制造业是中国的支柱产业，随着中国制造2025的提出，数字化、网络化、智能化是中国制造业未来发展的基本方针。但随着制造业的快速发展，其设备参数关系复杂、关系相互制约、不易管理人员分析等问题也随之出现，而设备参数的设定又是决定产品质量的重要因素之一，因此参数优化是整个制造过程优化中重要的一部分。而复杂的数据关系可以利用知识图谱来进行梳理，可以让管理人员更加容易的理清其中的关系，因此如何利用知识图谱对参数进行实时监测，以此帮助管理人员进行参数优化决策也是制造生产过程优化的研究的热点之一。
　　构建制造生产过程的知识图谱的首要步骤是要进行数据的处理，而这些制造生产过程中的结构化数据在经过清洗后，可能会因为某种因素而造成数据的缺失或者稀疏，如何利用现有的稀疏数据或者缺失三元组来构建一个完整、精确的知识图谱也是在整个制造生产过程建模的过程中碰到的主要问题之一。本文引入生成式对抗神经网络解决知识图谱在构建过程中稀疏与缺失的问题，利用生成式对抗神经网络生成新的数据，以此构建出准确的知识图谱。而参数优化任务又可以看做在知识图谱中加入一个新的节点（变化的参数），并且把这个节点链接到知识图谱中，再观察节点会与哪些节点进行链接，会对哪些参数有影响，以此辅助管理人员进行决策并进行参数优化。同时分析操作员的操作日志、公司内部专家探讨参数优化的记录、国际专家之间的在线会议记录等数据都有利于知识图谱补全任务，但是这些都是非结构化数据，因此如何利用非结构化数据完成知识图谱补全任务也是本文主要解决的问题之一。
　　本文的主要工作可以概括为:
　　(1)本文以制造业中的典型行业--炼钢业为例，根据相关行业背景结合知识图谱的应用现状，提出了面向制造生产过程参数优化的知识图谱构建方法，以此辅助管理人员进行参数优化。
　　(2)针对在构建制造生产过程参数优化的知识图谱中碰到的数据稀疏、缺失的问题，本文利用生成式对抗神经网络和知识推理解决了数据稀疏、数据缺失的问题，并且在谢韦尔钢铁公司提供的带钢测试数据集中进行了实验，并且精度比其他模型提高了3.4%。
　　(3)针对非结构化信息无法直接应用于制造生产过程知识图谱补全任务的问题，本文利用对抗神经网络和图神经网络相互协作进行非结构化数据结构化处理，并在谢韦尔钢铁公司的公布的带钢数据集以及UCI钢板缺陷数据集中进行了实验，实验结果比目前常用的一些模型提高了最少9.7%。