基于知识图谱的航天器健康管理技术研究

杨同智 张鑫鑫 董房 张国勇 刘洋

(上海卫星工程研究所,上海 201109)

2012年,谷歌公司首次提出知识图谱,用于支撑其语义搜索[1]。当前,知识图谱已经成为大数据时代最重要的知识表示形式[2]。微软、百度、美团等国内外公司均建立了自己的知识图谱[3],用于提升自身的业务能力,如美团公司通过知识图谱构建人物肖像,分析用户的喜好、消费习惯、社会关系等信息,以更加精细地推送消费服务信息[4]。在医疗领域,医学知识图谱在临床决策支持、医疗智能语义检索、医疗问答等服务中已开展应用[5]。在金融领域,应用知识图谱能识别可疑交易,提升金融监管能力[6]。知识图谱辅助数据分析,使数据驱动与知识引导相结合,极大地提升了数据分析的质量。

基于机理知识的专家系统技术具有机理清晰、结论明确的优点,在健康管理中发挥着重要作用。但是,航天器系统越来越复杂,故障间耦合扩散,通过人工方式把专家经验归纳总结成准确而完备的故障诊断规则具有相当大的难度,预置的专家规则往往趋向于较为简单的故障模式。航天器作为高可靠产品,简单故障发生少,预置的专家规则难以发挥预期效用,而航天器发生的故障往往是多学科耦合、表征现象繁杂错乱而难以定位,常常需要专家依据相关背景知识、产品设计进行多维度的知识推理,确定可能故障原因。为了提升复杂故障场景下的航天器健康管理能力,本文研究基于知识图谱的航天器健康管理技术,通过航天器多学科知识图谱的知识引导与推理分析,提升故障的排查效率、诊断与处置能力。

1 航天器多学科知识图谱

知识图谱本质上是一种大规模语义网络,包含实体、概念及其之间的各种语义关系,用于表示一类知识,是人工智能、大数据与知识结合的产物[7]。图模型是知识图谱的常用逻辑表达模型,也是易于理解的一种表示方式,图通过点、边的关系对知识进行描述,并以二元组G=G(V,E)表示,其中,V表示节点集,E表示边集合[8]。为了便于计算机存储、关联与检索,知识图谱采用基于资源描述框架(RDF)规范的三元组<主体(Subject)谓词(Predicate)客体(Object)>、<主体(Subject)属性(Property)属性值(Property Value)>进行知识表示[9]。为了支持图谱度量运算,引入了损失函数fr(h,t),其中,h和t是三元组实体的向量化表示,通过实体关系的分析计算进行推理[10]。

面向健康管理的航天器多学科知识图谱,是将复杂、模糊、多学科的专家知识纳入到时空参考框架中进行可视化和分析,通过知识图谱技术,从故障信息挖掘到相关背景知识并进行一定的因果推理,辅助航天器故障的诊断与处置,提升专家知识辅助航天器健康管理的智能化水平。

面向健康管理的航天器多学科知识图谱体系架构如图1所示,可以概括为如下4个方面。

(1)明确航天器多学科知识图谱的业务场景,充分利用航天器设计阶段的专家知识,根据知识来源选择不同的手段进行采集和加工,输出业务场景范围内的规范化基础数据。

(2)通过实体识别、关系识别、事件识别等知识抽取技术对基础的多学科专家知识数据进行语义抽取,输出结构化的语义信息。

(3)面向航天器故障诊断、处置等健康管理业务场景构建知识蓝图,并综合运用知识融合、知识表示、知识更新等技术不断完善多学科知识图谱。

(4)基于知识图谱,面向业务场景提供各类知识服务,如故障知识展现、近似故障检索、典型故障可视化分析,提供故障发生时的多学科背景知识、上下文航天器动作时序信息,进行一定的知识推理,输出故障排查线索与可能的故障原因、故障处置策略。

图1 航天器多学科知识图谱体系架构Fig.1 Architecture of spacecraft multi-disciplinary knowledge graph

2 航天器多学科知识图谱构建

航天器在设计阶段,形成了航天器供配电图、信息流图、硬件接口图、接口数据单(IDS)、功能图、接地图、产品物理布局图、故障预案等专家知识,当航天器产品出现异常时,排查故障的专家依据产品的功能及设计机理、产品间的信息流、产品的供电及接地情况、产品的机热信息及物理布局等专家知识开展故障分析及排查。因此,模拟专家查找相关知识的过程,构建基于航天器5张大图(信息流图、供配电图、接地图、功能图、硬件接口图)、产品IDS、整器物理布局、故障前后的航天器时序动作信息、故障预案的多学科专家知识图谱。

航天器多学科知识图谱构建,如图2所示,分为知识抽取、知识融合、知识推理和知识图谱应用4个阶段。

图2 航天器多学科知识图谱构建Fig.2 Construction of spacecraft multi-disciplinary knowledge graph

2.1 知识抽取

航天器多学科信息的知识抽取是构建航天器多学科知识图谱的重要步骤。对于结构化数据,已经有一些成熟的方法存在,例如直接映射和将关系型数据转为RDF数据的映射语言(R2RML),将关系数据提取并转换为RDF格式。对于半结构化数据,采用基于映射的抽取方法,将航天器多学科信息转化为RDF三元组。针对非结构化数据,可以采用基于规则、基于统计模型、基于深度学习等实体抽取方法,基于模板、基于监督学习、基于弱监督学习等关系抽取方法,以及事件抽取的流水线和联合方法,提取航天器健康管理的实体、关系和事件知识。

以航天器遥测遥控文件、航天器设计5张大图、航天器产品IDS、航天器物理布局、故障产生时的上下文动作环境、航天器故障预案为知识源头,对航天器多学科知识进行获取。例如:航天器测控知识常常以半结构化的遥测遥控文件格式记录(如图3所示),运用知识图谱工具从半结构化文件中抽取航天器遥测点信息、遥控点信息及其关联关系,进行测控知识表示与融合,构建测控知识。同样方式,从设计5张大图、IDS、物理布局、故障处置预案中进行知识抽取、表示,形成相应的多学科知识。

2.2 知识融合

知识融合是解决航天器多学科知识图谱异构问题的有效途径。知识融合建立异构本体或异构实例之间的联系,从而使异构的知识图谱能相互沟通,实现互操作。知识融合的目的是将新航天器多学科知识整合到知识图谱中,其关键是在知识图谱高精度的前提下,通过共指消解[11]和实体消歧[12]来有效地引入新知识。

将多学科多维度的知识关联融合,如图4所示,包括供配电图、信息流图(细分为遥测流、控制流、数据流)、硬件接口图、功能图、接地图、物理布局图、上下文动作、故障预案等多学科知识。

2.3 知识推理

基于航天器多学科知识图谱中已有的事实或关系,知识推理可以辅助推断出新的事实、新的关系、新的公理、新的规则,从而促进航天器多学科知识图谱的完整性。知识推理方法主要包括基于图模型方法[13]、基于描述逻辑方法[14]、基于深度模型的表征学习方法[15]等。

基于知识图谱,推理实现遥测点信息、控制点信息与整器多学科设计知识的深度关联,在异常时(如图5所示)提供故障测点的相关知识辅助与推理,辅助故障诊断。

注:(TM)i表示第i个遥测点,i=1,2,…,n,n表示遥测点总数;(TC)j表示第j个遥控点,j=1,2,…,m,m表示遥控点总数。图3 航天器测控知识抽取、表示与融合Fig.3 Spacecraft TT&C knowledge extraction, representation and fusion

图5 航天器故障背景知识服务与推理Fig.5 Spacecraft fault background knowledge service and reasoning

3 基于知识图谱的航天器健康管理场景

基于多学科的知识图谱,将航天器故障预案信息、历史处置措施信息、故障处置策略信息等纳入知识图谱。在航天器遥测点报送异常时,查找知识图谱的故障测点所关联的设计信息,为故障排查提供知识指导,并进行一定的逻辑推理,辅助故障诊断与处置,提高在轨管理人员处置效率。

基于知识图谱的航天器健康管理典型场景如下。

(1)异常遥测点的故障排查信息支持。遥测异常时,主动检索遥测点的5张大图信息(功能、硬件接口、信息流、供配电、接地)、物理布局信息、异常前的航天器动作信息(指令序列及指令控制点信息等),获取全面的遥测点信息,支持异常分析。例如某航天器研制阶段,发生加热器短路故障,引起母线短路,根据知识图谱查找航天器母线异常前的动作信息,找到指令,自动关联索引出指令的控制点为服务单元的场效应管(MOS管),控制效果为加热器供电接通,从而快速指导设计人员聚焦加热器的接线、负载异常等问题。

(2)多异常遥测的关联信息检索。多遥测一起异常跳变时,从功能维度、硬件接口维度、信息流维度、供配电维度、接地维度、物理布局维度、异常时序维度出发,自动查找遥测间的关系,辅助故障排查。例如某航天器发生短时短路,短路点烧断后母线重新建立,应答机码组、码率及部分单机开关误动作,通过知识图谱关联检索码组切换、码率切换、单机开关指令的多维度关联信息,发现各控制点指令均来自同一硬件功能板且使用相同的供电、二次地与一次地,因此推理为功能板受到影响而乱发指令,故障原因可能为短路时供电不稳、地线回流扰动引起的控制脉冲误触发。

(3)基于知识图谱的故障推理。基于遥测点、控制点、单机单板、功能、信息流、接地、供配电、物理布局、硬件接口等实体间的关系图谱,推理可能的故障对象。①基于测点物理位置的推理:同一物理单元的多个遥测表征异常,该单元故障可能性高,如图6所示,遥测点(TM)5,(TM)6,(TM)7异常,则极有可能为单机单板1异常。②基于信息流的故障推理:遥测信息要经过测点、采集单元、数据打包、总线传输、综电组帧、天地传输多个环节,若某采集单元采集100个遥测,只有1个测点采集异常,则推断为测点异常,若100个遥测中很多错误,则怀疑采集环节异常。③基于上下游功能异常的推理:航天器功能具备耦合性,例如供配电系统分为发电、输电、分流、充电、放电、配电等多个功能,充电异常时看上游的发电环节、下游的蓄电池环节是否正常,从而确定故障可能的发起方、波及方。

图6 基于测点物理布局的推理Fig.6 Reasoning based on physical layout of test points

(4)基于知识图谱的故障处置。在故障诊断基础上,关联查找相应故障的处置预案、相近故障的处置预案、以往发生的相近故障处置程序,为在轨管理人员快速处置提供参考。

4 知识图谱中台设计与健康管理应用

知识图谱的应用范式虽然流程清晰,但存在图谱构建过程难度较高、应用构建复杂、应用周期过长、跨项目跨领域迁移成本高、可复用程度低等困难。中台技术为此提供了解决方案,中台是指在一些系统被共用的中间件的集合,通过使用中台可以抽象出可复用的各种能力(数据、知识、模型、算法、功能等),以达到缩短应用构建周期、快速响应业务需求的目的,同时降低跨领域的迁移成本。

知识中台是一种基于人工智能的知识收集、组织、检索、应用的信息平台,航天器知识中台架构如图7所示。

注:BI为业务智能;D2R为将关系数据库映射到RDF。图7 航天器知识中台架构Fig.7 Spacecraft knowledge platform architecture

基于中台的相关技术,构建航天器设计、研制、试验、测试一体化知识中台,包含与设计、研制、试验、测试相关的所有知识,以满足航天器从总体设计、分系统设计、单机设计、元器件设计,到各元器件、各单机研制生产,到各单机、各分系统、航天器的总装、试验、测试,再到航天器出厂发射、在轨管理的全流程知识服务。知识中台为航天相关人员提供全域知识,能提高相关人员工作效率,辅助相关人员指挥决策。

在知识中台上,构建相应业务知识图谱,开展故障诊断与处置、质量管理等工作。如图8所示,针对某一个单机发生的质量问题,利用知识图谱将与该单机相关的“人机料法环”(人员、机器、原料、方法、环境)等信息,以及与问题单机的“人机料法环”相关联的其他单机,以节点链接图的形式可视化展现,方便找出问题单机的相似单机,对质量问题进行“举一反三”。如果某问题单机的质量问题是由元器件造成的,知识图谱会自动检出使用该元器件的其他单机、该型单机的供应商、该供应商所提供的所有单机,基于知识图谱信息链路,对所涉及到的元器件、单机、供应商及供应商所提供的单机进行质量问题“举一反三”。这样可以改变原有的质量管理人员被动等待各相关人员反馈的质量管理模式,质量管理人员能够主动精准确定“举一反三”的范畴,实现精准质量防控。

图8 基于知识图谱的质量问题“举一反三”Fig.8 Quality problem management based on knowledge graph

某航天器在轨受空间环境影响,造成输电滑环、线束短路,引发航天器太阳电池阵供电短路,最终失效,其故障发生及演变的过程复杂,期间遥测数据大量异变,无法进行故障定位。基于多学科知识图谱技术,设计人员查询某段时间内的太阳电池阵驱动机构区域测点的热量、温度变化,如图9所示,依据热量温度变化的幅度及出现的时间先后,推断短路故障发生地点可能为热量先升高的滑环线束,然后热量传递到滑环驱动轴,从而辅助在轨管理人员完成航天器的故障定位。

图9 测点温度变化Fig.9 Temperature change of test points

5 结束语

本文研究了面向航天器健康管理的多学科知识图谱构建及应用范式,突破了传统专家规则诊断的知识应用模式,以知识图谱方式实现多维多学科知识的组织、管理与应用,模拟行业专家的故障分析与处理模式,为复杂故障场景下的故障排查与定位提供专家知识支撑,提升航天器故障诊断及处置过程中的知识引导与推理能力。多学科知识图谱涉及电气、信息、电路、控制、电磁兼容、结构、热控等多维度多学科,知识涉及面广,知识获取、表示与有效融合难,影响知识图谱的业务应用效能,后续将在学科知识的表示与融合方面进一步开展研究。