一种基于知识图谱和模型推理的航空装备可靠性评估方法及系统

本发明属于人工智能领域，涉及航空装备可靠性评估，具体涉及一种基于知识图谱和模型推理的航空装备可靠性评估方法及系统。

背景技术：

1、近年来，航空装备不断朝着数字化、智能化和无人化方向发展，由于新技术高度集成，其工况复杂度持续提升，由此带来的不可靠性因素明显增多。可靠性低、故障频发成为目前制约航空装备高质量发展的难题。因此，高效准确的评估航空装备可靠性，提供前置性、及时性的预警服务具有重大意义。

2、现有可靠性评估方法通常为基于深度学习的神经网络分析、粒子群寻优等方法，这些方法必须先采集样本数据，采用样本数据集对深度学习模型进行迭代训练，得到训练好的模型才能用于可靠性评估。因此，可靠性评估的准确性很大程度上依赖于样本数据及训练集的可靠建立。然而，一方面，航空装备系统运行工况多且包含多种机械与电子部件，属于复杂的机电耦合系统，样本故障特征数据集难以准确获取，造成可靠性分析精确度不高；另一方面，飞行环境具有复杂性、多样性和动态性特征，且航空装备系统在失效过程中表现出性能退化或状态演变的多状态特征，现场采集的数据往往与训练数据的分布域存在差异，导致训练得到的模型实际应用时性能下降，使得可靠性评估算法的环境适应度水平不高，自适应性不好。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，提供一种基于知识图谱和模型推理的航空装备可靠性评估方法及系统，其充分融合了专家经验和知识数据，发挥了人脑和机器智能的各自优势，实现了对航空装备可靠性的准确分析和预测，有助于为指挥控制人员提供智能化的风险分析、预警和优化建议，减少故障发生率。

2、技术方案：为实现上述目的，本发明提供一种基于知识图谱和模型推理的航空装备可靠性评估方法，包括如下步骤：

3、s1：获取到航空装备的人因因素、装备系统和工作环境三类数据；

4、s2：对步骤s1获取的数据进行预处理和文本标注；

5、s3：将步骤s2中标注后的文本信息输入到构建好的实体关系联合抽取模型，形成知识图谱的高质量结构化三元组；

6、s4：根据三元组，构建航空装备弹性知识图谱，包括在线知识图谱和具有航空装备可靠性的离线知识图谱；

7、s5：对在线知识图谱和具有航空装备可靠性的离线知识图谱进行语义特征提取，分析提取特征的相似度，实现对航空装备可靠性的间接推理。

8、进一步地，所述步骤s1中人因因素包括生命体征、脑电图、肌肉电信号、手动操作、语音交互、面部表情；装备系统包括导航系统、辅助动力、气源系统、起落架、防冰和排雨、舱门、通讯系统、空调系统；工作环境包括温度、湿度、降雨量、气压、风速。

9、进一步地，所述步骤s2具体为：

10、对航空装备数据进行数据清洗数据转换、规范化等预处理，将预处理后的文本以.csv的格式存储，得到系统工作状态自然语言描述的文本语料库，采用三元组联合标注工具lann对文本进行实体关系标注，将标注过的数据转换成spo三元组(subject-predicate-object)的形式，每一条数据都包含原文和相应的三元组序列。

11、进一步地，所述步骤s3中实体关系联合抽取模型采用基于bilstm+crf算法的实体关系联合抽取方法对文本语料进行三元组抽取；其中bilstm融合了两组学习方向相反的lstm层，通过大量的已标注数据和模型不断迭代可实现快速高效的实体关系抽取。

12、进一步地，所述步骤s3中采用基于bilstm+crf算法的实体关系联合抽取方法对文本语料进行三元组抽取的具体过程为：

13、输入文本序列x＝{x1,x2,…,xt}，单个时间步输入xt通过字级别的嵌入层表示后，输入到前向的lstm单元计算出输入反向的lstm单元计算出而隐藏层的输出h't是与的拼接；bilstm表示为：

14、

15、将h't输入进线性链式crf层；给定输入和label集合y＝{l1,l2,l3,l4,…,l}，得出序列标记y的概率为：

16、

17、式(2)中，z'为归一化因子，y'表示任意的标签序列，是对于lt专属的模型参数矩阵，同样的是对于lt专属的模型bias参数矩阵；

18、对于解码过程，采用维特比算法得出维特比结果序列和维特比结果值，根据维特比结果序列得出预测实体词的位置。

19、进一步地，所述步骤s4中航空装备弹性知识图谱包括模式层和数据层，具体的构建方法为：

20、a1：构建航空装备弹性知识图谱的模式层；模式层描述了航空装备工作状态场景领域中的实体概念和它们之间的联系，负责指导整个知识结构；

21、a2：构建航空装备数据层在线知识图谱；

22、依据模式层，将航空装备实时场景人因因素、装备系统和工作环境三类数据对应的文本经过训练后的抽取模型进行三元组抽取、知识融合及质量评估后，并存储到neo4j图数据库中，完成在线知识图谱的构建；

23、a3：构建航空装备数据层离线知识图谱；

24、离线知识图谱主要针对多个不同的航空装备信息，以历史人因因素、装备系统、工作环境、故障调查单、维保履历故障检修单为原始数据来源，主要选取多个工作场景不同故障类型对应的航空装备文本语料，按照在线知识图谱的构建流程，得到具有可靠性和故障数据的航空装备离线知识图谱。

25、进一步地，所述步骤s5中使用graphsage模型对航空装备在线知识图谱和离线知识图谱进行语义特征提取，并分析图谱语义相似度，具体为：

26、在graphsage模型提取在线知识图谱和场景图谱的全局特征向量之后，得到了两个特征向量v1、v2，计算两者向量的余弦值，将非线性差异变为向量数值和方向上的差异，从而得到相似度值，相似度计算公式如下式所示：

27、

28、式(3)中，v1表示航空装备离线知识图谱中子场景图谱对应的全局语义特征向量；v2表示在线知识图谱对应的全局语义特征向量；cosθ表示两个向量的余弦值；

29、设置相似度阈值为t，当simc相似度值大于阈值t时，表明两个图谱匹配，当simc相似度值小于阈值t时，表明两个图谱不匹配。

30、进一步地，所述步骤s5中若图谱匹配成功，选取匹配度最高场景的可靠性作为该实时场景的可靠性；若匹配不成功，将该实时航空装备工作状态当作一个新场景处理，使用贝叶斯网络模型推理该场景的可靠性；最后，结合专家经验对估计出的航空装备系统可靠性准确度进行分析，若估计错误，则摒弃新场景的航空装备在线知识图谱；若估计正确，将具有航空装备可靠性的新场景在线知识图谱经过编号后，融入离线知识图谱中，以便在下一次场景图谱匹配时使用，实现离线知识图谱的更新。

31、进一步地，所述贝叶斯网络模型的训练和运行方法为：

32、b1：贝叶斯网络训练数据获取；

33、对贝叶斯网络进行结构和参数学习之前，首先要获取用于训练的数据；选取的训练数据主要源于航空装备系统可靠性离线知识图谱，其中包含了9类故障类型，每类3个工作场景，共27个航空装备知识图谱；将不同图谱信息映射到对应的贝叶斯网络输入变量上，获取对应变量的变量值，将故障类型这一目标变量的标签加入到变量值的后面，从而得到不同故障场景对应的原始数据；为便于后续贝叶斯网络的结构和参数学习时数据的导入，需要根对各个变量进行离散化处理；

34、b2：在贝叶斯网络模型训练前，为使得模型的泛化能力更强、可解释性更高同时避免过拟合，采用随机森林算法对训练数据进行特征降维优化；具体如下

35、假设有样本数据k＝1,2,3,…,k,k表示样本的个数，每个样本有n维特征，特征重要性排序的计算步骤如下：

36、1)初始化k＝1，创建决策树tk；

37、2)对第k个样本训练tk，计算每个数据的分类准确率

38、3)随机对数据集中的特征xj,j＝1,2…,n施加扰动，再次计算

39、4)对于k＝1,2,3,…,k重复步骤1)～步骤3)；

40、5)特征xj的重要性度量pj通过下式计算，

41、

42、式(4)中：pj表示特征xj的重要性度量，表示未施加扰动的数据分类准确率，表示对第j个特征扰动后重新计算的数据分类准确率；

43、6)对pj降序排列，得到特征重要性排序，选取前n个特征作为贝叶斯网络训练的输入参数；

44、b3：采用搜索评分的方法对贝叶斯模型结构进行学习，采用贝叶斯估计方法进行贝叶斯网络的参数学习；

45、b4：将训练好的贝叶斯模型运用到航空装备系统可靠性推理中，得出可靠性评估结果。

46、本发明还提供一种基于知识图谱和模型推理的航空装备可靠性评估系统，包括：

47、文本数据处理模块：从“人机环”的角度，通过驾驶舱生命体征监测系统、故障调查单、维保履历故障检修单和物联传感器获取航空装备人因因素、装备系统和工作环境三类数据，对数据进行预处理和文本标注后传入实体关系三元组抽取模块；

48、实体关系三元组抽取模块：包括构建好的实体关系联合抽取模型，将实体和关系的特征建模相互融合，同时检测实体和实体之间的语义关系，将航空装备工作状态对应的描述文本信息变为可以形成知识图谱的高质量结构化三元组；

49、弹性知识图谱构建模块：包括知识图谱模式层构建单元和知识图谱数据层构建单元；知识图谱模式层构建单元：模式层描述了航空装备工作状态场景领域中的实体概念和它们之间的联系，负责指导整个知识结构；知识图谱数据层构建单元：包括航空装备在线知识图谱数据层和航空装备离线知识图谱数据层，基于知识图谱模式层的定义，抽取出航空装备实体及其关系数据，实现航空装备在线和离线知识图谱的半自动化构建；

50、系统可靠性推理模块：包括贝叶斯推理模型构建单元和场景图谱相似度计算单元；

51、贝叶斯推理模型构建单元：将航空装备在线知识图谱中的三元组信息映射到贝叶斯网络模型的对应节点变量上，在获取对应节点变量的值之后，使用贝叶斯模型推理可靠性；

52、场景图谱相似度计算单元：分别提取航空装备实时在线知识图谱和离线知识图谱的语义特征，分析特征的相似度，实现对航空装备可靠性的间接推理。

53、本发明采用基于深度学习的三元组抽取方法构建航空装备人因要素、装备系统、工作环境在线知识图谱和包含故障知识、可靠性的离线知识图谱。建立基于人机融合的弹性知识图谱动态更新模型，通过学习新场景知识不断更新知识图谱，以适应复杂多变的航空装备运行环境。模拟人类大脑的认知方式，将知识图谱与外部推理技术结合，提出一种以知识图谱映射贝叶斯网络的数据驱动推理方法和场景图谱语义相似度匹配的知识驱动类比推理方法相结合的航空装备可靠性评估算法。

54、本发明提供一种基于知识图谱和模型推理的航空装备可靠性评估方法及系统，利用知识图谱和贝叶斯网络模型推理技术，实现了数据和知识双驱动的航空装备可靠性评估。建立弹性知识图谱的知识流动更新机制，不断自学习新的航空装备工作场景知识，使模型能够很好地适应复杂多变的环境。设计贝叶斯网络推理模型，通过引入概率观念，允许对参数的不确定性进行建模，突破了传统深度学习模型依赖确定性样本数据集进行训练和推理的瓶颈，因此提高了算法的环境适应度和自适应性。

55、有益效果：本发明与现有技术相比，具备如下优点：

56、1、利用知识图谱和深度学习技术，实现了数据和知识双驱动的航空装备可靠性评估，相比于纯数据驱动方法，本发明构建的航空装备可靠性评估可模拟人类的推理认知方式，使评估结果更为科学合理。

57、2、建立弹性知识图谱的连续知识流动更新模型，不断自学习新的航空装备工作场景知识，将新知识记忆到弹性知识图谱便于下次使用，通过该知识流动更新模型实现的可靠性评估系统能够很好地适应复杂多变的环境。

58、3、通过融入概念间的抽象关系和专家经验信息，从“人机环”的角度，构建了航空装备人因要素、设备状态、工作环境实时工作状态对应的航空装备在线知识图谱和具有可靠性知识的航空装备离线知识图谱。

59、4、设计了知识图谱映射贝叶斯网络的数据驱动推理方法，采用随机森林算法优化特征数据，基于贝叶斯网络结构学习和参数学习，完成了航空装备系统可靠性评估贝叶斯推理模型的构建。

60、5、在建立图神经网络模型提取知识图谱全局特征的基础上，基于知识图谱相似度分析算法，实现了对最大概率可能发生的故障、故障原因和可靠性的间接推理，为航空装备产业的高质量发展提供了支持。