Construction and application of knowledge graph for fault diagnosis of key components of aviation equipment

doi:10.11772/j.issn.1001-9081.2025050586

Abstract

Abstract:

In response to the problems of strong professionalism， low value density， scattered domain knowledge， and lack of effective integration and utilization methods in the fault data of key components of aviation equipment， driven by the demand for intelligent fault diagnosis， a knowledge graph was introduced to organize the knowledge contained in fault records for sharing and reuse， and the construction and application of fault knowledge graph were studied. Firstly， based on the analysis of prior fault knowledge and fault records， a hierarchical fault diagnosis knowledge ontology model for key components of aviation equipment was designed， which defined entity types and their relationship constraints， effectively avoiding unclear entity boundaries and laying the foundation for the structured representation of knowledge. Secondly， an improved knowledge extraction method based on set prediction， namely SPN-BiLSTM-CRF， was proposed to efficiently extract knowledge triple sets directly from unstructured Chinese fault records， and a knowledge graph of hydraulic piston pump faults was constructed using aircraft component hydraulic piston pump as an example. Finally， combined with the FP-Growth association rule mining algorithm， association rules among fault modes， fault causes， and fault states were extracted from the fault knowledge dataset， and fault diagnosis was realized on this basis. SPN-BiLSTM-CRF can effectively address the knowledge application problem in fault data and provide a knowledge-driven solution for intelligent operation and maintenance of aviation equipment.

Key words: knowledge graph, fault diagnosis, set prediction, association rule mining, aviation equipment

摘要：

针对航空装备关键零部件故障数据存在的专业性强、价值密度低、领域知识分散、缺乏有效整合利用方式等问题，以智能化故障诊断需求为驱动，引入知识图谱组织故障记录中蕴含的知识以便分享和重用，并研究故障知识图谱的构建和应用。首先，基于对先验故障知识和故障记录的分析，设计一种面向航空装备关键零部件的层次化故障诊断知识本体模型，该模型定义了实体类型及其关系约束，可有效避免实体边界不清楚的问题，为知识的结构化表示奠定基础；其次，提出一种改进的基于集合预测的知识抽取方法SPN-BiLSTM-CRF，直接从非结构化中文故障记录中高效抽取知识三元组集合，并以飞机部件液压柱塞泵为例构建液压柱塞泵故障知识图谱；最后，结合FP-Growth关联规则挖掘算法从故障知识数据集中提取故障模式与故障原因以及故障状态间的关联规则，并据此实现故障诊断。SPN-BiLSTM-CRF可有效解决故障数据的知识应用问题，为航空装备智能化运维提供知识驱动解决方案。

关键词: 知识图谱, 故障诊断, 集合预测, 关联规则挖掘, 航空装备

CLC Number:

TP391

Ronghui ZHAO, Chao DENG, Zidong YU. Construction and application of knowledge graph for fault diagnosis of key components of aviation equipment[J]. Journal of Computer Applications, 2026, 46(5): 1604-1613.

赵荣慧, 邓超, 余紫东. 面向航空装备关键零部件故障诊断的知识图谱构建与应用[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1604-1613.

Figures/Tables 15

Fig. 1 Ontology definition details

Tab. 1 Relationships between different entity types

关系	头实体	尾实体	关系定义
consistOf （包含）	部件	部件	表示产品与零部件不同层级的构成关系
hasMode （具有）	部件	模式	表示部件具有的故障模式
leadTo （导致）	模式	模式	表示不同层级部件故障间的关系
becauseOf （原因）	模式	原因	表示引起故障的设计、使用等有关因素
displayState （显示）	模式	状态	表示故障对产品状态的影响关系
atState （处于）	部件	状态	表示故障出现时具体部件处于的状态关系

Fig. 2 Knowledge graph ontology model

Fig. 3 Structure of SPN-BiLSTM-CRF

Fig. 4 BIO labeling example

Tab. 2 Model parameters

参数	说明	值
optimizer	模型优化器	Adam
Batch size	数据批处理量	4
Encoder heads	编码器多头注意力头数	8
Decoder heads	解码器多头注意力头数	8
epoch	训练迭代次数	500
tripleQueries	三元组查询数	>11

Tab. 3 F1 scores of hyperparameter tripleQueries tuning experiments

超参数值	F1值/%	超参数值	F1值/%
11	92.22	18	91.22
12	94.83	20	88.53
13	93.51	25	86.29
15	93.10	30	85.03

Tab. 4 Performance comparison of experimental models

模型	精确率	召回率	F1值
SPN-BiLSTM-CRF	94.83	94.26	94.54
SPN^［38］	53.48	53.50	53.49
CopyMTL^［45］	52.11	53.08	52.59
CasRel^［46］	70.32	68.55	69.43
CasRel-AttR^［47］	89.54	89.38	89.56
OneRel^［48］	88.71	87.36	88.29

Tab. 5 Ablation experimental results

模型	精确率	召回率	F1值
SPN	53.48	53.50	53.49
SPN-BiLSTM	79.57	83.12	81.30
SPN-BiLSTM-CRF1	90.96	88.21	89.56
SPN-BiLSTM-CRF	94.83	94.26	94.54

Fig. 5 Extraction results of entity overlapping triples

Fig. 6 Knowledge graph of hydraulic piston pump faults

Fig. 7 Flow of knowledge graph application

Tab. 6 Fault counting results in dataset

故障编号	实际含义	计数
$M 1$	过热	120
$M 2$	泄漏	103
$M 3$	振动噪声异常	97
$M 4$	输出流量不足	88
$M 5$	输出压力异常	53
$M 6$	无输出压力	20
$M 7$	无输出流量	5

Tab. 6 Fault counting results in dataset

故障编号	实际含义	计数
$M 1$	过热	120
$M 2$	泄漏	103
$M 3$	振动噪声异常	97
$M 4$	输出流量不足	88
$M 5$	输出压力异常	53
$M 6$	无输出压力	20
$M 7$	无输出流量	5

Fig. 8 FP-Tree construction

Tab. 7 Some fault association rules

前提条件	结果条件	支持度	置信度	提升度
过滤器堵塞	振动噪声异常	0.088 4	0.698	3.2
金属摩擦声，不规则振动	过滤器堵塞	0.054 2	1.000	7.9
柱塞磨损	泄漏	0.048 2	1.000	3.6
排油管回油增加，流量传感器示数降低	柱塞磨损	0.048 2	1.000	7.2
油液泡沫化，管路接头可见油液渗漏	进油管O型圈损坏	0.044 2	0.759	17.2
滑靴松靴	振动噪声异常	0.044 2	0.688	3.1
周期性敲击声，不规则振动	滑靴松靴	0.044 2	1.000	15.6
进油管O型圈损坏	泄漏	0.044 2	1.000	3.6
吸油口真空压力上升，流量传感器示数波动	过滤器堵塞	0.038 2	1.000	7.9
滑靴磨损	过热	0.036 1	0.581	2.4
进油管密封圈漏气	振动噪声异常	0.030 1	1.000	4.6
使用过久	进油管密封圈漏气	0.030 1	1.000	33.2
噪声呈吱吱声	进油道密封圈漏气	0.030 1	1.000	33.2
流量无法调节，流量传感器示数下降	滑靴脱落	0.024 1	1.000	41.5
主轴轴承磨损	过热	0.024 1	0.571	2.4

References 49

[1]	张禹方，袁之康，高硕杰，等.基于跨模态数据的变压器套管故障知识图谱构建与应用［J］.中国电机工程学报，2025，45（22）： 9064-9075.
	ZHANG Y F， YUAN Z K， GAO S J， et al. Construction and application of knowledge graph of transformer bushing faults based on cross-modal data［J］. Proceedings of the CSEE， 2025， 45（22）： 9064-9075.
[2]	杨述明，吴建军，谢昌霖，等. 数据驱动智能故障诊断技术在液体火箭发动机中的应用与展望［J］. 航空学报， 2025， 46（15）： 6-25.
	YANG S M， WU J J， XIE C L， et al. Application issues of data-driven intelligent fault diagnosis technologies for liquid rocket engines［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（15）： 6-25.
[3]	黄达力.基于知识-机理-数据模型的电动螺旋压力机诊断系统［D］.北京：中国机械科学研究总院，2021.
	HUANG D L. Diagnosis system of electric screw press based on knowledge-mechanism-data model［D］. Beijing： China Academy of Machinery Science and Technology， 2021.
[4]	高炜，陈康，侯晓松，等.基于机理模型的罗茨风机故障诊断［J］.设备管理与维修，2024（1）：170-174.
	GAO W， CHEN K， HOU X S， et al. Fault diagnosis of roots blower based on mechanism modeling［J］. Plant Maintenance Engineering， 2024（1）： 170-174.
[5]	郁万康，冷子文，高军伟，等.基于改进SE-ResNet-BiLSTM的航空发动机中介轴承故障诊断［J］.空军工程大学学报，2024，25（6）：35-42.
	YU W K， LENG Z W， GAO J W， et al. A fault diagnosis for inter-shaft bearing of aero-engine based on improved SE-ResNet-BiLSTM［J］. Journal of Air Force Engineering University， 2024， 25（6）： 35-42.
[6]	ZHANG K， XU Y， LIAO Z， et al. A novel fast entrogram and its applications in rolling bearing fault diagnosis［J］. Mechanical Systems and Signal Processing， 2021， 154： No.107582.
[7]	JIANG Z， WANG H， WANG W. A Petri net strategy for fault diagnosis and location in power distribution systems to prevent local power shortages［J］. IEEE Access， 2024， 12： 161038-161053.
[8]	刘慧敏，黎良.基于标签时间Petri网的DES故障概率及发生时间预测［J］.控制与决策，2025，40（2）：581-589.
	LIU H M， LI L. Prediction of fault probability and occurrence date for discrete event systems based on labeled time Petri nets［J］. Control and Decision， 2025， 40（2）： 581-589.
[9]	GUO R， WU J， JI F， et al. Analysis of traffic safety in airport aircraft activity areas based on Bayesian networks and fault trees［J］. Digital Transportation and Safety， 2024， 3（1）： 8-18.
[10]	ZONG S， WANG Z， LIU K， et al. Risk assessment of general FPSO supply system based on hybrid fuzzy fault tree and Bayesian network［J］. Ocean Engineering， 2024， 311（Pt 2）： No.118767.
[11]	邱瑞，姚全营，刘鹏，等.基于动态不确定因果图的航天器故障诊断方法［J］.航天器工程，2024，33（5）：9-14.
	QIU R， YAO Q Y， LIU P， et al. Dynamic uncertain causality graph-based methodology for spacecraft fault diagnosis［J］. Spacecraft Engineering， 2024， 33（5）： 9-14.
[12]	朱良兵，刘发德.大语言模型与知识图谱的比较和融合研究［J］. 情报探索，2024（12）：8-16.
	ZHU L B， LIU F D. Research on comparison and fusion between large language models and knowledge graphs［J］. Information Research， 2024（12）： 8-16.
[13]	SARAZIN A， BASCANS J， SCIAU J B， et al. Expert system dedicated to condition-based maintenance based on a knowledge graph approach： application to an aeronautic system［J］. Expert Systems with Applications， 2021， 186： No.115767.
[14]	HOGAN A， BLOMQVIST E， COCHEZ M， et al. Knowledge graphs［J］. ACM Computing Surveys， 2022， 54（4）： No.71.
[15]	FONTUGNE R， TASHIRO M， SOMMESE R， et al. The wisdom of the measurement crowd： building the internet yellow pages a knowledge graph for the Internet［C］// Proceedings of the 2024 ACM Internet Measurement Conference. New York： ACM， 2024： 183-198.
[16]	尚子伟，胡文岭.知识图谱在商业银行风险管理中的应用探究［J］.金融文坛，2024（3）：96-98.
	SHANG Z W， HU W L. Research on the application of knowledge graph in risk management of commercial banks［J］. Financial Tribune， 2024（3）： 96-98.
[17]	徐梓芯，易修文，鲍捷，等.面向流行病学调查的知识图谱构建与应用［J］.计算机应用，2025，45（4）：1340-1348.
	YU Z X， YI X W， BAO J， et al. Construction and application of knowledge graph for epidemiological investigation［J］. Journal of Computer Applications， 2025， 45（4）： 1340-1348.
[18]	YIN Z， SHI L， YUAN Y， et al. A study on a knowledge graph construction method of safety reports for process industries［J］. Processes， 2023， 11（1）： No.146.
[19]	ZHANG Q， LUO Q， ZHAO A， et al. Onto-SAGCN： ontology modeling and spatial attention-based graph convolution networks for aircraft assembly quality prediction［J］. Advanced Engineering Informatics， 2024， 60： No.102531.
[20]	杨同智，张鑫鑫，董房，等.基于知识图谱的航天器健康管理技术研究［J］.航天器工程，2023，32（2）：61-69.
	YANG T Z， ZHANG X X， DONG F， et al. Research on spacecraft health management technology based on knowledge graph［J］. Spacecraft Engineering， 2023， 32（2）： 61-69.
[21]	KONG S， HUANG X， ZHONG X， et al. Entity recognition method for airborne products metrological traceability knowledge graph construction［J］. Measurement， 2024， 225： No.114032.
[22]	LIU H， MA R， LI D， et al. Machinery fault diagnosis based on deep learning for time series analysis and knowledge graphs［J］. Journal of Signal Processing Systems， 2021， 93（12）： 1433-1455.
[23]	张亮，吴闯，贾宇航，等.基于知识图谱与模糊贝叶斯推理的航空发动机故障诊断［J］.空军工程大学学报，2024，25（4）：5-12.
	ZHANG L， WU C， JIA Y H， et al. Fault diagnosis of aero-engine based on KG-FBN inference［J］. Journal of Air Force Engineering University， 2024， 25（4）： 5-12.
[24]	LIU P， QIAN L， ZHAO X， et al. Joint knowledge graph and large language model for fault diagnosis and its application in aviation assembly［J］. IEEE Transactions on Industrial Informatics， 2024， 20（6）： 8160-8169.
[25]	罗瑞欣，刘显敏，高宇鹏，等.基于时序图模式匹配的航天器故障诊断算法［J］.宇航学报，2025，46（2）：262-271.
	LUO R X， LIU X M， GAO Y P， et al. A spacecraft fault diagnosis algorithm based on temporal graph pattern matching［J］. Journal of Astronautics， 2025， 46（2）： 262-271.
[26]	何梓顺，林晶.一种基于慢性病本体知识库的个性化知识服务方法［J］.中国科技信息，2025（6）：141-144.
	HE Z S， LIN J. A personalized knowledge service method based on chronic disease ontology knowledge base［J］. China Science and Technology Information， 2025（6）： 141-144.
[27]	刘宇松.本体构建方法和开发工具研究［J］.现代情报，2009，29（9）：17-24.
	LIU Y S. Research of approaches and development tools in constructing ontology［J］. Journal of Modern Information， 2009， 29（9）： 17-24.
[28]	于浏洋，郭志刚，陈刚，等.面向知识图谱构建的知识抽取技术综述［J］.信息工程大学学报，2020，21（2）：227-235.
	YU L Y， GUO Z G， CHEN G， et al. Summary of knowledge graph construction oriented knowledge extraction technology［J］. Journal of Information Engineering University， 2020， 21（2）： 227-235.
[29]	DAGDELEN J， DUNN A， LEE S， et al. Structured information extraction from scientific text with large language models［J］. Nature Communications， 2024， 15： No.1418.
[30]	LI Q， JI H. Incremental joint extraction of entity mentions and relations［C］// Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2014： 402-412.
[31]	NAYAK T， NG H T. Effective modeling of encoder-decoder architecture for joint entity and relation extraction［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 8528-8535.
[32]	王琪凯，刘孙俊，何俊江，等.基于表格填充的网络威胁情报关系三元组抽取［J］.微电子学与计算机，2025，42（7）：82-92.
	WANG Q K， LIU S J， HE J J， et al. Cyber threat intelligence relational triple extraction using table filling［J］. Microelectronics and Computer， 2025， 42（7）： 82-92.
[33]	JIA W， MA R， YAN L， et al. Joint entity and relation extraction with table filling based on graph convolutional networks［J］. Expert Systems with Applications， 2025， 266： No.126130.
[34]	DASH A， DARSHANA S， YADAV D K， et al. A clinical named entity recognition model using pretrained word embedding and deep neural networks［J］. Decision Analytics Journal， 2024， 10： No.100426.
[35]	王梦涛，杜方，王美静，等.基于门控卷积网络和自注意力网络的联合实体关系抽取［J］.宁夏大学学报（自然科学版），2024，45（3）：315-324.
	WANG M T， DU F， WANG M J， et al. Joint entity relation extraction based on gated convolutional neural networks and self-attention networks［J］. Journal of Ningxia University （Natural Science Edition）， 2024， 45（3）： 315-324.
[36]	GIORGI J， BADER G， WANG B. A sequence-to-sequence approach for document-level relation extraction［C］// Proceedings of the 21st Workshop on Biomedical Language Processing. Stroudsburg： ACL， 2022： 10-25.
[37]	GUO Q， JIN Z， DAI N， et al. 𝒫 ²： a plan-and-pretrain approach for knowledge graph-to-text generation［C］// Proceedings of the 3rd International Workshop on Natural Language Generation from the Semantic Web. Stroudsburg： ACL， 2020： 100-106.
[38]	SUI D， ZENG X， CHEN Y， et al. Joint entity and relation extraction with set prediction networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2024， 35（9）： 12784-12795.
[39]	DEVLIN J， CHANG M W， LEE K， et al. BERT： pre-training of deep bidirectional Transformers for language understanding［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
[40]	SENNRICH R， HADDOW B， BIRCH A. Neural machine Translation of rare words with subword units［C］// Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2016： 1715-1725.
[41]	沈豫，管辉，王杰，等.利用CEEMDAN-ARIMA-BiLSTM模型预报电离层总电子含量［J］.地理空间信息，2025，23（3）：92-95.
	SHEN Y， GUAN H， WANG J， et al. Ionospheric total electron content prediction based on CEEMDAN-ARIMA-BiLSTM model［J］. Geospatial Information， 2025， 23（3）： 92-95.
[42]	HUANG Z， XU W， YU K. Bidirectional LSTM-CRF models for sequence tagging［EB/OL］. ［2025-01-13］. .
[43]	GU J， BRADBURY J， XIONG C， et al. Non-autoregressive neural machine translation［EB/OL］. ［2025-03-09］. .
[44]	何芳州，王祉淇.基于知识图谱的多数据集成抽取方法仿真［J］.计算机仿真，2023，40（12）：422-427.
	HE F Z， WANG Z Q. Simulation of integrated extraction method for multiple data based on knowledge graph［J］. Computer Simulation， 2023， 40（12）： 422-427.
[45]	ZENG D， ZHANG H， LIU Q. CopyMTL： copy mechanism for joint extraction of entities and relations with multi-task learning［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 9507-9514.
[46]	WEI Z， SU J， WANG Y， et al. A novel cascade binary tagging framework for relational triple extraction［C］// Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Stroudsburg： ACL， 2020： 1476-1488.
[47]	刘丽，白宇昂，李刚，等.基于CasRel-AttR模型的电力二次作业风险知识图谱构建方法研究［J］.电力信息与通信技术，2024，22（11）：7-16.
	LIU L， BAI Y A， LI G， et al. Research on the construction method of risk knowledge graph of power secondary operation based on CasRel-AttR model［J］. Electric Power Information and Communication Technology， 2024， 22（11）： 7-16.
[48]	SHANG Y M， HUANG H， MAO X L. OneRel： joint entity and relation extraction with one module in one step［C］// Proceedings of the 36th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2022： 11285-11293.
[49]	曾夏，张富强，邵树军，等.基于FP-Growth算法的数控机床故障特征分析［J］.机床与液压，2022，50（16）：174-180.
	ZENG X， ZHANG F Q， SHAO S J， et al. Fault feature analysis for CNC machine tools based on FP-Growth algorithm［J］. Machine Tool and Hydraulics， 2022， 50（16）： 174-180.