秦大力 于德介 劉 堅(jiān)

1.湖南大學(xué)汽車車身先進(jìn)設(shè)計(jì)制造國家重點(diǎn)實(shí)驗(yàn)室，長沙，410082 2.湖南農(nóng)業(yè)大學(xué)，長沙，410128

0 引言

隨著設(shè)備維護(hù)流程與診斷對象的復(fù)雜程度不斷提高，智能診斷應(yīng)用對設(shè)備診斷維護(hù)的準(zhǔn)確性、實(shí)時(shí)性及適應(yīng)性提出了更高的要求［1］。診斷過程中如何有效管理并充分利用診斷維護(hù)知識(shí)，提高診斷準(zhǔn)確度和維護(hù)決策效率，仍是智能診斷應(yīng)用中一個(gè)有待解決的難題。

智能診斷的基礎(chǔ)是底層的知識(shí)描述機(jī)制，而與之密切相關(guān)的是診斷推理模型的擴(kuò)展能力。在傳統(tǒng)的故障診斷方法中，知識(shí)獲取手段較為單一，且處理機(jī)制復(fù)雜，難以合理地描述異構(gòu)多源的診斷維護(hù)知識(shí)，尤其是不能有效地重用維護(hù)經(jīng)驗(yàn)知識(shí)［2］。許多學(xué)者采用智能方法建立了診斷維護(hù)模型。Ryu等［3］結(jié)合UML和Petri網(wǎng)定義了面向制造過程的協(xié)同制造環(huán)境模型，但該模型不具備適應(yīng)復(fù)雜生產(chǎn)環(huán)境的學(xué)習(xí)機(jī)制和擴(kuò)展性；Garcia－Crespo等［4］建立了工業(yè)制造過程的語義表示和知識(shí)推理概念模型，但該模型對維護(hù)過程和診斷結(jié)果缺乏解釋，難以形成知識(shí)的反饋。本體是一種概念知識(shí)形式化規(guī)范說明方法［5］，其應(yīng)用領(lǐng)域主要集中在產(chǎn)品功能分解［6］、零件工藝設(shè)計(jì)［7］和生產(chǎn)過程控制［8］等方面，但這些應(yīng)用模型僅針對產(chǎn)品或設(shè)備生命周期中的某一環(huán)節(jié)，知識(shí)表示的自動(dòng)化程度和模型的自適應(yīng)能力較低。

針對這些問題，本文提出一種本體驅(qū)動(dòng)的診斷推理模型，這一模型首先從設(shè)備全生命周期管理的角度出發(fā)，在本體驅(qū)動(dòng)的設(shè)備語義知識(shí)表示方法支持下，引導(dǎo)并協(xié)助維護(hù)參與者逐步抽取并描述診斷維護(hù)知識(shí)；然后利用設(shè)備狀態(tài)－征兆映射與故障－征兆匹配算法實(shí)現(xiàn)設(shè)備特征狀態(tài)空間到故障征兆空間的映射，最終完成靜態(tài)維護(hù)知識(shí)與動(dòng)態(tài)診斷過程的統(tǒng)一。某轉(zhuǎn)子故障的診斷實(shí)例表明，該模型可以有效地對設(shè)備信息與維護(hù)過程進(jìn)行語義抽取，實(shí)現(xiàn)故障自動(dòng)推理與診斷，診斷結(jié)果符合設(shè)備的實(shí)際運(yùn)行狀況。

1 設(shè)備診斷維護(hù)建模與核心本體

制造業(yè)本體應(yīng)用主要集中在產(chǎn)品設(shè)計(jì)領(lǐng)域［9］，即設(shè)備或產(chǎn)品的 BOL（beginning of lifetime）階段，而關(guān)鍵維護(hù)要素涉及從設(shè)備制造、投產(chǎn)運(yùn)行到報(bào)廢的整個(gè)過程。維護(hù)診斷知識(shí)來源于狀態(tài)監(jiān)測數(shù)據(jù)和維護(hù)參與者的經(jīng)驗(yàn)思維，需要系統(tǒng)全面的知識(shí)管理方法來實(shí)現(xiàn)診斷維護(hù)知識(shí)的表示、推理與反饋。因此，如圖1所示，我們首先考慮將診斷維護(hù)任務(wù)相關(guān)信息進(jìn)行過濾，建立形式化的知識(shí)概念模型；然后從多方面擴(kuò)展本體驅(qū)動(dòng)的維護(hù)診斷方法，完成設(shè)備運(yùn)行狀態(tài)與故障征兆之間的映射，并將故障征兆與故障案例庫進(jìn)行匹配；最后，在有效地獲取、使用并存儲(chǔ)維護(hù)語義知識(shí)的基礎(chǔ)上，實(shí)現(xiàn)可靠完備的維護(hù)診斷知識(shí)建模過程。

圖1 本體驅(qū)動(dòng)的設(shè)備維護(hù)建模流程

1.1 核心本體

診斷維護(hù)本體建模的首要任務(wù)是厘清應(yīng)用領(lǐng)域中的核心概念，針對診斷維護(hù)實(shí)體與行為構(gòu)造出可擴(kuò)展的核心本體。核心本體是定義診斷對象、診斷行為、實(shí)體關(guān)系及診斷維護(hù)方法論的頂層本體，且獨(dú)立于任何特定設(shè)備或應(yīng)用。核心本體包括設(shè)備域本體（EquipDomain）、過程域本體（ProcDomain）和診斷域本體（DiagDomain），這三類本體分別定義了設(shè)備實(shí)體、維護(hù)過程和診斷決策的抽象概念及其相互關(guān)系，其層次結(jié)構(gòu)如表1。對核心本體所包含的基礎(chǔ)語義進(jìn)行擴(kuò)展可以適應(yīng)不同診斷維護(hù)應(yīng)用的需求。

表1 維護(hù)語義核心本體的層次劃分及作用

1.2 診斷維護(hù)語義知識(shí)的關(guān)聯(lián)

診斷維護(hù)知識(shí)模型中的領(lǐng)域概念知識(shí)并非孤立存在的，概念之間還存在復(fù)雜的關(guān)系。圖2展示了診斷維護(hù)模型中的概念及其相互關(guān)系（灰色標(biāo)識(shí)的類為核心類），其中，概念和關(guān)系名稱分別采用斜體與正體表示。設(shè)備（Equipment）包含若干部件（Component），兩者之間表現(xiàn)為isPartOf關(guān)系；診斷維護(hù)過程（Process）細(xì)分為若干處理步驟（ProcessStep），主要涉及設(shè)備狀態(tài) （Condition）、故障征兆（Symptom）以及故障本身（Fault）之間的相互關(guān)系。設(shè)備狀態(tài)（Condition）語義描述較為復(fù)雜，分解為三個(gè)子類：CondOf－Char、CondOfComp與ProcStepCond，分別與特征值（Characterization）、部件類及故障類相關(guān)聯(lián)。設(shè)備異常狀態(tài)下故障與征兆之間的對應(yīng)關(guān)系由hasSym表示（其逆關(guān)系為belongTo）。表2列出了維護(hù)本體框架中主要概念關(guān)系的含義。

2 維護(hù)與診斷過程建模

建立了基本的維護(hù)語義知識(shí)模型之后，還要針對診斷維護(hù)過程的各個(gè)行為要素建模，從多個(gè)角度對維護(hù)過程的數(shù)據(jù)、功能、組織及流程進(jìn)行語義抽取。我們將維護(hù)過程劃分為一系列的步驟和狀態(tài)變遷，重點(diǎn)考慮維護(hù)過程知識(shí)和語義關(guān)聯(lián)的統(tǒng)一表達(dá)。

圖2 維護(hù)本體概念及概念之間的關(guān)聯(lián)

表2 維護(hù)本體框架主要概念關(guān)聯(lián)的含義

2.1 診斷維護(hù)過程分解

診斷維護(hù)過程可以分解為過程執(zhí)行的前提條件、動(dòng)作、結(jié)果以及相關(guān)的處理過程。其中“動(dòng)作”是指維護(hù)操作人員或自動(dòng)化系統(tǒng)的行為序列單元，在滿足“前提條件”的情況下作用于目標(biāo)設(shè)備或測量儀器，產(chǎn)生維護(hù)過程的執(zhí)行“結(jié)果”。這些過程的基本元素組合成診斷維護(hù)行為步驟及其邏輯環(huán)境的基本模型（圖3）。圖3中的矩形框表示維護(hù)過程步驟，其“前提條件”包括設(shè)備部件狀態(tài)、過程狀態(tài)或過程步驟狀態(tài)等形式。前提條件和執(zhí)行結(jié)果是一種標(biāo)識(shí)過程狀態(tài)的邏輯表達(dá)式，在圖3中表示為橢圓。邏輯表達(dá)式的真值則由狀態(tài)遷移箭頭旁邊的文字來標(biāo)識(shí)，例如“［CondAbnormal］”表示異常狀態(tài)下狀態(tài)原子謂詞的合取式。

圖3 診斷維護(hù)過程步驟分解的基本模型

分解后的維護(hù)過程基本元素一一對應(yīng)于過程域本體中的類和關(guān)聯(lián)（圖4），整個(gè)維護(hù)過程可以看作是一系列過程步驟（ProcessStep）實(shí)例集合，每一步驟包含多個(gè)過程步驟狀態(tài)（ProcStep－Cond）。以工藝參數(shù)監(jiān)測過程為例，某齒輪箱潤滑油溫的狀態(tài)特征可表示為Characterization對象實(shí)例：

而油溫異常表示為CondOfChar對象實(shí)例：

之后，異常狀態(tài)映射為數(shù)值型故障征兆實(shí)例：

這樣，利用分解模型獲得的狀態(tài)與維護(hù)過程實(shí)例完整清晰地表示出了診斷維護(hù)過程的狀態(tài)特征和操作環(huán)境信息，可以直接應(yīng)用于后續(xù)的故障診斷分析。

圖4 診斷維護(hù)過程的本體語義描述

2.2 狀態(tài)－征兆映射

設(shè)備狀態(tài)空間到故障特征空間的映射關(guān)系表現(xiàn)為運(yùn)行狀態(tài)與故障征兆之間的本體映射（簡稱狀態(tài)－征兆映射）。例如，轉(zhuǎn)動(dòng)軸不平衡引起的振動(dòng)是旋轉(zhuǎn)機(jī)械的常見多發(fā)故障，一般需要實(shí)時(shí)監(jiān)測轉(zhuǎn)動(dòng)軸的振動(dòng)頻率以獲取軸振動(dòng)方向上的頻譜特征，當(dāng)設(shè)備出現(xiàn)異常時(shí)，這些振動(dòng)特征量就表現(xiàn)為頻譜分析中的故障征兆。狀態(tài)－征兆映射主要依靠設(shè)備運(yùn)行狀態(tài)類（Condition）、故障征兆類（Symptom）、監(jiān)測特征類（Characterization）、設(shè)備部件類（Component）以及這些類之間的相互關(guān)系來完成，下面介紹具體算法。

算法1 狀態(tài)－征兆映射算法

算法1中使用Jena API和規(guī)則內(nèi)建原語［10］來建立映射規(guī)則，并支持前向與反向推理。主要規(guī)則包括：

規(guī)則1 部件運(yùn)行狀態(tài)與故障征兆映射規(guī)則

規(guī)則2 設(shè)備特征狀態(tài)與故障征兆映射規(guī)則

其中，x1與x2分別為CondOfComp與CondOf－Chara實(shí)例，s為征兆實(shí)例，cp為設(shè)備部件實(shí)例，ch為特征狀態(tài)實(shí)例，l為征兆預(yù)定義列表。list－Contains和equal為Jena內(nèi)建原語函數(shù)，分別實(shí)現(xiàn)列表搜索功能和語義相等性測試功能。

對于其他未知來源的設(shè)備異常狀態(tài)，可由ProcStepCond、Fault和Symptom的語義關(guān)聯(lián)反向推理獲得狀態(tài)－征兆映射關(guān)系，其規(guī)則如下：

規(guī)則3 維護(hù)步驟狀態(tài)與故障征兆映射規(guī)則

2.3 故障－征兆匹配與知識(shí)推理

故障診斷問題的實(shí)質(zhì)是根據(jù)征兆空間到故障空間的映射關(guān)系，進(jìn)行故障－征兆匹配的過程。就復(fù)雜診斷對象而言，故障－征兆匹配是一種多對多的復(fù)雜映射關(guān)系，可以轉(zhuǎn)換為故障征兆的置信度（belief），并以診斷案例庫的形式集成到診斷域本體。實(shí)際診斷過程中，在大多數(shù)情況下很難一次性獲取所有征兆信息，往往需要利用表層征兆信息進(jìn)行初步分析，提出可能的故障集合；再對可能故障進(jìn)行逐一審查，排除故障集當(dāng)中與故障征兆不匹配的元素，逐步逼近正確的診斷結(jié)果；當(dāng)全部征兆確定出現(xiàn)在診斷對象上，可以認(rèn)為該故障就是最終的診斷解。診斷過程中使用的故障－征兆匹配約束與推理規(guī)則如表3，約束或規(guī)則采用了OWL和SWRL構(gòu)造子（Constructor）［11］。

表3 故障－征兆匹配中的約束與推理規(guī)則

在故障－征兆匹配過程中，首先對征兆實(shí)例進(jìn)行約束檢測，然后根據(jù)征兆與故障之間的從屬關(guān)系進(jìn)行匹配，如果診斷案例庫中所有征兆知識(shí)與待匹配的征兆實(shí)例相符，則認(rèn)為匹配成功。下面給出具體算法。

算法2 故障－征兆匹配算法

3 診斷案例

以某石化企業(yè)涼水塔軸流式風(fēng)機(jī)為研究對象，驗(yàn)證本文提出的本體驅(qū)動(dòng)診斷推理模型。圖5是風(fēng)機(jī)減速箱外觀及傳感器安裝位置，分別采集機(jī)殼振動(dòng)、潤滑油溫和驅(qū)動(dòng)電機(jī)電流數(shù)據(jù)，并臨時(shí)設(shè)置四個(gè)水平與垂直方向?qū)嶒?yàn)測點(diǎn)。診斷開始前，先將常見故障及其征兆進(jìn)行知識(shí)規(guī)范化，建立故障案例本體知識(shí)庫；然后按照2.1節(jié)所述方法進(jìn)行任務(wù)過程步驟分解（圖6），主要步驟包括啟動(dòng)風(fēng)機(jī)、風(fēng)機(jī)狀態(tài)監(jiān)測、故障評估與診斷；最后將狀態(tài)監(jiān)測數(shù)據(jù)與故障案例導(dǎo)入維護(hù)診斷語義模型，得出診斷結(jié)果。

圖5 風(fēng)機(jī)減速箱外觀及傳感器安裝位置

圖6 風(fēng)機(jī)狀態(tài)監(jiān)測與故障診斷流程步驟分解

表4 風(fēng)機(jī)診斷試驗(yàn)數(shù)據(jù)及征兆匹配結(jié)果

表5 診斷經(jīng)驗(yàn)概率值及故障類型計(jì)算結(jié)果

為了驗(yàn)證上述診斷結(jié)論，我們對照2號(hào)風(fēng)機(jī)實(shí)時(shí)監(jiān)測數(shù)據(jù)FFT頻譜進(jìn)行分析，2號(hào)風(fēng)機(jī)額定轉(zhuǎn)速為1460r／min，從圖7所示的頻譜圖來看，機(jī)殼振動(dòng)測點(diǎn)與實(shí)驗(yàn)測點(diǎn)均在基頻（24Hz）和2倍頻處出現(xiàn)振動(dòng)過大的情形，而其他頻率成分沒有明顯變化，尤其是1／3倍頻和1／2倍頻附近的振值很小，基本排除油膜振蕩或摩擦的可能性，初步判定為轉(zhuǎn)子出現(xiàn)質(zhì)量不平衡故障。該設(shè)備停機(jī)檢查后發(fā)現(xiàn)轉(zhuǎn)軸銹蝕結(jié)垢情況較為嚴(yán)重，影響了轉(zhuǎn)子的平衡狀況，這也說明上述診斷維護(hù)推理模型的判定結(jié)果與實(shí)際情況相符。

圖7 2號(hào)風(fēng)機(jī)實(shí)時(shí)FFT頻譜圖

4 結(jié)束語

針對智能診斷應(yīng)用中經(jīng)驗(yàn)知識(shí)的重用、診斷推理決策自動(dòng)化等問題，提出了一個(gè)本體驅(qū)動(dòng)的診斷知識(shí)模型，實(shí)現(xiàn)了基于本體的診斷規(guī)則推理與設(shè)備運(yùn)行狀態(tài)評估。該模型主要將診斷經(jīng)驗(yàn)與行為進(jìn)行語義規(guī)范化，通過設(shè)備狀態(tài)－故障征兆映射和故障案例－故障征兆匹配算法完成設(shè)備故障的自動(dòng)化智能診斷。實(shí)例分析結(jié)果表明，該模型適用于機(jī)械設(shè)備狀態(tài)監(jiān)測與故障診斷過程的知識(shí)表示，能夠?qū)⒐收显\斷經(jīng)驗(yàn)有效地轉(zhuǎn)化成可量化的評估指標(biāo)，增強(qiáng)了故障診斷評估的合理性，為智能化故障診斷提供了一種新的思路。但該模型主要關(guān)注于診斷知識(shí)表達(dá)，在知識(shí)推理方面還比較薄弱，尤其是在語義通用性和本體映射準(zhǔn)確度方面有待進(jìn)一步研究。

［1］Manzini R，Regattieri A，Pham H.Introduction to Maintenance in Production Systems［M］.London：Springer，2010.

［2］Yu Y，Ji X，Wang D，et al.Study of the Knowledge－based Integrated Equipment Management System for Process Enterprise［J］.Advanced Materials Research，2011，201：912－919.

［3］Ryu K，Yucesan E.CPM：a Collaborative Process Modeling for Cooperative Manufacturers［J］.Advanced Engineering Informatics，2007，21（2）：231－239.

［4］Garcia－Crespo A，Ruiz－Mezcua B，Lopez J L，et al.Conceptual Model for Semantic Representation of Industrial Manufacturing Processes［J］.Computers in Industry，2010，61（7）：595－612.

［5］Guarino N.Formal Ontology，Conceptual Analysis and Knowledge Representation［J］.International Journal of Human Computer Studies，1995，43（5）：625－640.

［6］Yang S C，Patil L，Dutta D.Function Semantic Representation（FSR）：a Rule－Based Ontology for Product Functions［J］.Journal of Computing and Information Science in Engineering，2010，10（3）：031001－8.

［7］Barbau R，Krima S，Rachuri S，et al.OntoSTEP：Enriching Product Model Data Using Ontologies［J］.Computer－Aided Design，2012，44（6）：575－590.

［8］Nemeth E，Hangos K M，Lakner R.A Procedure Ontology for Advanced Diagnosis of Process Systems［J］.Journal of Intelligent ＆ Fuzzy Systems，2010，21：19－31.

［9］Goel A K，Garza A.Special Issue on Artificial Intelligence in Design［J］.Journal of Computing and Information Science in Engineering，2010，10（3）：030301－3.

［10］Reynolds D.Jena 2Inference Support［EB／OL］.［2011－12－23］.http：／／jena.sourceforge.net／inference.

［11］Fernandez－Lopez，M，Gomez－Perez A.Overview and Analysis of Methodologies for Building Ontologies［J］.Knowledge Engineering Review，2002，17（2）：129－156.