基于知识图谱的装备故障诊断技术

赵永亮，于 倩，邓 博，韩丽君

（西安九天数智信息科技有限公司，陕西西安 710086）

飞机、舰船等复杂武器装备的开发设计和加工投产的周期较长，通常要达数十年甚至更长。在部署至相关单位后，服役时间可达到20～40 年。因此，武器装备的需求方对其研发机构的要求为在提供武器装备的同时，仍必须配套有对应的技术支持水平和装备维修能力。

武器装备具有复杂性和独特性。通常其结构复杂，而且均是根据用户需求进行定制的产品，因此在武器装备服役期间会存在众多不确定的问题，而且不可避免地会出现故障[1-2]。所以，进行武器装备的故障诊断和检测对提升武器装备的质量水平有重要意义。

传统的故障诊断方法为建立解析数学模型，通过分析其输出信息确认故障是否发生。因此该方法只能在装备发生故障后才能进行维修，这显然无法满足武器装备维修的需要。同时当前武器装备运行状态变量较多，数学模型无法挖掘武器装备中包含的隐藏信息，所以解析数学模型并不适用武器装备的故障检测。而当前武器装备系统的复杂性也对故障检测技术提出了更高的要求，随着人工智能、模式控制等理论的发展，使用知识图谱技术与神经网络可对复杂武器系统故障进行判断，知识图谱技术可表达复杂系统变量间的关系。该文基于知识图谱技术构建了装备故障检测模型，且具有较强的现实意义。

1 多层次知识图谱故障诊断模型

1.1 知识图谱模型

知识图谱技术最早由谷歌公司提出，其作用是从文本数据中对感兴趣的信息进行提取。因此知识图谱可抽象为一种语义网络[3-6]，结构如图1 所示。实体部分为知识图谱的基础单元，实体通常代表知识文本，例如装备名称、结构名称、部件名称等。实体通常也有较多属性，例如性能、参数及特点等，属性值为属性对应的具体数值。关系用来描述两个实体间的隐藏关系，通过关系可观测到两个相邻实体之间的关联。

图1 知识图谱结构简图

在该文模型中，其将复杂武器装备的部件作为实体的节点。由于武器装备结构复杂，所以每个实体之间的影响并非只受单一因素影响，因素通常是多方面的。因此文中使用多层次的知识图谱，每次只对一个层次的知识图谱进行分析，多层次知识图谱的简要结构如图2 所示。

图2 多层次知识图谱结构简图

知识图谱实现流程，如图3 所示。知识图谱的构建需要经过3 个主要步骤，分别是信息提取、知识融合及质量评估。

图3 知识图谱实现流程

1）信息提取：通常采集到的数据的存在形式多样，数据可能以文本、声音或图像多种形式存在，这些直接的数据样本无法被知识图谱模型使用。因此需要对信息进行抽取操作，即构建“实体-关系-实体”这样的结构。常用的信息提取方法为对句法进行依存关系分析，即建立句法词典对句法成分进行分析，进而对有用信息进行提取。

2）知识融合：进行提取后的信息可以被知识图谱所使用，但由于来源数据的多样性，因此实体之间可能会存在重复、不确定、杂乱的内容。例如实体“发动机”和“动力装置”可能指代的物体是相同的，这时就需要对单词进行去重处理，最终整理成为结构相同、内容不重复、格式正确的内容输入至知识图谱中。

3）质量评估：即对知识图谱的准确性进行估计，通常会采用多种性能指标计算方法。若计算得到的性能指标值较高，则证明通过知识图谱得到的检测结论可行度较高。

1.2 贝叶斯理论

在使用知识图谱进行故障检测时，其使用贝叶斯模型计算每个推理好的故障原因的后验概率，最终得到概率最大的故障原因。贝叶斯概率的推导如下所示：

设离散集合U=[x1,x2,…,xn,C]，离散集合中的元素C为故障发生的多个可能原因，属于故障类型变量。而这些原因可能由多个因素导致，因此可将多个样本组成集合并表示为：

因此，xn为故障属性变量值，由概率学知识可知，故障发生的概率为[7-8]：

式（2）左边的概率P为条件概率，式（2）右边为贝叶斯概率的详细计算值。在式（2）中，P(x1,x2,…,xn|cj)是样本值为Yi时故障cj发生的概率，P(cj)为故障cj发生时的全概率，P(x1,x2,…,xn)为属性值的联合概率。可对式（2）继续推导得到：

由式（3）可知，使用贝叶斯理论推导故障发生概率即对P(x1,x2,…,xn|cj)进行计算。计算该先验概率的方法众多，该文使用朴素贝叶斯理论进行计算，其拓扑图如图4 所示。

图4 贝叶斯拓扑图

由朴素贝叶斯网络拓扑可知，每个故障属性xn之间的关系均是独立的，而概率值是通过故障发生的数量之比求得的。首先对P(cj)进行计算，假设样本数据共有N个，发生故障的数据数量为，则概率值应为：

使用上述方法即可对样本Yi的故障值概率进行计算，概率值的最大值对应的故障原因为系统推测的故障原因。

在数据量较大的情况下，该文使用贝叶斯理论进行贝叶斯神经网络的构建，其通常由输入层、隐藏层以及输出层组成[9-12]。贝叶斯网络用作样本的训练和样本的测试模型，其构建的贝叶斯网络模型如图5 所示。

图5 贝叶斯网络模型

该文的贝叶斯模型需要提出约束函数，进而使模型的求解收敛，选用的约束函数为：

在式（7）约束函数中，比例系数α、β的值根据贝叶斯网络自调节理论可设置为：

1.3 该文算法模型

该文以知识图谱模型为基础，结合贝叶斯理论进行故障的诊断以提高模型性能。最终建立的算法模型由3 个模块组成，分别是多层次知识图谱模块、状态检测模块以及故障诊断模块，算法模型如图6所示。首先对各个装备的在线数据进行获取，通过武器装备正常工作时的历史数据进行状态的判断；然后构建多层次的知识图谱进而对各个因素之间的深度关联路径进行计算，通过设定判断系数从而对系统是否正常工作进行判断；最终基于知识图谱对故障的症状进行查找，通过朴素贝叶斯理论对故障的原因进行分析，从而得到故障发生的原因。

图6 该文算法模型流程

各个模块具体的工作过程和关键参数设置如下：

1）多层次知识图谱模块：如1.1 节介绍的知识图谱相关知识，首先建立信息提取模块，数据获取使用爬虫模型即可完成。获取数据后进行知识融合，进行知识融合时需要确定融合系数，该文确定的融合系数W可表示为：

式中，Q为采集数据来源的置信度，cf为图谱相邻实体的置信度。Esim与Resim分别为文本相似度和关系相似度，使用融合关系系数可将不确定信息转换为确定的格式正确信息。

2）状态检测模块：在装备正常工作时，知识图谱的所有关系均不会发生变化。在装备出现故障时，知识图谱的相关系数将会出现较大的改变，因此需要对改变值进行检测阈值设定，即需要增加判定因子R，以对系统当前的稳定状态进行判断[13-16]，R可定义为：

当R的值为1时，此时装备为正常工作状态；当R的值不为1时，启动故障诊断模块并进行故障检测。

3）故障诊断模块：故障诊断模块的具体流程：当系统状态检测模块检测到故障时，对故障的变量值进行初步确定。然后建立多层次知识图谱模型，寻找可能出现故障的所有原因，并使用朴素贝叶斯理论计算故障发生的概率值。最终故障概率检测公式为：

2 实验分析

2.1 实验数据选取

该文实验数据来自于某大型装备的工作流程，基于这些原始数据组成相对应的知识图谱仿真系统，再对装备的知识图谱进行构建。该装备的部分过程变量值如表1 所示。

表1 过程变量值

该装备的部分故障变量值如表2 所示。

表2 故障变量值

同时在数据样本数量的选择中，使用500 个样本作为贝叶斯网络的训练样本，使用200 个样本作为网络的验证样本。

2.2 实验测试与结果分析

首先进行模型有效性验证，通过装备的相关信息可知，当设备功耗发生突变时，即可能是电路短路造成的。因此过程变量A2 与故障变量值C4 是依次对应的，向贝叶斯模型输入过程变量A2，模型最终的训练结果如表3 所示。

表3 有效性验证结果

由表3 可以看出，当系统检测到A2 状态时，输出的故障原因有4 个，C4（电路短路）的概率为89.1%。因此系统最终判断故障状态为电路短路，这符合实际情况，故该文模型可以有效地对装备状态改变引起的故障进行判断。以上为单个状态改变引起的故障，而在现实装备中的故障通常是由多个状态引起的。此时也需要对数据的质量进行把控，数据包含的内容越完整，则检测的结果越准确。

接下来进行模型准确率的实验，文中选取的对比算法为BP 神经网络、判决树算法以及支持向量机算法。这些算法均是常见的故障检测算法，对比算法检测结果如表4 所示。

表4 对比算法检测结果

由表4 的结果可看出，该文算法测得的准确率在对比算法中为最高的。相比其他算法，文中算法准确率提高了2.5%、4.2%和5.6%。证明该文算法故障判断准确率较高，说明文中构建的算法模型可对复杂武器装备的故障进行判断。

3 结束语

武器装备因其复杂的结构会产生极大的不确定性，传统的故障诊断方法通过分析数学模型的输出信息确认故障是否发生，但这无法满足武器装备维修的需要。该文以知识图谱模型为基础，结合贝叶斯网络进行故障的诊断，以提高模型性能。实验表明，文中提出的结合贝叶斯理论的知识图谱模型可以对故障进行检测。同时与对比算法相比，该文算法故障判断准确率较高，表明文中算法模型具有较好的性能。