基于知識圖譜的固體推進劑質(zhì)量缺陷根因變量識別方法研究

摘 要 針對固體推進劑生產(chǎn)過程中機理復(fù)雜、工藝參數(shù)眾多，導(dǎo)致質(zhì)量缺陷頻發(fā)的問題，提出了一種基于知識圖譜的固體推進劑質(zhì)量缺陷根因變量識別的方法。首先通過歷史數(shù)據(jù)挖掘?qū)|(zhì)量缺陷進行預(yù)測，并通過SHAP模型對預(yù)測結(jié)果進行具體解釋。再將數(shù)據(jù)挖掘結(jié)果、專家經(jīng)驗與工藝機理進行結(jié)構(gòu)化表示與融合，建立固體推進劑質(zhì)量缺陷領(lǐng)域的知識圖譜。最后將圖譜中包含參數(shù)信息和結(jié)構(gòu)關(guān)系的子圖映射到貝葉斯網(wǎng)絡(luò)中進行參數(shù)學(xué)習(xí)，從而推斷出不同特征參數(shù)導(dǎo)致推進劑存在質(zhì)量缺陷的后驗概率。最終通過實際生產(chǎn)數(shù)據(jù)樣本進行驗證，結(jié)果表明：該方法能有效識別生產(chǎn)過程中造成固體推劑質(zhì)量缺陷的根因變量，準確識別率可達85%。

關(guān)鍵詞 固體推進劑 質(zhì)量缺陷 根因變量識別 知識圖譜 貝葉斯網(wǎng)絡(luò) 可解釋人工智能

中圖分類號 TP18"" 文獻標志碼 A"" 文章編號 1000-3932（2024）05-0844-10

航天防務(wù)裝備和多種運載火箭是國家的安全性保障，其中固體火箭發(fā)動機的可靠性和穩(wěn)定性尤為重要。固體推進劑因其具有良好的力學(xué)性能和穩(wěn)定的燃燒性質(zhì)，常作為固體火箭的動力

源［1］。固體推進劑的生產(chǎn)過程是將混合充分的推進劑藥漿澆入燃燒室內(nèi)，經(jīng)化學(xué)交聯(lián)反應(yīng)固化成型［2，3］。澆注過程中涉及流變學(xué)、化學(xué)反應(yīng)等復(fù)雜機理［4］，成型過程受到溫度和應(yīng)力場的復(fù)雜耦合，容易造成排氣不盡產(chǎn)生氣孔等問題［5］。如果推進劑藥柱存在氣孔、裂痕等質(zhì)量缺陷，發(fā)射時會導(dǎo)致燃燒面突擴，使燃燒室壓力突增，影響武器射程和打擊精度，嚴重時將造成爆炸［6］。

目前國內(nèi)對于質(zhì)量缺陷抑制主要依靠人工經(jīng)驗來完成，但人為控制存在偏差，容易造成工藝波動，會對發(fā)動機質(zhì)量的一致性和結(jié)構(gòu)完整性帶來影響，也是造成保障能力不高、生產(chǎn)效率低及質(zhì)量保障性差等問題的主要原因［7］。在復(fù)雜的生產(chǎn)過程中要保證生產(chǎn)質(zhì)量，不僅需要對工藝參數(shù)和質(zhì)量缺陷間的顯性影響關(guān)系進行分析，還需要對其中的隱性關(guān)系進行識別。傳統(tǒng)的質(zhì)量缺陷根因變量識別是對某單一工序進行建模，經(jīng)多元統(tǒng)計學(xué)進行分析［8］，再通過傳遞熵、格蘭杰因果關(guān)系等方法來推測兩者間的關(guān)系［9］。但在復(fù)雜生產(chǎn)環(huán)境下，工序偏差和交聯(lián)副反應(yīng)的存在以及工藝機理復(fù)雜耦合，都會對推進劑成型質(zhì)量產(chǎn)生影響，所以傳統(tǒng)查尋方式在復(fù)雜多變的場景下已不再適用［10］。人工智能技術(shù)的出現(xiàn)為解決工序間信息孤立的問題提供了新的思路。知識圖譜近年來應(yīng)用廣泛并在很多行業(yè)內(nèi)發(fā)揮作用，比如軋鋼、高鐵及電網(wǎng)等。知識圖譜目前可以實現(xiàn)機理、經(jīng)驗、數(shù)據(jù)的有機融合，但在推理和應(yīng)用上存在一定的局限性［11］，例如本體推理與規(guī)則推理中，如何在大量數(shù)據(jù)下進行快速推理，以及對于增量知識和規(guī)則的快速加載方面需要進一步研究［12］。而貝葉斯網(wǎng)絡(luò)憑借其靈活的推理優(yōu)勢和強大的處理不確定性知識的能力［13］，可對質(zhì)量缺陷的根因變量進行識別，并且貝葉斯網(wǎng)絡(luò)與知識圖譜在結(jié)構(gòu)上具有相似性，能力上具有互補性。

筆者在對工藝機理進行分析和大量歷史數(shù)據(jù)研究的基礎(chǔ)上，針對固體推進劑質(zhì)量缺陷根因變量識別困難的問題，提出知識圖譜與貝葉斯網(wǎng)絡(luò)相結(jié)合的識別方法。首先通過隨機森林模型對質(zhì)量缺陷進行預(yù)測，并運用可解釋人工智能——SHAP［14］對預(yù)測結(jié)果進行事后解釋。再將收集整理的專家經(jīng)驗、工藝機理和預(yù)測結(jié)果進行知識抽取得到三元組數(shù)據(jù)，建立固體推進劑質(zhì)量缺陷領(lǐng)域的知識圖譜。建立知識圖譜子圖到貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的快速映射機制，將包含工藝參數(shù)和實體關(guān)系的子圖映射到貝葉斯網(wǎng)絡(luò)，通過貝葉斯推理識別出固體推進劑質(zhì)量缺陷的根因變量。

1 相關(guān)研究工作

1.1 工藝機理與質(zhì)量分析

固體推進劑藥漿包含粘合劑、固化劑及鍵合劑等液態(tài)組分的連續(xù)相，氧化劑、炸藥及金屬燃料等含能顆粒的分散相，氣液固的界面相［3］。由于結(jié)構(gòu)與制作工藝復(fù)雜，包含眾多工藝參數(shù)，并且在澆注固化成型中涉及多場多相的復(fù)雜耦合，使保證產(chǎn)品質(zhì)量的難度加大。生產(chǎn)過程中原材料與環(huán)境等因素波動也會導(dǎo)致產(chǎn)品性能發(fā)生改變，在這種多影響因素耦合的情況下傳統(tǒng)人工經(jīng)驗難以對質(zhì)量缺陷的根因變量進行快速識別。固體推進劑質(zhì)量分析主要從生產(chǎn)過程中的各項工藝參數(shù)入手，通過工藝參數(shù)變化幅度與趨勢對最終產(chǎn)品質(zhì)量進行分析與預(yù)測。產(chǎn)品質(zhì)量的分析包括潛在結(jié)構(gòu)投影、典型相關(guān)分析結(jié)合堆疊自編碼器等。同時結(jié)合格蘭杰因果關(guān)系或傳遞熵等方法，通過建立因果矩陣或因果拓撲圖，挖掘變量間的因果關(guān)聯(lián)，實現(xiàn)質(zhì)量缺陷變量識別。但隨著數(shù)據(jù)維度與數(shù)據(jù)量不斷增加，上述針對于某單一工序的方法不再適用，而以深度學(xué)習(xí)和集成學(xué)習(xí)為主的機器學(xué)習(xí)方法廣泛應(yīng)用于設(shè)備監(jiān)控、質(zhì)量預(yù)測等方面。該方法善于從大量生產(chǎn)歷史數(shù)據(jù)中挖掘出工藝參數(shù)和質(zhì)量參數(shù)之間的關(guān)聯(lián)性［15］。隨機森林算法通過Bootstrap重采樣技術(shù)為每棵決策樹生成訓(xùn)練樣本，同時可對樣本特征進行分裂，可處理分析高維特征參數(shù)。而且模型泛化誤差存在上界，不會出現(xiàn)過擬合現(xiàn)象［16］。預(yù)測模型復(fù)雜度隨數(shù)據(jù)維度增加，導(dǎo)致模型預(yù)測結(jié)果解釋性變

差［17］，所以機器學(xué)習(xí)模型的可解釋性受到高度重視，于是出現(xiàn)了可解釋人工智能（eXplainable Artificial Intelligence，XAI）方法，如SHAP。XAI通過解釋模型預(yù)測行為，將隱含在數(shù)據(jù)中的潛在關(guān)聯(lián)和語義信息透明化。

1.2 工業(yè)知識圖譜

知識圖譜是一種知識形式化表達方法，在許多領(lǐng)域得到了廣泛應(yīng)用。構(gòu)建領(lǐng)域知識圖譜相比于通用知識圖譜，知識細粒度要求更高［18］。王駿東等提出了一種包含調(diào)度、故障處理及業(yè)務(wù)流程等功能的知識圖譜，提高電網(wǎng)系統(tǒng)故障排查與解決效率，保證供電系統(tǒng)的安全性和可靠性［19］。張佳琪和凌衛(wèi)青構(gòu)建了流程工業(yè)知識圖譜對鋼鐵生產(chǎn)中的質(zhì)量缺陷進行溯源，解決了多工藝參數(shù)情況下缺陷抑制決策困難的問題，提高了產(chǎn)品合格度［20］。

知識圖譜目前可對多源知識進行有效融合，并構(gòu)建知識型數(shù)據(jù)庫。但通過知識圖譜挖掘其數(shù)據(jù)語義信息，推理其質(zhì)量缺陷根因變量的研究比較欠缺。筆者將工藝機理、專家經(jīng)驗及數(shù)據(jù)知識等進行融合后，建立固體推進劑質(zhì)量缺陷領(lǐng)域知識圖譜，并且在此基礎(chǔ)上通過知識圖譜實現(xiàn)對質(zhì)量缺陷根因變量的識別。

1.3 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是基于網(wǎng)絡(luò)結(jié)構(gòu)的有向圖解描述，善于表達工藝參數(shù)和質(zhì)量參數(shù)信息間的關(guān)聯(lián)關(guān)系和影響程度，用節(jié)點表示各個信息要素，用連接節(jié)點之間的有向邊表示各個信息要素的關(guān)聯(lián)關(guān)系，推理出發(fā)生某種質(zhì)量問題的后驗概率。貝葉斯網(wǎng)絡(luò)是一種模擬人類推理過程中因果關(guān)系的不確定性處理模型，是目前推理領(lǐng)域最有效的理論模型之一，近幾年來成為不確定知識表達研究的熱點。貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)是一個有向無環(huán)圖（Directed Acyclic Graph，DAG）［20］，由代表變量的節(jié)點以及連接這些節(jié)點的有向邊構(gòu)成。仝兆景等運用貝葉斯網(wǎng)絡(luò)對變壓器故障進行診斷，提高了傳統(tǒng)變壓器的故障排查速率和準確性，大幅度提升了供電設(shè)施的維護效率［21］。貝葉斯網(wǎng)絡(luò)在和其他算法相結(jié)合的領(lǐng)域也有廣泛應(yīng)用，例如ZHANG Y J等提出一種完全集成經(jīng)驗?zāi)B(tài)分解（Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）能量熵與貝葉斯網(wǎng)絡(luò)相結(jié)合的故障診斷方法［22］，優(yōu)化貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，提高了基于貝葉斯網(wǎng)絡(luò)的軸承故障識別精度。

2 研究方法

2.1 整體架構(gòu)

筆者主要研究基于知識圖譜對固體推進劑質(zhì)量缺陷根因變量的識別。首先將生產(chǎn)過程中的顯性知識與隱性知識進行結(jié)構(gòu)化解析，再融合建立固體推進劑領(lǐng)域知識圖譜。并將知識圖譜與貝葉斯網(wǎng)絡(luò)相結(jié)合推理其生產(chǎn)數(shù)據(jù)和質(zhì)量缺陷存在的隱含關(guān)聯(lián)，進而識別出質(zhì)量缺陷的根因變量。固體推進劑質(zhì)量缺陷根因變量識別方法整體架構(gòu)如圖1所示。

知識圖譜采用自頂向下和自底向上相結(jié)合的方式構(gòu)建。首先通過工藝流程構(gòu)建知識圖譜模式層（Schema），定義類的層次結(jié)構(gòu)、類關(guān)系與類屬性，工藝流程從工藝標準、專家技術(shù)文檔等資料中獲取。其次從歷史生產(chǎn)數(shù)據(jù)記錄與質(zhì)量分析報告等非結(jié)構(gòu)化數(shù)據(jù)中抽取經(jīng)驗知識，補充到圖譜數(shù)據(jù)層。

在實際生產(chǎn)中專家無法快速對每個生產(chǎn)批次的質(zhì)量進行分析判斷，因此需要通過大量歷史數(shù)據(jù)挖掘?qū)|(zhì)量缺陷進行預(yù)測。筆者研究運用可解釋模型——SHAP，克服深度學(xué)習(xí)對模型解釋困難的問題。SHAP使用博弈論中的Shapley值來確定每個參數(shù)特征對于模型的貢獻，從而提供更準確和全面的解釋。將對于質(zhì)量預(yù)測結(jié)果貢獻度最高的工藝參數(shù)實體與質(zhì)量參數(shù)實體之間存在的關(guān)聯(lián)固化到圖數(shù)據(jù)庫中。

在對某一次生產(chǎn)中的質(zhì)量缺陷根因變量進行識別時，通過歷史缺陷樣本建模，抽取與當前工藝參數(shù)數(shù)值相同或者相似的子圖，再將子圖中的工藝參數(shù)實體、質(zhì)量參數(shù)實體以及兩者間的關(guān)系映射到貝葉斯網(wǎng)絡(luò)。進行子圖抽取時需獲取當前生產(chǎn)過程中傳感器采集的物料信息和工況信息實際值，通過離散化算法處理后為貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)提供數(shù)據(jù)，生成概率分布表，推斷出不同工藝參數(shù)和質(zhì)量參數(shù)間關(guān)聯(lián)存在的后驗概率，實現(xiàn)對質(zhì)量缺陷根因變量的識別。

2.2 基于XAI的數(shù)據(jù)挖掘

固體推進劑的質(zhì)量缺陷主要受生產(chǎn)過程中各個工藝參數(shù)影響，其中包括：真空度、夾套溫度、澆注閥門開度、藥漿質(zhì)量、夾套入水口閥門開度、黏度、環(huán)境溫度、環(huán)境濕度及藥漿溫度等，最終質(zhì)量評測主要缺陷包括氣孔和裂痕，并根據(jù)缺陷大小最終判斷合格度，具體數(shù)據(jù)見表1。

筆者首先需要以工藝參數(shù)特征建立隨機森林算法固體推進劑質(zhì)量缺陷的預(yù)測模型。隨機森林是利用多棵樹對樣本進行訓(xùn)練并預(yù)測的一種

分類器，其通過組合多組決策樹來提升準確度。模型φ通過聚合函數(shù)G聚合不同決策樹f來實現(xiàn)對單個樣本的預(yù)測，公式如下：

2.3 基于知識圖譜的質(zhì)量缺陷根因變量識別

通過建立固體推進劑質(zhì)量缺陷領(lǐng)域知識圖譜對生產(chǎn)過程中的工藝參數(shù)和質(zhì)量缺陷關(guān)系進行分析。知識結(jié)構(gòu)中主要包括工況信息、物料信息、設(shè)備信息以及工藝參數(shù)和質(zhì)量參數(shù)之間的關(guān)聯(lián)。知識結(jié)構(gòu)搭建首先根據(jù)機理關(guān)系對實體層級和優(yōu)先級進行排序，然后添加屬性標簽和關(guān)系進行擴充。筆者針對固體推進劑質(zhì)量缺陷建立的知識結(jié)構(gòu)如圖2所示。

3 案例驗證

3.1 數(shù)據(jù)來源

案例數(shù)據(jù)來自某航天科工院所生產(chǎn)線，共收集100組缺陷數(shù)據(jù)樣本，其中包含生產(chǎn)過程中對推進劑最終質(zhì)量造成影響的9個主要工藝參數(shù)，參數(shù)示例見表2。

在固體推進劑生產(chǎn)過程中，其產(chǎn)品最終是否存在缺陷不能通過傳感器直接測出。其生產(chǎn)過程中要求澆注速度控制在一定范圍內(nèi)，澆注速度如果過快容易使藥漿中的氣體無法排凈，后期固化

1 Torr=133.322 4 Pa

產(chǎn)生氣孔；如果澆注速度過慢會影響藥漿適用期，使黏度增大流動性變差，進而使藥漿中產(chǎn)生縫隙。所以固體推進劑未固化時的流動特性也十分重要，它直接關(guān)系到發(fā)動機裝藥的完整性。因此可以使用澆注速度作為表征變量來近似預(yù)測產(chǎn)品是否存在缺陷。然而澆注速度是不可在線檢測變量，需要通過其他可調(diào)可測變量（藥漿質(zhì)量、藥漿溫度及黏度系數(shù)等）對其進行仿真模擬。通過對大量歷史澆注數(shù)據(jù)分析后，利用極限學(xué)習(xí)機、支持向量機等多元回歸擬合方法構(gòu)建澆注速度和澆注量預(yù)測模型［23］。并對模型進行多次可靠性與準確性測試，結(jié)果表明預(yù)測結(jié)果滿足工藝精度要求，證明間接測量的可行性。

固體推進劑是以高分子黏結(jié)劑組成的一種復(fù)合含能材料。其中高能化合物中的固化劑將所有填充物黏結(jié)在一起，使黏度增大，最終固化成型賦予推進劑理想的力學(xué)性能。筆者采用流變學(xué)方法對推進劑藥漿的流變特性進行了研究，在推進劑未固化前呈假塑性流體特性，隨著存放時間延長，其假塑性也增加。基于冪律方程和Arrhenius方程構(gòu)建了固體推進劑藥漿的本構(gòu)方

程［24］：

η=Kγ（9）

K=Aexp（Tb·T）（10）

式中 A——指前因子，s-1；

K——黏度系數(shù)，Pa·s；

n——非牛頓指數(shù)，無量綱；

T——測試溫度，K；

Tb——黏度對溫度敏感度，K；

γ——剪切速率，s-1；

η——黏度，Pa·s。

實際生產(chǎn)過程中配置好后的藥漿倒入上方澆注儲料罐后只進行保溫不再進行攪拌，所以影響?zhàn)ざ鹊囊蛩貫樗帩{溫度和反應(yīng)時間。由于澆注工序?qū)τ谡麄€澆注固化成型的周期時間占比很小，所以藥漿溫度為黏度的主要影響因素。

筆者采用旋轉(zhuǎn)流變儀測定黏度值和流散系數(shù)，最終得到實際生產(chǎn)過程中藥漿溫度區(qū)間內(nèi)（40～60 ℃）黏度隨溫度的變化曲線（圖4）。

3.2 數(shù)據(jù)知識挖掘

運用隨機森林算法建立對質(zhì)量缺陷的預(yù)測模型，通過深度學(xué)習(xí)SHAP對模型進行事后解釋并計算Shapley值，得到某特征參數(shù)對造成質(zhì)量缺陷的貢獻度。

以澆注速度為表征變量進而對質(zhì)量缺陷進行預(yù)測時，需計算每一個特征變量的Shapley值，并用于分析工藝參數(shù)與質(zhì)量參數(shù)之間的關(guān)系，影響澆注速度的特征參數(shù)如圖5所示。圖中貢獻度最高的為中閥門開度，表明較高的閥門開度對澆注速度影響最大；其次藥漿黏度對澆注速度的影響也較高。為進一步提升預(yù)測模型準確度，需根據(jù)產(chǎn)品型號與工藝參數(shù)設(shè)置閾值剔除低影響度對實驗結(jié)果的影響，選取高于閾值的特征變量。

3.3 根因變量識別及結(jié)果分析

本次實驗中，對固體推進劑的80組缺陷樣本進行數(shù)據(jù)挖掘，將其中已知的工藝參數(shù)與質(zhì)量參數(shù)的顯性關(guān)聯(lián)與數(shù)據(jù)挖掘得到的隱含關(guān)聯(lián)固化至圖數(shù)據(jù)庫中。其余20組通過專家分析給出根因變量后作為驗證集，測試模型識別結(jié)果是否與專家一致。在對驗證集每一個樣本質(zhì)量缺陷的根因變量進行識別時，將測試驗證集中實際物料信息與工藝參數(shù)作為查詢條件并轉(zhuǎn)換為SPARQL查詢語句進行子圖抽取。最終得到與查詢參數(shù)值相似或與相關(guān)實體有關(guān)聯(lián)的部分子圖，結(jié)果如圖6所示。

再根據(jù)式（6）將子圖映射為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)（圖7）。將子圖中實體屬性包含的工藝參數(shù)利用CACC算法進行離散化處理，并通過極大似然估計實現(xiàn)對貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)，最后將已知的工藝參數(shù)與質(zhì)量參數(shù)作為輸入，通過貝葉斯網(wǎng)絡(luò)推測潛在變量的后驗概率。

3.4 生產(chǎn)實驗驗證及結(jié)果分析

對20組缺陷測試樣本數(shù)據(jù)進行驗證，下面列舉出驗證集中某3組測試樣本，測試樣本1氣孔數(shù)量為9，總?cè)毕蒹w積為6.81×10-5 m3；測試樣本2氣孔數(shù)量為7，總?cè)毕蒹w積為5.87×10-5 m3；測試樣本3氣孔數(shù)量為9，總?cè)毕蒹w積為6.23×10-5 m3，其缺陷數(shù)量和面積超出規(guī)定的合格產(chǎn)品范圍。3組測試樣本的生產(chǎn)工藝參數(shù)記錄見表3～5。

最終對3組質(zhì)量缺陷測試樣本進行根因變量概率推測后，得到根因變量概率表（表6）。測試樣本1、2根因變量識別為藥漿溫度過高，進而使?jié)沧⑺俣燃涌飚a(chǎn)生氣孔。測試樣本3根因變量識別為閥門開度過大，進而使?jié)沧⑺俣燃涌飚a(chǎn)生氣孔。并且3組測試樣本數(shù)據(jù)均與專家給出的根因變量相一致。

最終完成20組測試數(shù)據(jù)集實驗驗證，檢測識別結(jié)果為：準確識別數(shù)量17組，誤識別數(shù)量3組。識別變量（特征值貢獻度排名前3）與樣本中專家給出的根因變量一致則歸為準確識別，否則為錯誤識別。最終驗證得出該模型識別質(zhì)量缺陷根因變量準確率高達85%，由此可以看出對于大部分導(dǎo)致質(zhì)量缺陷的根因變量可被模型準確識別。

4 結(jié)束語

針對固體推進劑生產(chǎn)過程中機理復(fù)雜、工藝參數(shù)眾多，導(dǎo)致質(zhì)量缺陷頻發(fā)的問題，提出了一種基于知識圖譜的固體推進劑質(zhì)量缺陷根因變量識別方法。該方法將機理知識、經(jīng)驗知識、數(shù)據(jù)知識和數(shù)據(jù)挖掘結(jié)果進行結(jié)構(gòu)化處理后得到多源三元組集合，再經(jīng)知識融合建立固體推進劑質(zhì)量缺陷領(lǐng)域知識圖譜。將子圖中的參數(shù)信息和結(jié)構(gòu)關(guān)系映射到貝葉斯網(wǎng)絡(luò)中，對導(dǎo)致質(zhì)量缺陷的根因變量進行識別。最后，通過真實生產(chǎn)數(shù)據(jù)對該方法進行了實驗驗證。結(jié)果表明，對于其中大部分導(dǎo)致質(zhì)量缺陷的根因變量能夠準確識別出來，識別準確率可達85%。

然而知識圖譜構(gòu)建是一個迭代過程，需要不斷對圖譜進行擴充和細化，完善工藝機理關(guān)系，使該領(lǐng)域知識圖譜更加完整。為進一步提高模型識別度，應(yīng)對收集的三元組數(shù)據(jù)進行已知事實與專家意見驗證，保證其圖數(shù)據(jù)庫內(nèi)三元組數(shù)據(jù)的準確性。

參 考 文 獻

［1］"" 高峰，張澤.含裝藥缺陷的固體火箭發(fā)動機性能評估綜述［J］.兵工學(xué)報，2021，42（8）：1789-1802.

［2］"" 韓龍.復(fù)合固體推進劑細觀損傷機理及本構(gòu)模型研究［D］.南京：南京理工大學(xué)，2018.

［3］"" 雷寧，閆大慶.國外復(fù)合固體推進劑連續(xù)混合裝藥工藝的研發(fā)及應(yīng)用前景［J］.飛航導(dǎo)彈，2015（9）：90-94.

［4］"" 王虎干，職世君，曹軍偉，等.固體推進劑藥漿流平性對發(fā)動機裝藥結(jié)構(gòu)完整性的影響［J］.固體火箭技術(shù)，2019，42（3）：345-350.

［5］"" 趙永翔，趙連起.復(fù)合固體推進劑生產(chǎn)中減少氣孔的工藝研究［J］.火炸藥學(xué)報，1999，18（2）：38-39.

［6］"" 李煥，楊立波，許云志.裝藥缺陷對固體火箭發(fā)動機內(nèi)彈道性能的影響［J］.四川兵工學(xué)報，2013，34（7）：46-48.

［7］"" 雷寧，薛春珍，閆大慶.國外固體推進劑裝藥工藝安全性技術(shù)［J］.飛航導(dǎo)彈，2017（3）：90-94.

［8］"" 史松奇.多元統(tǒng)計分析及其應(yīng)用探析［J］.經(jīng)濟視野，2019（16）：154.

［9］"" 呂智慧.格蘭杰因果關(guān)系的檢驗方法及其應(yīng)用［D］.長春：東北師范大學(xué)，2020.

［10］"" 楊明毅，王軍義，白鑫林，等.基于互信息和MPCA的單基藥塑化過程監(jiān)測方法［J］.應(yīng)用化工，2022，51（1）：290-296.

［11］"" 馬昂，于艷華，楊勝利，等.基于強化學(xué)習(xí)的知識圖譜綜述［J］.計算機研究與發(fā)展，2022，59（8）：1694-1722.

［12］"" 王萌，王昊奮，李博涵，等.新一代知識圖譜關(guān)鍵技術(shù)綜述［J］.計算機研究與發(fā)展，2022，59（9）：1947-1965.

［13］"" BAI M M，ZHANG Z C，YANG E L，et al.A fuzzy bayesian network based method for CO2 leakage risk evaluation during geological sequestration process［J］.Geoenergy Science and Engineering，2023，222.DOI：10.1016/J.GEOEN.2023.211423.

［14］"" 趙延玉，趙曉永，王磊，等.可解釋人工智能研究綜述［J］.計算機工程與應(yīng)用，2023，59（14）：1-14.

［15］"" 葛東旭.Python數(shù)據(jù)分析與數(shù)據(jù)挖掘［M］.北京：機械工業(yè)出版社，2022.

［16］"" 李焱，賈雅君，李磊，等.基于隨機森林算法的短期電力負荷預(yù)測［J］.電力系統(tǒng)保護與控制，2020，48（21）：117-124.

［17］"" 紀鑫，武同心，楊智偉，等.基于時序知識圖譜的電力設(shè)備缺陷預(yù)測［J/OL］.北京航空航天大學(xué)學(xué)報，1-9.［2024-07-15］.https：//doi.org/10.13700/j.bh.1001-5965.

2022.0801.

［18］" "張博文，張敏杰，侯田鈺，等.變壓器故障知識圖譜構(gòu)建關(guān)鍵技術(shù)研究及應(yīng)用［J］.電力信息與通信技術(shù)，2022，20（10）：44-53.

［19］"" 王駿東，楊軍，裴洋舟，等.基于知識圖譜的配電網(wǎng)故障輔助決策研究［J］.電網(wǎng)技術(shù)，2021，45（6）：2101-2112.

［20］"" 張佳琪，凌衛(wèi)青.基于知識圖譜推理的熱軋帶鋼產(chǎn)品質(zhì)量缺陷追溯［J］.計算機集成制造系統(tǒng)，2024，30（4）：1105-1114.

［21］"" 仝兆景，蘭孟月，荊利菲.改進貝葉斯網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用［J］.電子科技，2024，37（5）：47-53；70.

［22］"" ZHANG Y J，ZHANG Z，WANG Z Y，et al.Accident Diagnosis and Evaluation System in Parking Lots Using Multisource Data Based on Bayesian Networks［J］.Journal of Advanced Transportation，2023.

［23］"" 徐志剛，張浩，韓秀潔，等.數(shù)據(jù)驅(qū)動的裝藥澆注過程關(guān)鍵參數(shù)預(yù)測［J］.固體火箭技術(shù)，2021，44（5）：662-669.

［24］"" 盧鑫浩，葉寶云，程王健，等.B-GAP基推進劑藥漿流變特性和固化動力學(xué)研究［J］.含能材料，2022，30（11）：1083-1089.

（收稿日期：2023-12-29，修回日期：2024-08-09）

Study on the Root Dependent Variable Identification for Solid Propellant

Quality Defects Based on the Knowledge Graph

DUAN Rui-han1，2，3， YANG Ming-yi2，3， LIU Huan1， ZHAO Jin-long2，3，

DAI Ying-jun4， XU Zhi-gang2，3，" LIU Hao-ran1，2，3， AN Jin-hu2，3，5

（1. College of Information Engineering， Shenyang Chemical University； 2. Shenyang Institute of Automation，

Chinese Academy of Sciences； 3. Institutes for Robotics and Intelligent Manufacturing， Chinese Academy of Sciences；

4. Shanghai Academy of Aerospace Solid Propulsion Technology；

5. College of Mechanical and Electrical Engineering， Shenyang Aerospace University）

Abstract"" Considering the frequent quality defects in producing solid propellants due to the complex nature of the production process and the many process parameters， a knowledge graph-based method for identifying the root cause variables of these defects was proposed. Firstly， having the quality defects predicted by historical data mining， and the prediction results explained by SHAP model； and then， having the data mining results， expert experience and process mechanism structurally represented and fused to establish a knowledge graph in the field of solid propellant quality defects； and finally， having" the subgraphs containing parameter information and structural relations in the graph spectrum mapped to the Bayesian network for parameter learning so as to infer the posterior probability of different characteristic parameters leading to the existence of mass defects in the propellant. The verified results from data samples show that this method can effectively identify the root cause variables which causing the quality defects of solid propellant in the production process， and the accurate recognition rate can reach 85%.

Key words" solid propellant， quality defect， root cause variables identification，" knowledge graph， Bayesian network， explainable artificial intelligence

基金項目：中國科學(xué)院青年創(chuàng)新促進會（批準號：2021203）資助的課題；中國科學(xué)院沈陽自動化研究所基礎(chǔ)研究計劃（批準號：2022JC3K04，2022JC1K07）資助的課題；國防火炸藥科研專項項目資助的課題。

作者簡介：段瑞含（1997-），碩士研究生，從事工業(yè)人工智能的研究。

通訊作者：楊明毅（1986-），副研究員，從事復(fù)雜工業(yè)過程控制與狀態(tài)監(jiān)測、基于數(shù)據(jù)驅(qū)動的復(fù)雜過程故障檢測與診斷的研究，myyang@sia.cn。

引用本文：段瑞含，楊明毅，劉歡，等.基于知識圖譜的固體推進劑質(zhì)量缺陷根因變量識別方法研究［J］.化工自動化及儀表，2024，51（5）：844-853.