本发明涉及基于tfm三维信息流模型的维修排故方法，属于维修排故技术领域。
背景技术：
维修排故技术作为确保设备运行阶段安全性的重要手段，一直以来都是各研究领域的研究热点。复杂系统一般是一个庞大的系统，由不同结构、不同特性的多个子系统组成，每个子系统都有可能发生故障，造成了故障的多样性。以民用飞机为例，2016年7月份，中国民航局(caac)收集了各航空公司上报的航空器使用困难报告(sdr)一共446份，并进行分析和处理。结果如下：机械类sdr报告一共303份，数量占前三位的是动力装置、起落架系统和飞行操纵系统，其中动力装置sdr报告共63份，起落架系统sdr报告共36份；非机械类sdr(包括维修差错、地面碰撞、鸟击和天气等)报告共143份。故障的多样性增加了维修排故工作的难度，任何维修工作的延误，都会直接影响飞机的正常商业运营，造成经济损失。
目前，民航领域内主要通过查阅相关技术手册和根据经验来进行维修排故。2017年5月5日，国产首架大型喷气式客机c919在上海浦东机场冲上云霄，并在安全飞行79分钟后平稳降落，成功完成首飞。另外，国产新支线飞机arj21也迎来喜讯，在2017年11月17日迎来了投入航线运营后的第30000名旅客。这标志着国产新飞机将会在世界舞台上扮演越来越重要的作用。在新飞机投入运营的初期，由于维修人员经验不足，对新出现的故障缺乏案例，而且手册本身也不完善，仅仅依赖于查阅手册和根据经验进行维修排故，有时并不能准确地定位故障。因此，需要研究针对未知新故障的诊断技术。此外，在完成故障诊断工作，定位到故障源之后，还需要通过维修排故作业来实现故障排除。目前，维修人员主要通过逐条排查维修手册来获得相应的排故信息和维修信息。然而，对于缺乏维修排故经验的维修人员来说，从结构复杂的技术手册中快速准确的获取所需信息是一个耗费时间的过程。因此，为了提高维修效率和节约维修时间，需要研究与现场维修排故过程搭配的信息组织方式及智能的信息推送方法。随着系统复杂化程度的不断提升，鉴于图论模型处理大型复杂系统的优势，基于图论模型的故障诊断方法展现出了强大的生命力和应用潜质。基于图论模型进行故障诊断的基础是模型的建立，为了建立准确合适的诊断模型，国内外学者对建模方法进行了研究。目前，包括键合图模型、petri网模型、符号有向图模型、故障树模型等方法都已经运用到故障诊断中。综合上述，现有技术的缺点：(1)在故障诊断方面，鉴于系统越来越复杂，诊断准确性要求越来越高，仅仅基于图论模型进行故障诊断已经不能满足复杂大型系统故障诊断的要求。现有的基于图论模型的诊断方法存在模型通用性差和诊断精确度低的缺陷，系统中对诊断推理有帮助的信息不能在图论模型得到充分的利用(2)在维修排故信息集成方面，基于本体的方法展示出了一定的优势。但是现有研究中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，且会遗漏重要的映射关系，对信息集成的准确性产生很大的影响。(3)此外，现有的故障诊断和维修排故的研究都相互独立。在工程实践中，故障诊断和维修排故操作是一个连续的过程，缺少维修排故一体化的理论与实现方法。
技术实现要素：
本发明正是针对现有技术存在的不足，提供一种基于tfm三维信息流模型的维修排故方法，解决了现有技术存在的问题，满足实际使用要求。
为解决上述问题，本发明所采取的技术方案如下：
基于tfm三维信息流模型的维修排故方法，以故障诊断和故障排除协同优化为目标，所述维修排故方法包括以下操作：步骤(1)基于本体与蚁群的信息集成；步骤(2)基于系统功能结构的tfm三维信息流建模；步骤(3)基于tfm三维信息流模型的故障诊断；步骤(4)基于tfm三维信息流模型的排故信息推送。
作为上述技术方案的改进，步骤(1)所述基于本体与蚁群的信息集成主要包括(1.1)初始本体建模、(1.2)本体合成优化及(1.3)本体合成优化算法；
其中，所述(1.1)初始本体建模主要是针对测试、故障和维修信息进行tfm初始本体构建，具体构建步骤如下：步骤(1.11)确定领域类别和范围：需要确定本体所属的领域范围、本体构建的目的、本体模型后续的更新维护方法，tfm信息本体分为三个局部本体：测试本体、故障本体和维修本体，应用本体的目的是为了进行信息集成，以提高维修排故过程中的信息利用率及在上述操作后，需要进一步确定测试、故障和维修各领域的信息来源；步骤(1.12)考虑复用现有本体的可能性：如果领域内存在现有的本体，那么复用这些本体将大大减少构建本体需要的时间，目前领域内并未有测试、故障、维修本体的集成研究，不存在现有本体；步骤(1.13)列出本体中的重要术语：对领域范畴内的资料进行分析，列举出所有的术语；步骤(1.14)定义类和类的等级体系：通过收集测试、故障和维修领域的相关知识信息，以测试、故障和维修作为顶层的核心概念，采用自上而下法对各自领域内的知识进行整理分析；步骤(1.15)定义类的属性和类之间的关系：类的属性是对类的内部结构的描述，是对类间语义关系的表示，包括objectproperties(对象属性)和dataproperties(数据属性)；步骤(1.16)定义类属性的“侧面”：属性侧面就是对属性取值特性的规定，这些规定包括了：属性取值的个数、允许的取值范围；步骤(1.17)创建类的实例：在创建类的实例时，具体包括添加该实例及添加实例的属性值；
所述(1.2)本体合成优化的步骤如下：
第一步：构建维修排故信息初始本体
构建的初始本体(initialontology，io)则可由式2-1表示：
io＝{(s1,p1,o1,r1),(s2,p2,o2,r2),···,(si,pi,oi,ri),···,(sn,pn,on,rn)}(1-1)
其中，1≤i≤n，n表示本体rdf模型中声明的数量，si表示主体，pi表示谓语，oi表示客体，ri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(transitionontology，to)是m个初始本体--中所有声明三元组的集合,由式1-2表示
其中，iok表示第k个初始本体,且需要在过渡本体的生成中要保留相同的三元组，比如
io1＝{(s1,p1,o1,r1),(s2,p2,o2,r2),(s3,p3,o3,r3)}，io2＝{(s3,p3,o3,r3),(s4,p4,o4,r4)}
那么，
to＝{(s1,p1,o1,r1),(s2,p2,o2,r2),(s3,p3,o3,r3),(s3,p3,o3,r3),(s4,p4,o4,r4)}
并计算to中s和o相同，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(finalontology，fo)是经本体合成优化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；
所述(1.3)本体合成优化算法是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，提出了适用于本体合成优化的本体合成信息素，本体合成信息素τ表示的是相同s和r的不同谓语p的比率变化，本体合成信息素可由公式1-3计算得到
τ(0)＝ρ(0≤ρ≤1)
τ(k+1)＝(1-ρ)·τ(k)+ρ·η(1-3)
其中，τ0表示初始信息素的值，τk表示第k个声明的信息素的值，ρ表示信息素的挥发系数，为了避免信息的无限累积，本文中设定挥发系数--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。
作为上述技术方案的改进，步骤(2)所述基于系统功能结构的tfm三维信息流建模的步骤包括(2.1)ffa分析、(2.2)框架建模、(2.3)基于多信号流图的测试-故障信息关联及(2.4)基于贝叶斯网络的故障-维修信息映射；
其中，使用(2.1)ffa分析法进行系统分析的步骤如下：(2.11)收集技术资料、(2.12)对系统进行组件划分、(2.13)列出组件的功能、(2.14)选择组件的输入输出变量及(2.15)故障模式分析；
使用(2.2)框架建模的步骤包括(2.21)建立系统结构模型、(2.22)建立功能模型及(2.23)分析组件故障模式和故障传播关系；
使用(2.4)基于贝叶斯网络的故障-维修信息映射的步骤包括(2.41)本体模型转化为贝叶斯网络模型、(2.42)多策略相似度计算及(2.43)迭代映射推理过程。
作为上述技术方案的改进，步骤(3)所述基于tfm三维信息流模型的故障诊断是在在测试-故障tf矩阵的基础上，为了能够获得较优的测试诊断策略和精准的故障诊断结果，将采用优化信息熵算法对tf矩阵进行处理，其算法的基本步骤如下：
第一步：计算tf矩阵的全局信息熵
全局信息熵是对tf矩阵进行分割计算的依据，主要考虑的是测试包含的信息总量大小
全局信息熵的计算公式为：
其中，d表示进行分割后的矩阵数目，d≤2p，p为已经选择出的测试数目；l表示测试-故障关联矩阵的故障模式数目；
第二步：计算分割后的局部信息熵
在得出maxh(tm)后，对tf矩阵进行分割，分为
局部信息熵算法公式为：
由式1-14计算得到所有局部信息熵后，比较它们的大小，找出最大的局部信息熵记为：maxh′(tm)；
第三步：判断maxh(tm)和maxh′(tm)之间的关系
1)
2)
3)
第四步：重复上述步骤，当测试-故障矩阵中所有的f元素全是单行矩阵时结束算法，输出结果以诊断树的形式表示。
作为上述技术方案的改进，在对未知的故障进行诊断推理，确定可能的故障原因后，需要结合故障隔离手册和维修手册等定位故障，并获得相应的维修排故指导信息；对于已知的故障，可以直接通过查阅手册来定位故障源，获得维修排故指导信息；信息的获取是维修排故过程中必不可少的阶段，为了节约维修排故的时间，提高维修排故效率，本发明在故障-维修二维信息映射模型的基础上，研究基于模糊遗传神经网络和语义关联搜索的排故信息推送算法；针对每个故障，采用基于模糊神经网络与遗传算法的动态预测算法建立对应的动态模型，根据故障原因等信息进行排故信息的自动推送流程如下：(4.1)收集单个故障相关的信息，包括排故经验和历史维修流程等，然后采用基于模糊神经网络与遗传算法的动态预测算法建立排故信息学习的动态预测模型，并根据维修人员排故情况的变化进行更新；(4.2)将过滤后的排故信息根据维修人员的需求特征推送给维修人员；(4.3)维修人员对接收到的系统自动推送的排故信息进行评价后反馈到动态预测模型中，从而实现模型的不断更新与优化。
本发明与现有技术相比较，本发明的实施效果如下：
本发明是鉴于图论模型在复杂装备故障诊断方面的不足,以及维修排故信息查阅繁琐的问题，提出了tfm三维信息流的概念，将信息集成技术应用到图形化建模的过程中，在模型的节点内添加辅助诊断的相关信息，将图论方法与信息推理相结合，以实现对未知新故障的诊断；本发明针对手册信息组织形式多样，不能在维修排故中充分利用异构信息资源的问题，对维修排故信息集成方法进行了研究，以解决语义异构信息的集成问题，挖掘异构维修排故信息之间的关联关系为目标，提高维修排故信息的利用率；本发明中以测试-故障-维修三维信息的集成化建模来实现故障诊断和维修排故工作的一体化流程，更符合工程实践的需要，提高维修排故的效率。
附图说明
图1为本发明总体技术路线图；
图2为基于本体与蚁群的信息集成思路；
图3位各领域本体资料信息图；
图4为基于蚁群信息素的本体合成优化算法流程图；
图5为基于功能结构的tfm三维信息流模型建模思路；
图6为apu引气系统组件划分图；
图7为apu引气系统功能模型；
图8为apu引气子系统tfm框架模型；
图9为apu引气子系统诊断排故模型；
图10为基于贝叶斯网络的本体映射基本步骤；
图11为排故信息推送流程；
图12为基于模糊神经网络与遗传算法的动态预测算法。
具体实施方式
下面将结合具体的实施例来说明本发明的内容。
如图1-12所示，为本发明所述基于tfm三维信息流模型的维修排故方法流程及操作步骤示意图。
基于tfm三维信息流模型的维修排故其基本思想是，以故障诊断和故障排除协同优化为目标，以飞机系统原理、系统可靠性设计、维修技术手册综合分析为基础，以“测试、故障、维修”低维信息集成映射到“测试-故障-维修”三维信息模型，实现高效的诊断和排故(如说明书附图1所示)。
为了更清晰地阐述本发明的实现方法，将具体步骤分为四个部分：1、基于本体与蚁群的信息集成；2、基于系统功能结构的tfm三维信息流建模；3、基于tfm三维信息流模型的故障诊断；4、基于tfm三维信息流模型的排故信息推送。其中，信息集成是基础，直接影响诊断排故知识的完备性，tfm三维信息流模型的是核心内容，诊断和排故工作都是在此模型上进行的，故障诊断算法和排故信息推送算法是在模型的基础上，实现诊断和排故的关键技术。下面针对每个部分进行详细说明。
一、基于本体与蚁群的信息集成
基于本体与蚁群的维修排故信息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(集成思路如说明书附图2所示)。
维修排故信息集成分为两个部分，第一部分为维修排故信息初始本体建模，给出基于本体的飞机维修排故信息建模方法，包括本体的描述语言和组织结构，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；第二部分为本体合成优化算法，针对初始本体信息量大、语义关系简单和更新难度大的缺点，给出快速准确的优化算法，通过该算法，对初始本体进行合成优化，生成飞机维修排故信息本体模型。最后，以本体作为数据组织结构将维修排故信息存储于关系数据库中。飞机维修排故本体信息建模是基础，合成优化算法是关键技术。
1.初始本体建模
针对本发明中tfm三维信息流模型构建的需要，本部分主要针对测试、故障和维修信息进行tfm初始本体构建，具体构建步骤如下：
1)确定领域类别和范围。
作为构建本体的首要步骤，需要确定本体所属的领域范围、本体构建的目的、本体模型后续的更新维护方法；tfm信息本体分为三个局部本体：测试本体、故障本体和维修本体，领域范畴非常明确，应用本体的目的是为了进行信息集成，以提高维修排故过程中的信息利用率，因此概念之间的关系是关键内容；在完成上述步骤后，需要进一步确定测试、故障和维修各领域的信息来源；下面以某型飞机为例，分析构建tfm信息本体所需的资料信息(如说明书附图3所示)。
2)考虑复用现有本体的可能性
如果领域内存在现有的本体，那么复用这些本体将大大减少构建本体需要的时间；目前，领域内并未有测试、故障、维修本体的集成研究，所有不存在现有本体。
3)列出本体中的重要术语
对领域范畴内的资料进行分析，列举出所有的术语，此时不考虑术语之间是否会有语义或属性上的重复；下面列举了部分术语，测试领域的术语有：测试点位置、测试点名称、测试的类型、测试的手段、测试的辅助信息等；故障领域的术语有：故障模式、故障影响、故障代码等；维修领域的术语有：维修级别、维修工具、维修步骤等。
4)定义类和类的等级体系
通过收集测试、故障和维修领域的相关知识信息，以测试、故障和维修作为顶层核心概念，采用自上而下法对各自领域内的知识进行整理分析。
分析得到的部分概念层次集如表1所示
表1领域本体概念层次示例
5)定义类的属性和类之间的关系
类的属性是对类的内部结构的描述，是对类间语义关系的表示，包括objectproperties(对象属性)和dataproperties(数据属性)；
本体的核心就是类之间的关系，每一种关系都代表着一种类和类之间的映射关系；可以把这种关系看作是二元组或多元组函数，函数定义域和值域的取值就是测试、故障和维修领域内定义的类和子类的对象；通常用objectproperties属性中的domains(intersection)子属性来设置定义域，ranges(intersection)子属性来设置值域。
6)定义类属性的“侧面”
属性侧面就是对属性取值特性的规定，这些规定包括了：属性取值的个数、允许的取值范围等。
7)创建类的实例
在创建类的实例时，不仅添加该实例，还需要添加实例的属性值。
2、本体合成优化
为了提高本体模型的可信度和准确度，本发明在初始本体构建的基础上，对多个初始本体进行合成优化；传统的rdf声明只有两个状态：存在或者不存在；但是实际的本体构建时，rdf声明得到认可是一个持续的过程；本发明中在原rdf三元组的基础上，加上另一个属性：认可度(recognitiondegree)，认可度表示不同本体构建人员对同一rdf声明的认可程度，认可度r的取值在0到1之间；可以将声明描述为(s,p,o)，例如，对于声明“任务号是维修任务的一部分”，可以这样表达：(tasknum，partof，maintenancetask)
维修排故信息本体合成优化的步骤如下：
第一步：构建维修排故信息初始本体
构建的初始本体(initialontology，io)则可由式1-1表示
io＝{(s1,p1,o1,r1),(s2,p2,o2,r2),···,(si,pi,oi,ri),···,(sn,pn,on,rn)}(1-1)
其中，1≤i≤n。n表示本体rdf模型中声明的数量，si表示主体，pi表示谓语，oi表示客体，ri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(transitionontology，to)是m个初始本体io中所有声明三元组的集合。由式1-2表示
其中，iok表示第k个初始本体。而且，需要在过渡本体的生成中要保留相同的三元组，比如
io1＝{(s1,p1,o1,r1),(s2,p2,o2,r2),(s3,p3,o3,r3)}，io2＝{(s3,p3,o3,r3),(s4,p4,o4,r4)}，
那么，
to＝{(s1,p1,o1,r1),(s2,p2,o2,r2),(s3,p3,o3,r3),(s3,p3,o3,r3),(s4,p4,o4,r4)}，
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(finalontology，fo)是经本体合成优化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。
3.本体合成优化算法
本发明根据蚁群算法中信息素的基本思想，以飞机维修排故信息初始本体为基础，提出了基于蚁群信息素的本体合成优化算法。
本发明中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，提出了适用于本体合成优化的本体合成信息素。本体合成信息素τ表示的是相同s和r的不同谓语p的比率变化，本体合成信息素可以由公式1-3计算得到
τ(0)＝ρ(0≤ρ≤1)
τ(k+1)＝(1-ρ)·τ(k)+ρ·η
其中，τ0表示初始信息素的值，τk表示第k个声明的信息素的值，ρ表示信息素的挥发系数，为了避免信息的无限累积，本文中设定挥发系数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4所示)。
二、基于系统功能结构的tfm三维信息流建模
本发明中tfm三维信息流的概念是：将故障传播路径上的信息分解为测试、故障和维修三类信息，根据测试信息和故障信息之间、故障信息和维修信息之间关联映射关系，建立测试、故障和维修三个维度的信息集成。
tfm三维信息流模型可以定义为有向图g与函数φ和函数ψ的组合(g,φ,ψ)，其中：
有向图g为五元组(v,t,f,m,e)
v＝{v1,v2,...,vn}表示节点集合
t表示的是测试维元素集合
f表示的是故障维元素集合
m表示的是维修维元素集合
有向边集合e＝(v×v)
函数φ表示的是测试-故障关联矩阵
函数ψ表示的是故障-维修映射关系；
建立tfm三维信息流模型的基本思路是，在对飞机系统原理、各类技术手册进行综合分析的基础上，采用本体方法对多源异构的测试、诊断和维修信息的集成，并结合fmea报告等对系统进行功能故障分析的基础上建立tfm框架模型；然后以多信号流图方法获得测试和故障关联矩阵，以基于贝叶斯网络的本体映射方法获得故障信息和维修信息之间的映射关系；最后在tfm框架模型上根据测试与故障、故障与维修之间的关系添加测试、故障和维修三维信息，从而得到最终的tfm三维信息流模型；基于系统功能结构建立tfm三维信息流模型的优势在于：1、能够体现测试信息、故障信息和维修信息的结构性和层次性；2、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、更好的通用性；基于功能结构的tfm三维信息流模型建模思路(如说明书附图5所示)。
建模的具体步骤分为以下4个具体部分
1、ffa分析
由于现代的装备大多结构复杂，功能多样，造成了故障模式和故障原因多样性；为了后续建立tfm结构模型的需要，本发明中采用ffa方法对系统进行分析，获得功能结构以及故障模式信息；ffa(functionfaultanalysis)是一种定性分析方法，可以用来对系统的层次结构、功能信息和故障信息进行分析；使用ffa方法进行系统分析的步骤如下：
(1)收集技术资料：为了进行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。
(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。因此可以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。
(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。
(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。
(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。
2、框架建模
作为tfm三维信息流模型的基础架构，tfm框架模型需要能够反映系统的功能结构，并且需要包含故障模式和故障传播知识；为了满足上述需要，鉴于sdg在描述动态系统中的因果关系和节点可以承载大量信息方面的优势本发明中采用sdg的有向图建模方式，结合ffa相关信息，建立tfm框架模型
下面以apu引气系统为例给出tfm框架模型建立的具体步骤：
(1)建立系统结构模型
根据ata章节的内容，把复杂的系统逐步分解为若干个子系统、子子系统和组件；组件划分的基本原则是：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。
对某型飞机apu引气系统进行组件划分，apu引气系统作为气源系统的一部分，本身属于子系统级别，可以将apu引气系统划分为apu加载活门、apu单向活门和apu下游ams引气管路三个组件(如说明书附图6所示)。
(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；
以apu引气系统为例，对其进行功能分析，得到的apu引气系统各组件的特征向量如表2所示；在此基础上，以
表2apu引气系统特征向量
(3)分析组件故障模式和故障传播关系
以ffa分析的结果为基础，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。本文中将故障分为两种：端点故障和底层故障：端点故障为组件层的故障，底层故障表示组件内部发生故障而导致组件处于某种故障状态的征兆；添加故障模式节点后，用连接线将故障模式连接到对应的状态变量节点上，并对模型上各功能结构节点的故障模式、故障影响关系、故障可能的传播方向等进行分析。
在说明书附图7的基础上，以“●”表示底层故障，
3、基于多信号流图的测试-故障信息关联
为了将测试、故障和维修三个维度的信息添加到tfm框架模型的节点上，生成最终的tfm三维信息流模型，需要建立测试和故障之间、故障和维修之间的关联关系。本文在反映系统结构层次关系的tfm框架模型的基础上，开展故障-测试变量之间影响关系的函数表达方式的研究，建立测试-故障影响关系矩阵，并开展故障-维修信息之间的映射关系研究，建立故障-维修信息映射关系表。
信号流图模型与tfm框架模型类似，都是在物理结构的基础上进行模型建立，并以有向图的方式来表达功能的流向。为了建立测试-故障信息之间的关联关系，本文在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)。
诊断排故模型的建立方法如下：在tfm框架模型的基础上，为每个状态变量节点或故障模式节点增加测试信息点，并且建立测试信息点与状态变量之间的关联关系，以及故障模式与测试信息之间的关联关系。在某型飞机apu引气子系统tfm框架模型的基础上，以
为了开展诊断工作，在诊断排故模型的基础上，本发明进一步对测试-故障信息关联技术进行了研究，以矩阵的形式表示测试与故障之间的关系，测试-故障相关矩阵是测试和故障之间的关联性关系，是模型基于测试信息进行故障诊断的依据，测试-故障关联矩阵以布尔矩阵的形式来表示测试t＝{t1,t2,...,tn}和故障f＝{f1,f2,...,fn}之间的相关性，其具体形式如下：
式中：tfmn表示测试tm和故障fn的相关性，tfmn＝1表示，可以根据测试信息tm可以判定出现故障fn；tfmn＝0表示，测试信息tm不能判定出现故障fn，第m个行向量tm＝[tfm1tfm2…tfmn]表示测试信息tm能测出的所有故障；第n个列向量fn＝[tf1ntf2n…tfmn]表示能够表明故障fn发生的所有测试信息。
在复杂系统中，同一个组件中往往存在多个状态变量，每一个状态变量都可能会处于异常值的状态，此时将出现功能故障；因此本文将组件中的每一个会出现故障的状态变量都当作一种功能故障，对应到测试-故障相关矩阵中的每一行。
生成测试-故障关联矩阵是一个不断进行可达性分析和相关性分析的过程；生成矩阵的具体方法是：对诊断排故模型中的每个测试点信号进行深度优先搜索，当搜索到能够停止此信号的故障时，就停止该路径上的搜索；当故障组员i到测试j可达而且有信号关联时，那么tfij＝1，否则tfij＝0。
4、基于贝叶斯网络的故障-维修信息映射
为了研究故障信息和维修信息之间的映射关系，鉴于信息以本体方法进行了集成以及贝叶斯网络在寻找本体之间关联关系方面的优势，本文中采取基于贝叶斯网络的本体映射方法实现故障-维修信息映射关系的获取。
基于贝叶斯网络的本体映射基本步骤(如说明书附图10所示)
基于贝叶斯网络的本体映射其基本思路是：首先将待建立映射关系的两个本体用贝叶斯网络模型来表示；然后，对本体贝叶斯网络模型中的节点进行相似度计算，将相似度的值以表格的形式进行存储；之后迭代进行映射推理，在已有映射关系基础上推理发现新的本体映射关系；完成迭代推理后，得到最终的全局映射关系表。
基于贝叶斯网络的本体映射具体实现步骤如下：
a、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
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
b、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)。
本文采用基于名称、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)＝αsimattri_name(a,b)+βsimdata_type(a,b)(1-6)
其中，simattri_name(a,b)表示属性的名称相似度，可以根据式1-5进行计算。simdata_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；
因为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，ωk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)＝λname*simname+λattritute*simattribute+λinstance*siminstance(1-9)
其中，λname+λattribute+λinstance＝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。
c.迭代映射推理过程
为了得到完善的映射关系，本文中采用迭代的映射推理过程来发现映射关系，该方法的原理是：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,…cn)，然后从相似度表中找出所有的sim(ci,c′j)，其中i＝1…n,j＝1…m，然后利用式1-11来计算更新；
sim(ci,cj′)＝sim(ci,c′j)+p(ci/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(wi,w′j)＝sim(wi,w′j)+sim(ni,n′j)*sim(x1,y1)(1-12)
其中sim(ni,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。
三、基于tfm三维信息流模型的故障诊断
在测试-故障tf矩阵的基础上，为了能够获得较优的测试诊断策略和精准的故障诊断结果，将采用优化信息熵算法对tf矩阵进行处理。算法的基本步骤如下：
第一步：计算tf矩阵的全局信息熵
全局信息熵是对tf矩阵进行分割计算的依据，主要考虑的是测试包含的信息总量大小
全局信息熵的计算公式为：
其中，d表示进行分割后的矩阵数目，d≤2p，p为已经选择出的测试数目；l表示测试-故障关联矩阵的故障模式数目；
第二步：计算分割后的局部信息熵
在得出maxh(tm)后，对tf矩阵进行分割，分为
局部信息熵算法公式为：
由式1-14计算得到所有局部信息熵后，比较它们的大小，找出最大的局部信息熵记为：maxh′(tm)；
第三步：判断maxh(tm)和maxh′(tm)之间的关系
1)
2)
3)
第四步：重复上述步骤，当测试-故障矩阵中所有的f元素全是单行矩阵时结束算法，输出结果以诊断树的形式表示。
四、基于tfm三维信息流模型的排故信息推送
在对未知的故障进行诊断推理，确定可能的故障原因后，需要结合故障隔离手册和维修手册等定位故障，并获得相应的维修排故指导信息。对于已知的故障，可以直接通过查阅手册来定位故障源，获得维修排故指导信息。信息的获取是维修排故过程中必不可少的阶段，为了节约维修排故的时间，提高维修排故效率，本发明在故障-维修二维信息映射模型的基础上，研究基于模糊遗传神经网络和语义关联搜索的排故信息推送算法。
针对每个故障，采用基于模糊神经网络与遗传算法的动态预测算法建立对应的动态模型，根据故障原因等信息进行排故信息的自动推送，具体流程如下：
1)收集单个故障相关的信息，包括排故经验和历史维修流程等，然后采用基于模糊神经网络与遗传算法的动态预测算法建立排故信息学习的动态预测模型，并根据维修人员排故情况的变化进行更新；
2)将过滤后的排故信息根据维修人员的需求特征推送给维修人员；
3)维修人员对接收到的系统自动推送的排故信息进行评价后反馈到动态预测模型中，从而实现模型的不断更新与优化(如说明书附图11所示)。
其中，动态预测算法的基本步骤(如说明书附图12所示)
图中，m为每代种群中最大的个体数，g为目前所处的代数。假设x为待运算的数据，其中包括了1个因变量和n个自变量，它们之间的关系为非线性关系。运行模糊理论中的模糊函数对因变量和自变量进行处理，得到它们之间的映射关系，在此关系的基础上建立神经网络。其中，神经网络的输入节点数为n，隐含节点数需要根据样本的容量来确定。每个神经网络中仅有一个输出节点，采用遗传算法对输出值权值网络进行优化处理。
在本体中，语义关联关系分为本体内语义关联关系以及本体之间语义关联关系；本体内语义关联关系是指同一个本体内，概念之间通过属性或函数进行的直接关联；本体之间的语义关联关系是通过本体映射方法获取的不同本体中的概念之间的关联关系；关联关系不仅存在于概念之间，同时存在于本体实例之间。
查找与概念实例x相关的概念实例关联搜索算法的基本步骤如下：
第一步：设置关联度数r＝λ，结果集合为v。关联度越大，表示算法搜索的遍历深度越大，此时搜索得到的结果就越多，但是关联度太大时，检索结果中会存在过多无效结果，影响整体的检索效果，根据研究表明，关联度的上限为6最为合适[67]；
第二步：r＝r-1，当r＝-1时，结束算法；r≠-1时，进行第三步；
第三步：令v＝v+{x}，寻找与x有关联的且不在集合v中的节点xi；如果存在xi，令x＝xi，转到第二步；如果不存在，则结束算法；
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。