基于OWL本体和内嵌谓词SWRL的空军智慧航材订货模型

周家萱， 徐常凯， 王振宇

(1. 空军勤务学院航材四站系， 江苏 徐州 221000； 2. 中国电子科技集团公司第五十五研究所，江苏 南京 210000)

航材订货工作是空军航材保障的重要环节，合理、准确的航材订货数量可以有效满足日常训练备战的航材供应需求，减少因过量订货而造成的器材长期积压问题。目前,航材订货工作主要根据航材订货决策人员长期积累的工作经验，对航材订货中某些关键属性值进行离散并赋权，通过经验公式计算订货数量。但是，随着航材订货决策人员的岗位变动，长期积累的经验可能不会完整地保留下来，新的订货决策人员则需要较长时间积累经验，才能达到原有的订货效率。为解决这一问题，笔者提出一种基于航材订货决策人员工作经验，通过科学编制航材申请计划策略，依托航材历史消耗数据、维修性数据和可靠性数据，根据航材保障的实施情况进行动态调整的空军智慧航材订货模型，该模型使用OWL(Ontology Web Language)本体技术建立航材订货领域本体，运用SWRL(Semantic Web Rule Language)语言形式化建立订货规则，采用Protégé软件和Jess推理引擎实现空军智慧航材订货系统的应用模型。

1 空军智慧航材订货模型

空军智慧航材订货过程如下：

1) 对所有航材进行预测基数计算，根据3年平均消耗区分正常消耗航材和低消耗航材，使用不同预测算法计算基数。

2) 对所需预测的航材进行分类，分为消耗件、可修件和有寿件3种。当进行消耗件预测时，库存折算只需考虑储存期，预测影响因子中需要计算订货交付周期影响因子；当进行可修件预测时，库存折算需要考虑储存期和修理次数，预测影响因子中需要计算订货交付周期影响因子、平均修理周期影响因子和航材修复率影响因子，如果该可修件是直属库类器材，还应计算直属库库存占比影响因子；当进行有寿件预测时，其过程与可修件大体相同，区别在于库存折算中还需考虑装机日历时间。

3) 将所有参数代入智慧航材订货模型：

M= (Xc1+S3|Xa3+S3|Xa3×β1)×

影响因子计算方式各有不同，这里以寿控影响因子(α3)和修复率影响因子(β4)为例进行说明。寿控影响因子

α3= min(剩余飞行小时÷规定飞行小时,剩余

挂飞小时÷规定挂飞小时,剩余使用次数÷

规定使用次数,剩余工作小时÷规定工作

小时)。

采用产生式规则表示修复率影响因子：

IF航材修复率IS NULL,

THENβ4=0.74(默认平均修复率);

IF航材修复率= 0,

THENβ4=0.1 (防止扩大倍数太高);

ELSEβ4=航材修复数÷航材故障数。

空军智慧航材订货推理流程如图1所示。

2 空军智慧航材订货系统本体建模

空军智慧航材订货系统可辅助航材订货人员根据累积数据做出航材订货决策，保证各项保障任务顺利进行。智慧航材订货系统本体的主要研究对象是智慧航材订货相关知识，目标用户是航材订货决策人员和上级航材管理人员。系统数据来源于历年航材部门累积的消耗数据，本文中的本体构建主要从航材与订货相关的属性入手。

本体是对某个领域(资源)中的相关概念以及概念之间关系的精确描述[1]。目前，本体的构建没有统一的原则[2]，笔者采用斯坦福大学开发的7步法构建本体[3]：1)确定本体所在领域；2)考察是否有可复用本体；3)列出本体中重要术语；4)定义类的层次结构；5)定义类的属性和特征；6)定义属性的类型、值域和其他特征；7)创建类的实例。

根据7步法的本体构建流程，首先要考虑是否有现成的本体。鉴于目前航材领域仍无现成的本体可复用，因此需要先构建本体。

在定义航材本体概念时，可以从空军智慧航材订货模型的属性出发，从本体推理的语法特点着手，根据航材订货的不同类型建立概念层次，航材订货本体层次结构如图2所示。

航材本体的属性一般包括航材的册序号、型号、名称、专业、类型、生产厂家、用途和单价等，但这些属性多用于表示航材自身的特点，与订货工作的联系不大，航材本体属性主要是为了描述可能影响航材订货的属性特征，如3年平均消耗、3年标准差、修复入库次数、寿控系数和航材修复率等。航材本体的部分属性详细信息如表1所示。

表1 航材本体的部分属性详细信息

根据已建立的航材本体属性，采用斯坦福大学开发的Protégé工具中的OWLClass标签页，就可以完成本体的创建[4]，如图3所示。

3 基于内嵌谓词SWRL的空军智慧航材订货规则构建

3.1 内嵌谓词SWRL规则构建

SWRL由OWL DL和OWL Lite语言结合而成，是一种使用语义的方式表示规则的语言，其规则的概念由RuleML和OWL本体论的概念结合而成，形式语义和推理支持的实现通常是把本体语言对应到已知的逻辑系统[5]，其规则形式表示如下：

A1,A2,…,An→B。

其中Ai(i=1,2,…,n)和B是原子公式(Atom)，Ai表示推理的前件，B表示推理的后件。当其表示演绎规则(deductive rules)时可解释为，如果Ai全部为真，则B也为真；当其表示反应式规则(reactive rules)时可解释为，如果Ai全部为真，则执行B[6]。

内嵌谓词一般用于对同一类的2个实例间不同属性进行操作，如比较Person类中2个人的年龄、工资，比较2个Ship类实例的排水量等。SWRL内嵌谓词的类型包括用于数值比较的swrlb:Equal()和swrlb:lessThan()，用于数值计算的swrlb:subtract()和swrlb:multiply()，用于布朗值运算的swrlb:boolean等[7-8]。

3.2 空军智慧航材订货规则构建

根据已建立的空军智慧航材订货模型和航材订货本体构建订货规则。订货规则推理的流程为：先判断航材消耗类别，推理消耗基数计算方式；再根据航材累计数据的不同属性值分层次进行推理，得到其在订货模型中对应有关参数的数值；最后输出推理结果。

空军智慧航材订货规则分为订货基数推理规则和参数推理规则，由于篇幅有限，这里选择其中有代表性的规则进行介绍。

1) 低消耗器材订货基数推理规则。该规则表示为

2) 有消耗变化趋势的器材订货基数推理规则。该规则表示为

swrlb:greaterThanOrEqual(X1,X2)∧

swrlb:greaterThanOrEqual(X2,X3)→

swrlb:add(Xb,X1,S3)。

3) 参数推理规则。采用逻辑决断图[9]表示直属库器材影响因子正向推理过程，如图4所示。

直属库器材参数推理规则表示为

直属库器材(?x)∧可修件(?x)∧有寿件(?x)∧

swrlb:notEqual(?订货交付周期,NULL)∧

swrlb:lessThan(?修复入库次数,3)∧

swrlb:equal(?航材修复率,NULL)∧

integer[>=10,<15](?器材储存期)∧

integer[>=4,<6](?器材修理次数)∧

float[>=0.1,<0.2](?直属库占比)∧

swrlb:add(?β4,0.74,0)∧

swrlb:add(?β5,1.2,0)∧

swrlb:add(?α1,0.9,0)∧

swrlb:add(?α2,0.7,0)∧

swrlb:add(?α3,寿控系数,0)。

该规则表示当某器材同时属于直属库器材、可修件和有寿件，且订货交付周期不为空，修复入库次数小于3次，航材修复率为空，直属库占比在0.1～0.2，器材储存期在10～15年，器材修理次数在4～6次时，可推理得到订货模型参数最终为β2=2.15，β3=0.42，β4=0.74，β5=1.2，α1=0.9，α2=0.7，α3=寿控系数。

根据以上构建规则的标准和原理，构建空军智慧航材订货推理规则，如图5所示。

4 基于内嵌谓词SWRL的空军智慧航材订货模型实现

空军智慧航材订货模型采用OWL技术和SWRL语言进行知识库和规则库的构建，运用Jess推理引擎进行推理。基于本体的航材订货推理流程如图6所示。

首先在航材管理信息系统中提取器材相关累积数据，如3年消耗数据、修理数据、存储数据、库存数据和寿控数据，然后进行数据预处理，计算3年平均消耗量、3年标准差、航材修复率和寿控系数等，并将所有特征信息保存为XML文件。航材订货特征信息如图7所示。

将XML文件中的信息与构建好的航材本体库匹配，如果匹配成功，则激活相关SWRL规则，将OWL数据转换为Jess推理引擎的可识别信息进行推理，得到最终推理结果；如果匹配失败，就需要根据特征信息构建新的知识库和规则库，重新进行匹配和推理。

笔者选择Protégé3.5和SWRLTab插件创建本体和规则。新版SWRLTab插件可以整合Jess推理引擎，当在Protégé中表示的OWL概念和SWRL规则导入Jess推理引擎后，就能进行推理，在所有推理结束后，推理得到的事实可以为OWL知识。其中，无论是OWL概念和SWRL规则转换为Jess事实，还是作为结果的Jess事实转化为可用于推理的Protégé-OWL知识，都是由用户驱动的[10]。

点击OWL+SWRL→Jess按钮，转换知识和规则，转换结果如图8所示，此时完成从OWL概念和SWRL规则到Jess实时的转换，从输出可知：转换规则34条，转换概念36个，转换实例78个，转换主体属性4个，转换数据属性11个，转换OWL原子命题303个。

点击Run Jess按钮执行Jess推理，从输出可知：推理得到86个公理，用时3 477 ms。最后点击Jess→OWL按钮，将Jess事实转换为OWL知识，推理结果如图9所示。

为了使结果更加形象直观，使用与或图表示空军智慧航材规则，如图10所示。

5 结论

空军航材订货是一项非常复杂的工作，其中涉及多个学科和专业的综合考量。笔者提出的空军智慧航材订货模型是基于订货决策人员日常经验的总结，从影响航材订货的因素出发，运用OWL和SWRL实现航材本体和订货规则构建，再利用Protégé软件和Jess推理引擎实现航材订货的推理。通过推理的方式构建航材订货系统，可以有效提高航材订货效率，同时，在长期使用和修正过程中，也能不断积累航材订货人员丰富的订货经验，有效避免因人员岗位变动而造成的航材订货经验“失传”，为航材订货工作的发展和推进以及订货效率的提高提供有力保障。