韓旭東，王 仲

（1.沈陽金山能源股份有限公司，遼寧 沈陽 110006；2.華北電力大學(xué)能源動力與機械工程學(xué)院，北京 102206）

火電廠建設(shè)逐漸從自動化、數(shù)字化、信息化向智慧化轉(zhuǎn)變，建設(shè)“智慧電廠”將是未來火電行業(yè)發(fā)展的必然趨勢[1]。智能診斷作為建設(shè)智慧電廠的關(guān)鍵任務(wù)，在提高火電機組運行的安全性、經(jīng)濟性和生產(chǎn)過程的可控性中都有重要作用[2]。在當(dāng)前“數(shù)據(jù)爆炸”和“智能當(dāng)先”的時代，大數(shù)據(jù)分析與人工智能技術(shù)為智慧電廠的發(fā)展指出方向[3-4]，也為火電行業(yè)智能輔助診斷提供了新動力與新思路[5]。

國內(nèi)外學(xué)者在火電機組智能輔助診斷領(lǐng)域提出了一系列發(fā)展模式和方法[1,4,6]，但這些研究存在2個方面的問題：1）大多數(shù)研究集中在頂層理想框架的構(gòu)建，很少涉及實際系統(tǒng)模型的搭建，導(dǎo)致很多研究實際應(yīng)用效果不佳；2）對故障機理的研究不夠重視，對故障知識的獲取不夠全面，數(shù)據(jù)存儲與管理不夠科學(xué)，使故障知識表示不夠清晰、形式不夠規(guī)范、可復(fù)用性差，最終導(dǎo)致系統(tǒng)診斷能力不足。

為此，本文綜合考慮知識圖譜的應(yīng)用場景和傳統(tǒng)故障診斷技術(shù)的局限性，提出一種基于知識圖譜的火電機組智能診斷新思路。在盡可能全面地獲取火電機組各類故障知識基礎(chǔ)上，形成完備的故障診斷知識體系，并針對不同故障模式適配不同診斷方案，增強了設(shè)備的可靠性，降低了維護成本。

1 智能輔助診斷系統(tǒng)架構(gòu)

本文智能輔助診斷系統(tǒng)可泛指火電行業(yè)從業(yè)人員的智慧總和，能夠通過邊緣計算程序與人工智能推理機相結(jié)合，對火電機組出現(xiàn)的復(fù)雜問題進行智能推理與診斷，從而模擬領(lǐng)域?qū)＜医鉀Q復(fù)雜問題的過程，為運行維護人員提供技術(shù)支持?；谥R圖譜的火電機組智能輔助診斷系統(tǒng)如圖1所示。

圖1 智能輔助診斷系統(tǒng)架構(gòu)Fig.1 The architecture of intelligent assistant diagnosis system

由圖1可見，該智能輔助診斷系統(tǒng)包括：

1）基礎(chǔ)層

基礎(chǔ)層為上層提供基礎(chǔ)平臺，能進行數(shù)據(jù)的存儲、計算、實時處理等。

2）智能感知層

獲取準(zhǔn)確可靠的數(shù)據(jù)是智能輔助診斷的第1步，數(shù)據(jù)主要包括機組運行數(shù)據(jù)和故障數(shù)據(jù)。智能感知層是對數(shù)據(jù)的初級采集加工，但并不是簡單地數(shù)據(jù)采集，而是形成一個多數(shù)據(jù)融合的大數(shù)據(jù)環(huán)境；也不是盲目地數(shù)據(jù)采集，而是按照功能需求有選擇地采集，使大量蘊含在物理空間中的隱性數(shù)據(jù)經(jīng)過狀態(tài)感知轉(zhuǎn)化為顯性數(shù)據(jù)。

3）信息挖掘?qū)?/p>

信息挖掘?qū)邮菍︼@性數(shù)據(jù)進一步理解，對原始數(shù)據(jù)賦予意義的過程。通過對故障知識的挖掘得到故障機理描述，并將它們轉(zhuǎn)化為結(jié)構(gòu)化的知識，用于構(gòu)建知識圖譜。通過對運行數(shù)據(jù)的挖掘得到特征參數(shù)描述，主要是指特征參數(shù)的基準(zhǔn)區(qū)間，從而驅(qū)動知識圖譜實現(xiàn)更上層的功能。

4）網(wǎng)絡(luò)層

網(wǎng)絡(luò)層主要面向整個火電機組運維的橫向數(shù)據(jù)進行挖掘，利用數(shù)據(jù)建立與機組實體相互映射的鏡像模型，定義統(tǒng)一的數(shù)據(jù)存儲格式和標(biāo)準(zhǔn)，按照一定的規(guī)則方法構(gòu)建火電機組故障知識圖譜，囊括火電機組全部故障知識。

5）應(yīng)用層

應(yīng)用層也稱功能層，由下層知識圖譜和運行數(shù)據(jù)來支撐狀態(tài)識別、匹配推理、計劃決策等功能，解決火電機組生產(chǎn)運行過程中的復(fù)雜故障問題，提高生產(chǎn)效率，實現(xiàn)火電機組的智能診斷。

2 智能診斷關(guān)鍵技術(shù)

2.1 知識圖譜構(gòu)建

本文將火電機組故障知識圖譜構(gòu)建分為故障知識獲取和故障知識形式化表示2部分，構(gòu)建流程如圖2所示。

圖2 知識圖譜構(gòu)建流程Fig.2 Construction process of knowledge graph

知識圖譜是一個將具有屬性的大量實體通過各種屬性關(guān)系鏈接而成的網(wǎng)狀知識庫[7]，在這個“網(wǎng)”中每個節(jié)點就是一個現(xiàn)實存在的實體，每條邊為實體與實體之間的關(guān)系。

2.1.1 故障知識獲取

故障知識獲取是指面向?qū)＜?、文本等特定來源獲取各個故障機理分析的有關(guān)知識，并以效率、容量、深度作為基本原則精準(zhǔn)感知特定信息，對其進行理解、過濾、選擇、抽取、組織、編碼，從而得到對解決診斷領(lǐng)域問題有用的知識。在知識獲取過程中，必須保證知識的準(zhǔn)確性與完整性，并盡可能以高效的手段擴充知識的容量、挖掘知識的深度，使這些知識能夠有效、有序地關(guān)聯(lián)在一起，實現(xiàn)知識的合理流動，避免知識孤島。

本文參考故障模式及影響分析（FMEA）思路和理念，結(jié)合知識圖譜和故障診斷的應(yīng)用場景，創(chuàng)建故障分析編碼表，表中內(nèi)容包括但不限于故障征兆、影響、原因和維護措施。因此本文以豐富故障分析編碼表為目標(biāo)，將故障知識獲取分為信息抽取與知識融合2部分。信息抽取[8]是指從無結(jié)構(gòu)或半結(jié)構(gòu)化的信息中理解、過濾、選擇并抽取實體、關(guān)系及屬性等結(jié)構(gòu)化知識，包括實體抽取、關(guān)系及屬性抽取，抽取出實體及實體之間的屬性關(guān)聯(lián)關(guān)系。知識融合是對抽取到的知識進行組織并編碼，剔除冗余和錯誤，為構(gòu)建知識圖譜提供必要支持。

2.1.2 故障知識形式化表示

知識形式化表示是指本體構(gòu)建，是一項復(fù)雜的系統(tǒng)工程[9]，本質(zhì)上是將所獲取的故障知識用本體語言形式化，并合理劃分結(jié)構(gòu)，使這些故障知識成為可復(fù)用、可管理、可推理的“活知識”。本體（Ontology）[10]是對特定領(lǐng)域中的概念及其屬性和相互關(guān)系的形式化表達，能夠克服現(xiàn)有知識表示方法在語義方面的不足。

本文在斯坦福大學(xué)提出的“七步法”[11]基礎(chǔ)上結(jié)合實際應(yīng)用情況作一定改進，使用本體編輯軟件Protégé[12]進行本體構(gòu)建。主要構(gòu)建步驟有：類（Class）及層次結(jié)構(gòu)的確立、屬性（Property）及屬性關(guān)系的確立、個體（Individual）填充、屬性關(guān)系擴展、一致性檢測等。

2.2 基于知識圖譜的智能診斷

故障診斷旨在按照某種搜索機制找出從初始節(jié)點通向目標(biāo)節(jié)點的全部路徑，本文將智能診斷推理分為基于規(guī)則的相關(guān)性診斷推理和基于因果圖模型的因果性診斷推理2部分，分別對應(yīng)故障征兆層到故障模式層和故障模式層到故障原因?qū)拥脑\斷（圖3）。診斷全過程均依托于知識圖譜在Jena框架下實現(xiàn)，Jena是一個對本體網(wǎng)絡(luò)處理的綜合性工具包，它為本體的推理工具HermiT[13]提供了接口，并可通過SPARQL查詢語言實現(xiàn)“搜索”功能。

圖3 智能診斷推理框架Fig.3 Reasoning framework of intelligent diagnosis

2.2.1 基于規(guī)則的相關(guān)性診斷推理

基于規(guī)則的相關(guān)性診斷推理指判斷現(xiàn)有證據(jù)是否滿足某個知識單元的診斷規(guī)則，依靠“匹配+搜索”機制完成故障模式的查找與確定。該方法能夠判斷當(dāng)前故障征兆集合是否滿足故障知識圖譜中的某個診斷規(guī)則，從而觸發(fā)推理機，在故障知識圖譜中找出對應(yīng)的故障模式。

2.2.2 基于因果圖模型的因果性診斷推理

本文將故障樹定性、定量分析[14]和條件概率公式相融合，提出智能診斷中故障原因查找的因果圖模型（圖4）。這種方法能夠通過計算得到故障原因的排查序列，因果圖模型具有結(jié)構(gòu)簡單、構(gòu)造方便、計算高效、可解釋性強、便于程序化等優(yōu)點。

圖4 因果圖模型示例Fig.4 A model example of cause and effect diagram

因果圖模型中各元素含義為：1）圓形節(jié)點Ci表示一個基礎(chǔ)事件（故障原因），CiP表示該故障原因的先驗概率（prior probability）；2）方形節(jié)點Fj表示一個節(jié)點事件或中間事件（故障模式）；3）有向連接邊Cij表示一個連接事件（因果關(guān)系），CiC表示連接事件的因果強度（causal strength），指向同一節(jié)點事件的所有連接事件是邏輯或的關(guān)系。

在因果圖的計算中，由因果圖得到最小割集布爾表達式和不交化的最終割集表達式，根據(jù)條件概率公式求取故障模式出現(xiàn)條件下各故障原因出現(xiàn)的概率，從而得到故障原因排查序列。

基于因果圖模型的因果性診斷推理指根據(jù)被滿足條件的知識單元求取所需的值，在因果圖模型的支持下依靠“搜索+推理”機制完成故障原因的查找與確定。該方法通過搜索得到故障原因等與故障相關(guān)的知識，然后對各故障原因進行初步篩選，剔除可直接排除的故障原因，從而得到故障原因備選集，最后根據(jù)故障原因備選集構(gòu)建因果圖模型，對故障原因進一步推理，得到故障原因排查序列。

3 案例分析

本文以某火電機組作為研究對象，驗證提出的基于知識圖譜的智能診斷推理模型的有效性。本文選擇凝結(jié)水泵發(fā)生汽化[15]（FT01）故障模式作為示例，F(xiàn)T01故障分析編碼見表1。

表1 FT01故障分析編碼Tab.1 Code table for fault analysis of FT01

3.1 火電機組故障知識圖譜構(gòu)建

本文將知識圖譜中本體的類分為Equipment（設(shè)備）和FaultDiagnosis（故障診斷）2大類，具體層次結(jié)構(gòu)劃分見表2。

表2 類的層次結(jié)構(gòu)Tab.2 The structure of CLASS

根據(jù)類的層次結(jié)構(gòu)，得到7種關(guān)系屬性，2種數(shù)據(jù)屬性，見表3。通過一致性檢測，即完成故障知識圖譜的構(gòu)建，構(gòu)建完成的FT01的診斷規(guī)則關(guān)聯(lián)在Protégé中如圖5所示。將具體的個體填充到各類中，使用屬性來豐富各概念間的關(guān)系，如圖6所示，圖6中虛線表示類下特定個體之間的關(guān)聯(lián)關(guān)系。OntoGraf可視化展示如圖7所示。

圖6 本體概念間的關(guān)聯(lián)Fig.6 The relationship between ontology concepts

圖7 FT01故障的可視化展示Fig.7 The visual representation of FT01

表3 本體的屬性Tab.3 The property of ontology

圖5 FT01故障診斷規(guī)則示例Fig.5 The diagnosis rules of FT01

3.2 火電機組智能診斷

智能輔助診斷系統(tǒng)對機組運行數(shù)據(jù)和人機交互信息進行分析，通過特征提取得到ST01、ST02、ST03、ST04共4個故障征兆，進而觸發(fā)診斷條件，執(zhí)行診斷命令。首先確定異常事件（Exception Event,EXEV）為{ST01，ST02，ST03，ST04}，在故障知識圖譜中構(gòu)造異常事件網(wǎng)絡(luò)片段：（EXEV，hasSym，ST01）、（EXEV，hasSym，ST02）、（EXEV，hasSym，ST03）、（EXEV，hasSym，ST04）。啟用推理機對該異常事件匹配推理，結(jié)果如圖8所示。

圖8 HermiT推理結(jié)果Fig.8 The result of HermiT reasoning

采用SPARQL查詢異常事件屬于何種故障模式，查詢語句：“String strquery=" select ?f WHERE{{rdf:type ?f. FILTER (REGEX(str(?f),'FT'))} UNION {rdf:type?f.FILTER(REGEX(str(?f),'FB'))}UNION{rdf:type?f.FILTER(REGEX(str(?f),'FG'))}}";”。

在確定異常事件屬于FT01故障后，采用SPARQL在知識圖譜中查詢該故障模式的故障影響、故障原因及其對應(yīng)維護措施等，查詢語句：“String strquery="select ?c ?m ?e WHERE {{?c.?c?m.}UNION{ ?e }}";”。

根據(jù)查詢結(jié)果，經(jīng)過初步分析，剔除故障原因CT04，明確故障原因備選集為{CT01、CT02、CT03}，需要對故障原因備選集進一步推理確認(rèn)，由此可自動構(gòu)建FT01故障因果圖模型（圖9）。

圖9 中：F1為FT01，C1為CT01，C2為CT02，C3為CT03。C1的先驗概率C1P=0.5，C1與F1的因果強度C1C=0.8，C2的先驗概率C2P=0.2，C2與F1的因果強度C2C=0.8，C3的先驗概率C3P=0.3，C3與F1的因果強度C3C=0.7。

圖9 FT01故障因果圖模型Fig.9 The cause and effect diagram of FT01

因此，圖9的最小割集布爾表達式如式(1)所示，不交化最終割集表達式如式(2)所示。

由式(2)可以計算頂事件F1發(fā)生的概率，如式(3)所示，

由式(3)和式(5)計算故障原因C1發(fā)生的概率，如式(6)所示。

同理，當(dāng)假設(shè)故障原因為C2時，原因C2發(fā)生的概率如式(7)所示，當(dāng)假設(shè)故障原因為C3時，原因C3發(fā)生的概率如式(8)所示。

比較發(fā)現(xiàn)P(C1|F1)>P(C3|F1)>P(C2|F1)，因此故障原因排除應(yīng)按CT01、CT03、CT02的順序進行。最終診斷結(jié)果以報表形式自動導(dǎo)出，如圖10所示。

圖10 智能輔助診斷系統(tǒng)報表Fig.10 The report of intelligent assistant diagnosis system

以上結(jié)果表明，本文提出的基于知識圖譜的智能輔助診斷系統(tǒng)能夠很好地完成火電機組故障診斷。智能輔助診斷系統(tǒng)由特征提取出的故障征兆觸發(fā)，通過基于規(guī)則的相關(guān)性診斷推理和基于因果圖模型的因果性診斷推理2部分完成診斷全過程，診斷流程便捷高效、合理連貫，體現(xiàn)了知識圖譜與故障診斷相結(jié)合的優(yōu)越性，得到的診斷結(jié)果符合預(yù)期。此外，知識圖譜在知識表示、推理和存儲等方面打破了傳統(tǒng)知識庫的常規(guī)，因果圖模型簡化了傳統(tǒng)圖模型的計算過程，這使診斷系統(tǒng)在保證準(zhǔn)確度的同時大大提高了診斷效率。

4 結(jié) 語

本文在“智慧電廠”背景下，提出一種基于知識圖譜的智能診斷新思路，并開發(fā)一套火電機組智能輔助診斷系統(tǒng)。該系統(tǒng)是以專家知識為基礎(chǔ)，結(jié)合人工智能、大數(shù)據(jù)分析等互聯(lián)網(wǎng)技術(shù)將設(shè)備與電廠技術(shù)人員結(jié)合在一起，形成的一套集智慧化和知識化于一體的運維智能輔助診斷系統(tǒng)。智能輔助診斷系統(tǒng)的全過程均依托于知識圖譜在Jena框架下實現(xiàn)，它能夠通過計算程序與推理機結(jié)合領(lǐng)域內(nèi)的相關(guān)知識、專家經(jīng)驗對火電機組出現(xiàn)的復(fù)雜問題進行智能式推理與診斷，從而模擬領(lǐng)域?qū)＜医鉀Q復(fù)雜問題的過程，為運行維護人員提供技術(shù)支持，節(jié)省維護成本。

本文提出的方法較傳統(tǒng)方法在知識表示、推理和存儲方面更加方便有效，能夠使知識的結(jié)構(gòu)體系更加清晰明確、概念形式更加規(guī)范，使診斷的推理流程更加快捷，推理策略更加透明，極大地提升了診斷系統(tǒng)的可維護性與可重用性。本文現(xiàn)處于研究初期，仍存在許多不完備之處需要完善，后續(xù)工作將繼續(xù)優(yōu)化系統(tǒng)結(jié)構(gòu)、擴充系統(tǒng)知識儲備、提高知識圖譜質(zhì)量與系統(tǒng)的可靠性。