基于协同过滤理论的民机智能故障诊断方法

薛鹏

（中国民航大学工程技术训练中心，天津 300300）

基于协同过滤理论的民机智能故障诊断方法

薛鹏

（中国民航大学工程技术训练中心，天津 300300）

随着中国机队数量的增长，智能化故障诊断逐渐成为民航业研究的热点。协同过滤理论是在大量繁杂信息中寻找合适结论的一种有效的智能方法。将协同过滤理论应用于民机故障诊断领域，通过Pearson法和矢量余弦法计算协同过滤理论中的故障相似程度，并针对传统协同过滤算法存在的缺陷，通过引入元相似度及权重加以有效解决，从而得到更准确的结论。实例证明该方法在民机故障诊断中有较高准确率和较好的学习能力，可提高维修效率，降低运营成本。

故障诊断；协同过滤；矢量余弦；元相似度

近年来中国机队数量增长很快，飞机维修工作量快速增长与维修效率仍然较低的矛盾日渐突出，将人工智能应用于民航飞机故障诊断以提高维修效率已成为研究重点。

1999年空客公司着手研发一款专业的数字化排故及管理软件AIRMAN，用于帮助地面航站基地对整个机队的维修信息进行跟踪管理[1]；李宏坤提出一种基于组合框架结构的时空多信息融合系统，将神经网络和D-S证据理论性结合[2]。刘召广将模糊理论与神经网络相结合，应用到发动机故障诊断中，并提出一种FNNC新算法，用Matlab软件仿真效果良好[3]。

协同过滤理论最早被提出是为了解决个性化推荐问题[4-5]，其中第一个投入应用的协同过滤系统是Grundy[6]。随着协同过滤理论研究的深入，发展出了Tapestry邮件处理系统[7]、GroupLens系统[8]、Ringo推荐系统[9]等，目前比较有影响力的是Amazon.com的书籍推荐系统[10]。

当前对民机智能故障诊断的研究仍处于理论探索阶段，各种智能故障诊断方法仅具有理论可行性，用于实际时往往因为算法复杂或参数获取的局限性等原因无法达到理想效果。本文利用协同过滤理论对已有的经验数据进行分析、学习，根据所学习的内容对新的故障信息进行故障诊断。

1 协同过滤理论

协同过滤理论的核心思想可理解为根据兴趣相同、拥有共同经验的故障现象群体对同一事物的评价为基准，为新故障现象筛选信息。若用户x和y对n个项目的评价或行为是相似的，则其对其他项目所持有的观点也是相似的。将该理论应用于故障诊断领域，把故障描述与故障件的对应关系视为其他故障现象群体对各个事物的评价，而新的故障描述和故障件就是新的故障现象和被推荐的信息，如图1所示。

图1 协同过滤理论应用于故障诊断Fig.1 Collaborative filtering theory extended into fault diagnosis

在协同过滤理论中衡量故障现象之间的相似程度需进行量化分析，然后根据最为相似的故障现象来预测最有可能的故障件名称，常用的方法主要有Pearson法[4，9]和矢量余弦法两种。

1.1 Pearson法

假设故障现象x的可能故障件是Sx，故障现象y的可能故障件是Sy，则故障现象x和故障现象y共同的故障现象集合Sxy=SxISy，Fsim（x，y）为故障现象x和故障现象y的相似度

其中：rx和ry指故障率的平均值。由式（1）计算得到的相似度绝对值越大，相关性越强，即相关系数越接近于1或-1，相关度越强；相关系数越接近于0，相关度越弱。

1.2 矢量余弦法

矢量余弦来源于三角函数中的余弦公式，平面几何中，夹角两边的靠近/背离程度与夹角的余弦值变化关系相同，在此基础上可推广至立体几何、乃至多维空间中，由此得到矢量余弦公式，如图2所示。

图2 矢量余弦公式Fig.2 Vector cosine formula

在标准协同过滤法中，故障现象x和y都用m维向量表示，两个向量之间的相似性可以通过计算它们之间的矢量余弦得到，其表达式为

m维向量意味着故障现象可分成m个结构单元，每个维度上的长度只有0，1两种取值方式，即存在或不存在该结构单元（故障现象）。因此矢量余弦公式可化简为

其中：Nxy表示x和y向量同时具有的维度，即两个故障现象共同拥有的结构单元；Nx表示x向量具有的维度，即x现象拥有的结构单元；Ny表示y向量具有的维度，即y现象拥有的结构单元。

2 协同过滤理论的缺陷及改进

2.1 标准协同过滤理论的缺陷

标准协同过滤理论直接从故障描述的结构组成计算其相似程度，该方法在特定条件下具有一定的局限性。假设已知组件M发生疲劳故障可导致故障现象a、b、c，发生断裂故障可导致现象d、e、f；如果另一组件N发生堵塞故障可导致现象b、d、e。

假设此时M组件由于疲劳而导致断裂，即同时发生了多个故障，故障现象为b、d、e、f，由标准协同过滤计算相似度得到组件N堵塞故障与故障现象最为相近，从而得到故障件为N的错误结论。此类问题在故障数据稀缺时表现尤为突出。对于民航飞机来说，相同的故障件可导致的故障现象有可能是多种多样的，遇到类似问题，标准协同过滤理论无法得到很好的结果。

2.2 元相似度理论

正如元数据是数据的数据，元相似度指的是相似度的相似度[11]，其基本思想是以第三者的角度衡量前两者的相似度。这种方法可以不受单纯故障现象的构成限制，即使现象完全不同的事件也可计算出两者的相似程度，从而解决数据稀缺性问题。

从网络拓扑结构分析，标准的相似度反映的是局域的、直接的相似关系；而元相似度则反映了全局的、间接的相似关系。元相似度算法打破了相似度算法仅依赖于两者个人共同评价过的小部分结构单元所反映出的相似信息的限制，可反映出网络中更加宏观和间接性的相似信息。

2.3 基于元相似度的加权协同过滤改进法

首先由式（3）计算得到原始的结构相似度Fsim（x，y），然后计算得到元相似度为

其中：O是所有故障现象的集合。

最后将结构相似度与元相似度加权整合，得到最终相似度

其中：λ为加权整合系数。λ的取值应尽可能地减小低相似度数据的干扰，同时保证元相似度的计算能在一定范围内左右标准相似度计算的取值结果，提高结论的可置信度，λ的取值与实际飞机运行环境有关。

3 基于元相似度的加权协同过滤改进法实例

为了解该算法应用于民航故障诊断是否性能良好，在最优环境中及冷启动状态下分别进行了实例验证。

3.1 在最优环境中的实例验证

实例验证采用数据库中存在的已知故障现象，即数据库中预先内置一部分数据，如现象PACK1 OVHT的故障原因主要有3种，每种原因所导致的故障次数如表1所示。

表1 PACK1 OVHT现象的原因及故障次数Tab.1 Reason and fault frequency of PACK1 OVHT

此种情况数据稀缺问题较少，只要不存在干扰，算法就会匹配出相应的故障现象，从而得出正确结论。现在输入一条故障现象为PACK1 OVHT的故障，验证结果如表2所示，其中Y表示结论正确，N表示结论错误。

从表2可以看出，标准协同过滤计算所得结论为该故障与之前发生的628次故障现象相似，并且其相似度均为1，但仍有43条错误结论，表明存在极其相似的故障现象但故障件不同。通过元相似度计算得到的故障原因VALVE FLOW CTL的元相似度分为两部分，元相似度为0.8的有663条故障，元相似度为0.7的有5条故障，这说明该故障最可能的故障原因是VALVE FLOW CTL。但在最优环境下仍然存在元相似度为0.7的3条诊断错误数据，需进一步修改权重或增加数据源中的数据，通过排除干扰数据、求解故障描述之间的异同点来提高诊断准确率。

表2 协同过滤最优环境验证Tab.2 Collaborative filtering test in optimal environment

3.2 冷启动情况下的实例验证

冷启动是指在缺少足够的训练样本的情况下，算法无法从经验数据中获取足够信息来处理新的故障现象的状态。这种状态会使数据稀缺的矛盾表现得尤为突出。实例验证采用向空白故障数据库中逐条输入故障数据进行测试，在这种情况下，经验数据越来越多，故障的准确率也越来越高。冷启动下的验证结果如图3、图4所示。

图3 标准协同过滤冷启动测试Fig.3 Cold starting test of standard collaborative filtering theory

图4 基于元相似度的加权协同过滤冷启动测试Fig.4 Cold starting test of weighted collaborative filtering based on meta-similarity

由图3、图4的测试可以看出，在冷启动状态下，标准协同过滤计算得到的高相似度记录虽多于基于元相似度的协同过滤，但正确率不足；但在各自的高置信度区域内，元相似度的协同过滤法得到正确的记录数及正确率要多于标准协同过滤方法。由此可见，基于元相似度的协同过滤方法在其置信区域内具有更强的学习能力。

4 结语

协同过滤理论以及基于元相似度的加权协同过滤改进算法所得出的结论在相似度较高时具有较强的可置信度，在冷启动状态下的学习能力也较强，非常适用于民机故障诊断领域，既可充分利用已有维修经验，也可对较少发生甚至从未发生过的故障进行诊断，大大提高排故效率，降低民航技术延误率及航空公司运营成本。

[1]顾 铮.空中客车公司数字化排故及维修管理软件AIRMAN[J].航空维修与工程，2005（6）：39-41.

[2]李宏坤.基于信息融合技术船舶柴油机故障诊断方法的研究与应用[D].大连：大连理工大学，2003.

[3]刘召广，潘 炼，王 君.模糊神经网络在发动机故障诊断中的应用研究[J].工业仪表与自动化装置，2008（5）：88-90，81.

[4]RESNICK P，LAKOVOU N，SUSHAK M，et al.GroupLens:An Open Architecture for Collaborative Filtering of Netnews[C]//Proc 1994 Computer Supported Cooperative Work Conf，Chapel Hill，1994：175-186.

[5]HILL W，STEAD L，ROSENSTEIN M，et al.Recommending and Evaluating Choices in a Virtual Community of Use[C]//Denver：Proc Conf Human Factors in Computing Systems，1995：194-201.

[6]RICH E.User modeling via stereotypes[J].Cognitive Science，1979，3（4）：329-354.

[7]GOLDBERG D，NICHOLS D，OKI B M，et al.Using collaborative filtering to weave an information tapestry[J].Comm ACM，1992，35（12）：61-70.

[8]KONSTAN J A，MILLER B N，MALTZ D，et al.GroupLens：applying collaborative filtering to usenet news[J].Comm ACM，1997，40（3）：77-87.

[9]SHARDANAND U，MAES P.Social Information Filtering:Algorithms for Automating‘Word of Mouth’[C]//Denver：Pro Conf Human Factors in Computing Systems，1995：210-217.

[10]LINDEN G，SMITH B，YORK J.Amazon.com recommendations：Itemto-item collaborative filtering[J].IEEE Internet Computing，2003，7（1）：76-80.

[11]许鹏远，党延忠.基于元相似度的推荐算法[J].计算机应用研究，2011，28（10）：3646-3648，3651.

（责任编辑：党亚茹）

Research on fault diagnosis method of civil aircraft based on collaborative filtering theory

XUE Peng
（Engineering Techniques Training Center，CAUC，Tianjin 300300，China）

Collaborative filtering theory is used in fault diagnosis field of civil aircrafts.Similarities between faults in the theory are calculated by Pearson method and vector cosine method.By analyzing the defects of collaborative filtering method，the concept of meta-similarity and weight are applied to solve these problems.Finally，practical instances in different conditions prove the learning ability and high accuracy of collaborative filtering theory and the optimized method，which can be applied in civil aircraft fault diagnosis，helping improve maintenance efficiency and reduce operating costs.

fault diagnosis；collaborative filtering；vector cosine；meta-similarity

V231.3

：A

：1674-5590（2014）04-0023-04

2014-03-01；

：2014-04-04

：中央高校基本科研业务费专项（3122014D010）

薛 鹏（1982—），辽宁北票人，硕士，助教，研究方向为航空发动机故障诊断.