CN116701730B - 一种基于多元动态特征的通用飞行器案例推理系统及方法 - Google Patents
一种基于多元动态特征的通用飞行器案例推理系统及方法 Download PDFInfo
- Publication number
- CN116701730B CN116701730B CN202310505735.9A CN202310505735A CN116701730B CN 116701730 B CN116701730 B CN 116701730B CN 202310505735 A CN202310505735 A CN 202310505735A CN 116701730 B CN116701730 B CN 116701730B
- Authority
- CN
- China
- Prior art keywords
- case
- fault
- feature
- characteristic
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 48
- 230000008520 organization Effects 0.000 claims abstract description 24
- 238000011524 similarity measure Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007792 addition Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 9
- 239000000047 product Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多元动态特征的通用飞行器案例推理系统及方法,所述系统包括诊断知识录入模块、案例组织管理模块、案例检索匹配模块;所述诊断知识录入模块用于自动获取多源异构知识,并转化为故障案例;所述案例组织管理模块用于以多元化特征案例表示为基础,实现案例信息编辑与存储,采用多元化特征描述故障特征,且多元化特征描述包括布尔型、现象度、字符型、数值型、区间型中的任意一种或者多种;所述案例检索匹配模块用于采用混合索引、多元特征相似度量,来获取故障库相似案例。本发明可将故障模式设计资料自动转化为故障案例,拓展案例来源,提高系统诊断能力;同时,使案例推理诊断技术可用于新产品、新领域,具有较好的实用性。
Description
技术领域
本发明属于飞行器故障诊断的技术领域,具体涉及一种基于多元动态特征的通用飞行器案例推理系统及方法。
背景技术
飞行器故障诊断是在故障检测基础之上,通过分析故障现象及检测数据,采用特定诊断方法,来实现故障辨识、定位与隔离。目前,飞行器故障诊断主要包括基于模型、基于知识和基于数据驱动三大类方法。其中,基于知识的诊断方法由于易于实现、解释性强,在飞行器故障诊断领域得到了广泛应用。
案例推理是知识类诊断方法之一,它是一种采用以往案例求解当前问题的技术。其实现包括案例表示、组织、检索、匹配、重用、学习等环节。其优势在于诊断系统的学习能力强,即随着故障案例的不断积累,可持续增强系统诊断能力。
现有的飞行器案例推理系统大多是以特定系统为研究对象,基于已有历史故障案例构建,通过解构历史案例形成结构化知识表示,并建立相应案例库;案例检索依靠数据库表的关联查询实现;案例学习支持新案例录入和旧案例基础信息编辑。随着技术的不断发展,现有飞行器案例推理系统不足愈发显著:
1)历史案例获取困难,特别是对于新型号或新设计系统,故障案例数量稀少,难以支撑案例推理技术实现;
2)通用性差,以特定对象为核心构建案例系统难以满足多机载系统诊断需要,系统可移植性差;
3)适应性差,在系统设计阶段就将案例详细特征细化,限制系统学习能力。主要表现在因故障特征描述不准确而发生误判或漏判的情况下,由于案例特征固定,无法对现有案例进行修正。
针对上述不足,本发明提供了一种基于多元动态特征的通用飞行器案例推理系统及方法。该系统集开放式诊断知识录入、层次化案例组织管理、多元案例检索匹配等功能于一体,可以实现基于案例推理的飞行器多机载系统故障诊断。
发明内容
本发明的目的在于提供一种基于多元动态特征的通用飞行器案例推理系统及方法,旨在解决上述的问题。
本发明主要通过以下技术方案实现:
一种基于多元动态特征的通用飞行器案例推理系统,包括诊断知识录入模块、案例组织管理模块、案例检索匹配模块;所述诊断知识录入模块用于自动获取多源异构知识,并转化为故障案例;所述案例组织管理模块用于以多元化特征案例表示为基础,实现案例信息编辑与存储,采用多元化特征描述故障特征,且多元化特征描述包括布尔型、现象度、字符型、数值型、区间型中的任意一种或者多种;所述案例检索匹配模块用于采用混合索引、多元特征相似度量,来获取故障库相似案例;所述案例检索匹配模块包括故障描述单元、案例检索单元、案例匹配单元,所述故障描述单元用于通过用户选择故障结构节点、输入故障特征值形成混合索引;所述案例检索单元用于获取相关案例集;所述案例匹配单元用于获取与当前故障的最相似案例。
为了更好地实现本发明,进一步地,所述诊断知识录入模块包括结构知识录入单元、故障模式录入单元、历史故障知识录入单元,结构知识包括系统、子系统、部件三个层级,且每个层级实体包含代号、名称、所属结构、生产厂家、备注属性。
为了更好地实现本发明,进一步地,所述案例组织管理模块包括案例表示单元、案例生成单元、案例存储单元和案例编辑单元,所述案例表示单元用于实现案例信息结构化描述;所述案例生成单元用于在案例表示单元的基础上,采用关键字段关联映射方式,将诊断知识录入模块存储的源知识转化为故障案例;所述案例编辑单元用于实现案例信息的增删改查。
为了更好地实现本发明,进一步地,所述案例表示单元包括案例基本信息、案例特征集、故障特征,所述案例基本信息用于记录诊断结论、维护措施、故障部件、索引次数信息;所述案例特征集用于记录特定系统的故障特征,并采用多元特征描述;所述故障特征用于记录现场故障现象,通过关联案例特征集,并记录特征值实现。
为了更好地实现本发明,进一步地,所述案例存储单元的案例组织结构的第一层为系统层;第二层为子系统层;第三层为案例特征集和案例基本信息,其中案例特征集用于案例检索;第四层为故障特征,关联案例基本信息用于标识故障现象所属,关联案例特征集用于获取特征描述、效用等信息。
本发明主要通过以下技术方案实现:
一种基于多元动态特征的通用飞行器案例推理方法,采用上述的系统进行,包括以下步骤:
步骤A:解析系统结构知识,形成结构索引,用户选择故障的子系统节点;依据选择的子系统节点,获取当前节点下案例特征集中所有的故障特征,并展示;用户依据故障现象,选择故障特征并赋予特征值,生成混合索引;
步骤B:在基于结构索引减小案例库搜索范围后,采用近邻法检索相关案例,组成相关案例集用于案例相似度匹配;
步骤C:基于多元特征相似度量,通过计算当前故障与历史案例各特征相似度,并加权整合案例整体相似度,获取相似度高的案例输出。
为了更好地实现本发明,进一步地,所述步骤B中案例距离计算如下:
1)特征效用向量V:
V=[υ1,υ2,…,υi,…υn],i=1,2,…,n (1)
其中,vi∈[0,1]表示案例特征集中第i个特征的效用值,vi值越大,则表明对应特征对故障判定影响越大;n表示案例特征集中元素数;
2)检索特征标记向量M:
M=[m1,m2,…,mi,…mn],i=1,2,…,n (2)
其中,mi表示实际案例是否存在案例特征集中第i个特征描述;mi=1表示存在该特征描述,mi=0表示不存在该特征描述;
3)案例间特征相关性r:
r(S,C)=[r1,r2,…,ri,…rn] (3)
其中,S表示当前故障案例,C表示案例库中的案例,ri(S,C)表示案例S和案例C中第i特征的相关性,ri=1表示相关,ri=0表示不相关;
4)当前故障与特定案例的距离d:
其中,d∈[0,1]表示当前故障案例S与故障案例C的距离,d越大距离越远。
为了更好地实现本发明,进一步地,所述步骤C中案例相似度计算如下:
定义fi S表示当前故障案例S第i个特征的取值,fi C表示案例库中特定案例C第i个特征的取值;
1)布尔型特征相似度量
布尔型特征的特征值只有0和1两种状态,0表示特征未发生,1表示特征发生,其相似度量如下:
2)现象度特征相似度量
现象度特征的特征值为有限元素的集合,且其描述往往是一种程度的递进关系,设定其取值范围为0~10的整数,则具体计算如下:
3)字符型特征相似度量
字符型特征的特征值为一段文字,包括两部分,一是关键字检索;二是权重分配;关键字检索是指从案例特征集对应特征的值域中,选取一组关键词a1,a2,...,ak组成fi S;权重分配是指依据所选关键词al∈fi S的效用值vl,计算各关键词权重wal,用于相似度计算;
具体计算如下:
4)数值型特征相似度量
数值型特征的特征值为有效区间内的实数,假定区间内连续,区间上限为max(fi),区间下限为min(fi),则其相似度量如下:
若区间无明确定义,则取案例库中所有案例对应特征的极值作为区间上下限,即
5)区间型特征相似度量
区间型特征的特征值为有界连续区间,其相似度量如下:
Simi(S,C)=len(fi S∩fi C)/len(fi S∪fi C) (16)
上式中,len(fi)表示区间长度。
为了更好地实现本发明,进一步地,具体包括以下步骤:
步骤S1:故障发生后,确定故障子系统;
步骤S2:依据选择的故障子系统节点,获取当前节点下案例特征集中所有的故障特征;
步骤S3:依据当前故障现象,选择案例特征集中的故障特征,输入特征值;
步骤S4:采用近邻法检索案例库,获取相关案例集;
步骤S5:从相关案例集中依次取出对照案例;
步骤S6:依次计算对照案例特征与当前故障特征的相似度;
步骤S7:判断当前案例所包含的案例特征是否计算完成,若未完成,则进行步骤S6;若完成,则进行下一步;
步骤S8:计算案例相似度;
步骤S9:判断相关案例集所有案例是否完成匹配,若未完成,则跳转步骤S5,继续匹配下一个对照案例;若完成,则进行下一步;
步骤S10:依照计算出的案例相似度,对相关案例集进行排序;根据需求,输出一定数量的相似案例,求解当前问题。
本发明的优点在于:
1)本发明可将故障模式设计资料自动转化为故障案例,拓展案例来源,提高系统诊断能力;同时,使案例推理诊断技术可用于新产品、新领域;
2)本发明采用多元化特征实现故障现象刻画,并设计多元特征相似度量实现相似度匹配,提高了案例表达能力;
3)本发明将故障特征集中管理、动态关联、单独赋值,实现案例特征动态编辑,增强系统学习能力。
附图说明
图1为本发明系统的整体结构示意图;
图2为本发明系统的案例表示结构图;
图3为本发明系统的案例组织结构图;
图4为本发明的案例推理流程图。
具体实施方式
实施例1:
一种基于多元动态特征的通用飞行器案例推理系统,如图1所示,包括诊断知识录入模块、案例组织管理模块、案例检索匹配模块;所述诊断知识录入模块用于自动获取多源异构知识,并转化为故障案例;所述案例组织管理模块用于以多元化特征案例表示为基础,实现案例信息编辑与存储,采用多元化特征描述故障特征,且多元化特征描述包括布尔型、现象度、字符型、数值型、区间型中的任意一种或者多种;所述案例检索匹配模块用于采用混合索引、多元特征相似度量,来获取故障库相似案例;所述案例检索匹配模块包括故障描述单元、案例检索单元、案例匹配单元,所述故障描述单元用于通过用户选择故障结构节点、输入故障特征值形成混合索引;所述案例检索单元用于获取相关案例集;所述案例匹配单元用于获取与当前故障的最相似案例。
优选地,所述诊断知识录入模块包括结构知识录入单元、故障模式录入单元、历史故障知识录入单元,结构知识包括系统、子系统、部件三个层级,且每个层级实体包含代号、名称、所属结构、生产厂家、备注属性。
优选地,如图2所示,所述案例组织管理模块包括案例表示单元、案例生成单元、案例存储单元和案例编辑单元,所述案例表示单元用于实现案例信息结构化描述;所述案例生成单元用于在案例表示单元的基础上,采用关键字段关联映射方式,将诊断知识录入模块存储的源知识转化为故障案例;所述案例编辑单元用于实现案例信息的增删改查。
优选地,所述案例表示单元包括案例基本信息、案例特征集、故障特征,所述案例基本信息用于记录诊断结论、维护措施、故障部件、索引次数信息;所述案例特征集用于记录特定系统的故障特征,并采用多元特征描述;所述故障特征用于记录现场故障现象,通过关联案例特征集,并记录特征值实现。
优选地,如图3所示,所述案例存储单元的案例组织结构的第一层为系统层;第二层为子系统层;第三层为案例特征集和案例基本信息,其中案例特征集用于案例检索;第四层为故障特征,关联案例基本信息用于标识故障现象所属,关联案例特征集用于获取特征描述、效用等信息。
本发明可将故障模式设计资料自动转化为故障案例,拓展案例来源,提高系统诊断能力;同时,使案例推理诊断技术可用于新产品、新领域,具有较好的实用性。
实施例2:
一种基于多元动态特征的通用飞行器案例推理系统,如图1所示,主要包括诊断知识录入模块、案例组织管理模块、案例检索匹配模块三个部分:
1)诊断知识录入模块,用于自动获取多源异构知识,并转化为故障案例;
2)案例组织管理模块,以多元化特征案例表示为基础,实现案例信息编辑与存储;
3)案例检索匹配模块,采用混合索引、多元特征相似度量,来获取故障库相似案例,解决当前故障问题。
优选地,上述诊断知识录入模块包括结构知识录入、故障模式录入、历史故障知识录入三部分。系统通过结构化文本录入与在线编辑相结合的方式,获取系统结构、故障模式、历史案例源知识。
优选地,上述案例组织管理包括多元特征案例表示、案例自动生成、层次化案例存储、动态案例编辑四部分。如图2所示,系统将案例信息分为案例基本信息、案例特征集和故障特征三部分,案例基本信息记录诊断结论、维护措施、故障部件、索引次数信息;案例特征集记录特定系统的故障特征,并采用多元特征描述,包括布尔型、现象度、字符型、数值型、区间型五种类型;故障特征记录现场故障现象。在案例表示基础上,采用源知识关键字段关联映射方式,实现案例自动生成。如图3所示,案例存储为层次化结构,采用关系型数据库实现。动态案例编辑除案例信息增删改查外,可通过维护案例特征集,实现故障特征重定义、特征权值更改;可通过案例故障特征的关联关系,实现故障特征描述增补。
优选地,上述案例检索匹配包括故障描述、案例检索和案例匹配三部分。其中,故障描述通过用户选择故障结构节点、输入故障特征值形成混合索引;案例检索依据混合索引,从案例库中获取相关案例;案例匹配基于多元特征相似度量,计算当前故障与历史案例各特征相似度,并加权整合案例整体相似度,获取相似度高的案例输出。
本发明可将故障模式设计资料自动转化为故障案例,拓展案例来源,提高系统诊断能力;同时,使案例推理诊断技术可用于新产品、新领域,具有较好的实用性。
实施例3:
一种基于多元动态特征的通用飞行器案例推理系统,如图1所示,其系统功能按模块划分主要包括诊断知识录入、案例组织管理、案例检索匹配三个模块。
优选地,所述诊断知识录入模块包括结构知识录入、故障模式录入、历史故障知识录入三部分。其中,结构知识录入采用在线编辑方式实现,结构知识分为系统、子系统、部件三个层级,每个层级实体包含代号、名称、所属结构、生产厂家、备注属性;故障模式录入和历史故障知识录入均采用Excel文件导入,并自动解析文件内容,存入既定数据库表单。故障模式文件表头对照表如表1所示;历史故障文件表头对照表如表2所示。
表1
表2
优选地,所述案例组织管理包括案例表示、案例生成、案例存储和案例编辑四部分。案例表示实现案例信息结构化描述,如图2所示,案例表示结构采用实体联系图描述,分为案例基本信息、案例特征集、故障特征三部分。其中,案例基本信息记录诊断结论、维护措施、故障部件、索引次数信息;案例特征集记录特定系统的故障特征,并采用多元特征描述,案例特征多元描述类型如表3所示,包括布尔型、现象度、字符型、数值型、区间型五种类型;故障特征记录现场故障现象,通过关联案例特征集,并记录特征值实现。案例生成是在案例表示基础上,采用关键字段关联映射方式,将诊断知识录入模块存储的源知识转化为故障案例。案例存储采用层次化结构,案例组织结构如图3所示,前两层表征系统结构,第一层为系统层;第二层为子系统层;第三层为案例特征集和案例基本信息,其中案例特征集用于案例检索;第四层为故障特征,关联案例基本信息用于标识故障现象所属,关联案例特征集用于获取特征描述、效用等信息。案例编辑采用数据库管理技术,实现案例信息的增删改查;基于既定案例组织结构,案例特征修正包括两条路径,一是通过维护案例特征集,实现故障特征重定义、特征效用更改,二是通过案例故障特征的关联关系,实现故障特征描述增补。
表3
优选地,所述案例检索匹配模块包括故障描述、案例检索、案例匹配三部分。故障描述通过用户选择故障结构节点、输入故障特征值形成混合索引,具体分三步进行。第一步,系统解析系统结构知识,形成级联结构索引,用户选择故障的子系统节点;第二步,系统依据选择的子系统节点,获取当前节点下案例特征集中所有的故障特征,并展示给用户;第三步,用户依据故障现象,选择故障特征并赋予特征值,生成混合索引。
优选地,上述案例检索用于获取相关案例集。在基于结构索引减小案例库搜索范围后,采用近邻法检索相关案例,组成相关案例集用于案例相似度匹配。为实现案例距离求解,相关定义如下:
1)特征效用向量V:
V=[υ1,υ2,…,υi,…υn],i=1,2,…,n (1)
上式中,vi∈[0,1]表示案例特征集中第i个特征的效用值,vi值越大,则表明对应特征对故障判定影响越大;n表示案例特征集中元素数。
2)检索特征标记向量M:
M=[m1,m2,…,mi,…mn],i=1,2,…,n (2)
上式中,mi表示实际案例是否存在案例特征集中第i个特征描述;mi=1表示存在该特征描述,mi=0表示不存在该特征描述。
3)案例间特征相关性r:
r(S,C)=[r1,r2,…,ri,…rn] (3)
上式中,S表示当前故障案例,C表示案例库中的案例,ri(S,C)表示案例S和案例C中第i特征的相关性,ri=1表示相关,ri=0表示不相关。
4)当前故障与特定案例的距离d:
上式中,d∈[0,1]表示当前故障案例S与故障案例C的距离,d越大距离越远。
优选地,上述案例匹配用于获取与当前故障的最相似案例。案例匹配基于多元特征相似度量,通过计算当前故障与历史案例各特征相似度,并加权整合案例整体相似度,获取相似度高的案例输出。为实现案例相似度求解,相关定义如下:
1)特征值向量F:
F=[f1,f2,…,fi,…fn],i=1,2,…,n (6)
上式中,fi表示案例特征集中第i个特征的取值;若无取值,则为空。
2)案例相似度Sim:
上式中Sim(S,C)表示当前故障案例S与故障案例C的相关性,wi∈[0,1]表示第i个特征的权重,ri表示第i个特征的相关性;Sim(S,C)∈[0,1]表示案例S和案例C的第i个特征相似度,即特征相似度。
优选地,特征相似度计算需要根据特征类型,分别设计其相似度量方法。本发明特征描述有布尔型、现象度、字符型、数值型和区间型五种类型。下面将就这五种特征类型相似度量给予讨论,其中fi S表示当前故障案例S第i个特征的取值,fi C表示案例库中特定案例C第i个特征的取值。
1)布尔型特征相似度量
布尔型特征的特征值只有0和1两种状态,0表示特征未发生,1表示特征发生,其相似度量如下:
2)现象度特征相似度量
现象度特征的特征值为有限元素的集合,且其描述往往是一种程度的递进关系。如:“无气流”赋值为0,“气流微弱”赋值为3,“气流正常”赋值为4,表明气流有无对故障判定影响更大。一般情况下,设定其取值范围为0~10的整数,则具体计算如下:
3)字符型特征相似度量
字符型特征的特征值为一段文字,由于其语义描述的丰富性,容易出现“同词不同义,同义不同词”的情况,难以对其量化描述。具体实现包括两部分,一是关键字检索;二是权重分配。关键字检索是指从案例特征集对应特征的值域中,选取一组关键词a1,a2,...,ak组成fi S;权重分配是指依据所选关键词al∈fi S的效用值vl,计算各关键词权重wal,用于相似度计算。
具体计算如下:
4)数值型特征相似度量
数值型特征的特征值为有效区间内的实数。假定区间内连续,区间上限为max(fi),区间下限为min(fi),则其相似度量如下:
若区间无明确定义,则取案例库中所有案例对应特征的极值作为区间上下限,即
/>
5)区间型特征相似度量
区间型特征的特征值为有界连续区间,其相似度量如下:
Simi(S,C)=len(fi S∩fi C)/len(fi S∪fi C) (16)
上式中,len(fi)表示区间长度。
实施例4:
一种基于多元动态特征的通用飞行器案例推理方法,采用上述的系统进行,包括以下步骤:
步骤A:解析系统结构知识,形成结构索引,用户选择故障的子系统节点;依据选择的子系统节点,获取当前节点下案例特征集中所有的故障特征,并展示;用户依据故障现象,选择故障特征并赋予特征值,生成混合索引;
步骤B:在基于结构索引减小案例库搜索范围后,采用近邻法检索相关案例,组成相关案例集用于案例相似度匹配;
步骤C:基于多元特征相似度量,通过计算当前故障与历史案例各特征相似度,并加权整合案例整体相似度,获取相似度高的案例输出。
本发明可将故障模式设计资料自动转化为故障案例,拓展案例来源,提高系统诊断能力;同时,使案例推理诊断技术可用于新产品、新领域,具有较好的实用性。
实施例5:
一种基于多元动态特征的通用飞行器案例推理方法,采用上述的系统进行,如图4所示,具体如下:
步骤1:故障发生后,确定故障子系统;
步骤2:依据选择的故障子系统节点,获取当前节点下案例特征集中所有的故障特征;
步骤3:依据当前故障现象,选择案例特征集中的故障特征,输入特征值;
步骤4:采用近邻法检索案例库,获取相关案例集;
步骤5:从相关案例集中依次取出对照案例;
步骤6:依次计算对照案例特征与当前故障特征的相似度;
步骤7:判断当前案例所包含的案例特征是否计算完成,若未完成,则进行第六步;若完成,则进行下一步;
步骤8:计算案例相似度;
步骤9:判断相关案例集所有案例是否完成匹配,若未完成,则跳转第五步,继续匹配下一个对照案例;若完成,则进行下一步;
步骤10:依照计算出的案例相似度,对相关案例集进行排序;根据需求,输出一定数量的相似案例,求解当前问题。
本发明可将故障模式设计资料自动转化为故障案例,拓展案例来源,提高系统诊断能力;同时,使案例推理诊断技术可用于新产品、新领域,具有较好的实用性。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (7)
1.一种基于多元动态特征的通用飞行器案例推理系统,其特征在于,包括诊断知识录入模块、案例组织管理模块、案例检索匹配模块;所述诊断知识录入模块用于自动获取多源异构知识,并转化为故障案例;所述案例组织管理模块用于以多元化特征案例表示为基础,实现案例信息编辑与存储,采用多元化特征描述故障特征,且多元化特征描述包括布尔型、现象度、字符型、数值型、区间型中的任意一种或者多种;所述案例检索匹配模块用于采用混合索引、多元特征相似度量,来获取故障库相似案例;所述案例检索匹配模块包括故障描述单元、案例检索单元、案例匹配单元,所述故障描述单元用于通过用户选择故障结构节点、输入故障特征值形成混合索引;所述案例检索单元用于获取相关案例集;所述案例匹配单元用于获取与当前故障的最相似案例;
通用飞行器案例推理系统的运行包括以下步骤:
步骤A:解析系统结构知识,形成结构索引,用户选择故障的子系统节点;依据选择的子系统节点,获取当前节点下案例特征集中所有的故障特征,并展示;用户依据故障现象,选择故障特征并赋予特征值,生成混合索引;
步骤B:在基于结构索引减小案例库搜索范围后,采用近邻法检索相关案例,组成相关案例集用于案例相似度匹配;
步骤C:基于多元特征相似度量,通过计算当前故障与历史案例各特征相似度,
并加权整合案例整体相似度,获取相似度高的案例输出;
所述步骤B中案例距离计算如下:
1)特征效用向量V:
V=[υ1,υ2,…,υi,…υn],i=1,2,…,n (1)
其中,vi∈[0,1]表示案例特征集中第i个特征的效用值,
vi值越大,则表明对应特征对故障判定影响越大;
n表示案例特征集中元素数;
2)检索特征标记向量M:
M=[m1,m2,…,mi,…mn],i=1,2,…,n (2)
其中,mi表示实际案例是否存在案例特征集中第i个特征描述;
mi=1表示存在该特征描述,mi=0表示不存在该特征描述;
3)案例间特征相关性r:
r(S,C)=[r1,r2,…,rj,…rn] (3)
其中,S表示当前故障案例,
C表示案例库中的案例,
ri(S,C)表示案例S和案例C中第i特征的相关性,
ri=1表示相关,ri=0表示不相关;
4)当前故障与特定案例的距离d:
其中,d∈[0,1]表示当前故障案例S与故障案例C的距离,
d越大距离越远。
2.根据权利要求1所述的一种基于多元动态特征的通用飞行器案例推理系统,其特征在于,所述诊断知识录入模块包括结构知识录入单元、故障模式录入单元、历史故障知识录入单元,结构知识包括系统、子系统、部件三个层级,且每个层级实体包含代号、名称、所属结构、生产厂家、备注属性。
3.根据权利要求1所述的一种基于多元动态特征的通用飞行器案例推理系统,其特征在于,所述案例组织管理模块包括案例表示单元、案例生成单元、案例存储单元和案例编辑单元,所述案例表示单元用于实现案例信息结构化描述;所述案例生成单元用于在案例表示单元的基础上,采用关键字段关联映射方式,将诊断知识录入模块存储的源知识转化为故障案例;所述案例编辑单元用于实现案例信息的增删改查。
4.根据权利要求3所述的一种基于多元动态特征的通用飞行器案例推理系统,其特征在于,所述案例表示单元包括案例基本信息、案例特征集、故障特征,所述案例基本信息用于记录诊断结论、维护措施、故障部件、索引次数信息;所述案例特征集用于记录特定系统的故障特征,并采用多元特征描述;所述故障特征用于记录现场故障现象,通过关联案例特征集,并记录特征值实现。
5.根据权利要求3所述的一种基于多元动态特征的通用飞行器案例推理系统,其特征在于,所述案例存储单元的案例组织结构的第一层为系统层;第二层为子系统层;第三层为案例特征集和案例基本信息,其中案例特征集用于案例检索;第四层为故障特征,关联案例基本信息用于标识故障现象所属,关联案例特征集用于获取特征描述、效用信息。
6.一种基于多元动态特征的通用飞行器案例推理方法,采用权利要求1-5任一项所述的系统进行,其特征在于,所述步骤C中案例相似度计算如下:
定义fi S表示当前故障案例S第i个特征的取值,
fi C表示案例库中特定案例C第i个特征的取值;
1)布尔型特征相似度量
布尔型特征的特征值只有0和1两种状态,0表示特征未发生,1表示特征发生,其相似度量如下:
2)现象度特征相似度量
现象度特征的特征值为有限元素的集合,且其描述往往是一种程度的递进关系,设定其取值范围为0~10的整数,则具体计算如下:
3)字符型特征相似度量
字符型特征的特征值为一段文字,包括两部分,一是关键字检索;二是权重分配;
关键字检索是指从案例特征集对应特征的值域中,选取一组关键词a1,a2,…,ak组成
权重分配是指依据所选关键词al∈fi S的效用值vl,计算各关键词权重wal,用于相似度计算;
具体计算如下:
4)数值型特征相似度量
数值型特征的特征值为有效区间内的实数,假定区间内连续,区间上限为max(fi),区间下限为min(fi),则其相似度量如下:
若区间无明确定义,则取案例库中所有案例对应特征的极值作为区间上下限,即
5)区间型特征相似度量
区间型特征的特征值为有界连续区间,其相似度量如下:
上式中,len(fi)表示区间长度。
7.根据权利要求6所述的一种基于多元动态特征的通用飞行器案例推理方法,其特征在于,具体包括以下步骤:
步骤S1:故障发生后,确定故障子系统;
步骤S2:依据选择的故障子系统节点,获取当前节点下案例特征集中所有的故障特征;
步骤S3:依据当前故障现象,选择案例特征集中的故障特征,输入特征值;
步骤S4:采用近邻法检索案例库,获取相关案例集;
步骤S5:从相关案例集中依次取出对照案例;
步骤S6:依次计算对照案例特征与当前故障特征的相似度;
步骤S7:判断当前案例所包含的案例特征是否计算完成,若未完成,则进行步骤S6;若完成,则进行下一步;
步骤S8:计算案例相似度;
步骤S9:判断相关案例集所有案例是否完成匹配,若未完成,则跳转步骤S5,继续匹配下一个对照案例;若完成,则进行下一步;
步骤S10:依照计算出的案例相似度,对相关案例集进行排序;根据需求,输出一定数量的相似案例,求解当前问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505735.9A CN116701730B (zh) | 2023-05-06 | 2023-05-06 | 一种基于多元动态特征的通用飞行器案例推理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505735.9A CN116701730B (zh) | 2023-05-06 | 2023-05-06 | 一种基于多元动态特征的通用飞行器案例推理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116701730A CN116701730A (zh) | 2023-09-05 |
CN116701730B true CN116701730B (zh) | 2024-06-07 |
Family
ID=87831852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310505735.9A Active CN116701730B (zh) | 2023-05-06 | 2023-05-06 | 一种基于多元动态特征的通用飞行器案例推理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701730B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243628A (zh) * | 2010-05-12 | 2011-11-16 | 电子科技大学 | 成矿案例推理模型与方法 |
CN105302112A (zh) * | 2015-10-23 | 2016-02-03 | 中国电子科技集团公司第十研究所 | Icni系统智能故障诊断系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933647A (zh) * | 2019-02-12 | 2019-06-25 | 北京百度网讯科技有限公司 | 确定描述信息的方法、装置、电子设备和计算机存储介质 |
-
2023
- 2023-05-06 CN CN202310505735.9A patent/CN116701730B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243628A (zh) * | 2010-05-12 | 2011-11-16 | 电子科技大学 | 成矿案例推理模型与方法 |
CN105302112A (zh) * | 2015-10-23 | 2016-02-03 | 中国电子科技集团公司第十研究所 | Icni系统智能故障诊断系统 |
Non-Patent Citations (2)
Title |
---|
基于案例推理和粗糙集的商用飞机故障诊断研究;晏震乾;曹磊;陈金;;计算机测量与控制;20200825(第08期);全文 * |
基于案例推理方法在飞机故障诊断中的应用;李青;史雅琴;周扬;;北京航空航天大学学报;20070515(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116701730A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10891597B2 (en) | Method and system for generating vehicle service content | |
CN110362660B (zh) | 一种基于知识图谱的电子产品质量自动检测方法 | |
Hui et al. | Data mining for customer service support | |
CN101119326B (zh) | 一种即时通信会话记录的管理方法及装置 | |
US20020120619A1 (en) | Automated categorization, placement, search and retrieval of user-contributed items | |
US20200334249A1 (en) | Automatic transformation of complex tables in documents into computer understandable structured format and providing schema-less query support data extraction | |
CN104933100A (zh) | 关键词推荐方法和装置 | |
US11194798B2 (en) | Automatic transformation of complex tables in documents into computer understandable structured format with mapped dependencies and providing schema-less query support for searching table data | |
Rao | Data mining and clustering techniques | |
US11308083B2 (en) | Automatic transformation of complex tables in documents into computer understandable structured format and managing dependencies | |
CN114970508A (zh) | 基于数据多源融合的电力文本知识发现方法及设备 | |
Guo et al. | Industrial Dataspace for smart manufacturing: connotation, key technologies, and framework | |
CN108664509A (zh) | 一种即席查询的方法、装置及服务器 | |
US9594755B2 (en) | Electronic document repository system | |
CN116894152B (zh) | 一种多源数据调研与实时分析方法 | |
CN106484815B (zh) | 一种基于海量数据类sql检索场景的自动识别优化方法 | |
CN117271767A (zh) | 基于多智能体的运维知识库的建立方法 | |
CN117237574A (zh) | 任务驱动的地理数字孪生场景增强可视化方法及系统 | |
CN117312578B (zh) | 一种非遗传承图谱的构建方法与系统 | |
CN117272073B (zh) | 文本单位语义距离预计算方法及装置、查询方法及装置 | |
Wu et al. | An intelligent search engine based on knowledge graph for power equipment management | |
CN116701730B (zh) | 一种基于多元动态特征的通用飞行器案例推理系统及方法 | |
Shi et al. | [Retracted] Research on Fast Recommendation Algorithm of Library Personalized Information Based on Density Clustering | |
CN115858807A (zh) | 一种基于航空装备故障知识图谱的问答系统 | |
Guo et al. | Analysis method for factors influencing gear hobbing quality based on density peak clustering and improved multi-objective differential evolution algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |