航空发动机MRO知识建模与重用技术研究

淮 斌，杨海成，万 能

（西北工业大学 现代设计与集成制造技术教育部重点实验室，西安 710072）

0 引言

在航空发动机MRO（Maintenance, Repair and Operations）过程中维修维护大量依赖于人的经验与分析，而经验只存在于人脑中，往往只能通过“口口相传”和实际操作的方式继承传递[1]。这种现状造成维修经验知识难以积累传播，制约了维修效率和维修质量。目前维修知识主要以纸质的维修手册、维修守则等形式传递，这类方法难以实现MRO知识对维修过程的主动辅助，也难以让维修者以最佳方式重用知识。对于航空发动机的维修维护，目前研究主要集中于维修数据、物料数据、维修方法等数据管理方向，并且已有软件厂商提出了相应的解决方案[2]。但对于MRO领域内的知识建模方法和重用方法尚未有深入研究，而MRO知识的建模与重用方法恰恰是提高航空发动机维修维护能力的重要保障之一[3]。

1 航空发动机MRO扩展语义树

在航空发动机维修维护过程中，存在大量的术语词汇。这些术语都对应领域中的某个概念、参数、过程或者零部件。这些术语之间具备四种基本关系：同义关系、反义关系、上下位关系和整体/部分关系[4]。

定义1：如果术语α能完全替代术语β所涉及的所有知识而得到与术语β相同的结果，并且术语 β对于术语α存在同样关系，则我们称术语α与术语β是同义关系，记为α=β。

定义2：如果术语α与术语β之间存在从属关系，则术语α是术语β的下位，术语β是术语α的上位。

定义3：如果术语ɣ仅有下位术语α与术语β，而且术语α与术语β没有交集，则称术语α与术语β为反义关系。

定义4：如果术语α描述的概念是术语β描述概念的组成部分，则称术语α与术语β是整体/部分关系。

为了实现航空发动机MRO知识重用的语义计算，首先针对航空发动机的特点建立领域中的扩展术语语义关系树。如图1所示。

图1 术语语义关系树

语义相似度计算就是以术语语义关系树为基础，计算术语之间的相似程度。假设λ为可调整因子，D(c1,c2)表示两个概念之间的语义距离。语义相似度的计算公式为：

语义距离描述了两个概念的相似程度。两个概念间的语义距离越近，它们的语义相似程度越高，反之越低。本文根据术语在语义关系树上的最小加权路径来衡量语义距离。路径的权值依据术语在语义关系树中的深度取值，即 表示从术语U(C)中引出的所有边的权值，其中Dep(c)表示术语C与语义树根节点的最短路径。

在语义关系树上，术语之间的结构分为六类：同义结构，反义结构、整体/部分结构，上下位结构，同上位词结构和异上位词结构[5]。记术语的同义词集合为Ssyn(s)，上位词集合为Sup(t)，整体/部分词集合为Smer(t)，术语m对术语n之间相似度为A(m,n)。

同义结构：如果术语w1与术语w2是同义词，即则可得w1对w2的相似度为A(w1,w2)=1，w2对w1的相似度也为A(w2,w1)=1。

反义结构：如果术语w1与术语w2是反义词，则可得A(w1,w2)=0，A(w2,w1)=0。

整体/部分结构：如果w1与w2是整体与部分的关系，整体和部分关系的概念之间只有结构上的包含关系，双方没有语义的相似性。即则可得A(w1,w2)=0，A(w2,w1)=0。

上下位结构： 如果术语w1是w2的上位词，则存在从w1到w2的直接路径。假设从w1到w2的路径上有术语，使得术语w1和w2之间最短路径的边的权值为：术语w1和w2之间的语义距离为：则 w2对w1的相似度：，而w1对w2的相似度也等于

同上位词结构：如果w1与w2具有相同的上位词w，假设w1到w2的路径上有术语

2 航空发动机MRO知识建模与重用

2.1 MRO案例类知识建模与重用

航空发动机维修维护中常体现出强经验弱理论性，许多维修知识经验隐含在以往的维修案例中，形成案例类知识。案例类知识模型包括案例检索条件和案例内容两部分。案例检索条件是描述维修案例的检索依据。检索条件可以描述为：

InstSearch是案例类知识的检索条件。Model是维修对象术语。Course是维修过程术语。FeaVec是维修内容的特征向量。利用维修对象作为第一级检索条件可以迅速缩小检索范围。利用维修维护过程作为第二级检索条件。利用维修内容的关键字作为特征向量。在前两级检索的结果中，通过对案例特征向量的模糊匹配可以得到最接近维修要求的案例知识，而第三级检索是案例精确检索的依据。

搜索案例的结构化特征向量时，可以采用语义相似度计算方法检索案例。其检索机制如图2所示。

图2 维修案例类知识重用方法

2.2 MRO图表类知识建模与重用

图表类知识是利用经验曲线和表格等描述参数常用取值或多个参数之间取值的变化规律。航空发动机维修过程中也存在这类经验曲线、经验表格。经验曲线和表格能描述维修因素与其他多个因素之间可量化的关系。这类知识对维修参数选择有直接的指导作用，但参数选择的优劣判断往往需要以维修要求来评价。

领域专家以图表中参数选择的取值精度作为最小步长，图表类知识按照最小选择步长将经验曲线离散为点集合，点集合中每个点对应的主动参数与从动参数组成键值对。将经验曲线或表格上待选的经验参数作为键名，与之相关联的参数值作为键值。图表类知识模型可描述为：

Graph是指维修图表信息的完备描述。GraphItem是指原始图表中一组主被动参数映射。Number是该组映射被使用的次数，该次数是在调用结束后返回的值。SubData是指主动参数，即该图表知识所表达的待选参数。ObData是指该图表知识中被主动参数影响的被动参数。KName是参数名称，KValue是参数值。主动参数与被动参数之间存在映射关系，这种映射关系将主动参数与被动参数连接起来形成图表的完整描述。

参数选用是图表类知识重用的主要方式。首先由领域专家提出维修图表知识中影响待选参数的其它参数因子，这些参数因子组成维修特征向量FeaVec。各种不同的维修特征向量形成特征向量集合FeaVecSet。FeaVecSet中每一个FeaVec对应一个待选参数建立频率描述UseFrequencyDes。UseFrequencyDes以待选参数的值为横坐标，以每个待选参数的使用次数为纵坐标，形成二维表。

统计反馈组件负责从知识调用组件获得维修特征向量各分量的值，利用语义相似度计算得到特征向量与FeaVec之间的相似度。获得匹配程度最高的FeaVec所对应的UserFrequencyDes。查询UseFrequencyDes获取使用次数最多的待选参数值作为维修选用初始值。由统计方法获取的初始值往往并不是最终选用的参数值，通过维修过程中的反复实验才能获得最终选用值。将最终选用值反馈回UseFrequencyDes，在UseFrequencyDes中将最终选用值的使用次数加1。这个过程是反馈实际选用值以更新图表类维修知识的过程。如图3所示。

图3 基于统计反馈的维修知识重用

2.3 MRO公式类知识建模与重用

航空发动机维修维护过程中也存在能够定量描述的知识，这类知识往往以各种学科内部的经验公式体现，并不是一成不变。对公式类知识的传统应用方法是利用高级程序语言直接描述公式运算方法，使公式类知识固化在应用组件程序中。但当维修知识发生变化后，公式类知识难以随之变化，不利于知识的进化[6,7]。

公式类知识可以抽象为原子表达式的有向图。原子表达式可以分解为输入参数、输出参数和数学运算符号三种基本元素。数学运算符号对应运算的数学实现，数学实现一般包含在程序组件中以可调用接口表现。

FeaVec是公式类特征向量。InputSet是输入参数集合，OutputSet是输出参数集合。FormulaOnto是维修知识模型。Expression是公式类知识中不可分解的原子表达式。表达式个数可以是多个。Index是原子表达式的调用序号。Construct是指调用结构，调用结构分为顺序、分支、聚合和异或四种类型。Para是原子表达式的输入参数集合。MathSymbol是原子表达式所涉及的数学运算符号。result是运算结果参数集合。realization是运算符号的实现组件地址。对公式类知识的调用依赖于对公式知识的功能描述。本文利用公式特征向量抽象描述公式知识的功能。公式类知识特征向量利用公式的输入参数集合和输出参数集合标识。构建框架公式库作为公式类知识的重用方法，如图4所示。

知识调用组件：公式类知识的使用者，通过检索公式的特征向量获取知识资源。

公式类知识检索引擎：接收知识调用组件传递的特征向量，在公式类知识库中搜索匹配符合要求的公式类知识插件，向公式类知识解释引擎传递检索到的插件ID号。

公式类知识解释引擎：接收知识匹配结果的插件ID号，通过ID号得到公式类维修知识插件，解释公式插件的语义，形成原子表达式调用序列。

公式类知识执行引擎：接收公式类知识解释引擎传递的原子表达式，调用运算符号组件实现公式计算，并返回计算结果。

运算符号组件：实现公式类知识中涉及到的各种运算符号的功能，形成可被调用的函数库。

将维修计算公式封装为公式插件，公式插件顺序排列在公式知识库的框架插槽中，对外暴露出公式的输入参数与输出参数集合作为特征向量。知识调用组件通过匹配特征向量找到所需要的公式类知识。如图4所示。

图4 维修公式类知识重用方法

3 结束语

在航空发动机维修维护能力与质量日趋重要的现状下，MRO的知识建模与重用成为了有效的提升手段。本文利用扩展术语语义树对发动机维修维护领域的术语进行统一描述，并利用语义相似度算法为维修维护知识中的术语语义匹配奠定了基础。按照维修维护知识形式特点划分了案例类知识、图表类知识与公式类知识，对每类知识提出了描述模型，并且针对每类知识的特性设计了知识重用的方法，最终实现了面向MRO知识建模与重用的知识管理体系。

[1] 梅晓川,陈亚莉.航空飞行器维修技术发展综述[J].航空发动机,2009,35(6):53-57.

[2] 陈凤腾,左洪福,李惠娟,倪现存.基于视情维修的航空发动机备发预测方法研究[J].机械科学与技术,2008,27(8):1084-1088.

[3] 魏军,鲁耀波,胡斌,孙建军.航空维修活动中的组织知识存量[J].海军工程大学学报,2009,21(1):96-101.

[4] Rommert Dekker.Applications of maintenance optimization models:a review and analysis [J].Reliability Engineering &System Safety,1996,51(3):229-240.

[5] 徐力斌,刘宗田,周文,宋二伟.基于WordNet和自然语言处理技术的半自动领域本体构建[J].计算机科学,2007,34(6):219-222.

[6] R.Jirousek.Expert systems-Principles and programming [J].Automatica,1991,27(3):585-586.

[7] William Rankin,Rebecca Hibit,Jerry Allen and Robert Sargent.Development and evaluation of the Maintenance Error Decision Aid process [J].International Journal of Industrial Ergonomics,2000,26(2):261-276.