航空器故障知识图谱构建与PHM平台开发的学术研究报告

作者及发表信息

本研究的通讯作者为Xiaoxuan Jiao（空军工程大学航空工程学院），合作作者包括Xiangzhen Meng、Bo Jing、Shenglong Wang、Jinxin Pan和Yifeng Huang，均来自同一机构。研究成果发表于Sensors期刊2024年第24卷第231期，DOI号为10.3390/s24010231，出版时间为2023年12月30日。

研究背景与目标

科学领域与问题

本研究属于航空器预测与健康管理（Prognostics and Health Management, PHM）领域，针对当前飞机故障诊断中存在的三大核心问题：
1. 过度依赖传统经验
2. 故障排查鲁棒性差
3. 维护人员对故障变化的响应速度慢

传统PHM方法主要基于物理模型（Physical Model）和数据驱动（Data-Driven）两种范式，但前者需要完整的系统物理结构认知，后者受限于飞机传感器部署不足导致的数据匮乏。而航空领域积累的大量半结构化故障案例文本（如飞行控制系统手册、典型故障案例）尚未被有效利用。

技术路径选择

研究团队提出采用知识图谱（Knowledge Graph）技术解决上述问题，其优势在于：
- 通过语义关系连接多源异构数据
- 支持符号表示与向量表示的双重知识表达
- 可视化交互便于人机协作

研究方法与流程

1. 知识图谱构建框架

采用自上而下（Top-Down）与自下而上（Bottom-Up）混合方法：
- 模式层（Schema Layer）：预先定义9类实体（如部件、故障现象、故障原因）和7类关系
- 数据层（Data Layer）：通过实体抽取、关系抽取、知识融合三阶段构建，动态反馈更新模式层

2. 文本分类模块

针对故障文本的语义复杂性，开发基于ERNIE（Enhanced Representation through kNowledge IntEgration）的预训练分类模型：
- 输入数据：1000份故障文本（700训练/300测试），包含故障现象、处理过程、原因、影响四类
- 模型对比：ERNIE模型以94.51%的F1值优于BERT系列模型（最高91.22%）
- 创新点：引入文本分类信息作为实体关系抽取的门控机制，降低特殊文本对三元组提取的干扰

3. 实体关系联合抽取

提出ERNIE-BiLSTM-CRF-TreeBiLSTM混合模型：
- 架构创新：
- 底层：ERNIE生成上下文语义向量
- 中层：序列BiLSTM捕获上下文特征
- 顶层：基于语法依赖树的TreeBiLSTM解析句法结构
- 性能对比：在自建数据集上取得85.09%的F1值，显著优于CasRel（72.11%）和GPLinker（74.62%）
- 技术突破：
- 通过依存树结构减少语言复杂性
- 联合训练避免传统流水线方法的误差累积

4. 知识图谱平台开发

构建包含六大功能模块的管理平台：
1. 文本分类：ERNIE_RCNN模型自动分类
2. 知识抽取：联合模型生成三元组
3. 知识审核：人工校验与修正接口
4. 智能问答：基于Cypher查询的自然语言生成
5. 图谱可视化：Neo4j+Neovis.js动态展示
6. 数据管理：多源异构数据统一存储

平台采用Vue+FastAPI技术栈，硬件环境为Intel Core i7-10750H处理器与NVIDIA GTX 1660Ti显卡。

研究结果与发现

1. 知识图谱构建效果

• 从1648个标注实体中提取出完整的三元组关系
  
• 可视化展示飞行控制系统故障传播路径（如图12所示），例如：
  
  • 故障现象”电液伺服阀壳体渗油” → 原因”密封失效” → 处理措施”更换零件”
    

2. 模型性能验证

• 文本分类：ERNIE_RCNN准确率达94.75%
  
• 三元组抽取：精确率83.44%，召回率86.74%
  
• 问答系统：对”液压灯不亮”的查询能返回4条处理步骤，包含检测信号、检查继电器等具体操作
  

3. 平台应用价值

• 将故障定位时间从传统手册查询的30+分钟缩短至秒级响应
  
• 支持维护人员通过自然语言交互获取结构化知识
  

研究结论与价值

理论贡献

1. 提出面向航空PHM的知识图谱构建方法论，解决领域文本的语义复杂性挑战
   
2. 开发融合语法与语义的联合抽取模型，较传统方法F1值提升13个百分点
   
3. 验证预训练语言模型在专业领域的迁移能力，ERNIE相比BERT更适合中文航空文本
   

应用价值

1. 为飞机维护提供智能决策支持，降低对专家经验的依赖
   
2. 实现多源故障数据的关联分析，提升故障诊断的鲁棒性
   
3. 平台已具备工程落地能力，可扩展至其他机载系统
   

研究亮点与创新

1. 领域适应性创新：首次将ERNIE与TreeBiLSTM结合处理航空专业文本
   
2. 流程优化：通过文本分类前置降低后续抽取复杂度
   
3. 全栈解决方案：从算法设计到平台开发的完整闭环验证
   

局限与未来方向

1. 多模态扩展：当前仅处理文本数据，未来需整合图像、信号等异构数据
   
2. 动态知识图谱：现有模型为静态表示，需引入时间维度实现故障预测
   
3. 跨系统迁移：需验证方法在发动机、航电等其他子系统的普适性
   

本研究得到陕西省自然科学基金（2022JQ-586）支持，相关技术已申请多项发明专利。平台代码与部分数据集计划开源以促进领域发展。