航空發動機MRO知識建模與重用技術研究

淮 斌，楊海成，萬 能

（西北工業大學 現代設計與集成制造技術教育部重點實驗室，西安 710072）

0 引言

在航空發動機MRO（Maintenance, Repair and Operations）過程中維修維護大量依賴于人的經驗與分析，而經驗只存在于人腦中，往往只能通過“口口相傳”和實際操作的方式繼承傳遞[1]。這種現狀造成維修經驗知識難以積累傳播，制約了維修效率和維修質量。目前維修知識主要以紙質的維修手冊、維修守則等形式傳遞，這類方法難以實現MRO知識對維修過程的主動輔助，也難以讓維修者以最佳方式重用知識。對于航空發動機的維修維護，目前研究主要集中于維修數據、物料數據、維修方法等數據管理方向，并且已有軟件廠商提出了相應的解決方案[2]。但對于MRO領域內的知識建模方法和重用方法尚未有深入研究，而MRO知識的建模與重用方法恰恰是提高航空發動機維修維護能力的重要保障之一[3]。

1 航空發動機MRO擴展語義樹

在航空發動機維修維護過程中，存在大量的術語詞匯。這些術語都對應領域中的某個概念、參數、過程或者零部件。這些術語之間具備四種基本關系：同義關系、反義關系、上下位關系和整體/部分關系[4]。

定義1：如果術語α能完全替代術語β所涉及的所有知識而得到與術語β相同的結果，并且術語 β對于術語α存在同樣關系，則我們稱術語α與術語β是同義關系，記為α=β。

定義2：如果術語α與術語β之間存在從屬關系，則術語α是術語β的下位，術語β是術語α的上位。

定義3：如果術語?僅有下位術語α與術語β，而且術語α與術語β沒有交集，則稱術語α與術語β為反義關系。

定義4：如果術語α描述的概念是術語β描述概念的組成部分，則稱術語α與術語β是整體/部分關系。

為了實現航空發動機MRO知識重用的語義計算，首先針對航空發動機的特點建立領域中的擴展術語語義關系樹。如圖1所示。

圖1 術語語義關系樹

語義相似度計算就是以術語語義關系樹為基礎，計算術語之間的相似程度。假設λ為可調整因子，D(c1,c2)表示兩個概念之間的語義距離。語義相似度的計算公式為：

語義距離描述了兩個概念的相似程度。兩個概念間的語義距離越近，它們的語義相似程度越高，反之越低。本文根據術語在語義關系樹上的最小加權路徑來衡量語義距離。路徑的權值依據術語在語義關系樹中的深度取值，即 表示從術語U(C)中引出的所有邊的權值，其中Dep(c)表示術語C與語義樹根節點的最短路徑。

在語義關系樹上，術語之間的結構分為六類：同義結構，反義結構、整體/部分結構，上下位結構，同上位詞結構和異上位詞結構[5]。記術語的同義詞集合為Ssyn(s)，上位詞集合為Sup(t)，整體/部分詞集合為Smer(t)，術語m對術語n之間相似度為A(m,n)。

同義結構：如果術語w1與術語w2是同義詞，即則可得w1對w2的相似度為A(w1,w2)=1，w2對w1的相似度也為A(w2,w1)=1。

反義結構：如果術語w1與術語w2是反義詞，則可得A(w1,w2)=0，A(w2,w1)=0。

整體/部分結構：如果w1與w2是整體與部分的關系，整體和部分關系的概念之間只有結構上的包含關系，雙方沒有語義的相似性。即則可得A(w1,w2)=0，A(w2,w1)=0。

上下位結構： 如果術語w1是w2的上位詞，則存在從w1到w2的直接路徑。假設從w1到w2的路徑上有術語，使得術語w1和w2之間最短路徑的邊的權值為：術語w1和w2之間的語義距離為：則 w2對w1的相似度：，而w1對w2的相似度也等于

同上位詞結構：如果w1與w2具有相同的上位詞w，假設w1到w2的路徑上有術語

2 航空發動機MRO知識建模與重用

2.1 MRO案例類知識建模與重用

航空發動機維修維護中常體現出強經驗弱理論性，許多維修知識經驗隱含在以往的維修案例中，形成案例類知識。案例類知識模型包括案例檢索條件和案例內容兩部分。案例檢索條件是描述維修案例的檢索依據。檢索條件可以描述為：

InstSearch是案例類知識的檢索條件。Model是維修對象術語。Course是維修過程術語。FeaVec是維修內容的特征向量。利用維修對象作為第一級檢索條件可以迅速縮小檢索范圍。利用維修維護過程作為第二級檢索條件。利用維修內容的關鍵字作為特征向量。在前兩級檢索的結果中，通過對案例特征向量的模糊匹配可以得到最接近維修要求的案例知識，而第三級檢索是案例精確檢索的依據。

搜索案例的結構化特征向量時，可以采用語義相似度計算方法檢索案例。其檢索機制如圖2所示。

圖2 維修案例類知識重用方法

2.2 MRO圖表類知識建模與重用

圖表類知識是利用經驗曲線和表格等描述參數常用取值或多個參數之間取值的變化規律。航空發動機維修過程中也存在這類經驗曲線、經驗表格。經驗曲線和表格能描述維修因素與其他多個因素之間可量化的關系。這類知識對維修參數選擇有直接的指導作用，但參數選擇的優劣判斷往往需要以維修要求來評價。

領域專家以圖表中參數選擇的取值精度作為最小步長，圖表類知識按照最小選擇步長將經驗曲線離散為點集合，點集合中每個點對應的主動參數與從動參數組成鍵值對。將經驗曲線或表格上待選的經驗參數作為鍵名，與之相關聯的參數值作為鍵值。圖表類知識模型可描述為：

Graph是指維修圖表信息的完備描述。GraphItem是指原始圖表中一組主被動參數映射。Number是該組映射被使用的次數，該次數是在調用結束后返回的值。SubData是指主動參數，即該圖表知識所表達的待選參數。ObData是指該圖表知識中被主動參數影響的被動參數。KName是參數名稱，KValue是參數值。主動參數與被動參數之間存在映射關系，這種映射關系將主動參數與被動參數連接起來形成圖表的完整描述。

參數選用是圖表類知識重用的主要方式。首先由領域專家提出維修圖表知識中影響待選參數的其它參數因子，這些參數因子組成維修特征向量FeaVec。各種不同的維修特征向量形成特征向量集合FeaVecSet。FeaVecSet中每一個FeaVec對應一個待選參數建立頻率描述UseFrequencyDes。UseFrequencyDes以待選參數的值為橫坐標，以每個待選參數的使用次數為縱坐標，形成二維表。

統計反饋組件負責從知識調用組件獲得維修特征向量各分量的值，利用語義相似度計算得到特征向量與FeaVec之間的相似度。獲得匹配程度最高的FeaVec所對應的UserFrequencyDes。查詢UseFrequencyDes獲取使用次數最多的待選參數值作為維修選用初始值。由統計方法獲取的初始值往往并不是最終選用的參數值，通過維修過程中的反復實驗才能獲得最終選用值。將最終選用值反饋回UseFrequencyDes，在UseFrequencyDes中將最終選用值的使用次數加1。這個過程是反饋實際選用值以更新圖表類維修知識的過程。如圖3所示。

圖3 基于統計反饋的維修知識重用

2.3 MRO公式類知識建模與重用

航空發動機維修維護過程中也存在能夠定量描述的知識，這類知識往往以各種學科內部的經驗公式體現，并不是一成不變。對公式類知識的傳統應用方法是利用高級程序語言直接描述公式運算方法，使公式類知識固化在應用組件程序中。但當維修知識發生變化后，公式類知識難以隨之變化，不利于知識的進化[6,7]。

公式類知識可以抽象為原子表達式的有向圖。原子表達式可以分解為輸入參數、輸出參數和數學運算符號三種基本元素。數學運算符號對應運算的數學實現，數學實現一般包含在程序組件中以可調用接口表現。

FeaVec是公式類特征向量。InputSet是輸入參數集合，OutputSet是輸出參數集合。FormulaOnto是維修知識模型。Expression是公式類知識中不可分解的原子表達式。表達式個數可以是多個。Index是原子表達式的調用序號。Construct是指調用結構，調用結構分為順序、分支、聚合和異或四種類型。Para是原子表達式的輸入參數集合。MathSymbol是原子表達式所涉及的數學運算符號。result是運算結果參數集合。realization是運算符號的實現組件地址。對公式類知識的調用依賴于對公式知識的功能描述。本文利用公式特征向量抽象描述公式知識的功能。公式類知識特征向量利用公式的輸入參數集合和輸出參數集合標識。構建框架公式庫作為公式類知識的重用方法，如圖4所示。

知識調用組件：公式類知識的使用者，通過檢索公式的特征向量獲取知識資源。

公式類知識檢索引擎：接收知識調用組件傳遞的特征向量，在公式類知識庫中搜索匹配符合要求的公式類知識插件，向公式類知識解釋引擎傳遞檢索到的插件ID號。

公式類知識解釋引擎：接收知識匹配結果的插件ID號，通過ID號得到公式類維修知識插件，解釋公式插件的語義，形成原子表達式調用序列。

公式類知識執行引擎：接收公式類知識解釋引擎傳遞的原子表達式，調用運算符號組件實現公式計算，并返回計算結果。

運算符號組件：實現公式類知識中涉及到的各種運算符號的功能，形成可被調用的函數庫。

將維修計算公式封裝為公式插件，公式插件順序排列在公式知識庫的框架插槽中，對外暴露出公式的輸入參數與輸出參數集合作為特征向量。知識調用組件通過匹配特征向量找到所需要的公式類知識。如圖4所示。

圖4 維修公式類知識重用方法

3 結束語

在航空發動機維修維護能力與質量日趨重要的現狀下，MRO的知識建模與重用成為了有效的提升手段。本文利用擴展術語語義樹對發動機維修維護領域的術語進行統一描述，并利用語義相似度算法為維修維護知識中的術語語義匹配奠定了基礎。按照維修維護知識形式特點劃分了案例類知識、圖表類知識與公式類知識，對每類知識提出了描述模型，并且針對每類知識的特性設計了知識重用的方法，最終實現了面向MRO知識建模與重用的知識管理體系。

[1] 梅曉川,陳亞莉.航空飛行器維修技術發展綜述[J].航空發動機,2009,35(6):53-57.

[2] 陳鳳騰,左洪福,李惠娟,倪現存.基于視情維修的航空發動機備發預測方法研究[J].機械科學與技術,2008,27(8):1084-1088.

[3] 魏軍,魯耀波,胡斌,孫建軍.航空維修活動中的組織知識存量[J].海軍工程大學學報,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,劉宗田,周文,宋二偉.基于WordNet和自然語言處理技術的半自動領域本體構建[J].計算機科學,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.