CN118093785A - 一种面向分布式协同的航空电子故障知识融合方法 - Google Patents

Abstract

本发明涉及航空电子设备领域，提供一种面向分布式协同的航空电子故障知识融合方法，包括以下步骤：S1，获取航空电子装备多源故障知识数据，对获取的航空电子装备多源故障知识数据进行分析处理与筛选；S2，针对不同时间线上知识冲突问题，基于属性相似度综合计算加工故障知识，完成故障知识融合；S3，针对不同来源的故障知识冲突问题，通过故障元标注与识别的方式，完成故障知识融合；S4，构建故障知识图谱，存储融合后的故障知识。本发明能够在故障知识模型的初次构建以及已有故障知识模型的扩充过程中消减知识冲突，提高航空电子信息装备知识模型构建的准确性、可靠性、完整性，进而对航空电子装备的故障定位和装备维修提供更好的支持。

Description

一种面向分布式协同的航空电子故障知识融合方法

技术领域

本发明涉及航空电子设备领域，具体而言，涉及一种面向分布式协同的航空电子故障知识融合方法。

背景技术

一方面，航空电子信息装备故障知识种类和来源较多，包括FMEA、故障案例、故障树等不同种类的故障知识，各类故障知识由不同人员构建，不同来源的故障知识在具体的文本描述、故障实体关系构建方面会存在差异，知识存在冲突；另一方面，同一来源，不同时间线上的故障知识也存在融合问题。故障知识库随着时间积累不断更新，新旧故障知识也会存在冲突。为了融合冲突知识，提高航空电子信息装备知识模型构建的准确性、可靠性、完整性，提出了一种面向分布式协同的航空电子故障知识融合方法。

发明内容

本发明旨在提供一种面向分布式协同的航空电子故障知识融合方法，以解决故障知识模型的初次构建以及已有故障知识模型的扩充过程中的知识冲突问题，提高航空电子信息装备知识模型构建的准确性、可靠性、完整性。

本发明提供的一种面向分布式协同的航空电子故障知识融合方法，包括以下步骤：

S1，获取航空电子装备多源故障知识数据，对获取的航空电子装备多源故障知识数据进行分析处理与筛选；

S2，针对不同时间线上知识冲突问题，基于属性相似度综合计算加工故障知识，完成故障知识融合；

S3，针对不同来源的故障知识冲突问题，通过故障元标注与识别的方式，完成故障知识融合；

S4，构建故障知识图谱，存储融合后的故障知识。

进一步的，步骤S1中，选取航空电子装备的FMEA、FTA和故障案例作为航空电子装备多源故障知识数据。

进一步的，步骤S1包括：

分析故障知识数据含义，筛选可用于构建故障知识模型的表头作为实体类型，并构建实体关系，为故障知识信息读取提供支持；

进行故障知识数据属性选择时，根据专家知识综合考虑故障知识各数据属性含义及属性之间的关联关系，从中选取能够有效表征故障知识的属性，以此作为实体类型；

将每一条FMEA、FTA和故障案例分别读取成一组实体，进而根据该组实体对应实体类型之间的关联关系将该组实体转换为多个实体对，结合实体对中实体的关系，构建故障知识三元组。

进一步的，所述实体类型包括：故障模式、型号、系统、成套设备、整件、部件、案例名称、故障型号、故障整机或单元、故障现象、诊断过程、维修措施、故障原因、故障检测方法、本级影响、高一层次影响、最终影响、改进措施、使用补偿措施、故障树名称、测试项名称和监测点。

进一步的，步骤S2中，采用余弦相似度分别计算每条FMEA、FTA和故障案例的各个属性相似度；然后使用加权平均法，计算两条数据之间的整体相似度，将之与确定好的共指消解阈值进行比较，判别为两条数据为同一实体后，将数据合并储存，即完成故障知识融合。

进一步的，步骤S3包括：

通过将FMEA、FTA、故障案例中的故障模式、故障现象两种实体进一步进行知识抽取，并通过智能标注软件完成故障元及其别称库的构建；

基于自然语言领域的句段分词方法构建故障元别称自动抽取算法，从故障现象文字中提取可能是故障元别称的文字描述；

基于文字相似度匹配的方法开展故障描述中的故障元别称描述与已有故障元别称的模糊匹配；

基于在故障元构建过程中建立好的故障元别称—故障元—故障模式映射关系，实现将不同来源的故障知识映射到同一种故障模式。

进一步的，故障元及其别称库的构建步骤包括：

建立航空综合电子信息装备故障元表征体系；故障元指的是从故障现象和故障模式的知识中，依据专家经验整理、梳理出凝练化表征故障的关键词；故障元的类别包括部件单元、性能表征和故障状态。通过专家知识整理形成故障元库，利用故障元智能标注软件人工建立故障元—故障元别称之间的关系，再通过智能识别和人工标注结合的方式，完成故障元—故障元别称基础库的构建。

进一步的，故障元别称自动抽取步骤包括：

依据第三方库已有的开源自然语言统计词典，构建统计词典中词的前缀词典；

然后，依据前缀词典对输入的句子进行有向无环图的构造；接着使用动态规划的方法在有向无环图上找到一条概率最大路径，依据此路径进行分词；

最后，对于未收录词，基于隐马尔可夫模型，用维特比算法找出最可能出现的隐状态序列，找出所有可能是故障元别称的词序列。

进一步的，故障元模糊匹配的步骤包括：

基于最长公共子序列的方法，计算提取的所有可能的故障元别称与故障元别称库中所有故障元别称的文字相似度；

设定相似性度量阈值，以相似度大于所述相似性度量阈值的提取故障元别称—已有故障元别称对作为匹配对，实现故障元别称的模糊匹配。

进一步的，步骤S4包括：

对于抽取、加工后的知识，综合阈值比对结果对存在冲突的实体条目进行清理或合并储存操作，并将其转换为RDF格式数据，实现知识统一表达；基于Neo4j构建航空综合电子信息装备故障知识图谱，先构建实体以及实体与实体之间的关系，再通过属性作为实体内在特征的描述，最终完成多模态航空故障知识融合。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明通过不同来源或者不同时间线上航空电子装备故障知识进行深度融合，消除知识之间的冲突，保证在知识库扩充过程中知识表达的准确性、可靠性和完整性，进而达到保障装备故障定位和维护修理的效率，对航空电子装备运维过程具有重要的意义和价值。

2、本发明的上述面向分布式协同的航空电子故障知识融合方法可以应用于多个领域。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中基于面向分布式协同的航空电子故障知识融合方法流程图。

图2a为本发明实施例中故障现象之间的余弦相似度矩阵计算结果图。

图2b为本发明实施例中整机故障元之间的余弦相似度矩阵计算结果图。

图2c为本发明实施例中模块故障元之间的余弦相似度矩阵计算结果图。

图2d为本发明实施例中故障原因之间的余弦相似度矩阵计算结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1所示，本实施例提出一种面向分布式协同的航空电子故障知识融合方法，包括以下步骤：

S1，获取航空电子装备多源故障知识数据，对获取的航空电子装备多源故障知识数据进行分析处理与筛选；

选取航空电子装备的FMEA（故障模式及其影响分析表）、FTA（故障树）、故障案例作为航空电子装备多源故障知识数据，并对航空电子装备多源故障知识数据进行分析处理与筛选。具体地：

分析故障知识数据含义，筛选可用于构建故障知识模型的表头作为实体类型，并构建实体关系，为故障知识信息读取提供支持；进行故障知识数据属性选择时，根据专家知识综合考虑故障知识各数据属性含义及属性之间的关联关系，从中选取能够有效表征故障知识的属性，以此作为实体类型；将每一条FMEA、FTA、故障案例分别读取成一组实体，进而根据该组实体对应实体类型之间的关联关系将该组实体转换为多个实体对，结合实体对中实体的关系，构建故障知识三元组，三元组的形式为<头实体，关系，尾实体>。

具体地，从航空电子装备故障知识数据中抽取的实体类型包括：故障模式、型号、系统、成套设备、整件、部件、案例名称、故障型号、故障整机或单元、故障现象、诊断过程、维修措施、故障原因、故障检测方法、本级影响、高一层次影响、最终影响、改进措施、使用补偿措施、故障树名称、测试项名称和监测点。定义航空综合电子信息装备本体关系类型如表1所示，定义航空综合电子信息装备本体属性类型如表2所示。

表1，航空综合电子信息装备本体关系类型定义表：

表2，航空综合电子信息装备本体属性类型定义表：

S2，针对不同时间线上知识冲突问题，基于属性相似度综合计算加工故障知识，完成故障知识融合。具体地：

以不同时间线录入的FMEA为例，采用余弦相似度计算两两属性之间的相似度，即直接计算TF矩阵中两个向量的相似度，如图2a、2b、2c、2d所示，实际上就是求解两个向量夹角的余弦值，即点乘积除以二者的模长：

其中，表示向量A和向量B的相似度，A _i和B _i分别代表向量A和向量B的各分量。

分别计算每条FMEA数据的各个属性相似度，然后使用加权平均法，计算两条数据之间的整体相似度，将之与确定好的共指消解阈值进行比较，判别为两条数据为同一实体后，将数据合并储存，即完成故障知识融合。

S3，针对不同来源的故障知识冲突问题，通过故障元标注与识别的方式，完成故障知识融合；

其中，通过将FMEA、FTA、故障案例中的故障模式、故障现象两种实体进一步进行知识抽取，并通过智能标注软件完成故障元及其别称库的构建；然后，基于自然语言领域的句段分词方法构建故障元别称自动抽取算法，从故障现象文字中提取可能是故障元别称的文字描述。然后，基于文字相似度匹配的方法开展故障描述中的故障元别称描述与已有故障元别称的模糊匹配；最后，基于在故障元构建过程中建立好的故障元别称—故障元—故障模式映射关系，实现将不同来源的故障知识映射到同一种故障模式。

其中，故障元及其别称库的构建步骤包括：

建立航空综合电子信息装备故障元表征体系。故障元指的是从故障现象、故障模式等知识中，依据专家经验整理、梳理出凝练化表征故障的关键词。故障元的类别包括了部件单元、性能表征、故障状态等不同方面。通过专家知识整理形成故障元库，利用故障元智能标注软件人工建立故障元—故障元别称之间的关系，再通过智能识别和人工标注结合的方式，完成故障元—故障元别称基础库的构建。

其中，故障元别称自动抽取步骤包括：

首先，依据Python第三方库jieba已有的开源自然语言统计词典，构建统计词典中词的前缀词典；然后，依据前缀词典对输入的句子进行有向无环图（Directed AcyclicGraph，DAG）的构造；接着使用动态规划的方法在DAG上找到一条概率最大路径，依据此路径进行分词；最后，对于未收录词，基于隐马尔可夫模型（Hidden Markov Model，HMM模型），用维特比（Viterbi）算法找出最可能出现的隐状态序列，找出所有可能是故障元别称的词序列。

其中，故障元模糊匹配的步骤包括：

首先，基于最长公共子序列（Longest Common Subsequence，LCS）的方法，计算提取的所有可能的故障元别称与故障元别称库中所有故障元别称的文字相似度；然后，设定相似性度量阈值，以相似度大于所述相似性度量阈值的提取故障元别称—已有故障元别称对作为匹配对，实现故障元别称的模糊匹配。

S4，构建故障知识图谱，存储融合后的故障知识。

其中，对于抽取、加工后的知识，综合阈值比对结果对存在冲突的实体条目进行清理或合并储存操作，并将其转换为RDF格式数据，实现知识统一表达；基于Neo4j（一种常用的图形数据库）构建航空综合电子信息装备故障知识图谱，先构建实体以及实体与实体之间的关系，再通过属性作为实体内在特征的描述，最终完成多模态航空故障知识融合。

上述面向分布式协同的航空电子故障知识融合方法可以应用于多个领域。首先，从分析对象的多源健康状态知识数据中抽取实体、关系和属性信息后；然后，针对不同时间线记录的故障知识文本中存在的不同名实体实际指称相同的情况，通过计算属性相似度的方式来实现共指消解；接着，构建了故障元及其别称库，通过故障现象—故障元别称—故障元—故障模式的现象，将不同来源但指向同一种故障模式的故障知识进行合并；最后，将抽取、加工后的知识转换为RDF格式数据，进行知识入库，再通过Neo4j构建航空综合电子信息装备故障知识图谱，完成航空故障知识模型的融合和统一表达。通过不同来源或者同一来源，不同时间线上航空电子装备故障知识进行深度融合，消除知识之间的冲突，保证在知识库扩充过程中知识表达的准确性、可靠性和完整性，进而达到保障装备故障定位和维护修理的效率，对航空电子装备运维过程具有重要的意义和价值。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种面向分布式协同的航空电子故障知识融合方法，其特征在于，包括以下步骤：

S1，获取航空电子装备多源故障知识数据，对获取的航空电子装备多源故障知识数据进行分析处理与筛选；

S2，针对不同时间线上知识冲突问题，基于属性相似度综合计算加工故障知识，完成故障知识融合；

S3，针对不同来源的故障知识冲突问题，通过故障元标注与识别的方式，完成故障知识融合；

S4，构建故障知识图谱，存储融合后的故障知识。

2.根据权利要求1所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤S1中，选取航空电子装备的FMEA、FTA和故障案例作为航空电子装备多源故障知识数据。

3.根据权利要求2所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤S1包括：

分析故障知识数据含义，筛选可用于构建故障知识模型的表头作为实体类型，并构建实体关系，为故障知识信息读取提供支持；

进行故障知识数据属性选择时，考虑故障知识各数据属性含义及属性之间的关联关系，从中选取能够有效表征故障知识的属性，以此作为实体类型；

将每一条FMEA、FTA和故障案例分别读取成一组实体，进而根据该组实体对应实体类型之间的关联关系将该组实体转换为多个实体对，结合实体对中实体的关系，构建故障知识三元组。

4.根据权利要求3所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，所述实体类型包括：故障模式、型号、系统、成套设备、整件、部件、案例名称、故障型号、故障整机或单元、故障现象、诊断过程、维修措施、故障原因、故障检测方法、本级影响、高一层次影响、最终影响、改进措施、使用补偿措施、故障树名称、测试项名称和监测点。

5.根据权利要求4所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤S2中，采用余弦相似度分别计算每条FMEA、FTA和故障案例的各个属性相似度；然后使用加权平均法，计算两条数据之间的整体相似度，将之与确定好的共指消解阈值进行比较，判别为两条数据为同一实体后，将数据合并储存，即完成故障知识融合。

6.根据权利要求4所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤S3包括：

通过将FMEA、FTA和故障案例中的故障模式和故障现象两种实体进一步进行知识抽取，并通过智能标注软件完成故障元及其别称库的构建；

基于自然语言领域的句段分词方法构建故障元别称自动抽取算法，从故障现象文字中提取故障元别称的文字描述；

基于文字相似度匹配的方法开展故障描述中的故障元别称描述与已有故障元别称的模糊匹配；

基于在故障元构建过程中建立好的故障元别称—故障元—故障模式映射关系，实现将不同来源的故障知识映射到同一种故障模式。

7.根据权利要求6所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，故障元及其别称库的构建步骤包括：

建立航空综合电子信息装备故障元表征体系；故障元指的是从故障现象和故障模式的知识中，依据专家经验整理、梳理出凝练化表征故障的关键词；故障元的类别包括部件单元、性能表征和故障状态；通过专家知识整理形成故障元库，利用故障元智能标注软件人工建立故障元—故障元别称之间的关系，再通过智能识别和人工标注结合的方式，完成故障元—故障元别称基础库的构建。

8.根据权利要求6所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，故障元别称自动抽取步骤包括：

依据第三方库已有的开源自然语言统计词典，构建统计词典中词的前缀词典；

然后，依据前缀词典对输入的句子进行有向无环图的构造；接着使用动态规划的方法在有向无环图上找到一条概率最大路径，依据此路径进行分词；

最后，对于未收录词，基于隐马尔可夫模型，用维特比算法找出最可能出现的隐状态序列，找出所有是故障元别称的词序列。

9.根据权利要求6所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，故障元模糊匹配的步骤包括：

基于最长公共子序列的方法，计算提取的所有可能的故障元别称与故障元别称库中所有故障元别称的文字相似度；

设定相似性度量阈值，以相似度大于所述相似性度量阈值的提取故障元别称—已有故障元别称对作为匹配对，实现故障元别称的模糊匹配。

10.根据权利要求1所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤S4包括：

对于抽取、加工后的知识，综合阈值比对结果对存在冲突的实体条目进行清理或合并储存操作，并将其转换为RDF格式数据，实现知识统一表达；基于Neo4j构建航空综合电子信息装备故障知识图谱，先构建实体以及实体与实体之间的关系，再通过属性作为实体内在特征的描述，最终完成多模态航空故障知识融合。