基于本体论与贝叶斯式网络的舰炮武器系统故障诊断方法研究

孙文舟 岳冬梅 彭 亮

(1.海军大连舰艇学院研究生管理大队 大连 116018)(2.海军大连舰艇学院舰炮系 大连 116018)



基于本体论与贝叶斯式网络的舰炮武器系统故障诊断方法研究

孙文舟1岳冬梅2彭 亮1

(1.海军大连舰艇学院研究生管理大队 大连 116018)(2.海军大连舰艇学院舰炮系 大连 116018)

针对舰炮武器系统在故障诊断过程中存在不确定性以及新故障知识不易添加的问题,提出了一种将本体论与贝叶斯网络相结合故障诊断方法。利用本体的知识表示方法建立关于舰炮武器系统的本体模型,然后将此模型转化为贝叶斯网络模型,最后利用贝叶斯网络进行舰炮武器系统故障方面的不确定性推理。利用此方法可以有效解决舰炮武器系统复杂故障现象问题。

本体; 贝叶斯网络; 故障诊断

Class Number E920

1 引言

随着我国海军装备的不断发展,舰船武器装备的科技含量和性能不断地提高,由此而产生武器装备故障的复杂程度也不断增大,不确定性因素不断增多。主要表现在: 1) 对于现在已有的故障诊断方法,存在新的故障知识不易添加的问题; 2) 故障现象与故障原因之间的对应关系,存在一对多、多对一、甚至多对多的现象; 3) 故障现象之间存在相互耦合性,一些故障发生会引起其他多种故障现象; 4) 多数故障无明显故障参数,舰炮装备的诊断既依赖工作显示器的数据,又依赖于维修人员对直观感觉以及对装备异常状态的判断,而这种诊断模式往往效率低下。

本体是共享概念模型明确的形式化规范说明,其主要思想是将知识以网络的形式实现相互关联。目前在故障诊断方面应用的例子有柴油机综合故障诊断[1]、汽车综合故障诊断[2]以及机载机电系统故障诊断[3]等。贝叶斯网络作为一种不确定性建模与推理工具,可以实现在舰炮故障诊断过程中的复杂推理部分,目前在故障诊断方面应用的实例有海洋装备工程故障诊断[4]、列控系统故障诊断[5]以及电力系统故障诊断[6]等。

为了减少上述所提高的不确定性因素在舰炮故障诊断中所带来的影响,本文将根据舰炮特有的故障机理以及目前已存在的诊断经验尝试利用本体来进行建模,并将此模型通过合理的方法转化为贝叶斯网络模型,最后利用贝叶斯网络模型来完成舰炮故障诊断的不确定性推理部分。

2 舰炮武器系统本体建模

2.1 舰炮武器系统故障知识结构分析

舰炮武器系统故障诊断的实际过程往往是根据已经发生故障现象来寻找可能的故障原因,定位故障源以及给出相应的维修建议。而通过对整个排故过程的分析可以得到舰炮武器系统的知识主要涉及五个要素:故障源、故障原因、故障现象、参数指标以及维修建议。

故障知识是故障事实、诊断规则、相关概念的集合,一般以描述型方法存储和管理知识,形成一个故障知识域。

图1 舰炮武器系统故障诊断知识结构图

2.2 舰炮武器系统故障知识本体模型建立

舰炮武器系统本体可表示为四元组O=〈C,R,P,I〉。其中:C为本体中的类集,R为类的层次关系集合,P为属性(Properties),I是实例(Instances)。这里使用软件Protégé,根据舰炮故障维修手册以及专家经验,通过将舰炮武器系统故障现象以及故障原因进行分类,并分析其中的关联,以此来建立舰炮武器系统本体模型。

舰炮武器系统故障模型建立过程如下:

1) 首先建立舰炮武器系统故障本体的类及类层次:将舰炮武器划分为发射系统、瞄准系统、供弹系统、辅助系统、电气控制系统等并建立其类,然后在类的下一层次继续建立其子类,比如供弹系统可以分为上扬弹机、下扬弹机以及弹鼓。在建立好这一层次的子类之后,继续建立下一层次的子类,比如上扬弹机可以继续划分为各个机构。依次类推,一直建立到子类不能继续划分为止。

2) 建立舰炮故障系统类的属性:类的属性主要包括对象属性以及数据属性,在本模型中,主要应用的是舰炮对象的属性,这些属性主要为“故障原因为”和“故障现象是”,其所对应的逆关系属性为“引起现象”以及“有原因为”。

3) 建立舰炮故障系统的关系和实例,关系包括等价、继承、互斥等。比如is-a代表继承关系,表示某些子类只能从属于特定的上一层次的类。互斥的关系(disjoints),比如电源故障类中分为舰电源故障和设备电源故障两类,这两类的关系为互斥。

3 贝叶斯网路模型

3.1 贝叶斯网络概述

贝叶斯网络(Bayesian Network)又称为信度网络(Belief Networks)[7～8],是目前不确定性知识表达和推理领域最有效的理论模型之一[9],适用于不确定性和概率推理的知识表达和推理。

贝叶斯网络由两部分构成,一是贝叶斯网络结构图,另一部分是条件概率表(Conditional Probability,CPT)。

3.1.1 贝叶斯网络结构图

贝叶斯网络结构图是一种有向无环图(Directed Acylic Graph,DAG),图中的节点表示事件中的变量,节点之间用有向弧线连接,弧线指向的是子节点,弧线的另一端是父节点,表示的是两个事件的因果关系。没有任何弧线指向的节点是根节点。

3.1.2 条件概率表

条件概率表是贝叶斯网络的定性表达,反映了网络节点中各个节点之间的影响程度,由一系列的概率值组成。

3.1.3 贝叶斯网络常用概念

贝叶斯网络常用的概念包括:先验概率,后验概率,条件概率,条件独立性假设。

先验概率:先验概率是人们事先对事件发生的概率大小的估计,没有经过验证,是检验前的概率,通常由领域内的专家或根据设备的历史资料来确定。

后验概率:后验概率是人们在经过调查等方式取得了新的证据,再利用贝叶斯公式,计算出的更接近于实际情况的概率。

条件概率:设A、B是两个事件且P(A)>0,则称概率

P(B/A)=P(AB)/P(B)

为事件B在事件A发生下的条件概率。

条件独立性假设:设有随机事件A、B、C,如果A、B关于C条件独立,则有

P(B/A,C)=P(A/C)

这说明,在事件C发生的条件下,事件A的发生与否与B无关。条件独立性假设能简化网络推理的过程,还能大大减少网络推理所需要的先验概率的数量。

3.2 贝叶斯网络故障诊断原理

通过针对舰炮武器系统故障机理的分析,可以得出武器系统故障的原理通常为“执果寻因”,这也正好与贝叶斯网络故障诊断原理相符合,所以可以利用贝叶斯的方法来解决舰炮武器系统的故障不确定性推理问题[10]。

首先来分析根据舰炮武器系统的诊断方式所对应的贝叶斯网络的计算方法:假设有事件A、B为事件C发生的两个原因,假设事件A发生的概率为0.1;事件B发生的概率为0.2,事件A发生,事件B不发生时,事件C发生的概率为0.6;事件A不发生,事件B发生时,事件C发生的概率为0.8;事件A发生,事件也B发生时,事件C发生的概率为0.9;事件A、B都不发生时,事件C发生的概率为0.1,事件C的条件概率表如表1所示。

P(A)=0.1,P(B)=0.2,

表1 事件C的条件概率表

事件CB发生不发生A发生不发生发生不发生发生0．90．80．60．1不发生0．10．20．40．9

根据贝叶斯定理以及事件C的条件概率表,计算在事件C发生的条件下,事件A、B发生的概率。P(C/A)为已知事件A发生的条件下,事件C发生的概率。P(C)为不考虑事件A、B发生的条件下,事件C发生的概率,可以使用全概率公式计算。

(1)

计算P(C):

=0.9×0.1×0.2+0.6×0.1×0.8

+0.8×0.9×0.2+0.1×0.9×0.8=0.282

计算:P(C/A)

=0.9×0.2+0.6×0.8=0.66

将上式带入到式(1)中得:

P(A/C)=0.234

同理可以得出:

P(B/C)=0.574

通过以上的分析可以得出,如果C表示故障现象,A、B代表故障原因,可以根据上述方法推导出在已知故障现象C发生的情况下,故障为原因A或者原因B发生的概率,由计算得知,B发生的概率大于A发生的概率,由此可知,在故障现象C发生时,首先应该检查故障原因B,其次检查故障原因A。将这种方法应用到舰炮故障诊断领域,可以有效地指导维修人员进行下一步的维修。

3.3 本体模型与贝叶斯模型相互转化

当建立好舰炮故障本体模型后,在软件Protégé中可以自动生成一个相关本体的网络,对比此本体网络与贝叶斯网络发现两者有很大的相似之处,两者都可以表示因果联系,本体网络中的类及其各级子类真是对应于贝叶斯网络中的节点,本体网络中的属性对应于贝叶斯网络中的弧线,可以用来表示各类层次或节点之间的联系。

4 实例分析

以下扬弹机提退工况时弹托不到位(sabot_not_in_place)为例,导致此现象的故障原因可能为电磁离合器损坏(electromagnetic_clutch_damage)或者是电磁离合器打滑(electromagnetic_clutch_trackslip)。首先引Protégé软件进行建模建立好此故障的类、属性和实例后,本体的网络呈现如图2所示。

图2 本体网络图

为了方便与贝叶斯之间的比较以及具体实例的推理,隐藏各类层次之后的本体网状图如3所示,其中虚线代表属性“有原因”。

图3 隐藏各类层次后的本体网状图

根据已经构建好的本体网状模型,利用软件GeNIe构建此贝叶斯网络如图4所示。

图4 构建好的本体贝叶斯网络模型

对应此故障网络模型的条件概率表为:如图5所示。

图5 条件概率表

经软件计算,原因为电磁离合器损坏所导致此故障现象的概率为0.119,原因为电磁离合器打滑所导致此故障现象的概率为0.265。所以给出相应的维修建议为先检查电磁离合器是否打滑,如果无法排除故障,再检查电磁离合器是否损坏。

5 结语

随着舰炮武器的不断发展,舰炮武器系统所出现的故障情况也越来越复杂,在故障诊断过程中不确定性因素以及故障现象之间的相互耦合性也成为诊断过程中的一个难点,而且如果有新的故障现象的出现,新故障知识难以添加也成为一项新的问题。

在本问题中,本体是一种强有力的知识表示形式,而且易于添加新知识,在建立起类与属性关系之后又可自动形成网络,方便与贝叶斯网络结合使用。贝叶斯网络是目前一种较为成熟的不确定性推理方法,可以有效解决故障诊断过程中的不确定性问题。把这两种方法结合起来,利用其各自的优势,将使得舰炮故障诊断的过程更加快速和有效。

[1] 周密.基于本体论的柴油机综合故障诊断研究[D].长沙:国防科技大学硕士学位论文,2007,11.

[2] 赵少华.基于本体论的汽车故障诊断知识建模及知识系统的研究[D].上海:华东理工大学硕士学位论文,2011,1.

[3] 毕鲁雁,焦宗夏,范圣韬,等.基于本体的机载机电系统故障诊断研究[C]//中国机械工程学会流体传动与控制分会,2008:510-512.

[4] 赵金楼,成俊会,岳晓东.基于贝叶斯网络的海洋工程装备故障诊断模型[J].哈尔滨工程大学学报,2014,35(10):1-5.

[5] 程雨.基于贝叶斯网络的列控系统故障诊断研究[D].北京:北京交通大学硕士学位论文,2014,4.

[6] 吴欣,郭创新.基于贝叶斯网络的电力系统故障诊断方法[J].电力系统及其自动化学报,2005,17(4):11-15.

[7] Charniak E. Bayesian Networks without Tears[J]. AI Magazine,1991,12(4):50-63.

[8] Pearl J Graphical Models for Probailistic and Causal Reasoning In: The Computer Science and Engineering Handbook Kluwer Academic Publishers,1997:697-714.

[9] 张兵利,裴亚辉.贝叶斯网路故障概述[J].电脑与信息技术,2008,16(5):41-42.

[10] 郝晓亮.贝叶斯网络在半导体设备故障诊断中的应用[J].设备维护与维修,2013,16(5):62-66.

Naval Gun Weapon System Fault Diagnosis Based on Ontologies and Bayesian Network

SUN Wenzhou1YUE Dongmei2PENG Liang1

(1. Department of Graduate Management, Dalian Naval Academy, Dalian 116018) (2. Department of Naval Gun, Dalian Naval Academy, Dalian 116018)

Against the problem of nodeterminacy and new fault knowledge is not easy to add in the process of fault diagnosis, a new method is put forward by combining ontologies and bayesian network. The representation of ontology knowledge is used to built the ontology model about the naval gun weapon system. Then this model is converted into a bayesian network model. Finally the bayesian network is used for naval gun weapon system failure of uncertainty reasoning. This method can effectively solve the problem of complex naval gun weapon system fault phenomenon.

ontology, Bayesian network, fault diagnosis

2015年1月17日,

2015年3月6日 作者简介:孙文舟,男,硕士研究生,研究方向:舰载武器系统分析、论证与仿真。

E920

10.3969/j.issn1672-9730.2015.07.042