入探讨。

今天分享的主题是图数据库在制造业中的一些应用。具体的项目是我们为某个大型制造业做的配件保障项目。因为今天分享的内容，主要是围绕图数据库和制造业这两个部分，所以这里就假定今天的小伙伴们都是对图数据库有一定了解的人。我在这里并不会对图数据库的基础知识进行普及，感兴趣的小伙伴也可以在后面一起讨论学习。

另外，在这里也假设大家对制造业有一定的了解，如果对制造业没有接触过或者不了解的话，后面可能理解起来会有些困难，因为有很多制造业相关的一些专业知识和专业词汇在里面。比如说，什么叫BOM?BOM的结构是怎样的？什么叫设计BOM？什么叫制造BOM？它们都应用于企业的哪些业务流程？等等这些相关的知识点。如果不理解这些知识点，可能会对后面我们案例部分理解起来稍微有些困难。

在开始正题之前，我们先用这张图片来抛砖引玉，简单了解下有关图数据库和传统关系型数据库的区别。我也特别喜欢这张slide，上面有两张图片的对比，其实就是把关系型数据库和图数据库的精髓一下就呈现出来了。

首先我们看下右边这张图，它代表的是传统的关系型数据库，它把现实世界的一束花，进行了某种抽象，就是从技术角度上我们所谓的建模。就是根据我们对业务的理解，分门别类地把一些相同类型的数据放在一起，进行数据的建模组织，最后落到关系型数据库，就是我们常见的数据库的行、列、表的一些形式。

这种抽象的表达有很多好处，比方说，我们可以方便地做一些统计、排序、计数、汇总。但是，也有不好的地方，显而易见，我们对真实世界的一束花进行了抽象，这就意味着丢失了这束花很多原来的模样，比如花与花之间的关系、花与叶之间的关系、叶子与花枝之间的关系等，这些关系其实在这里都不复存在了。

虽然，在技术上，我们可以通过主键外键的方式去把它们做一些关联，但是这种主外键的方式，其实我们仅仅只能呈现一度，即一跳的连接关系，比如从花瓣到花的连接关系、花到花枝的连接关系等一度的关系，但是整个一束花的连接关系，它是没办法呈现出来的。

左边这张图，代表的是图数据库对现实世界的描述，因为它并没有对物理世界的一束花进行拆散，而是依照现实世界的一束花的真实模型，对花瓣与花的关系、花与花枝的关系、花枝与叶子的关系等等这些物理实体的关系，进行一些关系的连接。也就是我们找出现实世界中的各个实体，把这些实体之间的关系进行连接，真正地将现实世界的事物的模型原木原样地呈现在了我们的面前。

所以，综上所述，图数据库可以最大地还原现实世界各个实体之间的关系，而关系型数据库，出于对数据有效地组织，对现实世界做了很多的抽象，这种抽象其实破坏了各种实体和实体之间的关联关系。尤其是现实世界越来越多地需要对多跳、多维的连接关系进行探索、计算，在这方面，关系型数据库就不那么擅长了，而图数据库是比较擅长这方面的操作的。

今天主要是聊图数据库在制造业的一些应用，这里我简单罗列了图计算在制造业方面能解决哪些问题。

首先是这几年比较热门的知识图谱，我们了解到很多大型制造业也在构建自己的知识图谱，那知识图谱这种项目就是非常适合用图数据库做基础平台的。我们知道在企业里面，有非常多的、各种各样的专业知识，比如典型的设备运维、设备管理这种场景。企业里的设备不可避免地会发生各种各样的问题，如何尽快地解决这些问题、故障，尽量地提高设备运转率，提高生产效率，尽量地减少企业生产线的停机时间，对我们制造业来讲，是一个持续要追求的目标。

但在企业中，由于各种各样的原因，比如人员离职、调岗等，同样的设备、同样的问题，今天我们的工程师会修了，但是明天换了一个新的工程师，这些问题和故障又要全部从头开始学习、摸索，那相应地，我们设备的停机时间就会相应地拉长。本来可能只需要熟练工5分钟就可以解决问题，但如果是不熟练工的话，可能需要一个小时甚至半天时间才能解决。这种问题，其实在企业里面非常常见。

还有就是，对于同样的设备、同样的故障，比如我在苏州的生产基地，它出现了问题，然后苏州的工程师解决了这个问题。但在上海的生产基地，也是有同样的设备、同样的故障，那上海的工程师之前并没有碰到这种问题，第一次处理这个问题，时间也会非常长。

类似于这种问题，其实都是归类于我们的知识图谱解决方案。企业为了将这种业务知识，能够有效地把它们进行组织、保留、传承，这对企业来讲其实是非常有意义的事情。那如何对知识进行保留和传承呢？正如刚才讲得，利用图数据库来组织其实是非常天然的、适合的表达。

另外，针对制造业中的供应链管理、生产追溯、配件保障、产品围堵、质量追溯等业务场景，在大型制造业中，我们产品的数据其实是比较复杂的，比如我们的BOM结构比较复杂、我们的供应路线比较复杂、我们在生产过程中涉及到的流程/过程/设备参数等数据量都是比较大的，数据之间的关联关系也是比较复杂的，相对来讲，它的数据链路也是比较长的。

如果用传统的关系型数据库去解决这种问题的话，就会遇到各种各样的问题，比如实施起来非常吃力，甚至可能没有办法去做计算，它的时效性通常也不能满足我们的需求。众所周知，现在制造业一直在追求精益制造，因此对时效性的要求也越来越高。关系型数据库对于处理大量的关系计算，是无法胜任的，在这方面，图数据库就能发挥出它应有的价值。

另外，比如Golden Path，即所谓的最佳生产路径，或者最佳生产实践，在一些大型制造业中，比如半导体行业、新能源行业，这些行业的工艺路线比较长，涉及到的设备比较多，每个设备中涉及到的参数也比较多，那在哪种情况下，产品的良率是最高的？这些参数的组合，是如何影响良率的？这也是企业提高产品良率的持续性的追求。

传统的方法是，我们需要收集大量的数据，然后去做聚类、分类等算法去找出一些比较好的组合。其实我们在图数据库中，可以根据目标良率，利用相互之间的关系去倒查，就可以推导出这样一条最佳生产路径。这样就可以及时地告知生产管理人员，哪一种组合是最优的，这样做就可以提高我们的生产能力。其实这对于大型制造业来讲，我们如果提高了1个、或2个百分点，那么可能会带来百亿甚至千亿的产出增长，其实这就是非常大的经济效益提升。

以上是对图数据库在制造业中的一些场景的简单介绍。

审核编辑：刘清