，，，

(中國工程物理研究院 計(jì)算機(jī)應(yīng)用研究所，四川 綿陽 621999)

0 引言

大科學(xué)裝置具有技術(shù)綜合、結(jié)構(gòu)復(fù)雜和系統(tǒng)龐大等特點(diǎn)，且工作在極端環(huán)境下，在成本、技術(shù)和工藝受限的情況下，系統(tǒng)可靠性難以大幅提升，必須通過先進(jìn)的智能故障診斷技術(shù)來提升系統(tǒng)的可用性和可維護(hù)性[1]。然而，目前這方面的研究還相對滯后，診斷環(huán)節(jié)人工參與較多，診斷效率和準(zhǔn)確性難以提高，影響了大科學(xué)裝置的可用性和可維護(hù)性。在技術(shù)實(shí)現(xiàn)層面也面臨不少問題，如：大科學(xué)裝置系統(tǒng)結(jié)構(gòu)復(fù)雜，故障機(jī)理不清楚，難以建立精確的數(shù)學(xué)模型；故障征兆與故障原因之間的關(guān)聯(lián)關(guān)系帶有較強(qiáng)的不確定性，難以進(jìn)行確定性推理；診斷數(shù)據(jù)積累不足無法實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)和自主學(xué)習(xí)等。針對上述問題本文提出了基于專家知識和模糊推理的故障診斷方法[2-3]，充分利用系統(tǒng)研制和日常維護(hù)中形成的先驗(yàn)知識，通過模糊推理解決因果關(guān)系不確定、診斷信息不完備條件下的故障診斷問題。在知識建模方面，針對專家系統(tǒng)語言在診斷規(guī)則描述方面存在的專業(yè)性強(qiáng)，無法實(shí)現(xiàn)面向用戶的規(guī)則錄入問題，提出了基于數(shù)據(jù)庫的故障診斷模糊規(guī)則的可視化建模與結(jié)構(gòu)化存儲方法，構(gòu)建面向用戶的故障診斷專家系統(tǒng)構(gòu)建框架。

1 基本結(jié)構(gòu)

模糊故障診斷專家系統(tǒng)圍繞知識庫和模糊推理引擎展開設(shè)計(jì)，其具體結(jié)構(gòu)和各組件功能如下：

1)數(shù)據(jù)采集與預(yù)處理組件：該組件通過網(wǎng)絡(luò)化控制系統(tǒng)提供的設(shè)備服務(wù)接口和通訊中間件自動(dòng)獲取與故障診斷相關(guān)的設(shè)備狀態(tài)信息、傳感器數(shù)據(jù)和控制軟件的報(bào)錯(cuò)信息等，同時(shí)接收工作人員輸入的與故障診斷相關(guān)的證據(jù)。這些綜合信息通過清洗、篩選和特征提取，形成有效的故障征兆信息傳遞給模糊化組件。

2)模糊化組件：該組件對故障征兆進(jìn)行模糊化處理，得到故障征兆的隸屬度值。然后將故障征兆及其隸屬度傳遞給模糊推理引擎，前者用于規(guī)則前件的匹配，后者用于規(guī)則匹配度計(jì)算。

3)模糊推理引擎：推理引擎根據(jù)實(shí)際輸入的故障征兆信息和模糊隸屬度，與規(guī)則庫中的每一條規(guī)則進(jìn)行匹配，利用模糊推理算法計(jì)算其匹配度。如果匹配度大于規(guī)則的激活閾值，則觸發(fā)該規(guī)則，并將該規(guī)則對應(yīng)的診斷結(jié)論從知識庫中提取出來作為診斷結(jié)果輸出。

4)診斷知識建模及管理組件：該組件向用戶提供可視化模糊規(guī)則錄入界面和規(guī)則的瀏覽、添加、刪除、修改工具。

5)基礎(chǔ)庫：基礎(chǔ)庫包括知識庫、算法庫和診斷數(shù)據(jù)庫，分別用于模糊規(guī)則、相關(guān)算法和過程數(shù)據(jù)的結(jié)構(gòu)化存儲。

圖1 模糊故障診斷系統(tǒng)結(jié)構(gòu)

2 模糊知識表述與數(shù)據(jù)庫實(shí)現(xiàn)

知識的表示方法有產(chǎn)生式規(guī)則、框架、語義網(wǎng)、范例等多種形式，其中產(chǎn)生式規(guī)則由于粒度細(xì)、靈活性強(qiáng)，符合人的判斷思維而被廣泛采用。本方案也采取基于產(chǎn)生式規(guī)則的知識表示方式，通過引入模糊因子形成以下模糊規(guī)則[4-5]：

IFP1(λ1,W1)ANDP2(λ2,W2)AND…

ANDPn(λn,Wn)

THENR(CF,τ)

Pi為規(guī)則前件，即，故障征兆；λi為前件的隸屬度，即，故障征兆的可信度0≤λi≤1；Wi為前件的權(quán)值，即，故障征兆對結(jié)論的支持度；R為規(guī)則結(jié)論，即，故障診斷結(jié)論；CF為規(guī)則可信度；τ為規(guī)則激活閾值。

診斷規(guī)則的實(shí)現(xiàn)方法一般有兩種：第一種是通過編程語言的”IF THEN” 判定函數(shù)進(jìn)行描述，但這種方法無法實(shí)現(xiàn)規(guī)則(知識)與程序的分離，靈活性極差；第二種也是最常用的方法，通過專家系統(tǒng)開發(fā)語言進(jìn)行描述，將規(guī)則編寫成結(jié)構(gòu)化文本文件，由專家系統(tǒng)推理引擎進(jìn)行解析和執(zhí)行，這種方式雖然實(shí)現(xiàn)了知識與程序的分離，但規(guī)則文件編寫難度極大，需要掌握專門的專家系統(tǒng)開發(fā)語言，且只能由知識工程師完成，用戶難以建立診斷規(guī)則。因此，本方案擬采取基于數(shù)據(jù)庫的規(guī)則建模方法，通過對規(guī)則標(biāo)準(zhǔn)結(jié)構(gòu)的分解，將前件、結(jié)論和各種模糊因子等相關(guān)要素用數(shù)據(jù)庫字段加以表示，形成表1所示的結(jié)構(gòu)化模糊診斷規(guī)則。用戶可以通過可視化知識建模工具方便、快捷的建立、修改、刪除和瀏覽模糊診斷規(guī)則。由于模式匹配過程僅對規(guī)則的前件進(jìn)行匹配，且規(guī)則結(jié)論包涵信息較多，為了便于處理，將規(guī)則結(jié)論分離出來作為診斷結(jié)論知識單獨(dú)存儲，通過結(jié)論號進(jìn)行關(guān)聯(lián)(如表2所示)。具體結(jié)構(gòu)見表1。

3 模糊推理算法

模糊推理算法主要分為故障征兆模糊化處置，模糊故障征兆注入，模糊推理與模式匹配，診斷結(jié)果綜合評判及可視化等4大步驟，具體實(shí)現(xiàn)過程及算法如下[2-11]：

表1 模糊規(guī)則

表2 診斷結(jié)論

1)第一步：輸入向量模糊化

診斷系統(tǒng)采集的故障征兆信息按其特征可分為離散量和連續(xù)量兩種，前者以狀態(tài)位和狀態(tài)字為主，一般代表某種明確的故障征兆，后者以傳感器測量數(shù)據(jù)為主，需要進(jìn)行預(yù)處理才能提取出故障征兆信息。對于這兩種故障征兆信息需采取不同的模糊化方法。離散量信息只有兩種狀態(tài)，“真”則隸屬度為“1”，“假”則隸屬度為“0” 。連續(xù)量需要用模糊術(shù)語進(jìn)行描述，并根據(jù)隸屬度函數(shù)計(jì)算其隸屬度值，處理結(jié)果包括故障征兆論域和隸屬度(可信度)，如“軸溫過高 0.8”。

為了便于論述，假設(shè)：某設(shè)備表現(xiàn)出n個(gè)故障征兆，可能出現(xiàn)的故障原因有m種，則：

故障征兆論域表示為：U={U1},U2,…,Un

故障征兆模糊向量表示為：x={x1},x2,…,xn，xi∈[0,1](1≤i≤n)

故障原因論域?yàn)椋篤={V1,V2,...,Vm}

故障原因模糊向量表示為：y={y1,y2,...,ym}，yj∈[0,1](1≤j≤m)

其中：xi為Ui的隸屬度，yj為Vj的隸屬度。

選擇經(jīng)典的升半梯形、梯形和降半梯形隸屬度函數(shù)進(jìn)行計(jì)算，則其廣義表示表達(dá)式為[3]：

(1)

式中，I(x)為[a,b]上的單調(diào)遞增函數(shù)，D(x)為[c,d]上的單調(diào)遞減函數(shù)，其典型分布為：

圖2 模糊域劃分圖

本方案規(guī)定數(shù)值型測量值的模糊集合為：A=[很大，較大，正常，較小，很小]，所有來自傳感器的精確測量都用上述5種模糊術(shù)語表述，并附帶其隸屬度。

2)第二步：確定模糊關(guān)系矩陣R

根據(jù)多個(gè)專家的經(jīng)驗(yàn)，通過綜合評估確定模糊關(guān)系矩陣的值，即，確定故障征兆與故障原因的關(guān)聯(lián)強(qiáng)度，該值對應(yīng)模糊規(guī)則中子前件的權(quán)值。關(guān)系矩陣單獨(dú)從一個(gè)狀態(tài)原因出發(fā)進(jìn)行評判，不考慮多個(gè)原因的綜合影響。矩陣的元素值后期可通過診斷歷史數(shù)據(jù)的統(tǒng)計(jì)分析結(jié)果進(jìn)行自動(dòng)修正。

rij∈[0,1]表示故障征兆xi與故障原因yj的關(guān)系強(qiáng)度(權(quán)值)，rij=0表示沒有相關(guān)性。

3)第三步：模式匹配

模糊算子采用加權(quán)平均型模型則有：

Y=X°R?yj=∑xi.rij.(j=1,2,...,m)，

yj∈[0,1](1≤j≤m)

(2)

4)第四步：故障原因模糊綜合評判

設(shè)U為故障原因的集合，則：

采用最大隸屬度法有：max[yi]∈U(適合求解主要故障原因)

采用閾值法有：yi≥λi,yi∈Uλiyi(適合求解多種并發(fā)故障原因)

4 故障診斷流程

基于專家知識與模糊推理的故障診斷流程，主要分為數(shù)據(jù)采集、征兆提取與模糊處理、模式匹配、結(jié)果輸出和診斷數(shù)據(jù)歸檔等6大環(huán)節(jié)，其中模式匹配環(huán)節(jié)還可進(jìn)一步細(xì)化為規(guī)則提取、模式匹配、閾值判斷和結(jié)論置信度計(jì)算等環(huán)節(jié)，具體流程如下：

圖3 故障診斷流程

1)數(shù)據(jù)采集:數(shù)據(jù)采集是獲取故障診斷信息的過程。故障診斷信息主要包括傳感器監(jiān)測數(shù)據(jù)、設(shè)備運(yùn)行狀態(tài)和報(bào)警信息等。傳感器數(shù)據(jù)通過數(shù)據(jù)采集器獲取和轉(zhuǎn)換，設(shè)備運(yùn)行狀態(tài)信息和報(bào)警信息通過OPC(OLE for Process Control )接口從監(jiān)控系統(tǒng)直接讀取。

2)預(yù)處理:預(yù)處理是診斷信息的篩選、清洗和模糊化、歸一化過程。由于采集到的原始診斷信息涵蓋了裝備所有設(shè)備及部組建的狀態(tài)信息和監(jiān)測數(shù)據(jù)，數(shù)據(jù)量大，復(fù)雜度高，在利用之前，首先需要根據(jù)專家經(jīng)驗(yàn)進(jìn)行初步篩選，提取出與某個(gè)具體故障模式可能相關(guān)的征兆信息，然后用模糊術(shù)語加以表述，同時(shí)計(jì)算出每個(gè)故障征兆對應(yīng)的隸屬度。將故障征兆的模糊論域和其隸屬度構(gòu)成的模糊向量作為故障推理的有效數(shù)據(jù)輸入。

3)模糊推理:模糊推理是模糊規(guī)則的遍歷與匹配過程。該過程從規(guī)則提取開始，推理引擎從規(guī)則庫中逐條提取診斷規(guī)則，將實(shí)際獲取的故障征兆信息與規(guī)則的前件進(jìn)行匹配，利用公式(1)計(jì)算每條規(guī)則的匹配度，激活匹配度超過閾值的規(guī)則。為了提高匹配效率，規(guī)則庫可以按設(shè)備類型進(jìn)行分類設(shè)計(jì)，匹配時(shí)只遍歷與診斷對象對應(yīng)的規(guī)則庫。

4)診斷結(jié)果輸出:模式匹配成功后，將被激活的規(guī)則的后件作為故障診斷結(jié)論輸出。如果沒有匹配成功說明該故障模式?jīng)]有發(fā)生或規(guī)則庫不完善。由于采用閾值法，允許多個(gè)規(guī)則同時(shí)激活，因此可以診斷多種并發(fā)故障。

5)診斷數(shù)據(jù)歸檔:診斷數(shù)據(jù)歸檔是診斷結(jié)果及過程數(shù)據(jù)的結(jié)構(gòu)化存儲過程。診斷數(shù)據(jù)主要包括故障征兆(輸入)、診斷結(jié)果(輸出)、處置結(jié)果(最終結(jié)論)和時(shí)間、人員等附加信息。這些信息以故障編號作為關(guān)鍵字進(jìn)行關(guān)聯(lián)，形成結(jié)構(gòu)化數(shù)據(jù)表單，用于后期的診斷規(guī)則完善和模糊因子修正，也可作為訓(xùn)練樣本用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

5 軟件實(shí)現(xiàn)

考慮到跨平臺應(yīng)用，軟件實(shí)現(xiàn)環(huán)節(jié)采用QT集成開發(fā)環(huán)境，并采取結(jié)構(gòu)化設(shè)計(jì)方法，將系統(tǒng)劃分為數(shù)據(jù)采集組件、預(yù)處理組件、模糊推理組件和可視化組件，組件之間通過通訊中間件進(jìn)行信息傳遞，實(shí)現(xiàn)了分布式應(yīng)用。數(shù)據(jù)采集組件依托設(shè)備廠家提供的OPC服務(wù)接口獲取底層設(shè)備的狀態(tài)信息和機(jī)內(nèi)測試數(shù)據(jù)，然后由預(yù)處理組件進(jìn)行模糊化和歸一化，并通過接口函數(shù)將處理結(jié)果傳遞給模糊推理引擎，由模糊推理引擎完成診斷知識的搜索和匹配?？梢暬M件主要負(fù)責(zé)診斷結(jié)果的多維度展示，利用系統(tǒng)拓?fù)鋱D對故障進(jìn)行準(zhǔn)確定位，利用故障樹模型對故障的影響范圍、關(guān)聯(lián)關(guān)系和傳遞過程進(jìn)行展示，利用數(shù)據(jù)窗口給出故障模式、故障原因和處置措施等關(guān)鍵信息。本文以某大型激光驅(qū)動(dòng)裝置光路準(zhǔn)直系統(tǒng)集成測試平臺為應(yīng)用對象，開發(fā)了如圖4所示的故障診斷專家系統(tǒng)原型。

圖4 故障診斷專家系統(tǒng)原型

6 結(jié)論

本文分析了大科學(xué)裝置在故障診斷方面的現(xiàn)狀和面臨的問題，提出了專家知識與模糊推理相結(jié)合的智能診斷方法和基于數(shù)據(jù)庫的模糊規(guī)則可視化建模和模糊推理及模式匹配算法，并通過某大型激光驅(qū)動(dòng)器光路準(zhǔn)直系統(tǒng)集成測試平臺進(jìn)行了應(yīng)用驗(yàn)證。結(jié)果表明該方法適用于故障原因不確定、故障機(jī)理不清晰、診斷信息不完備等復(fù)雜應(yīng)用場景下的智能故障診斷問題，初步滿足了準(zhǔn)直機(jī)電系統(tǒng)的典型故障診斷需求。由于目前模糊關(guān)系矩陣的確定依賴于現(xiàn)階段積累的有限的經(jīng)驗(yàn)知識，在準(zhǔn)確性方面還有進(jìn)一步提高的空間。隨著運(yùn)行時(shí)間的延續(xù)，可通過歷史診斷數(shù)據(jù)的統(tǒng)計(jì)分析對模糊關(guān)系矩陣進(jìn)行修正，實(shí)現(xiàn)自學(xué)習(xí)和自優(yōu)化，使診斷的準(zhǔn)確性得到穩(wěn)步提升。

本文所提供的面向用戶的可視化知識建模方法，實(shí)現(xiàn)診斷平臺與診斷知識的有效分離，提高了系統(tǒng)的普適性。在面向用戶的系統(tǒng)開發(fā)方面，目前僅實(shí)現(xiàn)了診斷知識的可視化建模，需要在故障樹可視化建模和數(shù)據(jù)采集及模糊化接口的組態(tài)化配置方面開展進(jìn)一步的研究，最終形成面向用戶的，支持各類故障診斷應(yīng)用系統(tǒng)快速開發(fā)的故障診斷專家系統(tǒng)基礎(chǔ)平臺。