基于本體的高鐵車載設(shè)備維修案例知識管理模型

李紅亮,張振海

(蘭州交通大學(xué)自動化與電氣工程學(xué)院,蘭州 730070)

引言

我國高速鐵路快速、大規(guī)模的發(fā)展，為人們的出行帶來了極大便利。車載設(shè)備作為列控系統(tǒng)的重要組成部分，也是保證高鐵安全運行的核心。目前，我國高鐵車載系統(tǒng)在維修案例方面存在案例知識結(jié)構(gòu)性差，重用率低，維修經(jīng)驗缺少有效存儲與檢索的問題。這些問題會加大維修人員的工作量，降低工作效率。因此，要對車載設(shè)備維修案例知識的管理提出更高要求。

近年來，國內(nèi)外專家學(xué)者致力于設(shè)備維修知識的表示方法研究。LEE[1]提出一種可以簡化流程，在很大程度上提高維修速度的知識管理工具，它以神經(jīng)網(wǎng)絡(luò)作為媒介，適用于設(shè)備維修領(lǐng)域；DESOUZA[2]提出了一種可以運用到設(shè)備維修中的知識表示框架；PENG等[3]開發(fā)了便于知識獲取、檢索與重用的知識表示模型及協(xié)同系統(tǒng)；王道平等[4]的研究成果增強了設(shè)備維修診斷的效率，在綜合考慮了維修的規(guī)程、經(jīng)驗和原理后，結(jié)合類定義與規(guī)則推理，用兩者的結(jié)合形式表示維修診斷知識；張勇等[5]提出了三層框架，三種本體分別為應(yīng)用、領(lǐng)域和構(gòu)建元，在本體概念統(tǒng)一的基礎(chǔ)上保證了類的一致性，將本體知識引入到設(shè)備維修管理體系的構(gòu)建中，可大大提高維修知識的可重用性；周揚等[6]在飛機故障知識的基礎(chǔ)上，引入本體論，構(gòu)建了飛機故障本體，但該本體并沒有對故障結(jié)構(gòu)的層次性進行明確表示；侯成義等[7]提出了不斷優(yōu)化整合維修知識的過程，此過程的實現(xiàn)，依賴于維修案例知識系統(tǒng)、維修經(jīng)驗知識系統(tǒng)、故障診斷系統(tǒng)。從研究范圍來看，隨著產(chǎn)品全生命周期理論的不斷完善，知識重用開始從設(shè)計階段向制造階段發(fā)展，也有學(xué)者開始研究產(chǎn)品維修服務(wù)階段的知識重用問題[8-9]。

由國內(nèi)外在設(shè)備維修領(lǐng)域的眾多研究中可以看出，將本體引入維修案例知識建模，可實現(xiàn)高效的案例檢索與知識整合，但維修案例知識之間存在相似性。為減少工作人員工作量，縮小檢索范圍，提高效率，首先，提出一種基于本體的高速鐵路車載設(shè)備維修案例知識管理框架；其次，構(gòu)建由五要素組成的高鐵車載設(shè)備維修案例本體；最后，提出一種本體與CBR(Case-Based Reasoning)相結(jié)合的案例檢索模型。不僅可以減少相似度計算量，還能簡化高鐵維修案例的表示過程，可很好地實現(xiàn)維修知識的快速檢索與重用。

1 高鐵車載設(shè)備維修案例知識的組成及其特點

案例是人們對生活中典型且富有意義的事情的記錄。維修案例知識是指在維修領(lǐng)域具體化的知識，維修案例則指記錄設(shè)備從發(fā)生故障到故障排除整個過程。在這個過程中，涉及到多方面的知識，首先，需要理論知識；其次，需要技術(shù)方面的知識排查故障；最后，用操作知識排除故障[10]。在對維修案例進行了大量的調(diào)研整理后，可知信號設(shè)備維修案例的組成主要有三類，維修經(jīng)驗、技術(shù)理論和組織機構(gòu)。車載設(shè)備維修案例結(jié)構(gòu)如圖1所示。

圖1 車載設(shè)備維修案例結(jié)構(gòu)

經(jīng)分析車載設(shè)備維修案例的組成結(jié)構(gòu)，可知其特點如下。

(1)復(fù)雜性。車載設(shè)備故障案例記錄涉及多方面的知識，概念間存在復(fù)雜性關(guān)系。

(2)經(jīng)驗性。車載設(shè)備維修是一項實踐性和專業(yè)性很強的工作，維修經(jīng)驗大多都是工作人員在維修過程中一點點摸索并積累下來的。所以要借鑒學(xué)習(xí)大量的維修案例，積累一定經(jīng)驗后才能提高維修的工作效率。

(3)多樣性。在記錄維修案例時，記錄形式多樣，可用圖表、文字或視頻來描述當(dāng)時的故障信息。

(4)重復(fù)性。在記錄的維修案例中，存在大量相似甚至相同的案例。

(5)數(shù)字性。有些設(shè)備發(fā)生故障后，維修人員在維修過程中會記錄下一系列故障數(shù)據(jù)，而這些數(shù)據(jù)往往可以幫助維修人員判斷設(shè)備故障情況，可在很大程度上提高案例診斷的精確度和設(shè)備維修的準(zhǔn)確率。

上述5個特點，對知識表示方法的一致性和可擴展性有很高的要求，對各要素概念、屬性及相互關(guān)系能夠準(zhǔn)確清晰地表示，這樣才能更好地對故障維修案例進行結(jié)構(gòu)化、規(guī)范化管理。

本體在人工智能和智能信息集成等領(lǐng)域發(fā)揮著越來越重要的作用[11]。本體通過一種特定的語言定義和說明后[12]，能夠讓計算機系統(tǒng)理解并且解析靜態(tài)的預(yù)案文本。通過運用本體構(gòu)建高鐵信號設(shè)備維修案例知識模型，直觀表達(dá)出技術(shù)理論、維修經(jīng)驗、組織機構(gòu)之間的關(guān)系，有利于集成設(shè)備維修案例的各類信息，也有利于案例知識的規(guī)范化表示及靈活管理[13]，同時為今后車載設(shè)備智能維修系統(tǒng)的發(fā)展奠定基礎(chǔ)。

2 維修案例本體建模

2.1 本體建模工具

本體構(gòu)建工具是一種應(yīng)用程序，它可以創(chuàng)建、編輯和處理本體。Protégé是基于Java環(huán)境且由斯坦福大學(xué)醫(yī)學(xué)信息研究組開發(fā)編寫的。由于Protégé界面友好，使用方便，開放源代碼，并且還支持中文，因此，選擇Protégé作為本體模型構(gòu)建工具。

2.2 本體構(gòu)建方法

構(gòu)建本體的方法有很多種，大多數(shù)是以特定領(lǐng)域為導(dǎo)向，故方法的設(shè)計一般根據(jù)具體的項目而定。當(dāng)前，本體構(gòu)建方法主要有以下4種: ①骨架法，它主要提供一個構(gòu)建本體的流程；②TOVE法，也稱“評價法”；③Methontology法，此方法給出了構(gòu)建本體的三個階段；④七步法，由斯坦福大學(xué)開發(fā)[14]。以上這些方法都是前人在進行具體項目時總結(jié)出來的經(jīng)驗。文中將七步法和骨架法結(jié)合在一起，提出一種針對高鐵信號設(shè)備維修的本體構(gòu)建方法，如圖2所示。

圖2 車載設(shè)備維修本體構(gòu)建流程

2.3 知識管理模型構(gòu)建

當(dāng)前，由于大多數(shù)設(shè)備維修案例知識存在結(jié)構(gòu)性差，利用率低，維修經(jīng)驗缺少有效存儲的問題，本次提出了一種模塊化結(jié)構(gòu)理念。此設(shè)計是基于本體的案例知識管理框架，如圖3所示，可對案例知識進行精細(xì)化的管理。此框架主要包含三大部分，也可理解為三個階段，分別為知識來源、知識組織和知識應(yīng)用。

圖3 車載設(shè)備維修案例知識管理框架

第一，知識獲取階段的主要內(nèi)容是搜集各種關(guān)于設(shè)備維修的相關(guān)信息，如設(shè)備維修的技術(shù)標(biāo)準(zhǔn)、維修手冊、以往專家對設(shè)備維修總結(jié)的維修經(jīng)驗和之前的維修案例，這些信息和非結(jié)構(gòu)化的知識都可通過概念化后作為知識庫的基礎(chǔ)知識。這部分內(nèi)容大多是由專家組和研究人員共同進行研究，以保證所獲取知識的正確性和共認(rèn)性。

第二，知識管理階段首先是對知識獲取階段所獲得的概念化知識進行分類，之后進行模塊化管理。通過分析真實案例，提取出一個案例模板，繼而建立維修案例表示本體，這個本體可以調(diào)用知識庫中的知識。最后，將案例進行實例化。

第三，知識應(yīng)用階段，主要對案例庫中的知識進行檢索、修正和展示等?？墒箽v史案例及其中經(jīng)驗與數(shù)據(jù)發(fā)揮潛在價值。

3 維修案例知識本體庫構(gòu)建

本體論可以實現(xiàn)領(lǐng)域知識的“可重用性”與領(lǐng)域術(shù)語的“標(biāo)準(zhǔn)化”。以上文構(gòu)建的車載設(shè)備維修案例知識體系為基礎(chǔ)，以本體建模軟件Protégé為載體，構(gòu)建本體知識模型。車載設(shè)備維修過程中所涉及到的概念、術(shù)語等語義化后構(gòu)成維修領(lǐng)域本體知識。信號設(shè)備的本體結(jié)構(gòu)如圖4所示。

圖4 本體結(jié)構(gòu)

3.1 領(lǐng)域本體庫構(gòu)建

由圖4可知，將整個維修過程分為四大部分，其中，包含了4個子本體：結(jié)構(gòu)子本體，原因子本體，方案子本體和故障模式子本體，對知識進行分類管理。

3.1.1 結(jié)構(gòu)子本體

此本體主要是對設(shè)備結(jié)構(gòu)、各部件之間的關(guān)系和模塊功能等信息進行管理。其概念集可用一個五元組來表示：SC={S-Id，S-Name，S-Mark，S-Sys，S-Fun}。其中，S-Id為設(shè)備代碼，S-Name為設(shè)備名稱，S-Mark為設(shè)備標(biāo)識，S-Sys為設(shè)備所在系統(tǒng)，S-Fun為設(shè)備功能。

3.1.2 原因子本體

原因子本體表示對設(shè)備故障的原因分析進行本體表示，用來具體化故障模式。它既對故障現(xiàn)象進行分析說明，又對維修方案制定提供了一定的依據(jù)。其概念集可用四元組表示:RC={R-Phe，R-Pos，R-Dre，R-Ire}。四元組依次表示故障的現(xiàn)象、部位、直接原因和間接原因。其屬性關(guān)系可以用三元組表示：RR={has_phe，has_dre，has_ire}。

3.1.3 方案子本體

方案子本體用來表示故障維修的方案。在制定維修方案時，要根據(jù)故障原因及現(xiàn)象視情況而制定，故障造成后果的緊急性和故障維修的經(jīng)濟性也要考慮在內(nèi)。方案子本體可用五元組來表示：

PC={P-Pos，P-Rea，P-Sol，P-Env，P-Typ}。五元組依次表示：維修部位、故障原因、維修方案、維修環(huán)境、維修類型。

3.1.4 故障模式子本體

故障模式子本體表示設(shè)備故障的模式和類型。用MC={M-Phe，M-Typ，M-Mod，M-Lev}表示。這四元組分別表示故障的現(xiàn)象、類型、模式和等級。

3.1.5 高鐵維修案例領(lǐng)域本體圖

高鐵維修案例OntoGraf圖如圖5所示。

圖5 高鐵維修案例OntoGraf圖

構(gòu)建領(lǐng)域本體，首先，可對維修中概念間的關(guān)系做一規(guī)范；其次，可實現(xiàn)案例檢索在同一領(lǐng)域內(nèi)進行，通過結(jié)構(gòu)相似度和情景相似度雙重匹配，檢索出可供新的維修任務(wù)參考的相似案例。

3.2 維修案例表示本體

通過對大量的故障案例進行分析，總結(jié)出高鐵車載設(shè)備包含故障信息、故障描述、故障原因、維修方案、處理結(jié)果及評價反饋6個方面的信息[15]。案例知識體系如圖6所示，在Protégé中創(chuàng)建維修案例表示本體如圖7所示。

圖6 維修案例知識體系

圖7 維修案例表示本體創(chuàng)建

3.3 特征屬性

屬性可分為對象屬性和數(shù)據(jù)屬性兩大類。類間的相互關(guān)系可由對象屬性描述；概念的元素特征和數(shù)據(jù)類型則由數(shù)據(jù)屬性表示。車載設(shè)備維修案例本體中的部分屬性如表1所示。

表1 車載設(shè)備維修案例本體部分屬性

4 知識重用的案例相似度計算

MyCBR[16]是一款由德國人工智能研究中心研發(fā)的便捷、支持推理框架設(shè)計、擴展性強、適應(yīng)性強的案例推理工具，可作為Protégé的插件使用。

傳統(tǒng)的CBR進行案例檢索時，重點在于要求目標(biāo)案例與源案例的相似度最高，但這種相似度最高的案例并非是最適用、最便于重用的案例。高鐵車載設(shè)備維修案例庫的建立，其目的在于當(dāng)出現(xiàn)新的故障時，能夠及時、準(zhǔn)確、快速的檢索出與新故障相似度高的歷史案例，然后根據(jù)相似的歷史案例處理方案，對新故障實現(xiàn)快速準(zhǔn)確的處理維修。“最相似”并不是案例檢索的最終目標(biāo)，比“相似”更為重要的是“最適合重用”。故可以從案例的相似度、適應(yīng)度兩方面對案例知識進行衡量。

圖8是在傳統(tǒng)CBR基礎(chǔ)上建立的知識重用模型。此模型主要是在兩階段相似度之后選出相似的案例，判斷這些選出的相似案例是否滿足提前設(shè)置好的相似度閾值，若滿足，則繼續(xù)計算其案例適用度，最后，選擇適用度最大的案例將其進行重用。此過程中的重點是兩階段相似度計算和案例適應(yīng)度的計算。

圖8 本體與CBR結(jié)合的知識重用模型

4.1 兩階段案例相似度計算

前文提出了一種領(lǐng)域本體與CBR相結(jié)合的案例檢索方式，此方式的實現(xiàn)，要以兩階段案例相似度計算法作為基礎(chǔ)。第一階段，進行模糊檢索，此過程是利用語義相似度縮小檢索范圍；第二階段是在已經(jīng)縮小的案例范圍內(nèi)計算屬性相似度。CBR與本體結(jié)合的檢索模型如圖9所示。

圖9 CBR與本體結(jié)合的檢索模型

4.1.1 本體網(wǎng)結(jié)構(gòu)相似度

領(lǐng)域本體網(wǎng)結(jié)構(gòu)的相似度，是指目標(biāo)案例與源案例的本體網(wǎng)結(jié)構(gòu)中，重疊節(jié)點數(shù)占總結(jié)點數(shù)的比例。所占比例越高，說明兩案例中的概念重合度越高，相似概念越多，可認(rèn)為兩者的相似度較高，此結(jié)果也可以從整體上衡量兩案例的相似度。

領(lǐng)域本體中含有多個分支，故首先要計算其分支相似度，其公式如下

(1)

(2)

式中，φK為計算相似度時第K個分支的權(quán)重，此值可以反映出維修人員對于維修要素的重視程度[17]，故確定此值時，要考慮產(chǎn)品特性和維修需要。

4.1.2 屬性相似度計算方法

在結(jié)構(gòu)相似度的基礎(chǔ)上，可以縮小檢索范圍。屬性相似度可分為兩種：類別型和數(shù)值型。

(1)屬性類別相似度計算公式如下

(3)

式中，分母表示兩概念的屬性總和，分子表示概念間的交集，即共享概念。

(2)數(shù)值型相似度計算

a.精確數(shù)值

(4)

式中，|at-as|為源案例與目標(biāo)案例中數(shù)值之差的絕對值。

b.符號數(shù)值

(5)

此公式表示源案例與目標(biāo)案例符號數(shù)值在完全相同時相似度取1，反之，取0。

c.區(qū)間數(shù)值

(6)

式中，L為區(qū)間長度。分子表示兩概念的交集長度，即共享部分的長度；分母表示兩概念不重疊部分的長度。這就表明，兩者區(qū)間重合率越高，相似度也就越高。

4.2 案例適應(yīng)度計算

通過4.1節(jié)對兩階段相似度的計算，基本可以檢索出與目標(biāo)案例相似度較高的案例作為備選。由于對高鐵車載設(shè)備的維修要求快速、準(zhǔn)確、高效，故需計算案例適應(yīng)度，可衡量檢索到的案例是否可更改和再利用。由此，引出案例適應(yīng)度的計算。

假設(shè)目標(biāo)案例與源案例的情景部分分別有n個屬性Y={y1，y2，…，yn}和k個屬性

Xi={xi1，xi2，…，xik}。集合Y和Xi中對應(yīng)的屬性值得集合分別為asY(t)和asXi(t)。

(1)屬性相容數(shù)

m1i={t|t∈(Y∩Xi)}

(7)

此公式用來計算第i個源案例與目標(biāo)案例的共享情景屬性個數(shù)。

(2)屬性匹配數(shù)

m2i={t|t∈(Y∩Xi)∩(asY(t)=asXi(t))}

(8)

共享屬性中數(shù)值相等的個數(shù)稱為匹配數(shù)，用此公式計算。將m1i與m2i進行比較，得出以下3種結(jié)果

(9)

4.3 實例驗證

基于以上兩小節(jié)對相似度計算的總結(jié)，本節(jié)以圖5模型為目標(biāo)案例進行實例驗證，以驗證所提方法的可行性。

(1)本體網(wǎng)結(jié)構(gòu)相似度

以圖5模型的中“Fault-Cause”、“Environment”和“Fault-Position”3個分支進行案例分析。用“1、2、3”分別表示3個分支。

專家給出3個分支的權(quán)重分別為：φ1=0.5，φ2=0.3，φ3=0.2。

各分支每層的權(quán)重分別為：ω11=ω12=0.2，ω21=ω22=0.2，ω31=ω32=0.1，ω41=ω42=0.5，ω13=0.2，ω23=0.9。

當(dāng)給出2個源案例，與目標(biāo)案例進行本體網(wǎng)相似度計算，計算過程如下。

①源案例1

BoSim(At，A1)=0.5×0.93+0.3×0.9+

0.2×1=0.935

因此，目標(biāo)案例與源案例1的本體網(wǎng)結(jié)構(gòu)相似度為0.935。

②源案例2

0.89BoSim(At，A2)=0.5×1+0.3×0.83+

0.2×0.89=0.927

因此，目標(biāo)案例與源案例2的本體網(wǎng)結(jié)構(gòu)相似度為0.927。BoSim(At，A2)

(2)屬性相似度

多普勒雷達(dá)是高鐵車載系統(tǒng)的測速測距模塊中的測速設(shè)備。故以3個多普勒測速雷達(dá)的故障維修案例作為源案例，計算目標(biāo)案例的屬性相似度。具體數(shù)值如表2所示。

表2 多普勒測速雷達(dá)維修案例庫

①精確數(shù)值型

②符號型

Sim異常工作(at，a1)=1

③區(qū)間數(shù)值

結(jié)合給出權(quán)重，求得屬性相似度如下

Sim(at，a1)=1×(0.15×0.578+0.15×0.367+

0.2×0.14+0.3×1+0.2×0.75)=0.62

同理，其他2個源案例與目標(biāo)案例的相似度為0.666和0.685。

(3)案例適應(yīng)度

假設(shè)設(shè)定閾值為0.65，則源案例1屬性相似度0.62不符合。此時，案例集可表示為：{目標(biāo)案例2，目標(biāo)案例3}。

由表2可知，源案例2與目標(biāo)案例的共享情景屬性m12=5，屬性匹配數(shù)m22=1；可以得出0

同理，源案例3與目標(biāo)案例的共享情景屬性m13=5，屬性匹配數(shù)m23=2，同樣為部分匹配。

上述計算可知，源案例2和源案例3與目標(biāo)案例均為部分匹配，但m23>m22，這說明源案例3比源案例2具有更高的適應(yīng)度。源案例2和源案例3的屬性相似度分別為0.666和0.685，相差不大，但在案例適應(yīng)度的評價方面，源案例3高于源案例2。故可以選擇源案例3作為解決當(dāng)前故障問題的參考，可將其修正后重用。

5 結(jié)論

(1)針對高鐵車載設(shè)備維修知識結(jié)構(gòu)性差的問題，建立了本體模型，確定了維修案例的特征及構(gòu)成要素，運用本體對維修知識進行統(tǒng)一表示。同時，采用三層結(jié)構(gòu)的知識管理框架，對維修知識進行模塊化管理。

(2)針對案例知識重用率較低的問題，提出了一種本體與CBR相結(jié)合的知識重用模型，兩階段相似度計算和案例適應(yīng)度計算是此模型中的關(guān)鍵，運用此模型可有效提高案例知識的重用率。

(3)在案例檢索過程中，提出一種本體與CBR結(jié)合的案例檢索模型。在此過程中需給定一個閾值，在滿足相似度閾值的案例中，選取適應(yīng)度高的案例進行案例修正，以有效完成知識重用。通過一個實例驗證了所提兩階段案例相似度及案例適應(yīng)度方法的有效性。