李林琛 張春芝 楊德亮（北京工業(yè)職業(yè)技術學院，北京市石景山區(qū)，100042）

?

★煤炭科技·機電與信息化★

基于案例推理的礦井風機故障診斷系統(tǒng)的研究?

李林琛 張春芝 楊德亮
（北京工業(yè)職業(yè)技術學院，北京市石景山區(qū)，100042）

摘 要為了提高礦井風機故障診斷的準確率，結合案例推理研究設計了礦井風機故障診斷系統(tǒng)，該系統(tǒng)引入了群決策思想對多種相似度指標進行了綜合，從而解決了因單一相似度指標對系統(tǒng)診斷結果帶來的不確定性上的弊端，仿真試驗表明，該系統(tǒng)能夠有效地診斷出風機故障，能夠高效地對風機的運行狀態(tài)進行分析判斷，為礦井安全提供了相應的保障。

關鍵詞礦井風機 故障診斷 案例推理 群決策

礦井風機是煤礦企業(yè)生產的核心設備，其運行的安全性與可靠性直接決定著煤礦的安全生產能力。因此，對煤礦風機進行故障診斷十分必要，這樣能對風機故障、隱患以及不良反應等做到早發(fā)現(xiàn)和早處理，保障設備安全、可靠、高效、經(jīng)濟地運行。而如何準確地判斷風機的運行狀態(tài)，及時發(fā)現(xiàn)故障征兆，并對出現(xiàn)的故障進行準確有效地分析和判斷，已成為煤礦生產和故障診斷方面亟需解決的問題。

目前，常見的礦井風機故障診斷方法主要包含基于數(shù)據(jù)驅動的方法（如PCA、PLS等）和人工智能的方法（如神經(jīng)網(wǎng)絡、專家系統(tǒng)等），然而這些方法均存在相應的弊端，如為了保證神經(jīng)網(wǎng)絡的準確性，需要大量歷史數(shù)據(jù)進行訓練，這對于進行故障診斷的系統(tǒng)往往是無法實現(xiàn)的。因為故障具有突發(fā)性、不可逆性和破壞性，因此在實際中難以得到大量的訓練樣本，從而會影響到診斷的準確性與可靠性。此外，利用專家系統(tǒng)需要得到大量的規(guī)則，而此規(guī)則獲取較為困難也限制了該方法的進一步發(fā)展，因此，急需確定新的方法對礦井風機進行診斷。

1　案例推理與問題分析

1.1 案例推理

案例推理（Case-Based Reasoning，CBR）崛起于20世紀80年代，其推理思想模擬了人類認知新事物的思想，即利用過往的知識經(jīng)驗來解決新問題，與專家系統(tǒng)不同的是案例推理的知識是某一領域以往處理過的，而經(jīng)驗案例，很大程度上避免了知識獲取困難的問題，而且不用建立復雜的數(shù)學模型，適用于經(jīng)驗占主導或建模困難的領域。為了提高礦井風機故障診斷的準確率，保證風機的運行可靠性，本文針對案例推理的關鍵步驟案例檢索環(huán)節(jié)進行了改進，通過引入群決策思想解決了因單一相似度指標帶來的診斷不確定性，增強了診斷結果的可靠性，礦井風機的安全性得到進一步的保障。

案例推理是利用過往知識經(jīng)驗解決當前問題的方法，其推理過程包括案例檢索（Retrieve）、案例重用（Reuse）、案例修正（Revise）和案例保存（Retrain），案例推理過程流程圖如圖1所示。

圖1　案例推理過程流程圖

利用CBR進行風機故障診斷的流程可描述為以下4個過程:

（1）構造風機案例庫，將實際運行過程中積累的故障以及正常的案例表示為如下的二元組形式:

式中:Hi——歷史案例；

m——故障源案例的總數(shù)；

Xi——第i個故障案例的特征屬性，Xi可用特征值描述法表示；

Yi——第i個故障案例的診斷結果。

（2）記目標案例為T=（t1，t2，…，tj，…，tn），對應的分類結論為YT。為了得到YT的分類結論，需要評估案例庫中每個故障源案例與目標案例T的相似度，一般采用K最近鄰（K-Nearest Neighbor，KNN）檢索策略去計算二者的相似度值:

式中:similarityi——Xi與T的相似度，similarityi∈［0，1］；

dis1（T，Xi）——目標案例與歷史案例的歐氏距離。

式中:tj——目標案例T的第j個屬性值；

xij——第i個歷史案例的第j個屬性值；

ωj（j=1，2，…，n）表示第j個特征屬性的權重，傳統(tǒng)的做法是取均權重。

由式（2）可以得到m個相似度s1～sm，并將其按照降序排列，在此基礎上得到前K個相似度所對應的源案例及其對應的診斷結果。

（3）在上述得到的K個相似度對應的故障源案例中，可采用最大相似度重用方式（K=1）或多數(shù)重用方式（K＞1且為奇數(shù)）獲得目標案例T的建議診斷結果。

（4）將目標案例T與分類結果YT表示為式（1）所述的二元組形式存儲于案例庫中，供后續(xù)的診斷案例使用。

1.2 問題分析

上述為利用案例推理進行風機故障診斷的一般流程，然而由于礦井風機的重要性，在利用CBR進行故障診斷時，需要保障診斷的準確率以及診斷的可靠性。

由上述介紹可知，案例檢索在CBR中處于首位，對整個系統(tǒng)的運行效果起到了關鍵作用，檢索質量的好壞直接影響著風機故障診斷的結果。傳統(tǒng)的CBR系統(tǒng)通常采用KNN策略進行檢索，而KNN是一種基于相似度的檢索策略以距離的指標，通常采用單一的歐式距離指標進行計算。然而，由于風機系統(tǒng)較為復雜，采用單一的距離指標無法滿足應用需要且可信度不高，會影響相似度的計算進而導致診斷準確率的下降。因此，為了提高檢索的準確率和保障風機運行的可靠性，本文在案例檢索階段引入了群決策檢索思想結合多種相似度評價指標，通過對多種距離指標進行了綜合從而給出最終的檢索結果。

2　基于案例推理的風機故障系統(tǒng)

通過案例推理與問題分析，結合礦井風機給出了改進的基于案例推理的礦井風機故障診斷系統(tǒng)，系統(tǒng)框架圖如圖2所示。

圖2　基于案例推理的礦井風機診斷系統(tǒng)框架圖

通過圖2可以看出，該礦井風機的診斷系統(tǒng)運行過程為:首先構造礦井風機的故障案例庫，將歷史運行數(shù)據(jù)表示成運行特征與運行狀態(tài)的向量組；當系統(tǒng)運行時，新產生的運行數(shù)據(jù)通過預處理后進入診斷環(huán)節(jié)，利用群決策改進的KNN檢索策略得到與當前運行狀態(tài)最相似的歷史案例出來，并將最為相似案例的診斷結果進行重用，再經(jīng)由案例修正環(huán)節(jié)將診斷結果輸出以供操作用戶及時作出后續(xù)處理，最終將此新的案例存儲進案例庫中，完成風機的故障診斷過程。

2.1 群決策案例檢索

由圖2可知，案例檢索是故障診斷系統(tǒng)中的關鍵環(huán)節(jié)，其檢索質量的好壞直接影響著故障診斷的準確率與系統(tǒng)運行的好壞，目前常用的檢索策略為KNN策略，采用的是歐式距離來衡量相似度的大小。然而，單一的距離指標不能夠滿足風機的實際診斷需求，有可能會為檢索帶來不確定性進而影響診斷的準確率。

為了解決上述問題，保證診斷的準確性與風機運行的可靠性，本文在歐式距離的基礎上采用了多種相似度的計算方式。在KNN檢索中，除了歐式距離，常見的計算相似度的指標還包括曼哈頓距離和高斯變換等。在得到多個相似度指標后，為了得到最后綜合的相似度值，引入了群決策思想，將3種指標以某種集結方法進行綜合來得到最終的群決策結果，群決策結合的相似度計算如圖3所示。

圖3　群決策結合的相似度計算

群決策是集數(shù)學、政治學、經(jīng)濟學、社會心理學、行為科學、管理學和決策科學等多門學科研究于一體的交叉學科。從認知科學的角度看，群決策是對群體認知能力的綜合利用。在群決策過程中，一般是先由決策者（也稱為專家）對共同的決策問題給出自己的判斷，然后按照某種商定的預設規(guī)則進行群意見的集結，根據(jù)群的偏好得到最終的決策。群決策用于改進案例檢索策略時，首先將各個相似度指標視為專家，然后將不同專家得到的相似度值通過某種集結方式得到最終的決策結果。采用群決策中一種常用的集結方式來得到最后的相似度結果見式（4）:

式中:Sim——所有專家進行群決策得到的最終的相似度值；

simk——用不同距離公式計算得到的相似度；

ω′k——不同專家的決策權重，權重越大表示該專家的權威性越強，對最終結果的影響越大。

由此可見，利用群決策思想進行相似度的計算能夠避免單一指標帶來的不確定性，但同時由式（4）可看出，專家的權重對相似度的計算起著重要作用，如何對這些專家合理的分配相應的權重值也是提高風機診斷準確率的一個重點。

2.2 遺傳算法優(yōu)化群權重

針對式（4）中專家權重的確定問題，采用遺傳算法對群決策集結方式中的專家權重進行優(yōu)化分配，具體過程如下:

（1）編碼。針對群決策中專家權重的優(yōu)化問題，選擇最常用的二進制編碼，分別采用5位二進制編碼對應32個等級，表示相應權值的大小。

（2）適應度函數(shù)。在遺傳算法過程中，個體的選擇交叉都是以染色體的性能為依據(jù)的。在遺傳算法尋優(yōu)過程中，一個良好的適應度函數(shù)能夠指導尋優(yōu)的方向。因此，定義如下的適應度函數(shù):

式中:N——測試案例集的案例數(shù)量，該適應度函數(shù)表示在某權重組合條件下，N個測試案例中能夠正確診斷的案例個數(shù)；

Nj——在得到權重組合后，第j個測試案例是否在歷史案例中檢索出正確的結論，如果為Nj=1，則表示正確分類，反之則為0。顯然，該函數(shù)可以保證找到具有分類準確率高的專家權重組合，即最優(yōu)解。

（3）選擇。本節(jié)采用輪盤賭法選擇合適的個體，每個個體的選擇概率和其適應度成比例。設種群大小為Ps，其中每個個體的適應度為fi，則個體i被選擇的概率為:

（4）交叉。交叉是把兩個父個體的部分基因相互交換而生成新個體的操作。本文采用單點交叉，具體操作為:在個體基因串中隨機設定交叉點，當進行染色體交叉時，兩個體交叉點前后的基因互換，并生成兩個新個體。

（5）變異。變異運算是產生新個體的輔助方法，它能夠改善遺傳算法的局部搜索能力，并防止出現(xiàn)早熟現(xiàn)象。本文采用基本變異算子，對群體中染色體隨機挑選一個或幾個基因位置以概率進行變異，進行取反操作。

（6）停止條件。本文設置迭代次數(shù)作為算法停止條件，當達到預設的迭代次數(shù)，遺傳算法結束，輸出最優(yōu)個體即為最優(yōu)的專家權重組合結果。

3　試驗研究

為了驗證本文所提方法的有效性，在試驗中模擬了現(xiàn)場中常見的電機葉片不平衡的故障，即分別在風機葉片中加上配重塊來獲取風機的運行狀態(tài)特征以及振動信號，包括水平方向的振動以及垂直方向的振動兩種。配重塊是模擬異物黏附的故障，模擬出的電機葉片不平衡的故障與礦井內現(xiàn)場實際效果一致，本文共采集了777組數(shù)據(jù)，其中包括281組正常運行狀態(tài)下的數(shù)據(jù)、215組加入1個配重塊后風機的運行狀態(tài)數(shù)據(jù)以及281組加入2個配重塊后風機的運行數(shù)據(jù)，具體監(jiān)測曲線如圖4所示。（圖4為實際搭建的煤礦通風機監(jiān)測平臺中實時顯示的風機的振動曲線，圖中3個階段顯示的依次為實際系統(tǒng)中正常運行狀態(tài)、加入1個配重塊以及加入兩個配重快的振動曲線）。

為了診斷出風機葉片的不平衡故障，本試驗主要采集了9個風機運行中的狀態(tài)參數(shù)作為診斷的特征屬性，具體為:A相繞組組溫、B相繞組組溫、C相繞組組溫、軸前溫、軸后溫、靜壓、風量、垂直振動值、水平振動值和診斷結果。為了減小試驗產生的誤差，采用了十折交叉驗證方法對實際數(shù)據(jù)進行試驗，設計實驗方案如下:

（1）方案1傳統(tǒng)CBR?？疾煸诶脝我幌嗨贫扔嬎阒笜藯l件下，利用KNN檢索策略得到的診斷性能，其中檢索時的屬性權重為均權重，K=7。

（2）方案2群決策改進的CBR。考察利用群決策改進并利用遺傳算法對群權重進行尋優(yōu)的檢索策略對診斷性能的影響，并增加了與其他常見診斷模型的性能對比（RBFNN，CART，Logistic，Naive Bayes）。

（3）方案3不同樣本量。為考察不同樣本量條件下對系統(tǒng)診斷性能的對比，分別選取原案例庫樣本量的10%、20%和50%條件下，考察本文方法對診斷性能的對比情況。依據(jù)上述試驗方案，對采集到的風機運行數(shù)據(jù)進行診斷，首先將數(shù)據(jù)平均分為10份，選擇其中9份構建歷史案例庫，剩余作為目標案例庫；其次采用本文所提方法，分別采用不同的相似度計算方法并結合群決策思想得出最后的結果，其中群專家的決策權值由遺傳算法進行優(yōu)化搜索；最后將得到的診斷準確率與其他方法RBFNN、CART、Logistic和Naive Bayes進行診斷性能對比，得到的對比結果圖5所示。

圖4　實際系統(tǒng)中風機的震動曲線

圖5　多種診斷策略對比

在試驗中，涉及到一些參數(shù)需要進行設定，其中利用GA進行群決策專家權重的優(yōu)化搜索中設定種群數(shù)量為20，交叉概率為0.3，變異概率為0.4，迭代次數(shù)30。由圖5可看出，在5種診斷方法中，本文所提GCBR方法得到了最好的診斷準確率，與其他方法的診斷對比順序為:GCBR＞Logistic＞RBFNN＞Naive Bayes＞CART。試驗驗證了本文利用群決策結合多種相似度計算方法的可行性，也表明了本文方法在風機故障診斷中的優(yōu)越性。

為了考察在不同樣本量條件下本文方法的診斷性能問題，實驗分別選取原樣本量的10%，20% 和50%作為訓練集與歷史案例庫，此時上述5中診斷方法的診斷準確率對比結果見表3。

表3　不同樣本量條件下本文方法的診斷性能

由表3可以看出，在不同的樣本量條件下，5種策略均有不同的診斷準確率，其中本文方法與其他方法相比，樣本量的變化對結果的影響要更小一些，表明在不同樣本量的條件下，本文方法均能得到較好的診斷結果，這是由于案例推理包含案例存儲的過程，初始的案例庫規(guī)模對系統(tǒng)最后性能的影響要小。

4　結語

針對礦井風機的故障診斷問題，本文對基于案例推理的風機故障診斷系統(tǒng)進行了研究，為了保障該系統(tǒng)的故障診斷準確率，系統(tǒng)結合了群決策思想對案例檢索階段進行了改進，將多種相似度的計算指標視為專家，利用群決策集結方式得到合理的檢索結果，并采用遺傳算法對群專家的權重進行優(yōu)化搜索。通過試驗表明，與其他常見的診斷方法相比，本文所提方法得到了最優(yōu)的診斷結果，且在不同的樣本量條件對該方法的影響較小，表明了該方法的優(yōu)越性，也驗證了基于案例推理的風機故障診斷系統(tǒng)能夠有效地提高礦井風機的故障診斷準確率，對于保障礦井的安全起到了良好的保障效果。

參考文獻：

［1］ 任宇.煤礦機電設備狀態(tài)監(jiān)測與診斷技術研究［J］.煤礦現(xiàn)代化，2013（3）

［2］ 李晶，劉國華.基于人工智能的煤礦風機故障診斷方法［J］.煤礦機械，2013（12）

［3］ 李蒙，劉保羅.混合推理實現(xiàn)礦井風機故障診斷系統(tǒng)設計［J］.煤礦機械，2010（9）

［4］ 陳雪峰，李繼猛，程航等.風力發(fā)電機狀態(tài)監(jiān)測和故障診斷技術的研究與進展［J］.機械工程學報，2011（9）

［5］ 張紅梅，趙建虎，代克杰.基于信息融合的風機喘振智能診斷方法研究［J］.儀器儀表學報，2009（1）［6］ 荊雙喜，牛振華，華偉等.礦井通風機故障診斷專家系統(tǒng)的研究［J］.煤礦機電，2007（1）

［7］ 史忠植.高級人工智能［M］.北京:科學出版社，2006

［8］ 李偉，程曉涵，徐國賢.礦用主扇風機遠程健康診斷系統(tǒng)的監(jiān)測子站研究［J］.中國煤炭，2014（7）

（責任編輯 路 強）

Research on fault diagnosis system for mine fan based on case-based reasoning

Li Linchen，Zhang Chunzhi，Yang Deliang
（Beijing Pollytechnic College，Shijingshan，Beijing 100042，China）

AbstractTo improve the accuracy rate of fault diagnosis for mine fan，a fault diagnosis system for mine fan based on case-based reasoning was researched and designed，the system，group decision was introduced to synthesize multiple similarity indexes，which solve the uncertain system diagnosis brought by single similarity index.The simulation experiment results showed that the system could effectively diagnose the faults and efficiently analyze the operating status of fan，so it could guarantee the mine safety.

Key wordsmine fan，fault diagnosis，case-based reasoning，group decision

中圖分類號TD441

文獻標識碼A

基金項目：?北京市屬高等學校創(chuàng)新團隊建設提升計劃，北京工業(yè)職業(yè)技術學院科研項目（bgzykyz201402）

作者簡介：李林?。?982－），男，河南沁陽人，講師，碩士，現(xiàn)任職于北京工業(yè)職業(yè)技術學院，主要研究方向為自動控制、傳感與監(jiān)測。