基于OWL本體和SWRL規則的導彈智能故障診斷研究

，，，

(1.空軍工程大學 航空工程學院，西安 710038; 2.國防大學 聯合勤務學院，北京 100858)

0 引言

隨著航空裝備服役環境與運行工況愈加復雜多變，其發生故障的幾率逐漸增大，維護和保障費用也越來越高[1]，因此對裝備系統進行準確、有效的故障診斷成為確保裝備安全可靠運行，降低維護成本的重要途徑[2]。目前導彈的故障診斷主要針對異常測試信號，采用傳統的專家診斷系統和現場人工判斷相結合的方式，但該方法存在診斷知識庫不完備，知識推理不確定度大，推理速度慢、效率低等缺點，一旦推理出錯，將難以實現準確的故障定位和診斷決策。因此，如何研究設計一種能夠準確高效的辨識、診斷導彈故障的智能診斷系統已經得到廣泛關注[3-9]。

基于FMECA(故障模式、影響、危害分析)知識工程的故障診斷是導彈維修保障的一個重要發展方向。FMECA包含導彈各組件的全部故障信息[10]，是可靠的知識源，它是在知識層面上對導彈結構和故障模式進行推理分析的一種智能診斷技術，通過采集的導彈故障信號，找出單點故障[11]，并按各故障模式對導彈造成的影響程度及其發生的概率，來確定對應故障模式危害性。但由于各個專家對導彈故障機理和規則的描述缺乏統一的術語，造成診斷知識通用性差，知識難以共享和重用。

因此，以一種新的形式體現FMECA結果，從而實現知識的共享和再使用對復雜航空裝備的故障診斷具有重要意義。本體作為知識的基本元素，可進行知識的類比推理，適合描述知識庫的內部單元，OWL[12]是目前國際通用的標準本體描述語言，具有較強的知識表達能力和較高的推理效率，但對于推理規則的表達卻提供得遠遠不夠[13]。語義網絡規則語言SWRL[14]能利用高度抽象的語法表達OWL本體敘述的知識，且不受平臺的限制，具有很強的通用性。因此，本體語言OWL和規則語言SWRL的組合運用已成為當前知識表示和推理領域的研究熱點[15-17]。

針對復雜航空裝備診斷知識缺乏、診斷效率低下和知識共享性差等問題，以某型紅外彈為例，提出一種基于本體和規則的導彈智能故障診斷方法，以FMECA結果作為知識源，通過基于ATML語法的OWL邏輯描述語言從知識源中提取知識，并將知識以本體模型呈現，搭建診斷知識庫；采用語義網絡規則語言SWRL表示知識庫規則，建立本體中各知識單元之間類、屬性和實例的對應關系；最后通過Racer推理機對導彈知識庫進行故障推理，得到了有效的故障診斷優先級，同時也實現了專家系統知識庫的共享和重用。

1 導彈故障本體模型

1.1 智能故障診斷推理系統框架

由于導彈種類繁多、系統復雜，FMECA信息難以直接共享和集成，為降低導彈故障信息提取的復雜度，需要對故障信息進行規范性處理，以提高知識的重用度。本體和規則的組合運用在知識的共享和重用方面已體現出很大的優勢[18]，本文基于OWL本體和SWRL規則對某型紅外彈的FMECA故障信息進行描述。智能故障推理系統框架如圖1所示。

圖1 智能故障推理系統框架

以某型紅外彈的FMECA故障信息作為知識源，確定導彈硬件的層級結構和各層級故障模式；通過protégé構建OWL本體知識庫，同時解析本體中各知識單元之間概念和屬性的對應關系，構建SWRL規則知識庫，提取和編碼不同層級結構的因果關系規則；知識庫中的OWL本體庫和SWRL規則庫不能直接被引用，需要轉換成推理機可接受的庫語言，即事實庫和規則庫；Racer推理機在規則基礎上匹配事實庫，自動推理可能的故障原因，并提供對應故障發生率，通過參考推理出的故障診斷優先級完成故障的快速定位。

1.2 故障診斷知識源的選擇

跟蹤和定位導彈故障的前提是要有能夠涵蓋所有故障特點的知識源，而FMECA故障信息恰好反映了導彈故障模式的所有類及其之間的因果聯系，如表1所示。導彈的某一部件可能對應多種故障模式，且各故障模式能在不同層級上對不同部件產生影響，在FMECA分析過程中，將某型紅外彈的結構分為四個層級:元件級(Element)、部件級(Component)、組件級(Part)和系統級(System)。以某型紅外彈制導系統中的紅外探測器為例，定義整個導彈層級結構如圖2所示。

表1 FMECA報告

圖2 導彈的層級結構

當某一層級上的部件出現故障時，產生的故障影響將會從低層級向高層級縱向傳播，同一層級的部件故障也會橫向傳播。不同層級故障模式、影響、原因的傳播關系如圖3所示。在FMECA知識架構中，每一層級的故障模式、故障影響、故障原因都有著對應的關系：低層級中的某種故障模式是高一層級某些故障模式產生的原因，低層級中某種故障模式產生的高級影響是觸發高一層級的某種故障模式。FMECA的知識架構較好地反映了故障層級間的聯系，適合作為導彈故障診斷的知識庫。

2 導彈故障本體建模

導彈故障診斷領域本體是整個智能系統的概念基礎，是規則構建的前提。鑒于篇幅的局限性，本文構建的本體主要從某型紅外彈制導系統入手。

圖3 相鄰層級FMECA傳播關系

2.1 本體概念的定義

制導系統是導彈故障發生率最高的系統[19]，制導系統故障的出現會嚴重影響導彈的安全穩定和作戰性能。在定義制導系統本體概念時，從其主要的硬件組成出發，采用由頂向下法[20]建立制導系統的概念層次。本體的概念通常也被稱為類，以圖2定義的某型導彈制導系統層級結構為依據，將FMECA報告中的制導系統部件名稱分為計算機、導引頭、作動裝置、操縱面4個類，各類中又包含各個子類。具體的分類如圖4所示。

2.2 FMECA本體對象屬性構建

作為本體模型的重要組成部分，對象屬性(Object property)用一組謂詞形式定義本體類(Class)之間的內在聯系。針對導彈這一研究對象，其對象屬性主要根據導彈的故障信號來建立各失效層級的隸屬關系，SWRL故障診斷規則的屬性以M(x,y)定義，其中M代表各失效層級隸屬關系的謂詞，x和y是兩個變量，代表的不同的類(Class)。例如，為了描述本體類型中類別A與類別B的從屬關系，用謂詞BelongsTo來定義表示類別A是類別B的一個子類，即BelongsTo(A,B)。所有的對象屬性如表2所示。

圖4 制導系統類層次分類

2.3 FMECA規則構建

SWRL語義網絡規則語言能在OWL本體描述語言的基礎上，高度抽象的表示FMECA本體知識庫規則，通過XML編碼嵌入到OWL文本中，以此方便計算機識別，具有很強的通用性。在OWL中，也可以通過不斷嵌套子類及通過對象屬性來表示規則，但對于復雜系統而言，SWRL能夠依據OWL類和屬性對診斷規則進行更為清晰準確的描述，具有強大的推理能力。例如:

FailureMode(?x)^hasHappened(?x,true)^Sytem(?y)^Fail-ureMode(?y)^HigherInfluenceIs(?y,?x)→hasHapened(?y,true)^PartLevelCauseIs(?x,?y)

表2 FMECA本體對象屬性

表3 FMECA本體SWRL規則

上述規則表示的語義是:

If

FailureMode(?x)^hasHappened(?x,true)

//當故障模式x發生

Sytem(?y)^Fail-ureMode(?y)

//故障模式y屬于系統層級

HigherInfluenceIs(?y,?x)

//故障模式y的高一層級故障影響是x

Then

If

hasHapened(?y,true)

//當故障模式y發生

Then

PartLevelCauseIs(?x,?y)

//故障模式x的組件級故障原因是y

End

SWRL具體規則表示如表3所示。

3 基于本體和規則的導彈故障推理實現

通過查閱某型紅外彈的FMECA故障研究報告，該型導彈制導系統常見故障模式有32種。以OWL語言作為故障知識的描述語言，以SWRL語言作為故障規則的構建語言，通過Protégé軟件搭建某型紅外彈智能故障診斷系統平臺，其本體模型如圖5所示。模型中建立故障模式、故障原因、故障影響、導彈部件、故障檢測方法、維修策略六個大類，各類再劃分為各個子類，添加對應子類的實例(Instances)，通過對象屬性建立類與類之間的聯系，并根據數據類型屬性添加各實例數據類型。以故障模式中的杜瓦故障為例，杜瓦損壞屬于(BelongsTo)紅外探測器故障模式，屬于(BelongsTo)導引頭故障模式，屬于(BelongsTo)制導系統故障模式。FMECA類關系描述如6圖示。

圖5 某型紅外彈本體模型

圖6 基于OWL本體的FMECA類關系描述

以導彈紅外探測器中的光敏電阻故障為例，圖7反映出了光敏電阻在故障出現時產生的本級影響、高一層級影響和末端層級影響的關系圖。Racer推理機采用的是由上至下的故障搜索定位法，通過已建立的FMECA類關系，當采集到的導彈電信號異常時，推理出導彈某一故障模式發生時，各種可能的故障原因及其概率，從而找到最優的診斷順序，減少故障排查的步驟和時間，從而實現故障的快速定位。以導彈紅外探測器故障報警為例，Racer推理機推理出的各故障原因所占概率權重和FMECA實際故障結果如表4所示。

圖7 光敏電阻故障時的類關系描述

表4 紅外探測器故障數據

對各故障原因的故障失效比從大到小排序，可獲取最優的診斷順序。從Racer推理機推理結果可以看出，斯特林制冷機作為該型紅外探測器關鍵組件，其內部組件發生故障是導致紅外探測器故障報警的主要原因，由斯特林制冷機造成的紅外探測器失效的故障失效比高達46.91%，且與FMECA的50.02%實際結果基本相吻合。且根據推理診斷優先級可得，氦氣泄漏、推移活塞磨損和粉塵污染是在開展故障定位的最優診斷路徑。因此，在部隊導彈日常維護過程中，對斯特林制冷機內部重要部件進行及時有效的檢測是提升導彈紅外探測器工作可靠性的重要途徑。

將上述紅外探測器故障報警時的推理結果與FMECA實際結果進行對比，發現Racer推理機推理結果與FMECA實際結果基本相符合，可見采用基于本體和規則的導彈智能診斷方法可以減少導彈的故障排查步驟，從而實現對故障原因的快速定位。此外，通過OWL本體描述語言和SWRL規則描述語言對FMECA結果進行規范性處理，實現了知識的共享和重用。

4 結論

針對復雜航空裝備診斷知識缺乏、故障定位效率低、知識重用和共享性差等問題，以某型紅外彈為例，提出一種基于OWL本體和SWRL規則的導彈智能故障診斷方法。通過提取FMECA知識，構建了導彈的OWL本體模型，實現了故障模式和故障原因本體之間的映射，采用語義網絡規則語言SWRL描述知識庫規則，建立了本體知識單元之間類、屬性和實例的對應關系，解決了現有的復雜航空裝備故障診斷系統缺乏自動語義推理的問題。推理結果表明,該方法有效解決了復雜航空裝備故障診斷系統中的知識表示困難和知識共享重用性差的問題，獲得了最優的故障診斷路徑并減少了故障排查的步驟，實現了故障原因的快速定位，提高了現有復雜航空裝備專家診斷系統的診斷效率和能力。