一种基于多元动态特征的通用飞行器案例推理系统及方法与流程

本发明属于飞行器故障诊断的，具体涉及一种基于多元动态特征的通用飞行器案例推理系统及方法。

背景技术：

1、飞行器故障诊断是在故障检测基础之上，通过分析故障现象及检测数据，采用特定诊断方法，来实现故障辨识、定位与隔离。目前，飞行器故障诊断主要包括基于模型、基于知识和基于数据驱动三大类方法。其中，基于知识的诊断方法由于易于实现、解释性强，在飞行器故障诊断领域得到了广泛应用。

2、案例推理是知识类诊断方法之一，它是一种采用以往案例求解当前问题的技术。其实现包括案例表示、组织、检索、匹配、重用、学习等环节。其优势在于诊断系统的学习能力强，即随着故障案例的不断积累，可持续增强系统诊断能力。

3、现有的飞行器案例推理系统大多是以特定系统为研究对象，基于已有历史故障案例构建，通过解构历史案例形成结构化知识表示，并建立相应案例库；案例检索依靠数据库表的关联查询实现；案例学习支持新案例录入和旧案例基础信息编辑。随着技术的不断发展，现有飞行器案例推理系统不足愈发显著：

4、1)历史案例获取困难，特别是对于新型号或新设计系统，故障案例数量稀少，难以支撑案例推理技术实现；

5、2)通用性差，以特定对象为核心构建案例系统难以满足多机载系统诊断需要，系统可移植性差；

6、3)适应性差，在系统设计阶段就将案例详细特征细化，限制系统学习能力。主要表现在因故障特征描述不准确而发生误判或漏判的情况下，由于案例特征固定，无法对现有案例进行修正。

7、针对上述不足，本发明提供了一种基于多元动态特征的通用飞行器案例推理系统及方法。该系统集开放式诊断知识录入、层次化案例组织管理、多元案例检索匹配等功能于一体，可以实现基于案例推理的飞行器多机载系统故障诊断。

技术实现思路

1、本发明的目的在于提供一种基于多元动态特征的通用飞行器案例推理系统及方法，旨在解决上述的问题。

2、本发明主要通过以下技术方案实现：

3、一种基于多元动态特征的通用飞行器案例推理系统，包括诊断知识录入模块、案例组织管理模块、案例检索匹配模块；所述诊断知识录入模块用于自动获取多源异构知识，并转化为故障案例；所述案例组织管理模块用于以多元化特征案例表示为基础，实现案例信息编辑与存储，采用多元化特征描述故障特征，且多元化特征描述包括布尔型、现象度、字符型、数值型、区间型中的任意一种或者多种；所述案例检索匹配模块用于采用混合索引、多元特征相似度量，来获取故障库相似案例；所述案例检索匹配模块包括故障描述单元、案例检索单元、案例匹配单元，所述故障描述单元用于通过用户选择故障结构节点、输入故障特征值形成混合索引；所述案例检索单元用于获取相关案例集；所述案例匹配单元用于获取与当前故障的最相似案例。

4、为了更好地实现本发明，进一步地，所述诊断知识录入模块包括结构知识录入单元、故障模式录入单元、历史故障知识录入单元，结构知识包括系统、子系统、部件三个层级，且每个层级实体包含代号、名称、所属结构、生产厂家、备注属性。

5、为了更好地实现本发明，进一步地，所述案例组织管理模块包括案例表示单元、案例生成单元、案例存储单元和案例编辑单元，所述案例表示单元用于实现案例信息结构化描述；所述案例生成单元用于在案例表示单元的基础上，采用关键字段关联映射方式，将诊断知识录入模块存储的源知识转化为故障案例；所述案例编辑单元用于实现案例信息的增删改查。

6、为了更好地实现本发明，进一步地，所述案例表示单元包括案例基本信息、案例特征集、故障特征，所述案例基本信息用于记录诊断结论、维护措施、故障部件、索引次数信息；所述案例特征集用于记录特定系统的故障特征，并采用多元特征描述；所述故障特征用于记录现场故障现象，通过关联案例特征集，并记录特征值实现。

7、为了更好地实现本发明，进一步地，所述案例存储单元的案例组织结构的第一层为系统层；第二层为子系统层；第三层为案例特征集和案例基本信息，其中案例特征集用于案例检索；第四层为故障特征，关联案例基本信息用于标识故障现象所属，关联案例特征集用于获取特征描述、效用等信息。

8、本发明主要通过以下技术方案实现：

9、一种基于多元动态特征的通用飞行器案例推理方法，采用上述的系统进行，包括以下步骤：

10、步骤a：解析系统结构知识，形成结构索引，用户选择故障的子系统节点；依据选择的子系统节点，获取当前节点下案例特征集中所有的故障特征，并展示；用户依据故障现象，选择故障特征并赋予特征值，生成混合索引；

11、步骤b：在基于结构索引减小案例库搜索范围后，采用近邻法检索相关案例，组成相关案例集用于案例相似度匹配；

12、步骤c：基于多元特征相似度量，通过计算当前故障与历史案例各特征相似度，并加权整合案例整体相似度，获取相似度高的案例输出。

13、为了更好地实现本发明，进一步地，所述步骤b中案例距离计算如下：

14、1)特征效用向量v：

15、v＝[υ1，υ2，…，υi，…υn]，i＝1，2，…，n   (1)

16、其中，vi∈[0，1]表示案例特征集中第i个特征的效用值，vi值越大，则表明对应特征对故障判定影响越大；n表示案例特征集中元素数；

17、2)检索特征标记向量m：

18、m＝[m1，m2，…，mi，…mn]，i＝1，2，…，n   (2)

19、其中，mi表示实际案例是否存在案例特征集中第i个特征描述；mi＝1表示存在该特征描述，mi＝0表示不存在该特征描述；

20、3)案例间特征相关性r：

21、r(s，c)＝[r1，r2，…，ri，…rn]   (3)

22、

23、其中，s表示当前故障案例，c表示案例库中的案例，ri(s，c)表示案例s和案例c中第i特征的相关性，ri＝1表示相关，ri＝0表示不相关；

24、4)当前故障与特定案例的距离d：

25、

26、其中，d∈[0，1]表示当前故障案例s与故障案例c的距离，d越大距离越远。

27、为了更好地实现本发明，进一步地，所述步骤c中案例相似度计算如下：

28、定义fis表示当前故障案例s第i个特征的取值，fic表示案例库中特定案例c第i个特征的取值；

29、1)布尔型特征相似度量

30、布尔型特征的特征值只有0和1两种状态，0表示特征未发生，1表示特征发生，其相似度量如下：

31、

32、2)现象度特征相似度量

33、现象度特征的特征值为有限元素的集合，且其描述往往是一种程度的递进关系，设定其取值范围为0～10的整数，则具体计算如下：

34、

35、3)字符型特征相似度量

36、字符型特征的特征值为一段文字，包括两部分，一是关键字检索；二是权重分配；关键字检索是指从案例特征集对应特征的值域中，选取一组关键词a1，a2，...，ak组成fis；权重分配是指依据所选关键词al∈fis的效用值vl，计算各关键词权重wal，用于相似度计算；

37、具体计算如下：

38、

39、

40、

41、4)数值型特征相似度量

42、数值型特征的特征值为有效区间内的实数，假定区间内连续，区间上限为max(fi)，区间下限为min(fi)，则其相似度量如下：

43、

44、若区间无明确定义，则取案例库中所有案例对应特征的极值作为区间上下限，即

45、

46、

47、5)区间型特征相似度量

48、区间型特征的特征值为有界连续区间，其相似度量如下：

49、simi(s，c)＝len(fis∩fic)/len(fis∪fic)   (16)

50、上式中，len(fi)表示区间长度。

51、为了更好地实现本发明，进一步地，具体包括以下步骤：

52、步骤s1：故障发生后，确定故障子系统；

53、步骤s2：依据选择的故障子系统节点，获取当前节点下案例特征集中所有的故障特征；

54、步骤s3：依据当前故障现象，选择案例特征集中的故障特征，输入特征值；

55、步骤s4：采用近邻法检索案例库，获取相关案例集；

56、步骤s5：从相关案例集中依次取出对照案例；

57、步骤s6：依次计算对照案例特征与当前故障特征的相似度；

58、步骤s7：判断当前案例所包含的案例特征是否计算完成，若未完成，则进行步骤s6；若完成，则进行下一步；

59、步骤s8：计算案例相似度；

60、步骤s9：判断相关案例集所有案例是否完成匹配，若未完成，则跳转步骤s5，继续匹配下一个对照案例；若完成，则进行下一步；

61、步骤s10：依照计算出的案例相似度，对相关案例集进行排序；根据需求，输出一定数量的相似案例，求解当前问题。

62、本发明的优点在于：

63、1)本发明可将故障模式设计资料自动转化为故障案例，拓展案例来源，提高系统诊断能力；同时，使案例推理诊断技术可用于新产品、新领域；

64、2)本发明采用多元化特征实现故障现象刻画，并设计多元特征相似度量实现相似度匹配，提高了案例表达能力；

65、3)本发明将故障特征集中管理、动态关联、单独赋值，实现案例特征动态编辑，增强系统学习能力。