基于語義網絡的副翼作動器綜合故障診斷方法

孫錦文，馬 劍，丁 宇，劉清竹，王景霖，吳英建

(1.北京航空航天大學 可靠性與系統工程學院，北京 100191；2.可靠性與環境工程技術國防科技重點實驗室，北京 100191；3.故障診斷與健康管理技術航空科技重點實驗室，上海 201601)

基于語義網絡的副翼作動器綜合故障診斷方法

孫錦文1，2，馬 劍1，2，丁 宇1，2，劉清竹1，2，王景霖3，吳英建3

(1.北京航空航天大學 可靠性與系統工程學院，北京 100191；2.可靠性與環境工程技術國防科技重點實驗室，北京 100191；3.故障診斷與健康管理技術航空科技重點實驗室，上海 201601)

為了實現飛機典型機電系統故障診斷知識集成共享與利用，提出了一種基于語義網絡的副翼作動器綜合故障診斷方法。首先利用FMECA方法對副翼作動器進行故障機理分析，然后基于語義網絡理論，對副翼作動器在產品域、測試域、診斷域進行本體的構建及相關分析，并使用OWL語言實現了本體的機器可讀，從而獲得副翼作動器的故障診斷知識模型構建，在此基礎上再進行系統故障的綜合推理。該方法初步實現了副翼作動器故障診斷基于語義網絡理論的知識庫構建，驗證了模型的故障推理能力，可以有效解決副翼作動器的綜合故障診斷問題。

語義網絡；副翼作動器；FMECA；本體；綜合診斷

作為飛機的典型機電系統之一，飛機副翼作動器發揮著核心功能作用，一旦發生故障將造成整個系統的性能衰退甚至失效、影響巨大，因此對其開展有效的故障診斷十分重要[1]。隨著副翼作動器系統的發展，系統結構變得越來越復雜，故障的復雜程度不斷增大，不確定性因素不斷增多，在多源測試診斷信息下進行綜合診斷已成為故障診斷的一個瓶頸問題。

綜合診斷是一種通過綜合自動和人工測試、維修輔助手段、技術信息、人員和培訓等要素，來提高產品的診斷能力的方法[2]。對產品而言，其測試和故障診斷能力是由測試診斷設備和技術方法所決定的，需要在其全壽命周期及部署和使用過程中構成診斷能力的因素綜合集成和優化配置，以達到最優的總體診斷能力。

為了對副翼作動器進行有效的綜合故障診斷，首先需要利用FMECA(failure mode, effects and criticality analysis, 故障模式、影響與危害性分析)方法對其故障模式和故障機理有較全面的知識庫構建。由于綜合診斷需要以規范的格式對診斷信息進行統一標準的描述，以實現信息的交換和相互協作的需求，這需要建立規范的知識表示管理系統。目前，較為成熟的知識表示方法主要有產生式規則和框架知識表示方法，但僅適用于表示孤立的、簡單的事實或固定的、典型的概念與行為，對于復雜知識構成的表示并不適用。語義網絡可以有效解決這個問題，是一種可以用來模擬人心理活動的思維模型知識表示方法[3]。本體是一種語義網絡方法，主要思想是將知識以網絡的形式來表達，運用網絡間的關系來實現相互關聯。為了將綜合診斷過程中的異類信息進行規范化表達，通過本體的方法構建診斷信息的描述模型，首先針對副翼作動器進行產品域、測試域、診斷域的本體構建，然后利用OWL(ontology web language, 本體網絡語言)實現診斷知識庫的機器可讀。

本研究首先利用FMECA方法對副翼作動器的故障機理及影響進行分析，然后基于目前已存在的診斷經驗利用本體方法來進行建模，建立起基于知識對象節點的知識庫，最后利用故障樣本學習方法來完成副翼作動器故障診斷的推理部分，從而有效實現了副翼作動器的綜合故障診斷。

圖1 基于語義網絡的綜合故障診斷方法

圖2 產品FMECA分析流程

1 基于語義網絡的綜合故障診斷方法

基于語義網絡的綜合故障診斷方法如圖1 所示。首先根據FMECA方法對產品的故障機理進行全面分析，整理出故障機理分析表，然后利用語義網絡中的本體論方法，對產品的產品域、測試域和診斷域的故障診斷知識庫進行構建，并運用OWL語言對所構建的本體進行了描述，最后利用基于知識庫的故障樣本學習方法推理出最終可能的故障原因。

1.1 基于FMECA的故障機理分析

FMECA方法是針對產品梳理出其所有可能的故障，并通過對故障模式的分析，確定每種故障模式對產品的影響，找出其中的單點故障，并按照故障模式的嚴酷度及其發生概率確定其危害性。對一個產品而言，其故障征兆、故障模式、故障影響以及監控參數之間具有多對多的映射關系，根據產品的FMECA分析確定重要的監控參數和故障模式等。

如圖2所示，分析產品的故障機理時，首先通過對其故障記錄和設備使用手冊的梳理與研究，對產品系統進行綜合層次分解，主要分為：結構分解、功能分解和故障分解。在綜合層次分解的基礎上進行 FMECA 分析，主要進行以下分析：故障征兆、故障模式和故障影響。

1.2 基于語義網絡的綜合故障診斷知識庫構建

在綜合診斷問題中，診斷信息的來源是多方面的。為了將綜合診斷過程中的異類信息進行規范化表達，基于本體論的理論方法，構建診斷信息的描述模型，實現診斷知識的機器可讀。

語義網絡常常用作知識表示的一種形式，Simmon于1970年正式提出“語義網絡”的概念，并討論了其和一階謂詞邏輯的關系。

本體是實現語義網絡的一種具體方法，是“共享概念模型的明確的形式化規范說明”，研究的是特定領域知識對象分類，對象屬性和對象間的關系[4-5]。本體的核心意義在于提供一種明確定義的形式化的共識，有5個基本元素:類或概念、屬性、實例、關系、公理。類一般采用框架結構來定義，包括其名稱、自然語言描述以及與其他類之間的關系集合；屬性是指對類的性質或特征的描述；實例是指考察的對象；關系是指在領域中概念間的相互作用；公理是指類和屬性定義上的規則[6]。

目前，主要的本體描述語言有可擴展標示語言(extensive markup language,XML)、資源描述語言(resource description framework,RDF)、OWL等[7]。其中，OWL本體描述語言以描述邏輯為基礎，語法簡潔通用，并且具有良好的語義和推理支持，因此采用OWL語言為本體描述語言。

1.2.1 基于鍵合圖模型的產品域本體建造方法

產品域是指與產品自身結構相關的數據來源。通過分析領域內的知識對象及其屬性和關系，基于產品域的特點，結合本體的繼承及相關定義擴展，可以實現綜合故障診斷基礎上的產品域知識體系構建。

鍵合圖模型可以用于建立系統動態模型，以簡單的形式直觀表現出系統內各組成部分的物理結構以及系統中存在的動態影響因素等[8]?；阪I合圖模型構建產品域本體，首先需要基于產品的物理邊界將其結構分解為相對獨立的功能單元，然后再面向不同的功能單元建立模型。產品功能單元的分解是基于實際需求的多級重復過程，以利于實現本體知識的描述。

1.2.2 基于TOP-DOWN模型的測試域本體建造方法

測試域是指與產品狀態觀測相關的數據來源，主要涉及產品的測試需求、測試操作、試驗分析等信息。副翼作動器的故障機理較為復雜，采用基于TOP-DOWN模型的測試域本體構建方法，自上而下分解產品的故障機理，在分解出的更小的知識單元上構建本體模型，然后再將這些本體模型進行集成以構建完整的測試域。測試域中的知識對象包括構成產品測試能力的操作手段及其可用狀態，以及所關心的狀態表征指標等。運用基于TOP-DOWN模型的知識分解方法，可以深入產品內部研究故障機理和特性，適合于綜合診斷的需要。

1.2.3 基于故障樹模型的診斷域本體建造方法

診斷域是指與產品綜合診斷方法相關的數據來源，包括產品的故障模式、故障原因、維護記錄等信息。

故障樹模型能夠基于故障事件進行邏輯推理分析，弄清各潛在因素對故障發生的影響途徑及程度?；诠收蠘淠Ｐ蜆嫿ㄔ\斷域本體，能夠有助于增加對故障傳播的認識，并表達診斷域知識對象的內在聯系[9]。在診斷域本體的建造過程中，首先需要將故障樹中的基本事件表達為本體模型的底層知識對象，并將各基本事件的先驗概率賦值為知識對象的狀態取值可信度。然后將故障樹中的邏輯門也表達為知識對象，并將邏輯門的輸出事件賦值給對象的狀態取值。將本體模型的知識對象節點按照故障樹中的連接關系進行連接，并將連接節點的有向邊的方向與邏輯門的輸入輸出關系對應。最后還需要將邏輯門的邏輯關系運用條件概率形式表達為本體模型中知識節點的推理關系。

1.2.4 三個域之間的本體關系

通過以上建造方法，建立起產品域、測試域、診斷域這三大領域的本體模型，依據領域專家的思維方式，運用知識對象的外部推理行為來表達三個領域之間的推理關系，如圖3所示。

其中，屬性關系如下：

is-a：產品域、測試域、診斷域是產品的子域；

diag-to-test：發現某種故障現象時所采用的檢測方法；

test-to-pro：采用具體的檢測方法時作用的對象。

1.3 副翼作動器診斷推理方法

在已經建立起副翼作動器綜合故障診斷知識庫的基礎上， 基于知識的推理在計算機中的實現是知識系統中不可缺少的組成部分。具體的綜合診斷問題知識推理實現，采用故障樣本學習的方法。基于之前的本體構建方法，知識節點的推理模型可由有向無環圖的形式表達，假設無缺失數據的情況下，可估算每個對象節點的條件概率。

圖3 產品域、測試域、診斷域的關系

對于知識對象節點Oi，假設存在ti個直接源節點 (即存在ti個對象節點通過有向邊直接指向Oi)。以Vi表示源節點所組成的向量，并以vi表示向量Vi的取值，以 oi表示節點Oi的取值。每個節點的取值有故障和正常兩種狀態，根據對象節點的采樣統計信息，可以估算節點的條件概率如下：

(1)

2 案例分析

2.1 副翼作動器工作原理

副翼作動器由電子放大器、直接驅動閥 DDV1、直接驅動閥 DDV2、作動筒ACT、位移傳感器DDV_LVDT和RAM_LVDT等組成，其工作原理如圖 4 所示。

圖4 副翼作動器工作原理圖

副翼作動器的運行原理：輸入指令通過電子放大器放大，經直接驅動閥 DDV1 和 DDV2，使作動筒動作。本實驗有兩個反饋回路，一是在直接驅動閥DDV2 處有一個位移傳感器，將信號反饋給直接驅動閥DDV1，形成內回路；另一個是在作動筒后面有一個位移傳感器，將作動筒的位置信號反饋給輸入信號端，形成外反饋，檢測整個副翼作動器系統是否有故障。

實驗獲取的測點數據有：輸入指令COM，DDV_LVDT 輸出信號DDV2_X，RAM_LVDT輸出信號ACT_X，DDV力馬達電流 IFM，DDV輸入指令U2等。

2.2 副翼作動器的故障機理分析

通過對副翼作動器進行FMECA分析，梳理出其主要結構有直接驅動閥1、直接驅動閥2、位移傳感器等，通過對故障現象采用相應的檢測方法，梳理出故障原因，整理得到故障模式分析表格。表1為副翼作動器直接驅動閥1的故障機理分析簡表。

2.3 副翼作動器綜合故障診斷知識庫構建

2.3.1 副翼作動器的產品域

副翼作動器包括直接驅動閥1、直接驅動閥2、位移傳感器、電子放大器、執行機構等。其中直接驅動閥1又包括力馬達線圈、DDV1 閥芯、刃邊1等?；阪I合圖模型建造產品域，詳細寫出了關于綜合診斷時要用到的組成部件，以后在有需要時還可以加入各個部件的性質，副翼作動器的產品域網絡構建如圖5所示。

表1 副翼作動器直接驅動閥1故障機理分析簡表

圖5 副翼作動器產品域網絡構建圖

2.3.2 副翼作動器的測試域

副翼作動器測試域包括DDV1 功率測試、DDV1零偏電流測試、DDV1 流量測試等，其中DDV1功率測試對應的產品域是直接驅動閥1?；赥OP-DOWN模型建造測試域，詳細寫出了關于綜合診斷時測試域的子類及子類的屬性，表2展示了直接驅動閥 1的測試域。

表 2 直接驅動閥 1的測試域構建

2.3.3 副翼作動器的診斷域

副翼作動器的診斷域包括作動筒響應速度慢、作動筒位置不準確等。其中作動筒響應速度慢對應的診斷域是力馬達無功率輸出，直接驅動閥1 零偏電流增大，直接驅動閥1 輸出恒定流量等?；诠收蠘淠Ｐ徒ㄔ煸\斷域，可以詳細寫出綜合診斷時診斷域的子類及子類的屬性，包括故障現象、故障原因等，如表3和表4所示。

表3 副翼作動器典型故障現象診斷域構建

表4 直接驅動閥1故障的診斷域構建

2.4 基于OWL語言的副翼作動器診斷案例編碼

OWL中本體的結構有：命名空間、本體頭部和數據集成與隱私。網絡本體由個體、屬性和類組成，其中個體代表感興趣的對象，屬性代表個體之間的二元關系，類表示一些個體的集合。

用OWL語言對語義網絡表達的飛機副翼作動器診斷案例進行了編寫，下面是截取的一個案例的OWL語言編寫程序：

xmlns=http://www.owl-ontologies.com/Ontology.owl#

//本體頭部

//定義類：主閥芯磨損

//這個類是閥泄露的子類

//定義類：DDV1功率測試

/*DDV1功率測試

只對應于產品域的

直接驅動閥力馬達線圈*/

//DDV1功率測試是測試域的子類

rdf:datatype="http://www.w3.org/2001/XMLSchema#string" /*DDV1功率測試

> 對應的數據屬性類型是

string*/

2.5 副翼作動器診斷推理方法案例

基于前面的知識庫構建，對副翼作動器的典型故障現象——作動筒位置不準確進行初步推理分析，得到如圖6所示的故障原因分析知識節點圖。

圖6 作動筒位置不準確故障原因分析圖

圖7 知識對象節點連接實例

從圖6的知識節點圖中截取得到如圖7所示的有向無環圖，節點的狀態取值都為state={normal,fault}，其相應的200組歷史數據的采樣信息，如表5所示。

根據統計信息，可以估算得到節點O1、O3的狀態取值可信度為：

belief1={P(o1=normal),P(o1=fault)}={0.64,0.36}； (2)

belief2={P(o3=normal),P(o3=fault)}={0.95,0.05}。

(3)

然后，可根據節點O2、O4的不同狀態取值來計算出相應概率，如o2=fault，o3=fault，o4=normal的狀態概率為：{P(o2=fault),P(o3=fault),P(o4=normal)}=0.03。

(4)

根據式(1)，可估算出節點O2、O4至O3的條件連接關系，即條件概率

(5)

即在發生作動筒位置不準確故障，且作動筒響應速度正常時，發生作動筒故障的概率是0.071。然后可以依次算出各節點故障的概率，從而進行故障診斷推理。

表 5 采樣統計信息

3 結論

提出了一種基于語義網絡的副翼作動器綜合故障診斷方法。該方法首先利用FMECA對副翼作動器進行故障機理分析，然后基于語義網絡理論，對副翼作動器在產品域、測試域、診斷域進行了本體的構建及相關分析，從而獲得副翼作動器的故障診斷知識庫構建，在此基礎上最后進行綜合診斷推理方法的探究，對副翼作動器進行了較完整的綜合故障診斷知識庫構建和診斷設計。在后續研究中，可以將該方法進一步應用于典型的機電系統中，實現系統在多源測試信息下的綜合故障診斷。

[1]李乃鑫，陸中，周伽.電液伺服作動器可靠性評估的貝葉斯網絡方法[J].西北工業大學學報，2016，34(5):915-920. LI Naixin,LU Zhong,ZHOU Jia.Reliability assessment based on Bayesian networks for electro hydraulic servo actuator[J].Journal of Northwestern Polytechnical University,2016,34(5):915-920.

[2]潘泉,景小寧,陳云翔.美軍新機的綜合診斷技術及啟示[J].空軍工程大學學報(自然科學版),2005,6(2):1-3. PAN Quan,JING Xiaoning,CHEN Yunxiang.The integrated diagnosis technique for the new operational aircraft of American and the enlightenment to us[J].Journal of Air Force Engineering University(Natural Science),2005,6(2):1-3.

[3]李太福，黃茂林，謝志江.基于語義網絡的旋轉機械故障診斷知識表示[J].重慶大學學報(自然科學版)， 2001， 24(6):18-20. LI Taifu,HUANG Maolin,XIE Zhijiang.Knowledge representation for rotative machine fault diagnosis based on semantic net[J].Journal of Chongqing University(Natural Science Edition),2001,24(6):18-20.

[4]王昊，谷俊，蘇新寧.本體驅動的知識管理系統模型及其應用研究[J].中國圖書館學報，2013，39(2):98-110. WANG Hao,GU Jun,SU Xinning.Research on the model and its application of ontology-driven knowledge management system[J].Journal of Library Science in China,2013,39(2):98-110.

[5]FENTON W G,MCGINNITY T M,MAGUIRE L P.Fault diagnosis of electronic systems using intelligent techniques:A review[J].IEEE Transactions on Systems,Man,and Cybernetics,Part C (Applications and Reviews),2001,31(3):269-281.

[6]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/CD]// 全國流體傳動與控制學術會議暨2008年中國航空學會液壓與氣動學術會議，2008.

[7]ANTONIOU G,HARMELEN F V.Web ontology language:OWL[M].Handbook on Ontologies.Berlin， Heidelberg：Springer，2009:67-92.

[8]周密.基于本體論的柴油機綜合診斷研究[D].長沙：國防科學技術大學,2007:41-54.

[9]耿宏， 樊建梅.基于故障樹模型的波音777故障診斷專家系統[J].自動化與儀表， 2005， 20(4):1-3. GENG Hong,FAN Jianmei.Fault diagnosis expert system for Boeing 777 based on fault tree model[J].Automation and Instrumentation,2005,20(4):1-3.

(責任編輯：呂海亮)

Integrated Fault Diagnosis of Aileron Actuator Based on Semantic Network

SUN Jinwen1，2, MA Jian1，2, DING Yu1，2, LIU Qingzhu1，2, WANG Jinglin3, WU Yingjian3

(1. School of Reliability and Systems Engineering, Beihang University, Beijing 100191, China;2. Science & Technology Laboratory on Reliability & Environmental Engineering, Beijing 100191, China;3. Key Laboratory of Aviation Technology for Fault Diagnosis and Health Management Research, Shanghai 201601, China)

In order to realize the integration and sharing of the fault diagnosis knowledge of typical aircraft electromechanical systems, this paper presents an integrated fault diagnosis method of aileron actuator based on semantic network. Firstly, the failure mechanism of aileron actuator was analyzed by FMECA(failure mode,effects and criticality analysis) method. Then the ontology construction and correlation analysis of product domain, test domain and diagnosis domain were carried out based on the theory of semantic network. And the fault diagnosis knowledge model of the aileron actuator was constructed by using the OWL language to express the ontology of the aileron actuator in computer. On this basis, the system faults were further synthesized. By establishing the fault diagnosis knowledge model of the aileron actuator based on the semantic network theory and verifying the fault reasoning ability of the model, the proposed method can effectively solve the integrated fault diagnosis problem of the aileron actuator.

semantic network; aileron actuator; FMECA; ontology; integrated diagnosis

2017-01-22

國家自然科學基金項目(51575021);國防技術基礎項目(Z1320113B002);航空科學基金項目(20153351022)

孫錦文(1995—)，男，湖北松滋人，碩士研究生，主要從事故障診斷與健康管理的研究，本文通信作者. E-mail：sunjinwen@buaa.edu.cn

TP277

A

1672-3767(2017)05-0052-08

10.16452/j.cnki.sdkjzk.2017.05.008