Los gráficos de conocimiento hiper-relacionales pueden mejorar la inteligencia, eficiencia y fiabilidad de la producción industrial al permitir la colaboración de equipos y optimizar las cadenas de suministro. Sin embargo, la construcción de gráficos de conocimiento en campos industriales enfrenta desafíos significativos debido a la complejidad de los datos hiper-relacionales, la escasez de conjuntos de datos industriales y las limitaciones en los métodos existentes de predicción de enlaces, que luchan por capturar las relaciones matizadas y los calificadores que a menudo están presentes en escenarios industriales. Este artículo propone el modelo HyLinker, diseñado para mejorar la representación de entidades y relaciones a través de componentes modulares, incluyendo un agregador de vecinos de entidades, un agregador de calificadores de relaciones, MoE-LSTM (Mezcla de Expertos de Memoria a Largo y Corto Plazo) y un módulo de interacción bidireccional convolucional. Los resultados experimentales demuestran que el método propuesto funciona bien tanto en conjuntos de datos públicos como en un conjunto de datos de máquinas de izaje autoconstruido. En el Conjunto de Datos de Super-Relación de Máquinas de Izaje (MHSD-100), HyLinker supera a los modelos más recientes, con mejoras de 0.142 en MRR (Rango Recíproco Medio) y 0.156 en Hit@1 (Tasa de Éxito en el Rango 1), abordando efectivamente el problema de completación de gráficos de conocimiento para máquinas de izaje y proporcionando información más precisa para el mantenimiento de equipos y la predicción de fallos. Estos resultados demuestran el potencial de HyLinker para superar los desafíos actuales y avanzar en la aplicación de gráficos de conocimiento hiper-relacionales en contextos industriales.