为了提高飞机维修排故效率,针对飞机维修排故信息多源性、分布式和异构的特点,鉴于本体在解决语义异构问题上的优势,研究提出了基于本体的多源异构飞机维修排故信息协同集成技术路线,给出了飞机维修排故本体信息建模方法。为了快速有效地构建飞机维修排故本体信息模型,建立了基于蚁群的本体信息模型协同生成算法。并以某型飞机气源系统维修排故信息集成为例验证了上述方法的可行性与有效性。 Considering the characteristics of multi-source, distributed and heterogeneous information of aircraft maintenance and troubleshooting, the multi-source and heterogeneous aircraft mainte-nance and troubleshooting information collaborative technology integration route is proposed. It can improve the efficiency of aircraft maintenance and troubleshooting. In view of the advantages of ontology in solving semantic heterogeneous problems, the aircraft maintenance and troubleshooting ontology information modeling method is given. In order to construct the ontology information model of aircraft maintenance and troubleshooting information quickly and effectively, an information model cooperative generation algorithm based on ant colony is established. And the feasibility and validity of the above method are verified by the maintenance and troubleshooting information integration of one air supply system.
王辉,苏艳,顾晨轩
南京航空航天大学民航学院,江苏 南京
收稿日期:2017年10月1日;录用日期:2017年10月13日;发布日期:2017年10月19日
为了提高飞机维修排故效率,针对飞机维修排故信息多源性、分布式和异构的特点,鉴于本体在解决语义异构问题上的优势,研究提出了基于本体的多源异构飞机维修排故信息协同集成技术路线,给出了飞机维修排故本体信息建模方法。为了快速有效地构建飞机维修排故本体信息模型,建立了基于蚁群的本体信息模型协同生成算法。并以某型飞机气源系统维修排故信息集成为例验证了上述方法的可行性与有效性。
关键词 :信息集成,维修排故,蚁群算法,本体
Copyright © 2017 by authors and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/
在航空业,飞机的维修排故效率对航空公司的安全与利润有着至关重要的影响。目前,机务人员主要通过查阅维修手册并结合排故记录及维修经验来进行维修排故。但是由于维修排故信息的来源广泛,包括文本文件、Excel文件、XML、关系数据库等,以不同的存储方式分散存储于不同的媒介中,组织结构也各不相同 [
美空军Armstrong实验室在80年代末期开展了集成化维修信息系统(IMIS)的研究 [
现有研究大都由单人完成本体构建。对于多源性、分布式和异构性的飞机维修排故信息,如果仅仅由单人手工构建维修排故信息本体,工作量大,更新困难,且会遗漏重要映射关系。本文为提高飞机维修排故效率,鉴于本体在语义信息集成上的优势,提出了一种基于本体的飞机维修排故信息协同集成方法,并研究相应的协同生成算法,以高效准确地实现飞机维修排故信息集成。
飞机的维修排故信息主要来源于各类技术手册、CMS维护信息、EICAS信息、航后机组报告、QAR数据、地面维护报告等。这些信息往往以独立的形式保存于不同的存储介质中,使得维修排故信息的利用率低下,不能发挥应有的作用。为提高维修排故信息利用率,研究维修排故信息协同集成方法。
维修排故信息协同集成的主要基本思想是,用本体解决多源异构维修排故信息的集成建模问题,用协同生成算法解决本体构建工作量大和更新困难的问题。总体技术路线如图1所示。
飞机维修排故信息协同集成分为两个核心部分,第一部分为飞机维修排故本体信息建模,给出基于本体的飞机维修排故信息建模方法,包括本体集成方法、组织结构和描述语言,协同人员通过对飞机维修排故信息进行分析,构建出初始本体,并进行本体集中;第二部分为本体协同生成算法,针对本体的协同构建,给出快速准确的优化算法,通过该算法,对集中本体进行优化,生成最终的飞机维修排故本体信息模型。其中,飞机维修排故本体信息建模是基础,协同生成算法是关键技术。
要实现维修排故信息的协同集成,本体信息建模是基础,直接影响到信息集成的结构完备性和语义准确性。本体是一种能在知识和语义层次上对信息进行集成描述的概念模型建模工具。研究表明,本体能够准确高效地解决多源性、分布式和异构信息的集成问题,提高信息之间的互操作性,促进信息共享与重用 [
目前比较成熟的本体构建方法有:TOVE法、METHONTOLOGY法、骨架法、KACTUS工程法和七步法,其中七步法最适合领域本体的构建 [
描述本体的语言经过多年的发展,已经诞生了多种,目前较为流行的有两种,即RDF语言和OWL语言。其中,资源描述框架(Resource Description Framework, RDF)可以扩展或包含到其他表达本体语言中 [
维修排故信息本体协同建模步骤如下:
第一步:构建维修排故信息初始本体。
初始本体(Initial ontology, IO)是由参与协同工作的每个用户所构建的原始本体的三元组及其认可度的集合。初始本体的构建将采用七步法。
构建的初始本体(Initial ontology, IO)则可由式1表示。
I O = { ( s 1 , p 1 , o 1 , r 1 ) , ( s 2 , p 2 , o 2 , r 2 ) , ⋅ ⋅ ⋅ , ( s i , p i , o i , r i ) , ⋅ ⋅ ⋅ , ( s n , p n , o n , r n ) } (1)
其中, 1 ≤ i ≤ n 。 n 表示生成的本体RDF模型中声明的数量, s i 表示主体, p i 表示谓语, o i 表示客体, r i 表示认可度,这里将初始的认可度都设为0。
第二步:生成维修排故信息过渡本体
过渡本体(Transition ontology, TO)是m个用户生成的初始本体 I O 中所有三元组的集合。由式2表示。
T O = ∪ k = 1 m I O k (2)
其中, I O k 表示第 k 个用户生成的初始本体。需要注意的是,在过渡本体的生成中要保留相同的三元组。比如
I O 1 = { ( s 1 , p 1 , o 1 , r 1 ) , ( s 2 , p 2 , o 2 , r 2 ) , ( s 3 , p 3 , o 3 , r 3 ) } , I O 2 = { ( s 3 , p 3 , o 3 , r 3 ) , ( s 4 , p 4 , o 4 , r 4 ) }
那么,
T O = { ( s 1 , p 1 , o 1 , r 1 ) , ( s 2 , p 2 , o 2 , r 2 ) , ( s 3 , p 3 , o 3 , r 3 ) , ( s 3 , p 3 , o 3 , r 3 ) , ( s 4 , p 4 , o 4 , r 4 ) }
并计算TO中s和o相同,p不同的声明的个数u,以及s、p和o都相同的声明的个数v。
第三步:生成维修排故信息最终本体
最终本体(Final ontology, FO)是经算法优化后生成的本体,是TO中符合算法条件的子集的集合。
由于飞机维修排故的信息量庞大,关系结构复杂,信息更新快,传统的本体构建方法不能快速准确地构建飞机维修排故信息本体。研究表明,协同本体构建方法对解决大型信息本体构建的巨量性、复杂性和更新难度大的问题效果显著 [
本文中在基本蚁群算法的基础上,结合维修排故本体信息建模的特点,引入局部信息素更新策略,提出了适用于本体协同生成的协同信息素。协同信息素τ表示的是相同s和r的不同谓语p的比率变化,协同信息素可以由公式3计算得到。
τ ( 0 ) = ρ ( 0 ≤ ρ ≤ 1 ) τ ( k + 1 ) = ( 1 − ρ ) ⋅ τ ( k ) + ρ ⋅ η η = { v k u k ,若第k个声明与其他声明有相同的s与o 0,否则 (3)
其中, τ 0 表示初始信息素, τ k 表示第 k 个声明的信息素,ρ表示信息素的挥发系数,为了防止信息的无限度积累,挥发系数ρ的取值范围为[0,1]。
在计算得出认可度r值后,设置阈值ε,当 r > ε 时,声明 ( s , p , o ) 才会被选中到最终本体中。阈值ε的取值范围为 ( 0.5 , 1 ) ,当阈值ε越大时,生成的最终本体将会越准确。对于s和o相同,p不同的声明,如果有多个声明的认可度值满足 r > ε ,将选取认可度值较大的声明。最终本体中只保留s,p和o,不保留认可度r。
算法的流程如图2所示。
本文以某型飞机气源系统为例,验证上述基于本体与蚁群的飞机维修排故信息协同集成方法的正确性,气源系统作为飞机环控系统的一部分,主要作用是对来自发动机、APU或者地面高压气源的引气分配进行控制和监视 [
在上述分析的基础上,采用protégé软件进行维修排故信息本体建模,该软件是由斯坦福大学医学院情报研究组开发的,采用java编写,支持RDF语言,而且支持数据库存储。
我们通过收集建30位用户建立的维修排故初始本体,将其转化为RDF结构,并运用蚁群算法进行最终维修排故本体生成,最终的本体基本结构如图3所示。
在维修排故信息本体模型中,准确充分的映射关系是本体模型支持维修排故信息推理的基础。气源系统维修排故信息本体的关系如图4所示,本体关系由表2进行具体说明。
所建的维修排故信息本体模型能通过本体之间关系结构进行推理查询。其主要依靠定义函数的性质,能在维修排故查询过程中传递语义,十分准确高效。而对于技术手册则需要将相关联的部分按照类划分层次并输出,这样能使技术手册按照子类包含于父类、同类并列的形式进行数据重用。比如在实际的气源系统维修排故过程中,机务人员想所搜索与故障隔离程序相关的信息,就可以输入关键词“procedure”
知识域 | 类 | 子类 | 意义 |
---|---|---|---|
AS-FIM | FIM task | FIM task num | 故障隔离手册任务号 |
Possible reason | 可能的原因 | ||
Procedure | 故障隔离程序 | ||
EICAS code | EICAS故障代码 | ||
Maintenance Information | 维修信息 | ||
AS-AMM | AMM task | AMM task num | 维修手册主任务号 |
Sub task | 子任务 | ||
Button position | 按钮位置 | ||
Consumables/Part | 消耗品零件 | ||
Position/Cover | Position num | 位置号 |
表1. 气源系统维修排故信息概念描述及层次划分
关联 | 基数约束 | 含义 | 示例 |
---|---|---|---|
Is a | 1:n | 子类关系(上图中未显示) | Position/Cover → AMM |
Part of | 1:n | 手册包含部分(继承属性) | Task num → task |
Correspond to | 1:1 | 各部分间的对应关系 | EICAS → maintenance infor |
Refer of | 1:1 | 各部分参考引用关系(单向性) | Procedure → task num |
Expand of | 1:n | 对各任务的详说明部分 | Procedure → reason |
表2. 气源系统维修排故信息本体关系说明
图3. 气源系统维修排故信息本体模型基本结构
图4. 气源系统维修排故信息本体关系图
作为条件,可以推送出与“procedure”有关的父类(super classes)、同类(Equivalent classes)、子类(Sub classes)、子孙类(Descendant classes)、祖先类(Ancestor classes)和个体(Individual)信息。信息推送结果如图5所示。
本文提出了飞机维修排故本体信息协同集成方法,在基于本体的飞机维修排故信息集成的基础上,
图5. 气源系统维修排故本体模型信息推送
利用蚁群算法中信息素的思想,给出了基于蚁群信息素的飞机维修排故本体信息模型协同集成算法。与传统的飞机维修排故信息集成方法相比,本文中提出的方法能够高效地解决分布于不同存储介质的多源异构的飞机维修排故信息集成问题,集成信息模型具有更丰富的语义知识与更清晰的关系结构。在实际的维修排故过程中,机务人员可以通过维修排故信息本体集成模型,更快更准确地查找与故障相关的手册信息和维修案例等,提高维修排故效率。
王 辉,苏 艳,顾晨轩. 基于本体与蚁群的飞机维修排故信息协同集成方法研究 Research on Cooperative Integration of Aircraft Maintenance and Troubleshooting Information[J]. 计算机科学与应用, 2017, 07(10): 951-959. http://dx.doi.org/10.12677/CSA.2017.710108