Los gráficos de conocimiento industrial (IKGs) han recibido una amplia atención por parte de los investigadores en los últimos años; son intuitivos para los humanos y pueden ser comprendidos y procesados por las máquinas. Sin embargo, cómo actualizar los triples de entidad en el gráfico basados en los datos de producción continua para cubrir la mayor cantidad de conocimiento posible, al mismo tiempo que se aplica un KG para satisfacer las necesidades de diferentes tareas industriales, son dos dificultades. Este documento propone una estrategia de construcción de modelo de dos etapas para beneficiar tanto la completitud del grafo de conocimiento como las tareas industriales. En primer lugar, este documento resume las formas específicas de datos de múltiples fuentes en la industria y proporciona métodos de procesamiento para cada tipo de datos. El núcleo es vectorizar los datos y alinearlos conceptualmente, logrando así la modelización de fusión de datos de múltiples fuentes. En segundo lugar, este documento define dos subtareas interrelacionadas para construir un modelo de grafo de conocimiento de lenguaje preentrenado basado en el aprendizaje de múltiples tareas. Al mismo tiempo, considerando las características dinámicas del proceso de producción, se adopta una estructura de red de expertos dinámicos para diferentes tareas combinadas con el modelo preentrenado. En la tarea de completitud del conocimiento, el modelo propuesto logró una precisión del , mientras que en la tarea de control de auto-sanación de un alto horno, el modelo propuesto redujo la tasa de acciones incorrectas a 0 y completó el control de auto-sanación para la falla de baja línea de stock en 278 minutos. El marco propuesto ha logrado resultados satisfactorios en experimentos, lo que verifica la efectividad de la introducción de conocimiento en la industria.