基于知識圖譜的航空發動機PHM 仿真驗證平臺設計

范滿意，羅 凱，馬英杰，韓崇鵬

（1.中國航空發動機研究院 基礎與應用研究中心，北京 101304；2.北京航天測控技術有限公司，北京 100041；3.北京市高速交通工具智能診斷與健康管理重點實驗室，北京 100041；4.中國航發沈陽發動機研究所，沈陽 110015）

0 引言

PHM 技術的持續推廣、應用，提升了裝備保障能力及水平，包括大數據、機器學習、數字孿生等多項智能化技術，已成功應用至PHM 地面系統，有效地提升了裝備海量測試數據分析處理效率及智能化水平［1-4］。以航空發動機領域為例，美國GE、羅羅等公司已經在其軍民用發動機型號產品中建立了智能化故障預測與健康管理系統［5-6］，幫助其售后服務及維修保障人員識別潛在故障，有效地提高了產品維護效率，減少了停機時間和成本，并確保了航空安全。另外，借助PHM 技術應用，還提供一系列定制化服務，以滿足客戶的特定需求，例如定制化的健康管理方案和遠程技術服務支持等。目前，PHM 系統已經配套至航空、航天、車船、大型設施等多領域復雜裝備的運維保障體系中，有效地提升了裝備安全性、經濟性，但也暴露出了一些問題，包括故障診斷預測精度不足、系統業務及功能不完善等。經事后分析得出，PHM 技術缺乏有效驗證能力和工具是其中主要原因之一［7-8］。隨著我國新型航空發動機的集成度、復雜度及智能化程度急劇增加，使其對PHM 系統成熟度要求更高，對高效、智能的PHM 技術驗證需求尤為迫切。同時，考慮到新型產品配套時間短，故障數據積累少，可驗證的故障不足，發動機PHM 驗證需要借助仿真等手段，以補充驗證數據。

目前，國外典型PHM 開發驗證工具有VSE、Sure-Sense等產品［9］，提供了包括PHM 工程搭建、數據融合、診斷預測推理、系統狀態評估等功能，有效地支撐了包括美國空軍F-16、F／A-22飛機渦輪發動機監控、診斷、預測等PHM 驗證，縮短了發動機產品研發周期并消除通常由錯誤數據引起的昂貴調查。除PHM 驗證功能外，國外PHM開發驗證工具產品核心優勢在于PHM 知識模型庫，其通過體系化的知識組織管理，有效地支撐復雜裝備PHM 多業務、多過程驗證。近年隨著技術發展，知識圖譜已經成為信息領域智能化知識管理技術手段。知識圖譜應用數學、圖形學、信息可視化等技術，可有效實現復雜知識內容的語義搜索、智能問答、內容推薦和輔助決策，已廣泛應用至醫學、教育、電力、航天等多領域［10-11］。

在PHM 開發驗證技術需求分析基礎上，針對新型航空發動機PHM 驗證實際需求，包括基于大數據挖掘、深度機器學習診斷預測驗證等［12］，提出了一種基于知識圖譜的PHM 仿真驗證方法，研制了一套智能化發動機健康管理系統驗證平臺。該平臺在利用大數據、深度機器學習、知識圖譜等技術基礎上，提供發動機PHM 算法建模、知識開發、仿真驗證及原理樣機驗證等功能，可滿足發動機基于海量數據處理、多元異構關聯分析、智能導向型推理的診斷預測驗證等需求。

1 基于知識圖譜的PHM 仿真驗證平臺設計需求分析

與傳統PHM 單機軟件相比，基于分布式云服務的PHM 仿真驗證平臺具有以下優勢：1）借助Hadoop、SpringCloud、Docker容器技術搭建驗證平臺架構，可有效滿足發動機PHM 驗證所需處理的海量驗證數據處理需求，提高仿真計算、診斷推理等驗證效率；2）可有效為知識圖譜、深度機器學習等智能化新技術在PHM 驗證提供支撐；3）將PHM 驗證服務化，可有效驗證多發動機、多業務并行PHM 能力，真實復現現場PHM 系統環境。其中：

1）大數據驗證服務，采用HDFS分布式文件系統存儲源碼二進制文件、視頻、音頻、圖像等較大的數據文件，可充分發揮HDFS對于大文件存儲的優勢，進而提高發動機飛參運行記錄等多源海量驗證數據處理效率。針對QAR、ECU、CEDU 等歷史飛行記錄，按照故障代碼、發生時間等，實現故障記錄驗證數據海量高效查詢，并快速完成誤碼剔除、濾波平滑等預處理。

2）智能計算驗證服務，通過集成知識圖譜技術框架，實現發動機故障機理、故障特征、故障數據、診斷預測模型等結構化知識和故障預案、故障案例、手冊文件等非結構化知識組織管理。同時，利用深度機器學習引擎，利用規則推理、回歸聚類等方法，可進一步實現PHM 知識挖掘、診斷預測驗證模型學習訓練等功能驗證。

3）分布式驗證服務，依據OSA-CBM＋架構［13］，提供分布式健康管理原理樣機并行驗證服務，面向多發動機型號、機載／地面PHM、診斷預測等多環境、多業務驗證需求，提供數據采集、狀態監視、故障診斷、壽命預測等驗證功能，從而實現與實際機隊發動機PHM 保障條件相一致的集成驗證。

2 PHM 仿真驗證平臺設計

2.1 總體架構設計

采用私有云服務搭建B／S平臺架構，提供發動機試驗數據、飛參數據以及維修信息等驗證數據采集服務，經數據進行清洗、集成、融合存儲到數據庫。業務層，通過調用建模開發、推理引擎、業務服務等，實現發動機PHM 驗證建模、仿真驗證、原理驗證等應用。總體架構如圖1所示。

圖1 基于知識圖譜的PHM 仿真驗證平臺設計總體設計

1）環境層：包括PHM 系統運行所需的必要通信網絡、信息服務、系統安全產品等基礎設施和操作系統、數據庫系統、文字處理工具等系統環境；

2）數據層：主要為發動機PHM 驗證數據對象，包括設計數據、試驗數據、仿真數據、航空數據、飛機維護管理系統數據［14］、維修數據、診斷預測算法等；

3）支撐層：包括用于仿真驗證平臺所需的基礎數據服務，包括數據庫服務、文件服務、報表服務、資源服務、可視化組件、權限控制等基礎服務組件；

4）業務層：包括診斷預測算法模型等驗證對象開發集成工具、診斷預測業務應用的故障樹遍歷、規則推理、案例檢索、知識圖譜融合推理等業務服務；

5）應用層：包括仿真驗證、功能原理驗證、外場保障功能驗證、現場維修保障功能驗證以及驗證過程可視化交互等應用軟件及工具。

2.2 平臺工作流

平臺工作流程主要包括 “驗證開發”、“驗證數據接入”、“驗證計算評估”等典型過程，平臺工作流程如圖2所示。

圖2 基于知識圖譜的PHM 仿真驗證平臺工作流程圖

1）驗證開發：包括發動機PHM 工程模型建模、診斷預測算法開發建模、專家知識開發；

2）驗證數據接入：包括發動機一體化半實物仿真試驗設備數據、機載健康管理系統離線數據、飛機QAR 航后數據等實時數據接入和離線數據接入；

3）驗證控制：包括開發PHM 驗證用例、創建PHM 驗證試驗、啟動控制PHM 驗證以及PHM 驗證算法模型加載推理計算；

4）驗證監視：包括PHM 驗證場景交互、PHM 驗證過程數據監視、報警故障診斷監視、故障預測與壽命預測監視；

5）驗證評價：包括內場試驗PHM功能原理驗證、外場運維保障PHM 功能原理驗證、故障診斷與預測算法準確率、精度驗證。

2.3 平臺功能設計

2.3.1 驗證數據服務

針對發動機海量PHM 驗證數據特征：一是數據來源具有多源性；二是數據種類和形態具有復雜性，即異構性；三是數據具有時空性，采用Hadoop、Spark、Storm 等主流大數據組件，實現多型號、多編號發動機驗證數據統一采集、處理，包括數據貫標、數據清洗、數據特征提取和數據存儲管理等。在此基礎上，建立數據貫標的統一接口，以提高驗證數據的匯聚使用能力和新源數據的快速集成能力。驗證數據服務數據流如圖3所示。

圖3 驗證數據服務數據流

針對多源數據不同類型、特點、應用方式，包括數據格式、是否頻繁查詢、實時性要求等，平臺采用與之相適應的多種數據庫進行分布式存儲，以滿足實時、離線等驗證對數據查詢、管理需求。多源驗證數據存儲服務如圖4所示。

圖4 多源驗證數據存儲服務

1）時序數據庫服務：采用IoTDB等時序數據庫，利用其流式數據高效處理能力，可以實時處理傳感器數據流，支持復雜的數據分析和挖掘操作；

2）離線海量數據服務：采用Hbase分布式列式存儲系統，利用其分布式擴展及高效查詢能力，可以實現多型號海量歷史驗證數據查詢；

3）非結構化數據服務，采用HDFS分布式文件系統，為發動機QAR、故障記錄等離線文件提供海量存儲服務，借助其大規模數據集服務能力，可有效實現多型號文件管理及高效服務。

2.3.2 建模開發服務模塊設計

針對發動機仿真驗證需求，軟件提供建模開發服務模塊，由基礎算法庫、專用模型庫、專家知識開發等功能模塊。

1）在線開發：本模塊提供算法模型在線開發、與離線導入功能。其中：在線開發支持基于多語言腳本、源代碼在線開發，用戶可在線開發PHM 診斷預測模型和仿真驗證模型。軟件提供基于發動機系統、分系統、設備結構的圖形化開發功能和節點配置功能。用戶可開發用于PHM 驗證的發動機仿真模型或壓氣機等仿真模型。同時，軟件提供模型訓練、循環迭代計算（包括訓練誤差損失等）等完成模型在線訓練，訓練后模型保存至平臺，供調用使用仿真調用。考慮到發動機診斷預測算法復雜度及參與在線開發人員技術掌握情況，在線開發功能在設計中采用了輕量級的開源代碼編輯器VSCode工具，利用其提供的豐富功能和插件，如代碼補全、調試、版本控制和代碼片段等，以有效提升算法開發效率及開發語言擴展性。目前，在線開發工具已經實現了C＋＋、Python、Matlab三種語言開發支持。未來隨著軟件升級，可進一步支持包括Java、GO、Modelica等多計算、仿真語言。

2）算法模型庫：面向發動機健康管理，提供溫度、電壓、電流等信號檢測診斷模型以及壓氣機、燃燒室、高壓渦輪、低壓渦輪等油路、氣路、控制、振動等典型分系統診斷預測模型管理功能，用于PHM 診斷預測驗證。同樣，用戶可利用在線開發的診斷預測算法，在驗證平臺內完成診斷預測模型圖形化開發及訓練、發布（如圖5所示）。并利用平臺提供測試接口，輸出測試結果，用于診斷預測模型確認。

圖5 發動機診斷預測圖形化建模

2.3.3 知識圖譜模塊設計

知識圖譜構建模塊主要分為專家知識開發、數據挖掘、知識圖譜構建、知識綜合查詢等功能。本模塊在發動機專家知識數據庫模塊提供的Spark數據挖掘分析、Graph圖計算［15-16］基礎上，提供發動機數據挖掘分析等功能，并加載顯示發動機數據挖掘分析結果、關聯關系網絡圖等。對于無法滿足的數據挖掘分析，按數據需求進行數據挖掘算法定制。知識圖譜模塊功能包括：實體抽取模塊，用于從發動機設計文件、故障案例等文本中自動提取數據實體，并標注信息類型和屬性信息；關系抽取模塊：用于從文本中自動提取發動機驗證信息關系，包括故障模式關聯的故障特征、診斷算法、預測算法等；知識表示模塊，用于將發動機PHM 待驗證信息、關系和屬性等信息轉換為計算機可讀的形式；知識存儲模塊，用于存儲整個知識圖譜，并提供高效的查詢和更新接口，本項目采用圖形理論的開源No-SQL數據庫；知識推理模塊，用于從發動機PHM 知識圖譜中推導出新的知識，包括故障間傳遞影響等；知識查詢與應用模塊，用于根據用戶的查詢需求，從知識圖譜中檢索相關PHM 驗證知識，并將其應用于PHM 診斷、預測及決策支持等。主要功能應用包括：

1）專家知識開發：面向發動機診斷、預測、輔助決策等應用，提供定量、定性專家知識集成功能：（1）采用規則推理方法，實現基于測試數據、工作狀態、控制指令、飛行事件的推理知識集成功能。以發動機故障代碼、診斷結果等為索引，提供異常故障發生所處工況事件、正常操作流程、可能故障原因、處置流程等排故預案知識開發功能；（2）采用非結構化數據提取方法，提供基于歷史故障記錄、維修記錄的故障案例信息抽取集成功能，完成診斷維修知識分級、診斷維修知識基本信息、故障征兆以及維修步驟、維修結果等知識提取與集成。

2）知識提取挖掘：針對發動機設計數據、測試數據、維修數據等多源的結構化數據和非結構化文件，采用最大匹配法、最優匹配法等，完成無關信息剔除和有關信息分詞提取；提供特征值提取功能，利用詞頻、逆向文件頻率等方法，進一步對預處理后的發動機診斷知識進行特征提取，降低知識挖掘所需文本向量維度；提供診斷知識挖掘功能，提供文本集轉化功能，將文本轉化為文本矩陣輸入至K 近鄰、貝葉斯模型、決策樹等模型，輸出文本集分類，完成診斷知識挖掘，知識提取挖掘流程如圖6所示。

圖6 發動機專家知識采集與提取

3）知識圖譜構建：依據知識圖譜技術架構，發動機故障專家知識圖譜的構建總體流程分為知識融合、增量迭代2個流程，如圖7所示。其中：知識融合階段僅僅是從不同類型的知識源抽取構建知識圖譜所需的實體、屬性和關系，形成了一個個孤立的抽取圖譜。為了形成一個完整的知識圖譜，需要將這些抽取結果集成到知識圖譜中，以進行知識融合；最后將圖譜存儲在數據庫中才能提高圖譜的適應效率，不同于傳統的關系型數據庫和分布式數據庫，知識圖譜需要存儲在專用的圖數據庫中，可采用Neo4j等數據庫實現圖譜的存儲。

圖7 發動機PHM 知識圖譜構建流程

2.3.4 仿真驗證評價模塊設計

仿真驗證評價模塊包括用例管理、驗證控制、故障注入、驗證分析、結果顯示等功能，如圖8所示。其中：用例管理模塊，采用用例驅動方式，提供驗證用例的開發、配置、管理功能，支持驗證過程所需數據管理和驗證模型管理功能；驗證控制模塊，提供仿真驗證試驗用例的開始、停止控制功能，并利用發動機仿真驗證設備接口［17］等，實時采集仿真驗證數據；故障注入模塊，采用指令方式＋參數注入方式，驅動驗證設備對具體工況、故障模式進行仿真或驅動歷史數據庫進行對應故障數據回放，覆蓋發動機氣路、油路、滑油、控制等以及發動機全系統故障模擬；驗證分析模塊，在驗證過程中，提供驗證算法接口調用功能，利用驗證得到的仿真數據加載調用健康管理算法模型，輸出驗證診斷預測結果等；結果顯示模塊，采用文本記錄、曲線等方式，顯示驗證試驗進程信息，并根據用戶所開展的驗證試驗進程，滾動顯示試驗過程信息及故障診斷等結果生成信息。

圖8 發動機仿真驗證模塊工作原理

2.3.5 健康管理原理樣機模塊設計

健康管理原理樣機模塊包括PHM 建模與配置、狀態監測與故障診斷、趨勢預測與維修決策。

1）PHM 建模與配置：采用圖形化、向導式方式，提供發動機PHM 建模功能，實現發動機結構、參數、故障模式、PHM 驗證任務模型等基礎設計信息配置管理；采集配置模塊，提供總線幀格式協議配置、通信協議配置等功能，利用通用數據采集與數據接收服務，實現發動機數據接收、解析、存儲。

2）狀態監測與故障診斷：提供履歷信息、健康信息、健康數據狀態監視功能，支持機隊、單機、分系統等多級對象狀態監視；異常檢測模塊，提供異常數據判讀、異常趨勢檢測功能，支持發動機測試、試驗、飛行過程異常狀態檢測、異常趨勢檢測，并輸出檢測報警信息。故障診斷模塊，提供基于故障樹、信號特征提取、數學物理模型等融合故障診斷，利用實時測試數據、歷史飛參數據等，實現故障報警、故障部位顯示、故障影響分析等；

3）趨勢預測與維修決策：加載數學物理模型，利用當前數據和歷史數據對產品特征參數隨時間和環境的變化趨勢進行分析，提供產品性能、振動、滑油等特征參數的趨勢分析，性能衰減、專題趨勢預測功能；維修決策模塊，提供故障影響分析、維修排故預案、歷史故障案例、知識圖譜等綜合知識推送服務，支持維修電子手冊等資源鏈接，輔助排故、維修參考，包括健康報告生成、維修知識檢索等。

3 平臺實現技術研究

基于知識圖譜的航空發動機PHM 仿真驗證平臺所需支撐技術包括：數據挖掘與特征提取、專家知識自主獲取以及基于知識圖譜的融合驗證3部分。

3.1 結構化特征提取

通過開展發動機數據挖掘與信息提取技術，為構建發動機PHM 知識圖譜提供定量知識構建支持，包括：數據傳輸、測量參數預處理、故障特征提取與表征、特征相關性分析以及特征增強五部分，主要技術流程如圖9所示。

圖9 發動機數據挖掘與特征提取流程

1）數據傳輸：利用批次發動機試車數據（或飛參數據），通過篩選測量參數，從而完成氣路數據、振動數據、孔探數據或滑油數據的篩選，從而可以保證所得數據能夠直接進行后續處理。

2）數據挖掘：采用元數據方法，開展面向發動機設計要求、設計方案、設計圖紙、加工要求、裝配數據、試驗數據、運行數據、維護檢修等關聯分析，建立全壽命周期數據的映射關系模型。

3）故障特征提取與表征：面向發動機氣路、滑油等數據，采用氣動熱力模型、圖像處理方法、主成分分析方法等［18］，完成典型部件故障、氣路數據、滑油光譜等故障特征提取。

4）特征相關性分析：利用K-means 的聚類算法、Pearson系數等方法，完成故障、特征數據相關性計算，輸出相關性矩陣，以分析、優化多故障特征及特征敏感度，為多特征知識融合提供輸入。

5）故障特征增強：提供基于Vague集特征參數的相似度量和排序功能［19］，以實現基于參數特征統計的發動機知識表征。同時，采用遷移學習技術，將發動機故障模式模型化，實現基于強化學習生成故障特征庫的增廣策略，為發動機仿真驗證提供評估、評價依據。

3.2 非結構化專家知識提取

針對非結構化知識，如發動機故障診斷孔探圖像、歷史故障案例等圖片和文本數據等，采用圖像和語義識別方法，提取非結構知識中的關鍵特征，并可轉化為粗糙集理論可以處理的數據集形式，構建圖像和語義識別算法庫。在此基礎上，利用粗糙集預處理方法等，完成樣本決策表訓練、連續數據離散化和以及訓練樣本屬性約簡。最后，利用反向傳播神經網絡（BP）、卷積神經網絡（CNN）、對抗神經網絡（GAN）、深度神經網絡（DNN）算法模型，完成專家知識自主獲取與提取。多源異構數據挖掘技術流程如圖10所示。

圖10 多源異構數據關聯挖掘流程

3.3 基于知識圖譜的融合驗證

采用智能導向型推理方法實現基于知識圖譜的融合驗證，通過構建多層級決策融合的導向型推理模型，如圖11所示，完成知識圖譜的知識組織、表示、融合。利用智能導向型驗證推理模型，可有效融合故障知識、故障特征、診斷預測模型、維修專家知識等內容。在此基礎上，借助業務流程引擎、規則推理與模型計算引擎等，驅動發動機PHM 驗證，實現基于機理模型的診斷預測、基于故障特征的診斷預測以及基于故障案例的診斷融合推理驗證等。

圖11 智能導向型PHM 驗證模型

4 仿真驗證實例

采用基于知識圖譜的航空發動機PHM 仿真驗證平臺完成PHM 建模、仿真建模、診斷預測建模、知識圖譜構建、PHM 仿真驗證、PHM 功能原理樣機驗證。航空發動機PHM 工程一體化平臺驗證，一方面解決傳統單點驗證不成體系的問題；同時解決了新型發動機故障樣本少、氣路、滑油、振動等系統級故障診斷預測精度評價缺乏數據支撐等問題。

4.1 PHM 建模

利用PHM 驗證平臺提供的PHM 工程模型，完成發動機PHM 建模。以某型發動機為驗證對象，通過導入發動設計信息、測試性模型等，在解析測試性模型中FST 信息（Fault-Signal-Test）信息［20］基礎上，完成裝備構型、測點、故障模式導入，并根據機載／地面PHM 業務需求，創建發動機PHM 驗證任務。

4.2 仿真建模

利用PHM 驗證平臺提供的在線開發功能，完成發動機仿真驗證模型開發。利用發動機工作原理構建發動機仿真模型，利用平臺提供的算法模型接口，實現發動機仿真輸入、輸出接口，并發布至仿真驗證模型庫，如圖12所示。

圖12 發動機仿真驗證建模

4.3 診斷預測建模

利用PHM 驗證平臺提供的算法模型庫，采用圖形化建模方式，調用數據驅動、特征提取、故障診斷、故障預測等算法，構建發動機及關鍵分系統、部件故障診斷預測模型，并配置至發動機PHM 模型中，如圖13所示。診斷預測建模支持開放式的服務調用功能，可向符合平臺標準接口的算法模型提供集成與接口自動讀取功能。用戶即可調用在線開發、圖形化建模的診斷預測算法，也可讀取外部診斷預測服務接口，輕松調用各類PHM 算法模型。

圖13 發動機PHM 算法驗證配置

4.4 知識譜圖構建

利用PHM 驗證平臺提供的專家知識管理功能，包括故障特征、故障案例、故障預案、知識圖譜可視化等工具，實現發動機PHM 知識圖譜結構。平臺底層通過加載數據挖掘、故障增強等方法，完成知識提取與圖譜構建，如圖14所示。

圖14 發動機知識圖譜構建

4.5 仿真驗證評估

利用PHM 驗證平臺提供的仿真驗證功能，創建發動機仿真驗證任務、驗證試驗，并通過驅動發動機仿真驗證模型及診斷預測模型，完成發動機故障診斷、故障預測等仿真驗證，如圖15所示。

圖15 發動機仿真驗證

4.6 原理樣機驗證

利用PHM 驗證平臺提供的原理樣機功能，通過加載歷史QAR 飛參數據等，調用已完成仿真驗證的PHM 模型、診斷預測算法模型、專家知識等，完成發動機故障診斷、故障預測、輔助決策等功能驗證，如圖16所示。

圖16 發動機PHM 功能原理驗證

目前，利用本文提出PHM 仿真驗證方法及PHM 仿真驗證平臺，已經完成了3型航空發動機PHM 工程驗證，包括氣路、振動、滑油等20多種典型故障模式、30余個診斷預測模型、100余條排故決策知識等，與發動機臺架試驗、航后QAR 數據驗證配合，有效地支撐了航空發動機PHM系統研制。

5 結束語

本文提出了一種基于知識圖譜的仿真模型驗證設計方法，通過完成發動機故障知識圖譜數據架構設計，實現了發動機試驗數據、飛參數據等多源驗證數據接入、診斷預測驗證算法模型集成、排故維修驗證知識集成，為發動機PHM 系統研制提供技術與功能驗證手段，并有望推廣至多型號航空發動機的PHM 系統設計、研發過程，以加速發動機PHM 系統研制與配套。