[发明专利]基于系统功能结构的TFM三维信息流建模方法

权利要求书

1.基于系统功能结构的TFM三维信息流建模方法，其特征在于：所述TFM三维信息流建模方法的具体步骤如下：

步骤(1)、FFA分析；

步骤(2)、TFM框架建模；

步骤(3)、基于多信号流图的测试-故障信息关联；

步骤(4)、基于贝叶斯网络的故障-维修信息映射。

2.根据权利要求1所述基于系统功能结构的TFM三维信息流建模方法，其特征在于：步骤(1)中使用FFA方法进行系统分析的步骤如下：

(1.1)收集技术资料：为进行FFA分析，首先应该对系统的组织结构、系统的功能、系统的常见故障等具备初步的了解，这些信息可以从各类技术手册、EICAS、FTA结果、FMEA报告、历史经验和案例等资料中获取；

(1.2)对系统进行组件划分：由于系统的复杂性，在进行故障模式和故障传播分析时，往往牵涉太多，导致分析结果的繁琐，不易于后续处理，因此可将结构复杂的系统逐步分解为子系统、子子系统和组件，使分析结果更清晰明了，为了适应现有飞机的维修保障体系，在对飞机进行组件划分时，通常按照ATA的章节进行划分；

(1.3)列出组件的功能：在FFA中，故障被定义为特定功能的丧失，列出组件的相关功能，对解释故障原因和故障后果起到一定的帮助；

(1.4)选择组件的输入输出变量：以组件的功能为基础，选择输入输出状态变量，原则是能够体现功能的特征变化，并按照系统原理，对状态变量之间的因果关系进行分析；

(1.5)故障模式分析：以系统FMEA报告为基础，获得系统中各个组件的故障模式、故障机理和故障影响，并分析特定故障模式可能会产生的故障影响和发生的条件。

3.根据权利要求1所述基于系统功能结构的TFM三维信息流建模方法，其特征在于：步骤(2)中所述TFM框架建模建立的具体步骤如下：

(3.1)建立系统结构模型：把复杂系统逐步分解为若干个子系统、子子系统和组件；组件划分基本原则是：组件能够体现原系统的结构层次关系；能够反映诊断相关的数据属性(包括诊断对象的结构、功能和行为关系等)；能够满足测试、故障知识出现变化而节点更新规模较小的需求；

(3.2)建立功能模型：在完成系统的组件划分后，依据组件FFA分析的结果，设定组件的输入变量和输出变量，并确定判断变量是否正常的阈值；

(3.3)分析组件故障模式和故障传播关系：以FFA分析结果为基础，获取每个组件中状态变量处于异常值时可能的原因和可能产生的影响，并在系统功能模型的基础上为组件添加故障模式节点。

4.根据权利要求1所述基于系统功能结构的TFM三维信息流建模方法，其特征在于：步骤(3)所述基于多信号流图的测试-故障信息关联是建立测试-故障信息之间的关联关系，是在TFM框架模型的基础上应用多信号流图方法建立诊断排故模型，并对模型中测试和故障之间的关系进行分析，生成测试-故障关联矩阵(简称TF矩阵)。

5.根据权利要求1所述基于系统功能结构的TFM三维信息流建模方法，其特征在于：步骤(4)所述基于贝叶斯网络的故障-维修信息映射具体实现步骤如下：

(5.1)本体模型转化为贝叶斯网络模型：

将待映射本体转换为贝叶斯网络模型是通过函数来实现的，函数是本体元素与贝叶斯网络中节点之间的关联关系，由本体转换得到的贝叶斯网络称为本体贝叶斯网络(Ontology Bayesian Network)，简称为OBN，本体贝叶斯网络形式化定义为：OBN＝{N,E,P,I,A,θ_ST}，其中节点集合N和边集合E组成模型的框架，I表示节点的实例集合，P表示模型节点的属性集合，A表示节点的公理集合，相似度集合则由θ_ST表示；

(1)将待映射本体中的元素集C转化为OBN中的概念节点集N，本体元素和概念节点之间为1:1的映射关系；

(2)将待映射本体中元素之间的关系集R转化为OBN中有向边的集E；

(3)将待映射本体中函数集F转化为OBN中概念节点的属性集P；

(4)将待映射本体中元素的实例集I转化成OBN中概念节点的实例集I；

(5)将待映射本体中的公理集A转换成OBN中的公理集合A；

(6)将一个待映射本体O转化为一个本体贝叶斯网络模型OBN，两个模型之间是1:1的关系；

(7)n表示OBN中的概念节点，I(n)表示n和它所包含的所有子节点中的实例数目之和，函数可以用节点的实例数除以OBN中的总实例数得到；

(8)OBN中的父概念节点由A表示，子概念节点由B表示，可以计算出B和A的边标识(也就是节点之间的条件概率)，由于在B是A的子节点，所以P(AB)＝P(B)，所以条件概率P(B/A)＝P(B)/P(A)；

(5.2)多策略相似度计算：

在进行相似度计算前，需要从OBN模型中找出全部的概念节点对，假设模型1有两个概念节点分别为A₁和B₁，模型2中有两个概念节点A₂和B₂，那么全部的概念节点对为：(A₁,A₂)，(A₁,B₂)，(B₁,A₂)，(B₁,B₂)；

采用基于名称、基于属性和基于实例的多策略方法来计算本体贝叶斯网络模型中所有概念节点对的相似度值；

(1)基于名称的策略

基于名称的相似度计算公式为：

其中|x|和|y|分别为名称字符x和y的长度，min(|x|,|y|)为x和y中字符较短者的长度，ed(x,y)表示将x转化为y所需要的最小步骤数，可进行的操作包括替换、插入、去除等；

(2)基于属性的策略

假设a和b分别为概念x和y的属性，则可以由式1-6计算a和b之间的相似度；

Sim′_attribute(x,y)＝αSim_{attri_name}(a,b)+βSim_{data_type}(a,b) (1-6)

其中，Sim_{attri_name}(a,b)表示属性的名称相似度，可以根据式1-5进行计算。Sim_{data_type}(a,b)表示数据类型的相似度值，可以从数据类型匹配表中获得，权值α和β满足α+β＝1；

因一个概念有可能包含有多个属性，假设元素x和y中一共可以求出n个Sim′_attribute(x,y)，那么概念x和y的属性相似度为：

其中，ω_k为权值；

(3)基于实例的策略

基于实例的相似度计算公式为：

P(x,y)表示同时属于概念节点x和概念节点y的实例占实例总数的比例，P(x∪y)表示x和y中的实例占所有实例的比例；

(4)相似度的合并计算

对相似度计算策略进行合并，合并计算公式为：

Sim(x,y)＝λ_name*Sim_name+λ_attritute*Sim_attribute+λ_instance*Sim_instance (1-9)

其中，λ_name+λ_attribute+λ_instance＝1，其相应的值可分析得到

在计算得到多策略相似度的合并值后，以表格的形式进行存储；

(5.3)迭代映射推理过程

利用贝叶斯网络在推理不确定性问题方面的优势，以已知的本体映射关系为基础，推理出其他隐藏的映射关系，在推理的过程中，可以不断挖掘未知的映射关系，这些新关系又可以作为推理其他未知映射关系的基础，这是一个反复迭代完善的过程，具体的实现步骤如下：

第一步、设置阈值δ(0＜δ＜1)，找出本体贝叶斯网络模型中节点相似度值大于阈值δ的所有概念节点对，放入待映射队列；

第二步、从待映射队列中随机取出一对概念节点，假设为(x₁,y₁)，建立相应的映射关系，并将该映射关系添加到集合M中，M为映射集合，初始值为空；

第三步、根据本体贝叶斯网络模型的边集合E和属性集合P，为(x₁,y₁)中的两个概念节点分别建立邻接概念节点集n和n′，然后根据集合n和n′中的节点与(x₁,y₁)之间的关系，将集合n和n′分为父节点集(f,f′)，子节点集(c,c′)，和谓词节点集(w,w′)；

第四步：分别对父节点集、子节点集和谓词节点集进行相似度值更新；

(1)父节点集，从相似度表中找到Sim(f,f′)的值，然后利用式1-10来更新：

Sim(f,f′)＝Sim(f,f′)+P(x₁/f)*P(y₁/f′)*Sim(x₁,y₁) (1-10)

其中P(x₁/f)和P(y₁/f′)的值可以由本体贝叶斯网络的边找到；

(2)子节点集，在本体贝叶斯网络模型中，一个概念节点可能会包含多个子节点，所以在更新子节点集的相似度时，需要进行多次计算更新，首先找出x节点中所有的子节点(c₁,c₂,…c_n)，然后从相似度表中找出所有的Sim(c_i,c_j′)，其中i＝1…n,j＝1…m，然后利用式1-11来计算更新；

Sim(c_i,c_j′)＝Sim(c_i,c_j′)+P(c_i/x₁)*P(c_j′/y₁)*Sim(x₁,y₁) (1-11)

(3)谓词节点集，谓词节点集的更新方法与子节点集合类似，也需要多次更新，但是不同的是，谓词关系没有概率标识，所以将谓词之间的相似度作为影响因子，更新公式为：

Sim(w_i,w_j′)＝Sim(w_i,w_j′)+Sim(n_i,n_j′)*Sim(x₁,y₁) (1-12)

其中Sim(n_i,n_j′)表示两个谓词之间的名称相似度，可由公式3-3计算；

第五步：返回第一步

当待映射队列中不存在概念节点对时，表示迭代过程结束。整理最终的映射集合M，即可获得本体映射的全局映射关系表。