薛鵬

（中國民航大學工程技術(shù)訓練中心，天津 300300）

基于協(xié)同過濾理論的民機智能故障診斷方法

薛鵬

（中國民航大學工程技術(shù)訓練中心，天津 300300）

隨著中國機隊數(shù)量的增長，智能化故障診斷逐漸成為民航業(yè)研究的熱點。協(xié)同過濾理論是在大量繁雜信息中尋找合適結(jié)論的一種有效的智能方法。將協(xié)同過濾理論應(yīng)用于民機故障診斷領(lǐng)域，通過Pearson法和矢量余弦法計算協(xié)同過濾理論中的故障相似程度，并針對傳統(tǒng)協(xié)同過濾算法存在的缺陷，通過引入元相似度及權(quán)重加以有效解決，從而得到更準確的結(jié)論。實例證明該方法在民機故障診斷中有較高準確率和較好的學習能力，可提高維修效率，降低運營成本。

故障診斷；協(xié)同過濾；矢量余弦；元相似度

近年來中國機隊數(shù)量增長很快，飛機維修工作量快速增長與維修效率仍然較低的矛盾日漸突出，將人工智能應(yīng)用于民航飛機故障診斷以提高維修效率已成為研究重點。

1999年空客公司著手研發(fā)一款專業(yè)的數(shù)字化排故及管理軟件AIRMAN，用于幫助地面航站基地對整個機隊的維修信息進行跟蹤管理[1]；李宏坤提出一種基于組合框架結(jié)構(gòu)的時空多信息融合系統(tǒng)，將神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論性結(jié)合[2]。劉召廣將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合，應(yīng)用到發(fā)動機故障診斷中，并提出一種FNNC新算法，用Matlab軟件仿真效果良好[3]。

協(xié)同過濾理論最早被提出是為了解決個性化推薦問題[4-5]，其中第一個投入應(yīng)用的協(xié)同過濾系統(tǒng)是Grundy[6]。隨著協(xié)同過濾理論研究的深入，發(fā)展出了Tapestry郵件處理系統(tǒng)[7]、GroupLens系統(tǒng)[8]、Ringo推薦系統(tǒng)[9]等，目前比較有影響力的是Amazon.com的書籍推薦系統(tǒng)[10]。

當前對民機智能故障診斷的研究仍處于理論探索階段，各種智能故障診斷方法僅具有理論可行性，用于實際時往往因為算法復雜或參數(shù)獲取的局限性等原因無法達到理想效果。本文利用協(xié)同過濾理論對已有的經(jīng)驗數(shù)據(jù)進行分析、學習，根據(jù)所學習的內(nèi)容對新的故障信息進行故障診斷。

1 協(xié)同過濾理論

協(xié)同過濾理論的核心思想可理解為根據(jù)興趣相同、擁有共同經(jīng)驗的故障現(xiàn)象群體對同一事物的評價為基準，為新故障現(xiàn)象篩選信息。若用戶x和y對n個項目的評價或行為是相似的，則其對其他項目所持有的觀點也是相似的。將該理論應(yīng)用于故障診斷領(lǐng)域，把故障描述與故障件的對應(yīng)關(guān)系視為其他故障現(xiàn)象群體對各個事物的評價，而新的故障描述和故障件就是新的故障現(xiàn)象和被推薦的信息，如圖1所示。

圖1 協(xié)同過濾理論應(yīng)用于故障診斷Fig.1 Collaborative filtering theory extended into fault diagnosis

在協(xié)同過濾理論中衡量故障現(xiàn)象之間的相似程度需進行量化分析，然后根據(jù)最為相似的故障現(xiàn)象來預測最有可能的故障件名稱，常用的方法主要有Pearson法[4，9]和矢量余弦法兩種。

1.1 Pearson法

假設(shè)故障現(xiàn)象x的可能故障件是Sx，故障現(xiàn)象y的可能故障件是Sy，則故障現(xiàn)象x和故障現(xiàn)象y共同的故障現(xiàn)象集合Sxy=SxISy，F(xiàn)sim（x，y）為故障現(xiàn)象x和故障現(xiàn)象y的相似度

其中：rx和ry指故障率的平均值。由式（1）計算得到的相似度絕對值越大，相關(guān)性越強，即相關(guān)系數(shù)越接近于1或-1，相關(guān)度越強；相關(guān)系數(shù)越接近于0，相關(guān)度越弱。

1.2 矢量余弦法

矢量余弦來源于三角函數(shù)中的余弦公式，平面幾何中，夾角兩邊的靠近/背離程度與夾角的余弦值變化關(guān)系相同，在此基礎(chǔ)上可推廣至立體幾何、乃至多維空間中，由此得到矢量余弦公式，如圖2所示。

圖2 矢量余弦公式Fig.2 Vector cosine formula

在標準協(xié)同過濾法中，故障現(xiàn)象x和y都用m維向量表示，兩個向量之間的相似性可以通過計算它們之間的矢量余弦得到，其表達式為

m維向量意味著故障現(xiàn)象可分成m個結(jié)構(gòu)單元，每個維度上的長度只有0，1兩種取值方式，即存在或不存在該結(jié)構(gòu)單元（故障現(xiàn)象）。因此矢量余弦公式可化簡為

其中：Nxy表示x和y向量同時具有的維度，即兩個故障現(xiàn)象共同擁有的結(jié)構(gòu)單元；Nx表示x向量具有的維度，即x現(xiàn)象擁有的結(jié)構(gòu)單元；Ny表示y向量具有的維度，即y現(xiàn)象擁有的結(jié)構(gòu)單元。

2 協(xié)同過濾理論的缺陷及改進

2.1 標準協(xié)同過濾理論的缺陷

標準協(xié)同過濾理論直接從故障描述的結(jié)構(gòu)組成計算其相似程度，該方法在特定條件下具有一定的局限性。假設(shè)已知組件M發(fā)生疲勞故障可導致故障現(xiàn)象a、b、c，發(fā)生斷裂故障可導致現(xiàn)象d、e、f；如果另一組件N發(fā)生堵塞故障可導致現(xiàn)象b、d、e。

假設(shè)此時M組件由于疲勞而導致斷裂，即同時發(fā)生了多個故障，故障現(xiàn)象為b、d、e、f，由標準協(xié)同過濾計算相似度得到組件N堵塞故障與故障現(xiàn)象最為相近，從而得到故障件為N的錯誤結(jié)論。此類問題在故障數(shù)據(jù)稀缺時表現(xiàn)尤為突出。對于民航飛機來說，相同的故障件可導致的故障現(xiàn)象有可能是多種多樣的，遇到類似問題，標準協(xié)同過濾理論無法得到很好的結(jié)果。

2.2 元相似度理論

正如元數(shù)據(jù)是數(shù)據(jù)的數(shù)據(jù)，元相似度指的是相似度的相似度[11]，其基本思想是以第三者的角度衡量前兩者的相似度。這種方法可以不受單純故障現(xiàn)象的構(gòu)成限制，即使現(xiàn)象完全不同的事件也可計算出兩者的相似程度，從而解決數(shù)據(jù)稀缺性問題。

從網(wǎng)絡(luò)拓撲結(jié)構(gòu)分析，標準的相似度反映的是局域的、直接的相似關(guān)系；而元相似度則反映了全局的、間接的相似關(guān)系。元相似度算法打破了相似度算法僅依賴于兩者個人共同評價過的小部分結(jié)構(gòu)單元所反映出的相似信息的限制，可反映出網(wǎng)絡(luò)中更加宏觀和間接性的相似信息。

2.3 基于元相似度的加權(quán)協(xié)同過濾改進法

首先由式（3）計算得到原始的結(jié)構(gòu)相似度Fsim（x，y），然后計算得到元相似度為

其中：O是所有故障現(xiàn)象的集合。

最后將結(jié)構(gòu)相似度與元相似度加權(quán)整合，得到最終相似度

其中：λ為加權(quán)整合系數(shù)。λ的取值應(yīng)盡可能地減小低相似度數(shù)據(jù)的干擾，同時保證元相似度的計算能在一定范圍內(nèi)左右標準相似度計算的取值結(jié)果，提高結(jié)論的可置信度，λ的取值與實際飛機運行環(huán)境有關(guān)。

3 基于元相似度的加權(quán)協(xié)同過濾改進法實例

為了解該算法應(yīng)用于民航故障診斷是否性能良好，在最優(yōu)環(huán)境中及冷啟動狀態(tài)下分別進行了實例驗證。

3.1 在最優(yōu)環(huán)境中的實例驗證

實例驗證采用數(shù)據(jù)庫中存在的已知故障現(xiàn)象，即數(shù)據(jù)庫中預先內(nèi)置一部分數(shù)據(jù)，如現(xiàn)象PACK1 OVHT的故障原因主要有3種，每種原因所導致的故障次數(shù)如表1所示。

表1 PACK1 OVHT現(xiàn)象的原因及故障次數(shù)Tab.1 Reason and fault frequency of PACK1 OVHT

此種情況數(shù)據(jù)稀缺問題較少，只要不存在干擾，算法就會匹配出相應(yīng)的故障現(xiàn)象，從而得出正確結(jié)論。現(xiàn)在輸入一條故障現(xiàn)象為PACK1 OVHT的故障，驗證結(jié)果如表2所示，其中Y表示結(jié)論正確，N表示結(jié)論錯誤。

從表2可以看出，標準協(xié)同過濾計算所得結(jié)論為該故障與之前發(fā)生的628次故障現(xiàn)象相似，并且其相似度均為1，但仍有43條錯誤結(jié)論，表明存在極其相似的故障現(xiàn)象但故障件不同。通過元相似度計算得到的故障原因VALVE FLOW CTL的元相似度分為兩部分，元相似度為0.8的有663條故障，元相似度為0.7的有5條故障，這說明該故障最可能的故障原因是VALVE FLOW CTL。但在最優(yōu)環(huán)境下仍然存在元相似度為0.7的3條診斷錯誤數(shù)據(jù)，需進一步修改權(quán)重或增加數(shù)據(jù)源中的數(shù)據(jù)，通過排除干擾數(shù)據(jù)、求解故障描述之間的異同點來提高診斷準確率。

表2 協(xié)同過濾最優(yōu)環(huán)境驗證Tab.2 Collaborative filtering test in optimal environment

3.2 冷啟動情況下的實例驗證

冷啟動是指在缺少足夠的訓練樣本的情況下，算法無法從經(jīng)驗數(shù)據(jù)中獲取足夠信息來處理新的故障現(xiàn)象的狀態(tài)。這種狀態(tài)會使數(shù)據(jù)稀缺的矛盾表現(xiàn)得尤為突出。實例驗證采用向空白故障數(shù)據(jù)庫中逐條輸入故障數(shù)據(jù)進行測試，在這種情況下，經(jīng)驗數(shù)據(jù)越來越多，故障的準確率也越來越高。冷啟動下的驗證結(jié)果如圖3、圖4所示。

圖3 標準協(xié)同過濾冷啟動測試Fig.3 Cold starting test of standard collaborative filtering theory

圖4 基于元相似度的加權(quán)協(xié)同過濾冷啟動測試Fig.4 Cold starting test of weighted collaborative filtering based on meta-similarity

由圖3、圖4的測試可以看出，在冷啟動狀態(tài)下，標準協(xié)同過濾計算得到的高相似度記錄雖多于基于元相似度的協(xié)同過濾，但正確率不足；但在各自的高置信度區(qū)域內(nèi)，元相似度的協(xié)同過濾法得到正確的記錄數(shù)及正確率要多于標準協(xié)同過濾方法。由此可見，基于元相似度的協(xié)同過濾方法在其置信區(qū)域內(nèi)具有更強的學習能力。

4 結(jié)語

協(xié)同過濾理論以及基于元相似度的加權(quán)協(xié)同過濾改進算法所得出的結(jié)論在相似度較高時具有較強的可置信度，在冷啟動狀態(tài)下的學習能力也較強，非常適用于民機故障診斷領(lǐng)域，既可充分利用已有維修經(jīng)驗，也可對較少發(fā)生甚至從未發(fā)生過的故障進行診斷，大大提高排故效率，降低民航技術(shù)延誤率及航空公司運營成本。

[1]顧 錚.空中客車公司數(shù)字化排故及維修管理軟件AIRMAN[J].航空維修與工程，2005（6）：39-41.

[2]李宏坤.基于信息融合技術(shù)船舶柴油機故障診斷方法的研究與應(yīng)用[D].大連：大連理工大學，2003.

[3]劉召廣，潘 煉，王 君.模糊神經(jīng)網(wǎng)絡(luò)在發(fā)動機故障診斷中的應(yīng)用研究[J].工業(yè)儀表與自動化裝置，2008（5）：88-90，81.

[4]RESNICK P，LAKOVOU N，SUSHAK M，et al.GroupLens:An Open Architecture for Collaborative Filtering of Netnews[C]//Proc 1994 Computer Supported Cooperative Work Conf，Chapel Hill，1994：175-186.

[5]HILL W，STEAD L，ROSENSTEIN M，et al.Recommending and Evaluating Choices in a Virtual Community of Use[C]//Denver：Proc Conf Human Factors in Computing Systems，1995：194-201.

[6]RICH E.User modeling via stereotypes[J].Cognitive Science，1979，3（4）：329-354.

[7]GOLDBERG D，NICHOLS D，OKI B M，et al.Using collaborative filtering to weave an information tapestry[J].Comm ACM，1992，35（12）：61-70.

[8]KONSTAN J A，MILLER B N，MALTZ D，et al.GroupLens：applying collaborative filtering to usenet news[J].Comm ACM，1997，40（3）：77-87.

[9]SHARDANAND U，MAES P.Social Information Filtering:Algorithms for Automating‘Word of Mouth’[C]//Denver：Pro Conf Human Factors in Computing Systems，1995：210-217.

[10]LINDEN G，SMITH B，YORK J.Amazon.com recommendations：Itemto-item collaborative filtering[J].IEEE Internet Computing，2003，7（1）：76-80.

[11]許鵬遠，黨延忠.基于元相似度的推薦算法[J].計算機應(yīng)用研究，2011，28（10）：3646-3648，3651.

（責任編輯：黨亞茹）

Research on fault diagnosis method of civil aircraft based on collaborative filtering theory

XUE Peng
（Engineering Techniques Training Center，CAUC，Tianjin 300300，China）

Collaborative filtering theory is used in fault diagnosis field of civil aircrafts.Similarities between faults in the theory are calculated by Pearson method and vector cosine method.By analyzing the defects of collaborative filtering method，the concept of meta-similarity and weight are applied to solve these problems.Finally，practical instances in different conditions prove the learning ability and high accuracy of collaborative filtering theory and the optimized method，which can be applied in civil aircraft fault diagnosis，helping improve maintenance efficiency and reduce operating costs.

fault diagnosis；collaborative filtering；vector cosine；meta-similarity

V231.3

：A

：1674-5590（2014）04-0023-04

2014-03-01；

：2014-04-04

：中央高?；究蒲袠I(yè)務(wù)費專項（3122014D010）

薛 鵬（1982—），遼寧北票人，碩士，助教，研究方向為航空發(fā)動機故障診斷.