基于本体的复杂产品维修工程案例知识表示及重用方法

王姝婷, 刘晓冰,*, 周军华, 白朝阳, 翟 翔

(1. 大连理工大学制造管理信息化技术国家地方联合工程实验室, 辽宁 大连 116024; 2. 大连理工大学经济管理学院, 辽宁 大连 116024; 3. 北京电子工程总体研究所复杂产品智能制造系统技术国家实验室, 北京 100854)

0 引 言

复杂产品是指在客户需求、结构组成、制造过程等方面具有复杂性特征的产品,且产品从研发设计、制造生产到维修维护过程均融入了广泛的知识与技能。典型的复杂产品包括航天器、高速列车、大型船舶、大型电力设备等。

随着我国制造服务化的发展,服务领域已逐渐成为企业的主要利润来源。维修作为复杂产品服务领域的核心业务,可以使复杂产品在较长的生命周期内保持和恢复可靠性,为产品安全运行提供保障。近年来,我国复杂产品增量市场明显减弱,存量市场逐年上升,维修服务市场迎来了爆发式增长,大批动车进入了运行维修保养的阶段,动车组的故障频次及维修成本也随之大幅攀升。

维修是典型的知识密集型服务过程,维修服务的开展往往需要借助历史维修经验与知识。知识通常分为用于表示事物性质、状态与特征的静态陈述性知识与表示任务行为或具体操作步骤的动态过程性知识,知识表示旨在将知识描述成便于计算机存储使用的数据结构。

目前,复杂产品维修阶段的知识多以图纸、手册、记录单等形式呈现,而对于工程师经验化的隐性知识通常缺乏合理表示与重用,导致实际业务过程中可供维修人员重用的有效知识十分贫乏。同时,维修服务的各利益相关者间术语不统一,服务开展中存在知识交流障碍,企业维修效率较低,客户满意度不高。

随着当前产品知识复杂性不断增加,企业迫切需要统一的知识表示方法与有效的知识重用途径,促进维修知识的沉淀、传递、共享与创新,提升工作效率与质量,而案例作为一种抽象的知识表示方法,可以通过建立领域知识结构实现知识的合理组织和应用。因此,对于复杂产品维修服务企业,如何将维修历史中的海量数据、信息及知识进行规范化的描述形成维修工程案例,并在面对新的维修问题时合理匹配,实现案例知识的重用是企业亟需解决的问题。

鉴于此,本文以动车组的维修过程为例,探索复杂产品维修工程案例的知识表示与重用方法,助力企业对维修知识进行共享与重用,实现维修业务过程的精益管理。

在复杂产品知识重用方面, Peng等构建了设计知识表示模型,开发了集成协同系统,实现对设计知识的获取与重用。Costa等构建了结合规则推理与案例推理的产品模型,为产品开发知识的重用提供基础。Wu等提出了基于设计任务的知识重用框架,促进了企业的知识获取与共享。Li等提出了基于元模型的复杂产品定制设计方法,通过领域知识的积累快速响应客户的需求变化。Peng等构建了复杂产品系统的知识本体模型及设计方法,实现产品快速设计。Li等将设计与制造知识有效集成,提出了支持设计与制造领域知识共享与重用的本体模型。El等将企业的制造知识与设计流程相结合,改进产品设计知识库。Chhim等构建了一种基于本体的产品设计与制造过程知识重用方法。同时,也有学者针对维修过程的知识重用开展了相关研究,但多聚焦于特定复杂产品,通用性不强,且相比设计和制造阶段,维修过程的影响因素更多、更具复杂性。

本体是一种统一且规范的知识描述方法,能够对概念进行形式化的语义表示。基于案例的推理(case-based reasoning, CBR)是通过学习历史经验来解决问题的循环过程，与人类经验积累的过程相似，CBR的核心思想是将过往经验用于现有问题的快速解决，是知识密集型领域对隐性知识进行重用的有效手段。将本体与CBR结合能够有效对案例的表示与检索过程规范化处理,解决传统CBR中信息孤岛的问题。基于此,Shaker等提出了基于模糊本体与CBR的知识表示方法,用于解决复杂概念间的语义关系。Jiang等基于本体与CBR提出了施工安全风险管理的决策方法,通过对多个信息源的推理,避免重要信息的丢失。Mehla等提出了一种本体支持的混合案例推理模型,为大规模灾害下的应急响应提供支持。Amailef等通过构建基于本体的CBR模型,实现应急系统的快速响应。He等采用本体法表示再制造过程案例中的信息及知识,并通过CBR实现再制造案例知识的重用,快速完成再制造过程的设计。Gao等提出了将领域本体与CBR进行交叉引用的方法,并开发了对应的CBR系统。张建华等提出了基于领域本体与CBR的知识供需匹配方法,通过聚类压缩遍历空间,减少计算的冗余度。

综上,复杂产品维修领域的知识重用问题仍处于探索阶段,而将本体与CBR结合的方法已经取得了较好的研究成果,同时也符合维修过程中需要对知识进行表示及相似性度量的需求。因此,本文将本体与CBR结合对复杂产品的维修知识重用问题进行研究,基于对复杂产品维修领域知识类型的分析,构建复杂产品维修工程案例本体模型,对案例知识进行合理表示;其次,构建复杂产品维修工程案例知识重用模型,综合考虑本体模型结构相似度、语义相似度、属性相似度及备选案例的适应度,匹配出解决目标问题的解决方案,帮助维修人员合理有效地处理新的维修任务,对经验化的隐性知识进行合理表示与重用,为企业实现精准快速维修提供参考与借鉴。

1 基于本体的复杂产品维修工程案例表示方法

1.1 复杂产品维修工程案例知识体系模型

复杂产品维修工程案例作为维修知识的重要载体,能够为企业开展维修服务提供经验性参考。案例表示作为CBR的基础,其表示结果对CBR中案例检索的准确性及有效性具有关键性影响。目前,复杂产品维修工程案例中的知识多为维修服务人员的经验总结,由于语言表述方式不统一,企业维修知识碎片化严重,知识重用难度较大。因此,需要构建规范化的知识体系结构模型对复杂产品维修工程案例进行表示。

Gilboa提出以〈问题描述,解描述,效果描述〉三元组对案例结构进行表示。考虑到复杂产品维修工程案例多依托于具体的维修业务场景,具有情境依赖性,同时,产品的故障原因及位置具有不确定性,对故障情况进行具体分析是制定有效维修方案的前提。因此,本文对Gilboa提出的经典三元组进行扩展,提出了由〈维修情境,故障分析,维修方案,效果反馈〉四元组组成的复杂产品维修工程案例(maintenance engineering case for complex product,MECCP),即

MECCP=〈MContext,FAnalysis,MSolution,RFeedback〉

(1)

采用本体法对MECCP进行表示可以提高案例知识重用与共享的有效度,本文参考文献[33]的方法,将MECCP划分为MECCP顶层本体、MECCP领域本体、MECCP任务本体以及MECCP应用本体。4层本体共同对MECCP进行表示,顶层本体提供通用的概念及关系;领域本体提供复杂产品维修领域的术语及概念;任务本体是维修业务进行中的动态过程性信息;而应用本体则是维修案例的实例化。顶层本体、领域本体及任务本体可共同实现CBR中的案例表示。基于四类本体与独立知识源的对应关系,构建MECCP知识体系结构模型,如图1所示。

图1 MECCP知识体系结构模型Fig.1 MECCP knowledge system architecture model

知识体系结构模型规范了案例结构、本体以及知识源间的关系,实现对维修阶段陈述性知识与过程性知识的独立表示,能够为维修知识的共享与重用提供较好的知识表示模型。同时,知识体系结构模型中各本体相对独立,当知识源变化需要修改对应本体时,不会影响其他本体,保证MECCP本体模型的稳定性,便于对案例知识进行补充拓展及修正维护。

1.2 复杂产品维修工程案例本体模型

1.2.1 本体建模元语

MECCP本体模型的构建实质上是重新描述案例知识的过程,其核心是明晰案例的所属领域,确定概念的含义、属性以及概念间关系。Gómez-Pérez等采用分类法组织本体,归纳了概念、关系、函数、公理与实例5种本体建模元语,基于此,可以将MECCP本体建模元语用一个五元组表示:

MECCPontology=〈MECCPontology_Concepts,
MECCPontology_Relations,MECCPontology_Functions,
MECCPontology_Axioms,MECCPontology_Instances〉

(2)

本体建模元语的提出可为MECCP四层本体模型构建提供支撑,五元组中各元语解释如下。

(1) 概念(Concept):不仅包括通常意义的概念,还包括任务、行为、功能等。根据MECCP结构,MECCP本体中的核心概念主要包括维修情境、故障分析、维修方案、效果反馈4类,同时核心概念还可继续细分,具体表示如下:

MECCPontology_Concepts={,,…,}

(3)

(2) 关系(Relation):主要用于描述概念之间的联系。MECCP本体概念间的关系主要源自维修服务业务流程的逻辑关系,如表1所示。

表1 本体建模元语-关系

关系通常仅描述两个概念之间的联系,因此可将其表示为

MECCPontology_Relations=
{(,)|,∈MECCPontology_Concepts}

(4)

(3) 函数(Function):表示某一概念由多个概念共同决定的情况,具体表示为

MECCPontology_Functions=
{:(,,,…,,…,-1)→|∈
MECCPontology_Concepts}

(5)

(4) 公理(Axiom):表示产品在维修管理方面的公理。例如,原铁道部铁运〔2007〕3号《铁路动车组运用维修规程(暂行)》规定,CRH5型电力动车组运行里程数达120万公里时需要进行三级检修。公理具体可表示为

MECCPontology_Axioms=
{:(,,,…,,…,-1)→|,∈
MECCPontology_Concepts∪
MECCPontology_Relations}

(6)

式中:与由概念与关系组成,表示MECCP中记录的一段内容。

(5) 实例(Instance):实例是对MECCP概念的具体表达。例如,2020年9月1日对某辆运行于哈尔滨至齐齐哈尔区间的CRH5型电力动车组进行故障检修属于MECCP的实例,具体可表示为

MECCPontology_Instances={individual|individual is an Instance of,∈MECCPontology_Concepts}

(7)

1.2.2 顶层本体模型

顶层本体表示复杂产品维修领域的通识概念,为准确描述MECCP知识,构建MECCP顶层本体模型,如图2所示。

图2 MECCP顶层本体模型Fig.2 MECCP top level ontology model

该模型为复杂产品通用的维修案例知识表示模型,可根据产品领域的不同对模型进行扩展,进而构建领域本体与任务本体。图3描述了MECCP顶层本体模型核心概念间的关系,顶层本体模型有效解决了不同复杂产品案例间概念不一致、概念间关系复杂的问题,是MECCP知识集成共享的基础。

图3 MECCP顶层本体核心概念关系Fig.3 MECCP top level ontology core concept relationship

1.2.3 领域本体模型

领域本体模型是对MECCP陈述性知识的描述,其构建需结合具体某一类复杂产品的特征,领域本体是对顶层本体概念的细化,需从顶层本体模型中抽取出与领域本体相关的一级概念进行细化。图4为MECCP领域本体的主要概念,其中,二级概念是对一级概念的细化,三级概念是对二级概念属性的描述。

图4 MECCP领域本体主要概念Fig.4 Main concepts of MECCP domain ontology

领域本体模型有利于规范概念间的关系,统一知识表示结构,领域本体模型对MECCP本体模型的构建具有重要作用,能够推动复杂产品维修概念的规范化表示,有利于本体模型实例化。

动车组是典型的复杂产品,其部件关联性强,检修流程繁复,具有很强的经验依赖性,历史案例对动车组的故障维修服务具有重要作用。因此,本文以动车组为例,构建动车组维修工程案例的领域本体模型,如图5所示。

图5 动车组维修工程案例领域本体模型Fig.5 Domain ontology model of electrical multiple unit maintenance engineering case

1.2.4 任务本体模型

MECCP知识除了领域本体所描述的陈述性知识,还有维修任务中包含的过程性知识,通过构建任务本体模型可以实现对过程性知识的重构与描述。

考虑到MECCP特点,维修任务通常可分为维修任务与救助任务,维修任务旨在令产品发生故障的零部件恢复到可正常使用的水平,救助任务旨在消解故障带来的不良影响,救助任务通常在故障发生且造成了一定规模的影响后产生,两类任务具体信息如图6所示。与领域本体类似,任务本体模型也需从顶层本体中抽取一级概念,将其细化为任务本体的概念并对概念间关系进行描述。因此,本文从MECCP顶层本体中提取出维修组织、维修方案、维修任务、行为、维修资源、效果反馈等概念,以动车组为例,在顶层本体模型与领域本体模型的基础上构建任务本体模型,如图7所示。

图6 MECCP任务分类Fig.6 MECCP task classification

图7 动车组维修工程案例任务本体模型Fig.7 Task ontology model of electrical multiple unit maintenance engineering case

2 面向知识重用的案例检索方法

基于本体构建的MECCP四层本体模型可对案例知识进行合理表示,案例知识表示是案例检索与重用的前提。本节将从案例检索的角度出发,设计适用于MECCP的检索匹配方法,实现维修知识的有效重用。

2.1 复杂产品维修工程案例知识重用模型

案例知识重用需要同时考虑目标案例与源案例的相似度及适应度,相似度考虑的是维修问题的相似性,而适应度则是对案例重用难易程度的评价。基于此,本文构建了MECCP知识重用模型,如图8所示。该模型在维修工程案例四层本体模型的基础上,通过相似度计算得到满足相似度阈值的备选案例集,并对备选案例集中源案例的适应度进行评价,选择易于改编的案例进行重用。

图8 MECCP知识重用模型Fig.8 MECCP knowledge reuse model

2.2 案例相似度计算

2.2.1 领域本体与CBR结合的检索模型

当面对新的维修问题时,需要在案例库中寻找相似案例进行知识重用,为实现对案例库中源案例的有效检索,本文构建了一种领域本体与CBR相结合的案例检索模型,如图9所示。首先,计算案例本体模型的结构相似度及语义相似度,筛选出部分备选案例;其次,基于属性相似度对备选案例做进一步筛选,通过两阶段的检索匹配从案例库中筛选出相似的案例。

图9 领域本体与CBR相结合的案例检索模型Fig.9 Case retrieval model based on domain ontology and CBR

2.2.2 领域本体模型结构相似度计算

假设MECCP领域本体模型有个分支,每个分支有层,在计算本体模型结构相似度时,首先需要计算模型中各分支的相似度,再根据各分支的权重计算整个模型的结构相似度,计算公式符号及含义如表2所示。

表2 符号及含义

第个分支的相似度计算公式为

(8)

权重需要由维修领域专家基于具体的维修情境与任务确定,一般来说,下层概念的权重高于上层的概念。

MECCP领域本体模型结构相似度计算的表达式为

(9)

2.2.3 语义相似度计算

领域本体模型中概念节点间的位置关系体现了概念间的语义相似度。传统语义相似度计算方法主要考虑概念节点间的路径距离,相对忽略其他因素的影响。因此,本文在语义相似度的计算中综合考虑节点间路径距离、节点深度及节点密度的影响,各影响因素的示例如图10所示。

图10 语义相似度影响因素Fig.10 Influencing factors of semantic similarity

(1) 路径距离(Length of the path)

两个概念节点间的距离越长,则语义相似度越小,因此,路径距离为两个概念节点间的最短路径长度,其表达式为

(10)

为便于路径距离的计算,本文假设领域本体模型中概念节点间的边长为1,路径距离可以用两节点间最短路径中边的数量来表示,式(10)可以转化为

Distance(,)=Number(,)

(11)

式中:Number(,)表示节点与间最短路径包含边的数量,且由于路径距离越小,语义相似度越大,故将与间的路径距离对语义相似度的影响表示为

(12)

(2) 节点深度(Node depth)

节点深度表示下层概念节点与顶层节点间的最短路径所含边的数量,由于下层概念节点是对上层概念节点的进一步细化,因此对于具有相同路径距离的两对概念节点,节点深度较大的概念节点比节点深度小的概念节点的相似度更高,故将概念节点深度对语义相似度的影响表示为

(13)

式中:depth()表示节点的节点深度。

(3) 节点密度(Node distance)

节点密度表示两概念节点最近的共同父节点所拥有的子节点数量,父节点包含的子节点数量越多,说明父节点的概念越细化,节点密度越大,两个节点的语义相似度越高,故将概念节点密度对语义相似度的影响表示为

(14)

因此,综合考虑概念节点间路径距离、节点深度、节点密度对语义相似度的影响,可得到语义相似度的表达式:

SeSim(,)=α·DisSim(,)+
·Dep(,)+·Den(,)

(15)

式中:、、分别为各影响因素的调节参数,++=1。

2.2.4 属性相似度计算

通过领域本体模型结构相似度及语义相似度计算可以得到一个相对粗糙的维修备选案例集。由于每个概念节点具有多个属性,因此可以计算目标案例与源案例的属性相似度并设置相似度阈值进一步筛选备选案例,属性相似度的计算可分为以下两类。

(1) 属性类别相似度(attribute type,AT)

属性类别相似度体现了相似属性的个数,其表达式为

(16)

式中:()与()分别表示节点与节点属性集。

(2) 属性数值相似度(attribute value, AV)

属性数值相似度体现了属性值的相似性,其相似性的计算需按照不同的数据类型进行计算,属性数值可分为精确型的属性数值、符号型的属性数值及区间型的属性数值3种,具体表达式如下。

① 精确型的属性数值(crisp number, CN)

(17)

式中:AV表示目标案例的属性值;AV表示源案例的属性值。

② 符号型的属性数值(crisp symbolic, CS)

(18)

③ 区间型的属性数值(crisp interval, CI)

(19)

式中:表示区间的长度。

(20)

式中:表示第个属性,表示其权重。

2.3 案例适应度评价

为了实现MECCP的知识重用,在对案例相似度进行计算的同时也需要考虑检索出的案例是否易于实现改编重用,因此,本文提出通过案例适应度计算评价备选案例改编的难易程度。

首先,计算待解决目标案例与案例库中源案例共享情境属性的个数,其表达式为

1={|∈(∩)}

(21)

式中:表示目标案例情境的属性;表示第个源案例情境的属性。

其次,计算待解决目标案例与案例库中源案例的属性匹配数,即目标案例与源案例在共享情境的属性中属性数值也相等的个数,其表达式为

2={|∈(∩)∩(val()=val())}

(22)

式中:val()表示待解决目标案例所包含属性数值的集合;val()表示案例库中源案例所包含属性数值的集合。

最后,将目标案例情境的属性个数与1、2进行比较,对案例的适应度进行评价。

(1) 完全匹配

若1=且2=1,则待解决的目标案例与第个源案例在属性数量和数值上一致,说明二者完全匹配,源案例可不做任何更改用于目标案例问题的解决,实现历史案例知识的完全重用。

(2) 部分匹配

若0<1<,且2≤1或者0<1≤,且2<1,说明待解决的目标案例与案例库中源案例在属性数量和数值上有部分相同,面对待解决的目标案例,需要对源案例知识进行一定修改。

(3) 完全不匹配

若1=0,且2=0,说明无法在现有维修案例库中匹配到与目标案例具有相似情境属性的源案例,尚没有可以借鉴的维修知识,此时需要召集领域内专家针对新问题进行分析,并提出具体的维修解决方案。

3 实例验证

3.1 领域本体模型结构相似度

图11中MECCP表示目标案例的领域本体模型,MECCP与MECCP表示两个源案例的领域本体模型,本文以故障部件、故障原因、环境3个分支为例进行本体模型结构相似度计算,假设3个分支分别以P、C、E进行表示,根据领域专家的经验,3个分支所占权重分别为=04,=05,=01,由于故障部件分支与故障原因分支具有四层结构,假设第一层至第四层的权重分别是0.1、0.2、0.3、0.4,环境分支的两层结构中,第一层的权重为0.1,第二层为0.9。基于上述假设,对MECCP与MECCP及MECCP的领域本体结构相似度进行计算。

图11 目标案例与源案例的领域本体模型结构示意图Fig.11 Domain ontology structure model of target case and source case

MECCP与MECCP:

Sim(,)=1

DoSim(,)=0.4×0.94+0.5×0.86+0.1×1=0.906

MECCP与MECCP:

Sim(,)=1

DoSim(,)=0.4×1+0.5×0.92+0.1×0.87=0.947

DoSim(,)>DoSim(,),因此,MECCP与MECCP在结构上更加相似。MECCP中不存在MECCP中的“技术指标”,MECCP与MECCP两个案例在故障部件本身的属性上存在差别,MECCP代表了不同型号的转向架在相同情境下发生故障,而MECCP与MECCP的故障部位完全相同,仅在故障情境下略有差异,代表了相同型号的转向架在不同情境下发生故障。在实际的维修过程中,同型号转向架的故障相似性要高于不同批次转向架的故障相似性,相似度的计算结果与实际维修情况一致,说明本文的领域本体模型结构相似度计算方法具有有效性。

3.2 属性相似度

为验证本文所提属性相似度计算方法的有效性,以机车柴油机中燃油机精滤器的4个维修案例为源案例,与新的维修故障进行属性相似度计算,表3对案例相关属性进行了一定简化。

表3 简化后的复杂产品维修案例库

MECCP与MECCP的属性类别相似度如下。

MECCP与MECCP属性数值相似度如下。

由于“转速”“温度”“电压”均属于精确型的属性数值,因此:

异常振动属于符号型数值,因此:

Sim(MECCP,MECCP)=1

发生时间属于区间型数值,因此:

根据维修领域专家对各个属性赋予的权重,计算MECCP与MECCP的属性相似度:

Sim(MECCP,MECCP)=1×(0.15×0.578+0.2×1+
0.35×0.5+0.1×1+0.2×0.75)=0.711 7

同理,可计算出MECCP与MECCP、MECCP、MECCP的属性相似度分别为0.611、0.585 5、0.753 2,因此,MECCP与MECCP的属性相似度最高。

3.3 案例适应度评价

为进一步衡量源案例重用的难易程度,需要对目标案例与源案例的适应度进行比较。假设属性相似度阈值为0.6,MECCP未满足属性相似度阈值,将其排除,当前的备选案例为{MECCP,MECCP,MECCP},将备选案例与源案例进行适应度评价。

MECCP与MECCP的共享情境属性的个数=5,同时,由于MECCP与MECCP在温度属性及振动异常属性中的数值相等,其余属性的数值不相等,故=2。0<=5≤5,且=2<=5,因此MECCP与MECCP属于部分匹配。同理,可计算出MECCP与MECCP及MECCP与MECCP的适应度分别为=5,=1;=5,=1,说明3个备选案例与目标案例均属于部分匹配,但>,相较于MECCP,MECCP更加易于改编重用,同时,由于MECCP与MECCP在属性相似度上相差无几,但MECCP的案例适应度明显高于MECCP,综合考虑案例的属性相似度与案例适应度,选择MECCP作为目标案例的参考案例,对其进行改编与重用。

4 结 论

当前复杂产品维修阶段知识缺乏合理管理,案例概念不清晰,知识表示不规范,难以实现有效重用。因此,本文以动车组为例,探索复杂产品维修工程案例的知识重用方法,将本体与CBR结合的方法引入到复杂产品维修工程案例管理领域,构建了MECCP四层本体模型,统一了维修知识的表示,消除了复杂产品维修中多个主体的知识理解差异。其次,构建了基于案例相似度与适应度的知识重用模型,通过领域本体模型结构相似度及语义相似度计算得到较为粗糙的备选案例集,并通过属性相似度计算对案例集做进一步筛选,此外,为得到具有一定相似性且易于改编的源案例,对备选案例的适应度进行评价。最后,通过实例验证了方法的有效性。

本文将本体与CBR结合对复杂产品维修工程案例知识进行表示的方法具有一定的通用性,能够为企业在实际业务过程中基于知识重用实现快速维修提供支持。此外,所提方法也可为复杂产品全生命周期工程案例的知识重用提供参考和借鉴,有效促进企业内部知识的沉淀、传递及创新。