基于本體論與貝葉斯式網絡的艦炮武器系統故障診斷方法研究

孫文舟 岳冬梅 彭 亮

(1.海軍大連艦艇學院研究生管理大隊 大連 116018)(2.海軍大連艦艇學院艦炮系 大連 116018)

?

基于本體論與貝葉斯式網絡的艦炮武器系統故障診斷方法研究

孫文舟1岳冬梅2彭 亮1

(1.海軍大連艦艇學院研究生管理大隊 大連 116018)(2.海軍大連艦艇學院艦炮系 大連 116018)

針對艦炮武器系統在故障診斷過程中存在不確定性以及新故障知識不易添加的問題,提出了一種將本體論與貝葉斯網絡相結合故障診斷方法。利用本體的知識表示方法建立關于艦炮武器系統的本體模型,然后將此模型轉化為貝葉斯網絡模型,最后利用貝葉斯網絡進行艦炮武器系統故障方面的不確定性推理。利用此方法可以有效解決艦炮武器系統復雜故障現象問題。

本體; 貝葉斯網絡; 故障診斷

Class Number E920

1 引言

隨著我國海軍裝備的不斷發展,艦船武器裝備的科技含量和性能不斷地提高,由此而產生武器裝備故障的復雜程度也不斷增大,不確定性因素不斷增多。主要表現在: 1) 對于現在已有的故障診斷方法,存在新的故障知識不易添加的問題; 2) 故障現象與故障原因之間的對應關系,存在一對多、多對一、甚至多對多的現象; 3) 故障現象之間存在相互耦合性,一些故障發生會引起其他多種故障現象; 4) 多數故障無明顯故障參數,艦炮裝備的診斷既依賴工作顯示器的數據,又依賴于維修人員對直觀感覺以及對裝備異常狀態的判斷,而這種診斷模式往往效率低下。

本體是共享概念模型明確的形式化規范說明,其主要思想是將知識以網絡的形式實現相互關聯。目前在故障診斷方面應用的例子有柴油機綜合故障診斷[1]、汽車綜合故障診斷[2]以及機載機電系統故障診斷[3]等。貝葉斯網絡作為一種不確定性建模與推理工具,可以實現在艦炮故障診斷過程中的復雜推理部分,目前在故障診斷方面應用的實例有海洋裝備工程故障診斷[4]、列控系統故障診斷[5]以及電力系統故障診斷[6]等。

為了減少上述所提高的不確定性因素在艦炮故障診斷中所帶來的影響,本文將根據艦炮特有的故障機理以及目前已存在的診斷經驗嘗試利用本體來進行建模,并將此模型通過合理的方法轉化為貝葉斯網絡模型,最后利用貝葉斯網絡模型來完成艦炮故障診斷的不確定性推理部分。

2 艦炮武器系統本體建模

2.1 艦炮武器系統故障知識結構分析

艦炮武器系統故障診斷的實際過程往往是根據已經發生故障現象來尋找可能的故障原因,定位故障源以及給出相應的維修建議。而通過對整個排故過程的分析可以得到艦炮武器系統的知識主要涉及五個要素:故障源、故障原因、故障現象、參數指標以及維修建議。

故障知識是故障事實、診斷規則、相關概念的集合,一般以描述型方法存儲和管理知識,形成一個故障知識域。

圖1 艦炮武器系統故障診斷知識結構圖

2.2 艦炮武器系統故障知識本體模型建立

艦炮武器系統本體可表示為四元組O=〈C,R,P,I〉。其中:C為本體中的類集,R為類的層次關系集合,P為屬性(Properties),I是實例(Instances)。這里使用軟件Protégé,根據艦炮故障維修手冊以及專家經驗,通過將艦炮武器系統故障現象以及故障原因進行分類,并分析其中的關聯,以此來建立艦炮武器系統本體模型。

艦炮武器系統故障模型建立過程如下:

1) 首先建立艦炮武器系統故障本體的類及類層次:將艦炮武器劃分為發射系統、瞄準系統、供彈系統、輔助系統、電氣控制系統等并建立其類,然后在類的下一層次繼續建立其子類,比如供彈系統可以分為上揚彈機、下揚彈機以及彈鼓。在建立好這一層次的子類之后,繼續建立下一層次的子類,比如上揚彈機可以繼續劃分為各個機構。依次類推,一直建立到子類不能繼續劃分為止。

2) 建立艦炮故障系統類的屬性:類的屬性主要包括對象屬性以及數據屬性,在本模型中,主要應用的是艦炮對象的屬性,這些屬性主要為“故障原因為”和“故障現象是”,其所對應的逆關系屬性為“引起現象”以及“有原因為”。

3) 建立艦炮故障系統的關系和實例,關系包括等價、繼承、互斥等。比如is-a代表繼承關系,表示某些子類只能從屬于特定的上一層次的類。互斥的關系(disjoints),比如電源故障類中分為艦電源故障和設備電源故障兩類,這兩類的關系為互斥。

3 貝葉斯網路模型

3.1 貝葉斯網絡概述

貝葉斯網絡(Bayesian Network)又稱為信度網絡(Belief Networks)[7～8],是目前不確定性知識表達和推理領域最有效的理論模型之一[9],適用于不確定性和概率推理的知識表達和推理。

貝葉斯網絡由兩部分構成,一是貝葉斯網絡結構圖,另一部分是條件概率表(Conditional Probability,CPT)。

3.1.1 貝葉斯網絡結構圖

貝葉斯網絡結構圖是一種有向無環圖(Directed Acylic Graph,DAG),圖中的節點表示事件中的變量,節點之間用有向弧線連接,弧線指向的是子節點,弧線的另一端是父節點,表示的是兩個事件的因果關系。沒有任何弧線指向的節點是根節點。

3.1.2 條件概率表

條件概率表是貝葉斯網絡的定性表達,反映了網絡節點中各個節點之間的影響程度,由一系列的概率值組成。

3.1.3 貝葉斯網絡常用概念

貝葉斯網絡常用的概念包括:先驗概率,后驗概率,條件概率,條件獨立性假設。

先驗概率:先驗概率是人們事先對事件發生的概率大小的估計,沒有經過驗證,是檢驗前的概率,通常由領域內的專家或根據設備的歷史資料來確定。

后驗概率:后驗概率是人們在經過調查等方式取得了新的證據,再利用貝葉斯公式,計算出的更接近于實際情況的概率。

條件概率:設A、B是兩個事件且P(A)>0,則稱概率

P(B/A)=P(AB)/P(B)

為事件B在事件A發生下的條件概率。

條件獨立性假設:設有隨機事件A、B、C,如果A、B關于C條件獨立,則有

P(B/A,C)=P(A/C)

這說明,在事件C發生的條件下,事件A的發生與否與B無關。條件獨立性假設能簡化網絡推理的過程,還能大大減少網絡推理所需要的先驗概率的數量。

3.2 貝葉斯網絡故障診斷原理

通過針對艦炮武器系統故障機理的分析,可以得出武器系統故障的原理通常為“執果尋因”,這也正好與貝葉斯網絡故障診斷原理相符合,所以可以利用貝葉斯的方法來解決艦炮武器系統的故障不確定性推理問題[10]。

首先來分析根據艦炮武器系統的診斷方式所對應的貝葉斯網絡的計算方法:假設有事件A、B為事件C發生的兩個原因,假設事件A發生的概率為0.1;事件B發生的概率為0.2,事件A發生,事件B不發生時,事件C發生的概率為0.6;事件A不發生,事件B發生時,事件C發生的概率為0.8;事件A發生,事件也B發生時,事件C發生的概率為0.9;事件A、B都不發生時,事件C發生的概率為0.1,事件C的條件概率表如表1所示。

P(A)=0.1,P(B)=0.2,

表1 事件C的條件概率表

事件CB發生不發生A發生不發生發生不發生發生0．90．80．60．1不發生0．10．20．40．9

根據貝葉斯定理以及事件C的條件概率表,計算在事件C發生的條件下,事件A、B發生的概率。P(C/A)為已知事件A發生的條件下,事件C發生的概率。P(C)為不考慮事件A、B發生的條件下,事件C發生的概率,可以使用全概率公式計算。

(1)

計算P(C):

=0.9×0.1×0.2+0.6×0.1×0.8

+0.8×0.9×0.2+0.1×0.9×0.8=0.282

計算:P(C/A)

=0.9×0.2+0.6×0.8=0.66

將上式帶入到式(1)中得:

P(A/C)=0.234

同理可以得出:

P(B/C)=0.574

通過以上的分析可以得出,如果C表示故障現象,A、B代表故障原因,可以根據上述方法推導出在已知故障現象C發生的情況下,故障為原因A或者原因B發生的概率,由計算得知,B發生的概率大于A發生的概率,由此可知,在故障現象C發生時,首先應該檢查故障原因B,其次檢查故障原因A。將這種方法應用到艦炮故障診斷領域,可以有效地指導維修人員進行下一步的維修。

3.3 本體模型與貝葉斯模型相互轉化

當建立好艦炮故障本體模型后,在軟件Protégé中可以自動生成一個相關本體的網絡,對比此本體網絡與貝葉斯網絡發現兩者有很大的相似之處,兩者都可以表示因果聯系,本體網絡中的類及其各級子類真是對應于貝葉斯網絡中的節點,本體網絡中的屬性對應于貝葉斯網絡中的弧線,可以用來表示各類層次或節點之間的聯系。

4 實例分析

以下揚彈機提退工況時彈托不到位(sabot_not_in_place)為例,導致此現象的故障原因可能為電磁離合器損壞(electromagnetic_clutch_damage)或者是電磁離合器打滑(electromagnetic_clutch_trackslip)。首先引Protégé軟件進行建模建立好此故障的類、屬性和實例后,本體的網絡呈現如圖2所示。

圖2 本體網絡圖

為了方便與貝葉斯之間的比較以及具體實例的推理,隱藏各類層次之后的本體網狀圖如3所示,其中虛線代表屬性“有原因”。

圖3 隱藏各類層次后的本體網狀圖

根據已經構建好的本體網狀模型,利用軟件GeNIe構建此貝葉斯網絡如圖4所示。

圖4 構建好的本體貝葉斯網絡模型

對應此故障網絡模型的條件概率表為:如圖5所示。

圖5 條件概率表

經軟件計算,原因為電磁離合器損壞所導致此故障現象的概率為0.119,原因為電磁離合器打滑所導致此故障現象的概率為0.265。所以給出相應的維修建議為先檢查電磁離合器是否打滑,如果無法排除故障,再檢查電磁離合器是否損壞。

5 結語

隨著艦炮武器的不斷發展,艦炮武器系統所出現的故障情況也越來越復雜,在故障診斷過程中不確定性因素以及故障現象之間的相互耦合性也成為診斷過程中的一個難點,而且如果有新的故障現象的出現,新故障知識難以添加也成為一項新的問題。

在本問題中,本體是一種強有力的知識表示形式,而且易于添加新知識,在建立起類與屬性關系之后又可自動形成網絡,方便與貝葉斯網絡結合使用。貝葉斯網絡是目前一種較為成熟的不確定性推理方法,可以有效解決故障診斷過程中的不確定性問題。把這兩種方法結合起來,利用其各自的優勢,將使得艦炮故障診斷的過程更加快速和有效。

[1] 周密.基于本體論的柴油機綜合故障診斷研究[D].長沙:國防科技大學碩士學位論文,2007,11.

[2] 趙少華.基于本體論的汽車故障診斷知識建模及知識系統的研究[D].上海:華東理工大學碩士學位論文,2011,1.

[3] 畢魯雁,焦宗夏,范圣韜,等.基于本體的機載機電系統故障診斷研究[C]//中國機械工程學會流體傳動與控制分會,2008:510-512.

[4] 趙金樓,成俊會,岳曉東.基于貝葉斯網絡的海洋工程裝備故障診斷模型[J].哈爾濱工程大學學報,2014,35(10):1-5.

[5] 程雨.基于貝葉斯網絡的列控系統故障診斷研究[D].北京:北京交通大學碩士學位論文,2014,4.

[6] 吳欣,郭創新.基于貝葉斯網絡的電力系統故障診斷方法[J].電力系統及其自動化學報,2005,17(4):11-15.

[7] Charniak E. Bayesian Networks without Tears[J]. AI Magazine,1991,12(4):50-63.

[8] Pearl J Graphical Models for Probailistic and Causal Reasoning In: The Computer Science and Engineering Handbook Kluwer Academic Publishers,1997:697-714.

[9] 張兵利,裴亞輝.貝葉斯網路故障概述[J].電腦與信息技術,2008,16(5):41-42.

[10] 郝曉亮.貝葉斯網絡在半導體設備故障診斷中的應用[J].設備維護與維修,2013,16(5):62-66.

Naval Gun Weapon System Fault Diagnosis Based on Ontologies and Bayesian Network

SUN Wenzhou1YUE Dongmei2PENG Liang1

(1. Department of Graduate Management, Dalian Naval Academy, Dalian 116018) (2. Department of Naval Gun, Dalian Naval Academy, Dalian 116018)

Against the problem of nodeterminacy and new fault knowledge is not easy to add in the process of fault diagnosis, a new method is put forward by combining ontologies and bayesian network. The representation of ontology knowledge is used to built the ontology model about the naval gun weapon system. Then this model is converted into a bayesian network model. Finally the bayesian network is used for naval gun weapon system failure of uncertainty reasoning. This method can effectively solve the problem of complex naval gun weapon system fault phenomenon.

ontology, Bayesian network, fault diagnosis

2015年1月17日,

2015年3月6日 作者簡介:孫文舟,男,碩士研究生,研究方向:艦載武器系統分析、論證與仿真。

E920

10.3969/j.issn1672-9730.2015.07.042