基于故障知識庫的機械零部件故障管理支持系統

吳康清，黃利平，李伯舒，石金大

基于故障知識庫的機械零部件故障管理支持系統

吳康清1,2，黃利平1,2，李伯舒3，石金大4

(1. 清華大學機械工程系，北京 100084；2. 精密超精密制造裝備及控制北京市重點實驗室，北京 100084；3. 陸軍裝備部裝備技術合作中心，北京 100036；4. 陸軍航空兵研究所，北京 101121)

針對機械零部件故障知識表述困難，故障信息在不同設計人員間利用、分享和重用效率低等問題，基于本體建模技術構建了故障知識庫，設計開發了一個機械零部件故障管理支持系統(FKMS)。通過機械零部件生命周期中不同角色對故障知識的需求分析，建立了系統的功能結構模型，確定了故障知識的內容。利用本體建模技術構建了故障知識本體模型與實體關系網絡，保證了故障知識庫結構的完備性。基于垂直模式建立了知識模型到數據庫的映射，實現了知識的高效存儲與模型的可拓展。通過故障知識模型建立了故障原因關系網絡，實現了故障原因推理與置信度計算，解決了故障原因分析不全面的問題。基于Django-Web模塊進行了系統開發，并以直升機自由輪斜撐塊涂層剝落故障為例驗證了系統的知識管理和故障分析功能，實現了對故障信息的分析與動態管理支持。

故障知識；本體模型；知識庫；故障原因推理；知識管理系統

故障知識管理屬于維修保障信息化建設的一部分，是監控和分析裝備可靠性的基礎，是實現高端裝備在性能、質量、壽命和使用環境方面精益保障的前提。一般的裝備儀器往往包含數十到數萬不等的來源不同的機械零部件，設備運行時零部件往往需要在不同環境下結合電氣、控制等模塊協同工作。這使得機械零部件故障領域知識內容龐大，信息分散，且知識間存在著復雜的關聯關系，很難使用統一的模型進行知識建模，從而導致設計人員或故障分析人員的故障知識獲取效率非常低下。因此，建立一個可行的故障知識管理支持系統(mechanical parts failure knowledge management & support system，FKMS)，將是提高故障知識使用和分析效率的關鍵。

故障知識庫是FKMS的核心，是故障知識領域內所有知識和數據的集合[1]，也是故障檢索、分析、推理診斷[2-3]的保障。國內外關于故障知識庫的研究始于20世紀80年代[4]，已延伸至火箭、飛機、礦井、汽車、機床、電機等各類大中小型工程設備。在故障知識庫的建模方面，蘇正煉等[5-6]采用5個頂級類描述裝備故障知識，建立了發動機和轉子的故障知識庫，但是該方式建立的自上而下樹樁展開的故障知識庫未充分定義實體間的相互關系，因此難以清晰表示故障內外復雜的關聯關系；王志等[7]建立了基于本體和推理規則的礦井電機故障知識庫模型，提高了電機故障知識的重用率，但難以實現大批量故障數據、故障信息的有效存儲；李夢偉等[8]將故障分為13類實體屬性，并依據故障知識實體建立數據表，實現故障知識的存儲與調用，但是文中建立的知識結構是固化的，在使用中難以改變或拓展，無法實現對知識的長期動態更新。此外，大多數已有的故障知識庫都缺乏與故障樹分析(fault tree analysis, FTA)、故障模式與影響分析(failure mode effects analysis, FMEA)的結合，使得知識庫無法有效支持后續的故障分析，也無法滿足不同職能人員的知識需求。因此，建立一套完善、有效、可拓展的故障知識庫，是開發FKMS的關鍵。

本文提出了以FTA和FMEA為核心，基于本體建模技術的故障知識庫的建模方法，設計開發了一個機械零部件故障管理支持系統。本文針對不同人員對故障知識的需求分析確定系統功能結構模型與業務流程關系。在此基礎上構建了系統的總體架構，設計了主要功能模塊。在系統實現的關鍵技術中，基于故障分析方法、功能-行為模型[9]和知識組件模型[10]建立故障知識概念模型(故障知識庫)；參考垂直模式建立故障知識本體模型到故障本體主數據庫的映射，搭建關系型數據庫存儲故障知識；基于故障知識模型建立故障原因知識網絡，實現故障原因推理。采用基于pythons語言，Django Web框架和SQLite3數據庫分別對系統功能、交互架構與數據存儲進行設計，并開發故障知識管理支持平臺，實現故障信息在不同設計人員間利用、分享和重用。

1 故障管理支持系統需求分析

為了設計故障管理支持系統的相關功能，首先需要明確機械零部件全生命周期中與故障相關的工作流程(圖1)。在生產設計階段，需要進行高風險故障模式的可靠性驗證及各類可靠性試驗，保證功能結構設計的可靠性。當零部件正常使用且未達到使用壽命前，用戶需進行合理的保養與維護，并能按照用戶使用指南處理簡單的故障。當故障難以處理時，由專業的維修人員進行故障檢測與維修；難以修復或達到使用壽命的零件將結束其使用周期并報廢處理。

圖1 機械零部件生命周期中與故障有關的工作流程

在確定機械零部件故障發生前、中、后3個階段的工作流程后，需要明確設計人員、可靠性工程師、用戶、故障分析人員與維修工程師等各類人員在各自工作中對故障知識的具體需求(圖2)。在機械對象設計階段，設計人員需要參考國家/行業標準進行設計，獲取相似零部件的功能、行為和結構信息，可靠性工程師需要獲取對象FMEA信息，對高風險的故障模式進行預防控制。在使用階段，用戶需要了解產品常見故障模式及相關的維護、檢測、處理方式，降低故障發生可能性并能夠自行解決部分故障。在故障處理階段，故障分析人員通過設備檢測、故障特征推理或參考仿真數學模型，確定可能的故障原因，支持維修工程師查詢對應的故障解決與設備維修方式，實施解決方案。故障分析人員和維修人員在獲取故障知識的同時會將當前的故障信息更新至故障知識庫中，實現知識的更新與不同人員間的知識共享。

圖2 不同人員對故障知識的需求

依據不同人員對故障知識的需求，故障知識庫應當包含以下幾方面的知識信息：

(1) 專家知識。包括故障分析或維修人員常年積累的工作經驗，可靠性工程師對故障模式的風險評價內容等等。

(2) 數學/仿真模型。主要為機械零部件失效機理研究和驗證的知識內容。模型可從微觀角度分析故障形成與發展，是確定故障原因，進行故障預測的基礎。

(3) 專業知識書籍。從各類零部件故障產生、分析和控制等專業書籍中總結的故障知識。

(4) 行業標準。機械零部件性能、可靠性設計標準。

(5) 以往故障記錄集。已有故障信息的所有記錄，應支持故障記錄的不斷更新，這是保證故障知識庫時效性的關鍵。

(6) 其他。如對象的功能行為信息、故障數據集等等。

2 系統總體設計

2.1 系統架構

為了提高故障知識的利用、分享和維護升級的效率，滿足不同職能人員對故障知識的使用需求，本文設計了一個基于故障本體知識庫的FKMS，如圖3所示。

圖3 FKMS的總體架構

FKMS總共包含6層架構，分別對應界面層、業務層、支撐層、平臺層、數據層和硬件層。硬件層是FKMS的硬件基礎，包括知識庫存儲的數據庫、系統存放的服務器以及相應的網絡硬件設備。數據層是系統的軟件數據基礎，包括了故障信息庫、機械對象庫、知識組件庫和用戶信息庫等，實現用戶數據和故障數據的存儲，為上層架構存儲原始數據。數據層中數據庫按照本體模型結構存儲了故障領域的類、實例、關系、屬性等知識，并以本體模型的結構進行知識存貯，實現領域知識更新時知識結構的更改。平臺層主要包括系統最為關鍵的2個框架：python Django基礎框架與SQLite3的數據庫框架。支撐層是業務功能層的后臺支持，包括故障知識管理、用戶權限管理、接口管理、工具管理等等。業務層包括FKMS的主要功能：包括故障知識的建模和查閱，知識結構的更改和擴展，故障信息檢索，人員管理等等。系統最頂層為界面交互層，采用基于Web的界面與用戶實現信息交互。

2.2 系統功能模塊

為了實現對故障知識的高效利用，設計了FKMS系統的主要功能模塊，包括故障知識管理模塊、故障分析模塊與用戶管理模塊。

故障知識管理模塊是FKMS系統的核心功能模塊，包含故障知識結構管理、故障信息管理與模型及文件管理等子功能模塊。用戶可以在知識結構界面通過層級展開的方式查看已有的故障知識結構，并進行相應的擴充、修改，該功能對應著本體模型中各個實體及實體屬性的修改。故障知識結構中每一級實體均與相應的故障信息對應，設計分析人員通過選定知識結構中相應概念能快速查找到相關信息。故障信息管理子功能模塊可供不同人員查看對應權限下的機械對象庫、故障模式庫、故障原因庫、故障影響庫等等，新的故障信息也可被添加至故障信息庫。模型及文件管理子功能模塊面向用戶提供統一的界面查看所有故障信息所對應的相關知識組件，包括故障分析的仿真文件或數學模型、故障案例的圖片或數據集等等，并且用戶可以直接通過鏈接下載所需文件。

故障分析模塊是基于故障知識數據庫建立的輔助分析模塊，包含故障原因分析與故障檢索2大子功能模塊。用戶進行故障原因分析時，輸入一定的初始條件及相應的置信度，系統將自動進行計算并返回可能的故障原因及置信度，為用戶分析故障原因提供一個較為準確的指導意見。故障信息檢索模塊提供按檢索詞搜索的功能，即用戶在檢索框輸入關鍵詞后，可直接查看到整個故障數據庫中與其相關的所有信息。通過點擊可查看具體的檢索結果，實現快速定位，大大提高了信息的搜索效率。

3 關鍵技術

FKMS的關鍵技術包括：基于本體的故障知識建模技術、本體模型到數據庫的映射技術和基于故障原因知識網絡的故障原因推理技術。

3.1 基于本體的故障知識建模技術

本體是對事物概念化的定義、規范和說明[11]，相比于其他的知識建模方式，本體建模具備豐富的資源關系、清晰的分類與層級結構和優秀的計算機處理能力[12]。基于本體的建模技術已經廣泛用于制造流程[13]、產品設計[14]、故障診斷[15]等諸多機械領域。通過對故障知識本體建模，可以實現故障知識全面化、形式化和統一化描述，最終建立機械零部件故障知識庫，為故障分析提供知識的數據基礎。本體模型中的實體類(entity)對應于故障領域知識的概念；實例(instance)對應于故障實例與具體的故障信息，即實體類的具體化描述；屬性(property)和限制(restriction)用于描述實體類間的關系，是知識庫的推理規則；關系(relation)為實例間關系，是屬性和限制的具體化描述。

在故障知識本體模型構建的方式上，需要充分對典型的故障分析方法和可靠性分析方法等具有進一步認識，并結合當前公認的機械產品知識模型，從而構建一個分類清晰、表達準確、描述完整的本體模型。本文構建的故障知識庫，即故障知識本體模型，在概念模型層面的主要包括功能-行為模型、機械對象模型、知識組件模型以及故障模型。各模型以“故障模式”這一實體類為核心，如圖4所示。

圖4 各模型中與“故障模式”相關的實體類

故障模型作為故障知識庫中最重要的部分，必須包含完善的故障信息。結合后續故障分析技術中所需要的知識內容，需要將FMEA及FTA的故障知識添加進本體模型的概念模型中。FTA信息包含故障模式、故障原因和邏輯門，FMEA信息包括故障模式、故障原因、故障發生率、故障影響、故障檢測方式、故障控制和故障維修，圖4顯示部分故障模型中的實體類。

故障知識概念模型的構建采用普林斯頓大學開發的本體構建工具Protégé[16]。Protégé軟件是斯坦福大學醫學院生物信息研究中心基于Java語言開發的本體編輯和知識獲取軟件，主要用于語義網中本體的構建，可實現本體模型的可視化表達。

3.2 本體模型到數據庫的映射技術

通過Protégé構建的故障知識本體模型，存在著實例添加繁瑣，已有知識模型修改困難等問題。將故障知識本體模型存儲到數據庫中可以有效的解決這些問題，也能夠很好地支持后續故障知識管理平臺的開發。

對于故障知識本體模型，由于機械零件故障知識復雜，更新速度快，很難一次性建立完善的本體模型。因此存儲故障知識的數據庫中，知識結構需要具備一定的可修改性與可拓展性。

將本體模型映射至數據庫的常用方式有4種方式：水平模式、垂直模式、分解模式與混合模式[17]。水平模式只使用一張表完成知識存儲[18]，字段數目龐大且往往浪費大量的存儲空間；垂直模式以“主語-謂語-賓語” (subject-predicate-object)三元組形式進行記錄，結構簡單清晰，與Protégé中建模方式一致；分解模式對本體模型中各個屬性建 表[18-19]，在進行復雜多個屬性查詢時效率較差；混合模式通常將以上幾種方式混合但其拓展性與檢索效率較慢。本文基于垂直模式三元組關系，對本體模型中關鍵元素建表[20]，實現故障知識本體模型到故障知識本體數據庫的映射。數據庫主要實體關系如圖5所示，映射過程需對本體模型中實體類(entity)、限制(restriction)、屬性(property)、定義域(domain)、值域(range)、實例(instance)、關系(relation)等內容建立數據表。針對故障知識庫中的知識組件模型，建立文件(File)表，實現相關文本、圖片、數據文件、仿真文件的關聯。

圖5 故障知識本體數據庫的主要實體關系

3.3 基于故障原因知識網絡的故障原因推理技術

故障原因是故障知識中的關鍵元素，往往和其他故障元素間存在復雜關系。故障原因也是故障發生后進行故障檢測、控制和維修的基礎。在故障原因分析時，往往對分析人員有較高的專業知識水平要求，低效的故障原因分析會使得故障分析陷入盲目。因此，需要設計一種計算機輔助故障原因分析方法，在初步檢測結果只能實現模糊的故障判定時，分析可能的故障原因，提高故障分析效率。

本體知識以資源描述框架(resource description framework, RDF)形式存儲后，通過構建推理規則可以實現故障診斷推理[21]，此方法建立推理規則的過程費時費力，對專家系統準確性要求過高。因此，本文采用從故障知識模型中抽取故障原因實體及其關聯的方式構建故障原因知識網絡[22]，通過置信度傳遞方式進行故障原因推理。相比基于故障樹和基于推理規則的推理方式，該方式充分利用故障知識庫中“故障原因”實體的知識內容，在輸入條件較模糊的情況下仍能實現故障原因的快速推理。

從故障知識庫中抽取與故障原因相關聯的實體和實例，以“有故障原因”這一屬性作為橋接媒介，構建故障原因知識網絡。該網絡以故障原因為核心，將“主語-謂語-賓語”三元關系中，故障原因作為主語或賓語的所有關系從故障知識本體模型中抽取出來。其中核心關系為“故障模式-有故障原因-故障原因” (mode-hasreason-reason)與“故障原因-有子原因-故障原因” (reason-hassubreason-reason)兩對三元組關系。

其中，t,0為故障原因r輸入的置信度，若輸入置信度為0，則t,0=0。

路徑的置信度t為路徑起點M的置信度(M)均分至(M)個子路徑中，即

路徑起點為R和K時，確定t的方法一致。

計算所得的置信度(r)與該故障原因計算前的置信度比較并取高值作為該故障原因的最終置信度，該方式既能有效保證初始置信度對最終結果的影響，也能實現故障原因知識網絡的有效利用。

以直升機傳動系統主減速自由輪的斜撐塊涂層表面疲勞磨損為例，該故障實例的故障原因關系網絡如圖6所示，圖中包含表面疲勞磨損故障的故障原因及子原因，箭頭代表實例間關系“有故障原因”或“有子原因”，其中化學氣相沉積(chemical vapor deposition，CVD)為制造工藝的實例，CVD制造工藝導致的常見問題為孔隙率高、金屬夾雜和化學氣相沉積時間短。

圖6 “表面疲勞磨損”故障原因關系網絡

斜撐塊涂層磨損后，經初步的斷口檢測，故障分析人員基于自身經驗和已有資料案例做出基本的故障判斷：故障模式為表面疲勞磨損(置信度80%)，可能的故障原因為硬度過低(置信度60%)和金屬夾雜(40%)，斜撐塊表面經過CVD工藝加工，工藝對故障的影響置信度取50%。置信度取值可基于實際情況修改。

將上述情況作為輸入條件，基于故障原因置信度推理算法，可以得到第一次計算后故障原因置信度(表1)。故障分析人員通過算法計算可以整理獲得可能的故障原因，在下列故障原因和置信度的結果中，表面疲勞磨損可能的原因有“孔隙率高”、“化學氣相沉積時間短”、“疲勞強度低”等等，但部分原因如“含碳量低”、“表面脫碳”等屬于無效原因，這些原因來自于“硬度過低”故障原因的拓展，主要與滲碳工藝相關，與CVD工藝制備的斜撐塊表面無關。

表1 一次計算后故障原因及置信度結果

4 系統實現與應用

4.1 系統實現方式

FKMS系統采用瀏覽器和服務器(Browser/Server, B/S)的模式開發，具體來說，基于Django的Web框架搭建系統架構，使用Python語言編寫系統后端各功能的邏輯算法，采用Django自帶的輕量級SQLite3數據庫，前端采用HTML編寫網頁，在HTML基礎上應用Bootstrap的前端框架設計網頁樣式，利用Javascript和JQuery進行網頁元素控制和與服務器數據交互。

4.2 系統知識管理案例

圖7為系統操作流程示意圖，用戶通過賬號密碼登錄FKMS系統，圖7(a)和圖7(b)為系統主界面包含故障知識庫、故障知識結構、故障原因分析、個人信息與故障信息檢索幾個子模塊，用戶可以在此選擇所需模塊進行下一步操作。圖7(c)為常用的故障知識庫，包含零部件庫、材料庫、故障模式庫、故障原因庫、知識組件庫等等，進入子庫后可以查看到具體的實例信息，如圖7(d)所示；圖7(e)為故障知識結構，展現了概念模型中各個實體類及其對應的實例，用戶可以修改概念模型或為相應實體添加實例。

圖7 FKMS系統操作流程示意圖

以直升機傳動系統主減速器自由輪的斜撐塊涂層剝落故障為例，在故障知識管理分析支持系統中，可以查閱到該故障模式具體故障知識，如圖8(a)所示，包括故障檢測方式、從屬的故障類型、改進措施、相關的仿真文件等等故障信息。用戶可以查閱“斜撐塊涂層剝落”這一實例在知識模型中作為主語與賓語的所有三元關系組。故障記錄人員通過對信息的不斷更新，實現故障知識更新維護。當用戶需要進行故障檢索時，可在搜索框檢索關鍵詞。圖8(b)為檢索“模型”關鍵詞的檢索頁面，主要包括CAE模型、CAD模型。用戶點擊自由輪CAD模型可以進入模型仿真文件管理頁面，如圖8(c)所示，下載“斜撐塊涂層剝落”故障發生部件“自由輪”的三維模型及仿真文件。

4.3 故障原因分析案例

在系統的故障原因推理模塊，用戶需首先創建故障案例，如圖9(a)所示；之后輸入推理的初始條件，用戶可以自行選擇初始條件類型與置信度，如圖9(b)和(c)所示，輸入條件為故障模式表面疲勞磨損(置信度0.80)，預計故障原因金屬夾雜(置信度0.40)、硬度過低(置信度0.60)，制造工藝CVD(置信度0.50)；之后系統計算給出可能的故障原因及相應置信度(圖9(d))；故障分析人員通過參考系統的分析結果，將故障原因確定在一個小范圍區間，表面疲勞磨損可能的原因有“孔隙率高”、“化學氣相沉積時間短”、“疲勞強度低”等等。隨后，故障分析人員對高置信度故障原因進行后續故障分析、控制和維修工作。

圖8 故障實例信息及檢索功能

圖9 故障信息檢索與原因分析案例

一般用戶在使用本系統后，不僅故障知識的獲取速度大幅提高，而且還能獲取與目標搜索對象相關的故障知識。系統通過良好的界面展示，使得知識的表示更清晰易懂。系統的故障原因分析功能能為缺少專業知識的人員在故障分析方面提供幫助，并能輔助專業的故障分析與維修人員快速地定位故障原因，支持后續故障控制與維修工作。此外，系統的知識庫對故障知識進行了精煉和分類，使得專業故障分析人員能夠更為精準地獲取相應的知識內容。

5 結束語

本文針對機械零部件故障知識分散和利用分享率低等問題，提出了機械零部件故障知識管理支持方法。該方法以本體建模技術為基礎，依據機械零部件全生命周期內不同人員所需的故障知識建立故障知識庫，大大提高了故障知識集成和使用效果。在此基礎上研究了故障原因推導方法，解決了故障原因間復雜關系的相互影響，支持故障分析人員快速找到故障原因。最后設計開發了機械零部件FKMS，通過案例驗證系統的功能與可行性，實現不同人員在各自工作流程中對故障知識的不同需求，滿足知識結構、內容的不斷更新與人員間信息交流需求，可為企業建立故障信息的常態化、自動化的收集、存儲、分享和處理機制。

本文提出的故障原因推理方法和開發的FKMS系統實現了模糊條件下故障原因的置信度推理、故障知識管理和故障原因分析，提高了故障分析效率。后續研究工作將在分析結果的精確篩選與深度分析和知識庫內容系統分析功能擴展等方面繼續深入研究，為相關人員提供統一標準的技術服務。

[1] 賈焰, 王志英, 江衛國. 知識庫系統技術研究[J]. 計算機工程與科學, 1993, 15(3): 17-22.

[2] 李梅. 基于本體的故障診斷知識庫系統的構建[J]. 電腦開發與應用, 2010, 23(8): 32-34.

[3] 楊燕. 航空發動機故障診斷專家系統知識庫的設計與實現[D]. 沈陽: 沈陽航空航天大學, 2013.

[4] HUANG C Y, STENGEL R F. Failure model determination in a knowledge-based control system [C]// 1987 American Control Conference. New York: IEEE Press, 1987:1643-1648.

[5] 蘇正煉, 嚴駿, 陳海松, 等. 基于本體的裝備故障知識庫構建[J]. 系統工程與電子技術, 2015, 37(9): 2067-2072.

[6] 張會福, 狄雪蘭, 文宏, 等. 基于本體的轉子故障知識建模研究[J]. 中國機械工程, 2011, 22(21): 2619-2623.

[7] 王志, 夏士雄, 牛強, 等. 基于本體的礦井電機故障知識庫構建[J]. 計算機工程, 2010, 36(10): 270-272, 275.

[8] 李夢偉, 董正宏, 楊帆. 基于Android的信息系統故障查詢App的設計與實現[J]. 計算機科學, 2017, 44(S2): 561-564.

[9] GERO J S, KANNENGIESSER U. The function-behaviour-structure ontology of design [M]// An Anthology of Theories and Models of Design. London: Springer London, 2014: 263-283.

[10] 劉鋇鋇. 基于知識集成的直升機維修性評價方法研究[D]. 北京: 清華大學, 2016.

[11] GRUBER T R. A translation approach to portable ontology specifications [J]. Knowledge Acquisition, 1993, 5(2): 199-220.

[12] 趙建勛, 張振明, 田錫天, 等. 本體及其在機械工程中的應用綜述[J]. 計算機集成制造系統, 2007, 13(4): 727-737.

[13] 施昭, 曾鵬, 于海斌. 基于本體的制造知識建模方法及其應用[J]. 計算機集成制造系統, 2018, 24(11): 2653-2664.

[14] 王有遠, 周聲靈. 基于本體的產品創新設計知識網絡研究[J]. 計算機技術與發展, 2018, 28(1): 195-199.

[15] 劉志海, 張榮華, 楊凱迪, 等. 基于模糊專家系統的采煤機故障診斷研究[J]. 煤炭技術, 2017, 36(1): 227-229.

[16] NOY N F, FERGERSON R W, MUSEN M A. The knowledge model of protégé-2000: combining interoperability and flexibility [M]//Knowledge Engineering and Knowledge Management Methods, Models, and Tools. Heidelberg: Springer, 2000: 17-32.

[17] 陳光儀. 基于關系數據庫的本體存儲研究[D]. 長沙: 中南大學, 2009.

[18] AGRAWAL R, SOMANI A, XU Y R. Storage and querying of E-commerce data [C]//Proceedings of the 27th International Conference on Very Large Data Bases. San Francisco: Morgan Kaufman Publishers Ins, 2001: 149-158.

[19] 張峰, 薛惠鋒, 徐源. 基于本體的航天產品性能樣機協同建模方法[J]. 計算機集成制造系統, 2016, 22(8): 1887-1899.

[20] ZHAO J C, HUANG L P, TIAN L, et al. Knowledge system for helicopter transmission design based on ontology [C]//Proceedings of the 2017 International Conference on Management Engineering, Software Engineering and Service Sciences - ICMSS '17. New York: ACM Press, 2017: 321-325.

[21] 任鵬, 宋仁旺. 基于本體推理的故障信息關聯及診斷應用研究[J]. 燕山大學學報, 2016, 40(4): 301-310.

[22] 趙繼叢. 基于本體的機械零件失效分析與仿真支持技術研究[D]. 北京: 清華大學, 2017.

Failure Management and Support System of Mechanical Parts Based on Failure Knowledge-Base

WU Kang-qing1,2, HUANG Li-ping1,2, LI Bo-shu3, SHI Jin-da4

(1. Department of Mechanical Engineering, Tsinghua University, Beijing 100084, China; 2. Beijing Key Lab of Precision/Ultra-precision Manufacturing Equipment and Control, Beijing 100084, China; 3. Army Equipment Department Equipment Technical Cooperation Centre, Beijing 100036, China; 4. Institute of Army Aviation, Beijing 101121, China)

In order to solve the difficulty in describing failure knowledge of mechanical parts and the low efficiency of sharing and reuse of failure knowledge among different designers, a failure knowledge base is constructed based on ontology modeling technology. A mechanical parts failure knowledge management & support system (FKMS) is designed and developed using Django-Web module. First, by analyzing knowledge requirement, the function structure of the system is established and the content of failure knowledge is determined. Next a failure knowledge ontology model and its entity relation network are constructed by ontology modeling technology, which ensures the integrity of the knowledge base structure. Then the mapping of knowledge model to database is established based on vertical model, enabling efficient storage and extensible structure. In addition, through failure reason networks based on the ontology mode, a fault reason analysis algorithm with belief propagation is put forward. Finally, the coating spallation of helicopter free-wheel sprag is used as a case in the process of knowledge management and failure analysis, which demonstrates the dynamic management support of the system.

failure knowledge; ontology model; knowledge-base; fault reasoning; knowledge management system

TP 311

10.11996/JG.j.2095-302X.2019030623

A

2095-302X(2019)03-0623-08

2018-12-12；

2019-03-05

北京市自然科學基金項目(3182012)

吳康清(1994-)，男，浙江金華人，碩士研究生。主要研究方向為知識工程、故障分析技術。E-mail：wukq16@mails.tsinghua.edu.cn

黃利平(1966-)，女，湖北武漢人，副教授，碩士。主要研究方向為數字化設計與制造、PLM/PDM。E-mail：huanglp@mail.tsinghua.edu.cn