■ 葉含瑞 張玲玲 季續(xù)國

1.中國科學(xué)院大學(xué)經(jīng)濟(jì)與管理學(xué)院 北京100190

2.中國科學(xué)院大學(xué)數(shù)字經(jīng)濟(jì)監(jiān)測預(yù)測預(yù)警與政策仿真教育部哲學(xué)社會科學(xué)實(shí)驗(yàn)室（培育） 北京100190

3.中國科學(xué)院大數(shù)據(jù)挖掘與知識管理重點(diǎn)實(shí)驗(yàn)室 北京100190

4.中科知程科技有限公司 北京100081

0 引言

對于復(fù)雜設(shè)備來說，可靠性和操作安全性對于系統(tǒng)的工作性能有直接影響，同時(shí)對于工業(yè)、國防等領(lǐng)域的關(guān)鍵設(shè)備，更是關(guān)乎社會財(cái)產(chǎn)和人民生命安全，因此對于關(guān)鍵設(shè)備的維護(hù)一直以來都是各方關(guān)注的重點(diǎn)。設(shè)備故障診斷是一個傳統(tǒng)且較為成熟的話題，近年來隨著專家系統(tǒng)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)的發(fā)展，更是不斷取得了新的成果[1]。然而過去許多研究大多集中于對結(jié)構(gòu)化數(shù)據(jù)的建模和探索，對故障模式識別算法的提升和優(yōu)化，而忽視了在設(shè)備故障診斷中占較大比例的文本數(shù)據(jù)和專家經(jīng)驗(yàn)知識，同時(shí)，針對完整的設(shè)備故障診斷方法論的探討仍然較少。

智能工業(yè)設(shè)備的健康運(yùn)行是一個涉及設(shè)備、人、機(jī)、料、管理和環(huán)境等的系統(tǒng)工程，在發(fā)生故障時(shí)，常常牽涉到多方面的因素，快速精確的診斷往往高度依賴于專業(yè)知識、過往經(jīng)驗(yàn)以及對多源信息的綜合考量。隨著傳感器、數(shù)據(jù)庫軟件和并行計(jì)算等技術(shù)的發(fā)展，通過機(jī)器獲取、處理和分析諸如振動信號、聲發(fā)射信號和油粒計(jì)數(shù)等結(jié)構(gòu)化數(shù)據(jù)的狀態(tài)監(jiān)測和故障診斷技術(shù)取得了良好的實(shí)踐效果[2]，但在設(shè)備故障診斷的實(shí)際操作中，過多地依賴于對該類結(jié)構(gòu)化數(shù)據(jù)的應(yīng)用，涉及經(jīng)驗(yàn)知識等方面，自動化程度低，且多是分階段采用人工或機(jī)器方法的簡單組合[3]。缺少綜合多源信息、多種方法解決故障診斷問題的方法論，由此帶來諸如設(shè)備健康管理低效、設(shè)備知識挖掘和管理水平不足等問題，進(jìn)而造成大量人財(cái)物的浪費(fèi)，同時(shí)不可避免地帶來診斷結(jié)果可解釋性差、可靠性不足等情況。

因此考慮該領(lǐng)域豐富數(shù)據(jù)中所蘊(yùn)藏的知識的重要性，以及對設(shè)備健康管理、故障診斷的方法論的迫切需要，課題組申請了《基于知識圖譜和鏈路預(yù)測的推薦系統(tǒng)及其在設(shè)備健康管理中的應(yīng)用》的國家自然科學(xué)基金項(xiàng)目，關(guān)注設(shè)備健康管理領(lǐng)域知識管理及非結(jié)構(gòu)化數(shù)據(jù)的挖掘應(yīng)用，探索指導(dǎo)故障健康管理和故障診斷方法及應(yīng)用的方法論，本文是該項(xiàng)目的部分成果，在該項(xiàng)目中起到了基礎(chǔ)性的作用，將綜合集成方法應(yīng)用于設(shè)備故障診斷，提出了總體研究框架，其中知識圖譜、文本分類技術(shù)及貝葉斯網(wǎng)絡(luò)的應(yīng)用，也為后續(xù)的研究提供了重要工具。

本文在探索綜合集成方法在設(shè)備故障診斷領(lǐng)域的應(yīng)用時(shí)，重點(diǎn)關(guān)注基于知識的設(shè)備故障診斷方法，,該方法將各種人工智能技術(shù)應(yīng)用于工業(yè)過程的歷史數(shù)據(jù)和專業(yè)知識，這些知識隱式地表示了系統(tǒng)變量之間的依賴性，然后檢查所觀察到的操作系統(tǒng)行為與知識庫之間的一致性，并借助分類器做出故障診斷決策[4]，該方法具體又可以分為定性和定量兩種類型。定性的故障診斷方法以專家系統(tǒng)[5]和定性趨勢分析技術(shù)（Qualitative Trend Analysis, QTA）[6]為代表基于專家系統(tǒng)和定性趨勢分析技術(shù)的研究是本研究的重要基礎(chǔ)，這類相對成熟的定性診斷方法為從故障維修等文本中進(jìn)行知識抽取及故障診斷框架構(gòu)建提供了重要思路。而基于知識的定量診斷方法本質(zhì)上是將診斷問題的解決公式化為模式識別問題[7][8]，在設(shè)備故障診斷中的應(yīng)用，常常以異常點(diǎn)識別、分類、預(yù)測等任務(wù)體現(xiàn)。隨著神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)的應(yīng)用，基于結(jié)構(gòu)化數(shù)據(jù)的故障診斷方法取得了先進(jìn)成果[9]，但是基于神經(jīng)網(wǎng)絡(luò)的診斷面臨最大的問題是缺乏嚴(yán)格的理論支持，黑盒式的模型使得研究者很難了解這些模型如何從監(jiān)測數(shù)據(jù)中學(xué)習(xí)診斷知識，進(jìn)而也導(dǎo)致診斷結(jié)果的解釋性差。相對于此而言，統(tǒng)計(jì)學(xué)習(xí)理論（例如支撐向量機(jī)[10][11]、隨機(jī)森林[12][13]和貝葉斯網(wǎng)絡(luò)[14][15][16]等）具有嚴(yán)格的理論基礎(chǔ)，可促進(jìn)構(gòu)建具有易于理解的模型參數(shù)、特征和診斷結(jié)果的診斷模型，計(jì)算復(fù)雜度相對較低，模型參數(shù)的設(shè)定可以結(jié)合專家知識經(jīng)驗(yàn)等信息。因此，智能故障診斷中統(tǒng)計(jì)學(xué)習(xí)方法的應(yīng)用仍然值得研究[17]。

相比于以往研究，本文主要存在如下的改進(jìn)和創(chuàng)新：首先，將綜合集成方法應(yīng)用于設(shè)備故障診斷，構(gòu)建了一個融合知識圖譜、文本挖掘技術(shù)、貝葉斯網(wǎng)絡(luò)等方法的故障診斷框架；其次，結(jié)合傳統(tǒng)的故障失效分析（Failure Mode and Effects Analysis, FMEA）、故障樹分析（Fault Tree Analysis,FTA）方法，構(gòu)建了故障診斷知識模型，為知識圖譜在故障診斷領(lǐng)域的應(yīng)用提供了參考；最后，以實(shí)際的鐵路綜合無線通信（Cab Integrated Radio Communication,CIR）設(shè)備為例，結(jié)合相關(guān)單位真實(shí)的故障相關(guān)數(shù)據(jù)進(jìn)行了應(yīng)用探索，取得了較好的實(shí)踐結(jié)果。

1 綜合集成的故障診斷方法

1.1 綜合集成方法

20世紀(jì)70年代以來，在一些復(fù)雜系統(tǒng)中構(gòu)建處理復(fù)雜問題的模型的困難性日益突出，促使人們將解決問題的方式從簡單的數(shù)學(xué)建模轉(zhuǎn)變?yōu)閷?fù)雜問題的考慮。20世紀(jì)80年代，復(fù)雜性科學(xué)（Complexity Sciences）的誕生，標(biāo)志著一種理解自然與社會的新理念的形成。然而，“復(fù)雜性”所包含的語義同樣復(fù)雜，復(fù)雜性科學(xué)又涉及廣闊的學(xué)科范圍，各個領(lǐng)域的學(xué)者在研究中也有不同的體會，難以對其進(jìn)行統(tǒng)一明確的定義[18]。作為復(fù)雜性科學(xué)的專門機(jī)構(gòu)——美國圣菲研究所將復(fù)雜性科學(xué)的對象確定為復(fù)雜系統(tǒng)，復(fù)雜系統(tǒng)具有非線性和動態(tài)性、非均衡、非周期性和開放性等一系列特征[19]。復(fù)雜性科學(xué)研究的先驅(qū)者——霍蘭（John Holland）從生物的遺傳、變異現(xiàn)象中得到啟發(fā)，創(chuàng)立了著名的遺傳算法，并于1994 在其著作《隱秩序》中，用隱喻的方法從適應(yīng)性（adaptation）視角進(jìn)行了系統(tǒng)深入的研究和探討，構(gòu)建復(fù)雜性理論模型，提供了一種分析復(fù)雜系統(tǒng)的科學(xué)方法。然而要研究復(fù)雜系統(tǒng)，隱喻或基于計(jì)算機(jī)的仿真模擬都顯出不足[20]，需要綜合各種方法的優(yōu)勢，尤其需要關(guān)注那些被定量建模忽略的因素，從不同的角度研究關(guān)注的問題[21]，形成新的研究方法。

在國內(nèi)，最早明確提出探索和應(yīng)用復(fù)雜性科學(xué)的是錢學(xué)森先生，通過對系統(tǒng)科學(xué)的深入探究，錢學(xué)森根據(jù)系統(tǒng)的復(fù)雜程度和開放性對系統(tǒng)進(jìn)行了分類，開創(chuàng)性地提出了最復(fù)雜的系統(tǒng)，即開放復(fù)雜巨系統(tǒng)（Open Complex Giant System, OCGS），開放性是指與外界進(jìn)行能量、信息或物質(zhì)交換，該系統(tǒng)內(nèi)存在大量具有層次結(jié)構(gòu)和復(fù)雜相互關(guān)系的子系統(tǒng)，并指出社會系統(tǒng)、人類大腦和身體以及地理系統(tǒng)是典型的開發(fā)復(fù)雜巨系統(tǒng)。在錢學(xué)森、于景元、戴汝為、顧基發(fā)等國內(nèi)學(xué)者的努力下，系統(tǒng)觀念逐漸在社會實(shí)踐和工程中被認(rèn)識和應(yīng)用，其中我國航天事業(yè)的發(fā)展就是系統(tǒng)工程技術(shù)的典型成功應(yīng)用案例[22]。但傳統(tǒng)的還原論方法在處理開放復(fù)雜巨系統(tǒng)時(shí)適用性較差，尤其是缺乏對子系統(tǒng)間相關(guān)作用的考慮，在20世紀(jì)80年代末至90年代初，以錢老為代表的中國學(xué)者提出將還原論和整體論方法結(jié)合起來形成系統(tǒng)論方法，并從社會系統(tǒng)、人體系統(tǒng)、地理系統(tǒng)3 個復(fù)雜巨系統(tǒng)研究實(shí)踐中發(fā)現(xiàn)，以科學(xué)理論、經(jīng)驗(yàn)知識和專家判斷力等定性認(rèn)識為支撐和基礎(chǔ)，結(jié)合經(jīng)驗(yàn)及對系統(tǒng)的實(shí)際理解進(jìn)行建模計(jì)算，并反復(fù)對比，可以得到我們在現(xiàn)階段認(rèn)識客觀事物所能達(dá)到的最佳結(jié)論。經(jīng)過反復(fù)研究討論，錢老等提煉、概括和抽象出來了綜合集成方法（Meta Synthesis Approach）[23]。綜合集成方法的實(shí)質(zhì)就是把專家體系、數(shù)據(jù)與信息體系、計(jì)算機(jī)體系有機(jī)結(jié)合，構(gòu)成一個高度智能化的人、機(jī)結(jié)合系統(tǒng)[23][24]。王丹力[25]等總結(jié)了綜合集成法在過去30多年的研究和發(fā)展歷程，介紹了該方法在應(yīng)用信息技術(shù)、智能技術(shù)和社會科學(xué)的大量成果。隨著思維認(rèn)知科學(xué)、系統(tǒng)科學(xué)、信息技術(shù)的巨大進(jìn)步，尤其是大數(shù)據(jù)、云計(jì)算、人工智能的飛速發(fā)展，越來越多的復(fù)雜巨系統(tǒng)出現(xiàn)了，復(fù)雜系統(tǒng)的管理將成為當(dāng)下的越來越重要的一類新的管理思維、實(shí)踐與研究范式[26]綜合集成方法在為解決該類問題提供指導(dǎo)的同時(shí)，也與當(dāng)前的智能科學(xué)技術(shù)結(jié)合日趨緊密，融合發(fā)展。

具體而言，當(dāng)下認(rèn)識綜合集成法需注意如下關(guān)鍵點(diǎn)：（1）把定性研究和定量研究有機(jī)結(jié)合起來，從多方面的定性認(rèn)識，上升到定量認(rèn)識；（2）把科學(xué)理論性經(jīng)驗(yàn)知識結(jié)合起來共同解決問題；（3）根據(jù)系統(tǒng)思想，結(jié)合多學(xué)科理論方法來進(jìn)行綜合研究；（4）根據(jù)復(fù)雜巨系統(tǒng)的層次結(jié)構(gòu)，統(tǒng)一宏觀研究和微觀研究；（5）借助大型計(jì)算機(jī)系統(tǒng)的支持，人機(jī)結(jié)合，人網(wǎng)結(jié)合，但以人為主綜合集成信息、知識和智慧[23][25][27]。本文嘗試結(jié)合復(fù)雜系統(tǒng)觀念，以綜合集成方法為指導(dǎo)，探索出對復(fù)雜設(shè)備進(jìn)行智能故障診斷的框架。

1.2 設(shè)備故障診斷問題分析

1.2.1 智能機(jī)械設(shè)備的特點(diǎn)

隨著現(xiàn)代工業(yè)和技術(shù)的飛速發(fā)展，機(jī)械設(shè)備正朝著自動化、復(fù)雜化和體系化的方向發(fā)展。一方面，設(shè)備本身可能涉及到多個系統(tǒng)，如車、機(jī)、工、電、輛等各專業(yè)系統(tǒng)模塊，不同設(shè)備之間的關(guān)聯(lián)性逐漸提高，同一設(shè)備的不同部分也緊密耦合；另一方面，智能機(jī)械設(shè)備的運(yùn)行環(huán)境中常常有多種因素影響設(shè)備正常工作，且這些因素與設(shè)備故障之間有著復(fù)雜的關(guān)聯(lián)關(guān)系，且設(shè)備自身的正常運(yùn)行，也不可避免伴隨著自然折損。通過內(nèi)外兩方面因素分析可知，設(shè)備故障的影響和傳導(dǎo)機(jī)制具有明顯的非線性和隨機(jī)性等復(fù)雜特性。

2.2.2 設(shè)備相關(guān)數(shù)據(jù)特點(diǎn)

智能設(shè)備在運(yùn)行及維護(hù)過程中所產(chǎn)生的數(shù)據(jù)體量龐大且類型復(fù)雜，但數(shù)據(jù)價(jià)值需要進(jìn)一步整理挖掘。數(shù)據(jù)來源多樣具體體現(xiàn)在，設(shè)備操作手冊和檢修指導(dǎo)手冊、技術(shù)參數(shù)、設(shè)備運(yùn)行和維護(hù)臺賬、人工檢查記錄、訪談研討記錄、故障分析案例等文本類數(shù)據(jù)，視頻監(jiān)控錄像、圖像、音頻等數(shù)據(jù)均與設(shè)備故障有一定關(guān)聯(lián)。雖然數(shù)據(jù)規(guī)?？陀^，但也存在結(jié)構(gòu)復(fù)雜、專業(yè)性強(qiáng)、數(shù)據(jù)質(zhì)量參差不齊、可靠性及有效性存疑等問題，在實(shí)際應(yīng)用中，不可完全依賴于可觀察到的各類數(shù)據(jù)，仍然需要領(lǐng)域?qū)＜?、設(shè)備維護(hù)人員等協(xié)助決策。

2.2.3 設(shè)備故障診斷問題特點(diǎn)

智能故障診斷是一個以相關(guān)數(shù)據(jù)的采集、清洗、整理、存儲為基礎(chǔ)，以所提取的專業(yè)知識和專家經(jīng)驗(yàn)為驅(qū)動，以維修人員、管理專家和計(jì)算機(jī)系統(tǒng)為支撐，綜合知識管理、信息技術(shù)、數(shù)據(jù)挖掘、可靠性工程等學(xué)科知識，涉及知識建模、知識表示、狀態(tài)監(jiān)測、診斷推理和輔助決策等多項(xiàng)技術(shù)支持的復(fù)雜動態(tài)過程，可以看作一個系統(tǒng)工程進(jìn)行分析研究。

從整體來看，故障的診斷是一個跨領(lǐng)域、跨學(xué)科、多部門協(xié)同的過程，需要系統(tǒng)性的思維來指導(dǎo)實(shí)踐。首先，需要一線人員做好數(shù)據(jù)記錄、采集，搭建數(shù)據(jù)管理系統(tǒng)平臺；隨后，結(jié)合實(shí)際問題，結(jié)合知識管理、故障診斷、可靠性理論等專業(yè)知識及經(jīng)驗(yàn)，設(shè)計(jì)知識模型整理數(shù)據(jù)，提取重要知識；最后，在實(shí)際故障診斷中，由維護(hù)人員結(jié)合現(xiàn)場情況，依據(jù)數(shù)據(jù)和過往經(jīng)驗(yàn)，必要時(shí)輔以專家支持。

從人員和技術(shù)支持上而言，需要我們將設(shè)備運(yùn)維人員、領(lǐng)域?qū)＜遗c計(jì)算機(jī)技術(shù)結(jié)合起來，共同用于故障診斷問題。借助計(jì)算機(jī)技術(shù)來采集、處理相關(guān)數(shù)據(jù)，從中尋找用于故障診斷的經(jīng)驗(yàn)、模式等等，所提取出來的知識對應(yīng)于知識管理中的“顯性知識”；對于未能在數(shù)據(jù)中體現(xiàn)或難以通過現(xiàn)有數(shù)據(jù)所抽取到的經(jīng)驗(yàn)知識，也即知識管理術(shù)語所定義的“隱性知識”，則需要借助專家支持，通過綜合評估判斷得到可靠的結(jié)果。

從數(shù)據(jù)處理和應(yīng)用上，需要定性定量方法結(jié)合。一方面，設(shè)備的故障涉及到多種來源及類型的數(shù)據(jù)信息，這些數(shù)據(jù)中所包含的設(shè)備故障影響因素也與故障的發(fā)生有著復(fù)雜的時(shí)間空間聯(lián)系，針對不同類型的數(shù)據(jù)，需要綜合采用定性定量的方法來合理處理；另一方面，對于最終的設(shè)備故障診斷結(jié)果，需要在應(yīng)用各類方法分析的基礎(chǔ)上，對感性經(jīng)驗(yàn)和理性知識進(jìn)行融合，通過定性的分析認(rèn)識，逐步上升到定量方法和推理，更好地指導(dǎo)實(shí)踐。

對于復(fù)雜設(shè)備的故障診斷，需要綜合宏觀理論和微觀實(shí)踐多層次分析建模。包括從系統(tǒng)到組件的結(jié)構(gòu)功能梳理，從檢測、定位到識別的流程分析，以及在每個環(huán)節(jié)采取有效的算法和人員支持。

1.3 綜合集成的故障診斷框架

結(jié)合前文對設(shè)備、故障、相關(guān)數(shù)據(jù)、診斷問題的分析，本文以綜合集成方法為指導(dǎo)方法論，融合知識圖譜、文本挖掘技術(shù)、貝葉斯網(wǎng)絡(luò)等多種方法，構(gòu)建一個定性定量結(jié)合的設(shè)備故障診斷框架，整體研究架構(gòu)如圖1所示。

圖1 綜合集成的故障診斷框架

文章以鐵路CIR 設(shè)備為例，首先，通過分析設(shè)備的組成結(jié)構(gòu)及故障特點(diǎn)，結(jié)合現(xiàn)有研究中針對設(shè)備故障診斷相關(guān)的知識圖譜構(gòu)建過程，進(jìn)行知識建模，采用自上而下的方法，提出了針對鐵路CIR 設(shè)備的知識圖譜構(gòu)建模型，實(shí)現(xiàn)了該領(lǐng)域的知識圖譜可視化。充分利用知識圖譜復(fù)雜關(guān)系的表現(xiàn)能力，將設(shè)備相關(guān)的故障診斷流程、故障原因、故障部件間復(fù)雜的關(guān)系展現(xiàn)出來。

然后，提出一個針對不同類型維修人員的故障定位方法。通過分析設(shè)備故障診斷的臺賬記錄，借助文本挖掘方法，協(xié)助經(jīng)驗(yàn)水平較低的維修人員進(jìn)行設(shè)備故障的初步分類，定位到故障所屬的一級模塊，并依據(jù)過往經(jīng)驗(yàn)給出可能發(fā)生故障的下一級模塊排序；對于經(jīng)驗(yàn)水平較高的維修人員，可直接通過特定故障關(guān)鍵詞在知識圖譜中查詢定位，得到潛在故障的相關(guān)信息網(wǎng)絡(luò)子圖。

最后，在已經(jīng)構(gòu)建出的知識圖譜中，通過故障關(guān)鍵詞檢索隔離故障，輔以文本挖掘方法的初步定位，可以得到故障、部件原因與現(xiàn)象之間的網(wǎng)絡(luò)圖，為利用貝葉斯網(wǎng)絡(luò)進(jìn)行設(shè)備故障診斷提供了網(wǎng)絡(luò)基礎(chǔ)，基于此知識子圖的網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)和關(guān)系結(jié)構(gòu)，并結(jié)合可靠性理論、維修數(shù)據(jù)統(tǒng)計(jì)分析、專家訪談等方法，共同確定貝葉斯網(wǎng)絡(luò)參數(shù)。再借助已構(gòu)建好的貝葉斯網(wǎng)絡(luò)進(jìn)行定量推理得到設(shè)備故障發(fā)生的概率值，協(xié)助管理和維修操作人員進(jìn)行決策。

1.4 綜合集成的故障診斷特點(diǎn)

（1）結(jié)合系統(tǒng)思想解決問題。通過對設(shè)備、設(shè)備故障、數(shù)據(jù)及故障診斷問題進(jìn)行綜合分析，明確故障診斷是一個跨學(xué)科多領(lǐng)域的研究問題，需要綜合知識管理、數(shù)據(jù)挖掘、可靠性工程、信息技術(shù)等多領(lǐng)域知識來共同解決問題，其中以系統(tǒng)思想為指導(dǎo)，將故障診斷問題看作系統(tǒng)工程來分析處理。

（2）把科學(xué)理論和經(jīng)驗(yàn)知識結(jié)合起來。選擇人機(jī)結(jié)合、人機(jī)交互、定性定量結(jié)合的方式，將專家群體和維修人員、統(tǒng)計(jì)數(shù)據(jù)和信息資料、自動化技術(shù)結(jié)合起來；借助FMEA 和FTA 進(jìn)行故障分析，綜合知識圖譜、文本分類算法和貝葉斯網(wǎng)絡(luò)等科學(xué)方法，共同梳理、挖掘和應(yīng)用文本數(shù)據(jù)中所蘊(yùn)含的經(jīng)驗(yàn)知識，進(jìn)行設(shè)備故障診斷。

（3）定性研究和定量研究有機(jī)結(jié)合起來。方法上借助知識圖譜和文本分類算法處理定性的經(jīng)驗(yàn)知識，利用貝葉斯網(wǎng)絡(luò)來實(shí)現(xiàn)定量的非確定性信息推理。從定性的數(shù)據(jù)和知識出發(fā)，落腳于定量的研究和應(yīng)用，實(shí)現(xiàn)從感性到理性，從定性到定量的轉(zhuǎn)變提升。

（4）分層次體系化地分析研究設(shè)備故障診斷問題。從設(shè)備本身來看，針對設(shè)備功能結(jié)構(gòu)等進(jìn)行分析，可以得到不同的子系統(tǒng)和模塊，更好地理解系統(tǒng)工作原理并做出可靠的故障診斷結(jié)果；從問題來看，設(shè)備的診斷又分為故障檢測、故障定位和故障識別，對每一個環(huán)節(jié)針對性地進(jìn)行分析建模，環(huán)環(huán)相扣，緊密銜接，如對于多源異構(gòu)的故障相關(guān)知識和數(shù)據(jù)，采用知識圖譜進(jìn)行整理和存儲；通過文本分類技術(shù)進(jìn)行故障初步定位，再結(jié)合知識圖譜確定性推理進(jìn)一步確定故障相關(guān)網(wǎng)絡(luò)圖；根據(jù)故障定位所得的網(wǎng)絡(luò)圖構(gòu)建貝葉斯網(wǎng)絡(luò)，進(jìn)行定量的診斷推理，逐步確定故障根本原因。

接下來則是在該綜合集成的故障診斷框架指導(dǎo)下進(jìn)行的具體探索。

2 鐵路CIR設(shè)備的故障診斷實(shí)踐

2.1 故障診斷知識圖譜構(gòu)建

在邏輯架構(gòu)上，我們通常將知識圖譜劃分為數(shù)據(jù)層和模式層兩個層次，技術(shù)架構(gòu)上，知識圖譜的構(gòu)建主要有自頂向下和自底向上兩種方法因?yàn)樵O(shè)備故障診斷的數(shù)據(jù)常常存在非結(jié)構(gòu)化程度較高，數(shù)據(jù)規(guī)模相對較小，異質(zhì)性較高，記錄相對不完整等問題。但其知識內(nèi)容比較明確，關(guān)系比較清晰，而設(shè)備故障診斷對于模型準(zhǔn)確度要求較高，故而采用了自頂向下的知識圖譜構(gòu)建方法。而知識圖譜中所涉及故障診斷的關(guān)鍵實(shí)體，即故障原因、故障現(xiàn)象、故障檢測方法、故障模塊、故障維護(hù)方案等，都是故障診斷的重要知識要素，需要在構(gòu)建圖譜前進(jìn)行有效的定義和梳理。因此，我們結(jié)合傳統(tǒng)的故障模式與影響分析（FMEA/FMECA）、故障樹分析法（FTA）進(jìn)行故障分析并構(gòu)建故障知識模型，在此基礎(chǔ)上構(gòu)建用于設(shè)備故障診斷的知識圖譜。

2.1.1 故障分析

在為復(fù)雜設(shè)備設(shè)計(jì)維護(hù)方案并整理經(jīng)驗(yàn)知識時(shí)，首先要準(zhǔn)確理解其故障行為，故障模式與影響分析（FMEA）（也稱失效分析）和故障樹分析（FTA）是目前常用的兩種故障分析方法[28]。

本文以這兩種方法為指導(dǎo)，首先，通過分析設(shè)備的功能層次關(guān)系，得到如圖2 所示的鐵路CIR 設(shè)備的功能層次與結(jié)構(gòu)層次劃分的對應(yīng)關(guān)系，同時(shí)確定了故障模塊主要有：主機(jī)、A子架、B子架、MMI、數(shù)據(jù)采集編碼器、連接組件、饋線系統(tǒng)等。隨后定義故障判據(jù)并確定故障模式及最小分析粒度。

圖2 鐵路CIR設(shè)備的功能層次與結(jié)構(gòu)層次劃分的對應(yīng)關(guān)系圖

根據(jù)故障分析，主要確定了故障排查鏈路、故障原因、故障部件、部件所屬模塊這幾個核心實(shí)體，得到故障診斷知識核心如圖3所示。

圖3 故障診斷知識核心結(jié)構(gòu)圖

2.1.2 知識圖譜構(gòu)建

基于故障分析所得的故障知識核心，構(gòu)建了故障診斷知識圖譜的模式層，及故障診斷知識模型（圖4），其中節(jié)點(diǎn)包含了故障判斷路徑（troubleshooting path）、故障原因（causes）、故障模塊（modules by units）、維修方案（solutions）、員工（crew）、部件（units）；屬性主要是各個節(jié)點(diǎn)的名稱（name）和編號（id）等；關(guān)系包含了原因、故障判斷路徑的父步驟（fatherOf）、故障部件（troubleUnits）、檢修人員（maintainer）等。

圖4 設(shè)備故障診斷知識圖譜模式層構(gòu)建示意圖

在已經(jīng)搭建好的知識圖譜框架下，結(jié)合鐵路CIR 設(shè)備操作說明及維護(hù)手冊、故障分析流程圖、廠家故障分析案例、故障維護(hù)臺賬、CIR 設(shè)備故障知識庫、專家及維修人員訪談等數(shù)據(jù)，提取相應(yīng)的實(shí)體及關(guān)系，并先在Excel中以關(guān)系表形式整理存儲。具體而言，數(shù)據(jù)層的構(gòu)建需要經(jīng)過知識抽取、知識融合、知識加工及知識更新等一系列的基本步驟[29]。其中，知識抽取是在模式層知識組織架構(gòu)的指導(dǎo)下，通過一系列知識抽取方法從非（半）結(jié)構(gòu)化數(shù)據(jù)中獲取實(shí)體、實(shí)體間關(guān)系以及屬性等結(jié)構(gòu)化知識；知識融合是對知識抽取所得到的實(shí)體進(jìn)行實(shí)體消歧和共指消解處理；知識加工是指對知識進(jìn)行本體構(gòu)建、編碼和知識連接，構(gòu)成了在知識圖譜中的基本構(gòu)成元素“節(jié)點(diǎn)”與“邊”；知識更新則是在知識圖譜應(yīng)用的過程中，對其中知識的質(zhì)量與時(shí)效性進(jìn)行評估，并結(jié)合知識的發(fā)展進(jìn)行更新和修正[30]。知識圖譜的基本構(gòu)成元素已經(jīng)準(zhǔn)備完畢，并以圖數(shù)據(jù)庫的形式存儲。本文采用當(dāng)前知識圖譜構(gòu)建的主流數(shù)據(jù)庫Neo4j數(shù)據(jù)庫進(jìn)行知識圖譜的構(gòu)建和可視化的實(shí)現(xiàn)，實(shí)體關(guān)系及屬性數(shù)量統(tǒng)計(jì)見表1。

表1 鐵路CIR設(shè)備故障診斷知識圖譜的實(shí)體關(guān)系及屬性數(shù)量

為了便捷操作，本文使用基于neo4j 的python 開發(fā)包py2neo 導(dǎo)入實(shí)體關(guān)系數(shù)據(jù)，初步建立CIR 維修知識圖譜如圖5所示。

圖5 基于neo4j的知識圖譜可視化示意（部分）

2.2 基于文本分類技術(shù)和知識圖譜的故障定位

考慮到維修人員的經(jīng)驗(yàn)知識水平差異，本文通過知識圖譜及文本挖掘技術(shù)，提出了面向不同類型的故障維修人員的設(shè)備故障定位方法。

2.2.1 基于文本分類的故障初步定位

在進(jìn)行設(shè)備故障診斷時(shí)，經(jīng)驗(yàn)相對較少的維修人員往往難以直接通過故障現(xiàn)象判斷到具體下一步該如何操作，即對應(yīng)于知識圖譜的故障判斷路徑，對于故障部件及原因判斷更為模糊。因此加入一個從故障現(xiàn)象到故障部件之間的分類器，可起到重要作用。一般而言，對同一數(shù)據(jù)集的分類標(biāo)簽越多，分類準(zhǔn)確率必然越低，為保證較為有效的分類準(zhǔn)確率，需選擇合適的類別數(shù)量。結(jié)合前文故障分析所得的故障模塊，即對應(yīng)的故障部件所屬的大類，可以構(gòu)建一個輸入為故障現(xiàn)象，輸出為故障類別的文本分類器。故障維修臺賬等文本分類的一般流程如圖6所示。

圖6 文本分類流程

首先進(jìn)行數(shù)據(jù)的清洗，包含錯別字替換、同義詞替換、專業(yè)名稱統(tǒng)一等問題處理；在分類算法的核心環(huán)節(jié)，選擇Bert 模型進(jìn)行文本表示[31]，加入Softmax 層來做分類；最后通過召回率、準(zhǔn)確率、F1 值等指標(biāo)對算法進(jìn)行測評。

結(jié)合實(shí)際中的故障記錄情況，在選擇類別時(shí)，為保證較好的分類效果，常常面臨存在同一模塊下涉及到的故障原因及部件數(shù)量過多問題，在設(shè)計(jì)相應(yīng)的設(shè)備故障定位系統(tǒng)時(shí)，需要考慮用戶使用的便捷性及效率問題。因此，我們考慮引入故障模式、影響和危害性分析（Failure Mode，Effects and Criticality Analysis，F(xiàn)MECA）中的風(fēng)險(xiǎn)優(yōu)先數(shù)（Risk Priority Number，RPN），作為故障的相關(guān)特性。FMECA 是FMEA 的拓展，即在FMEA 的基礎(chǔ)上加入了危害性分析（Criticality Analysis），賦予純定性的FMEA 方法以定量分析的能力。在FMECA 中，每種故障模式的嚴(yán)重程度由風(fēng)險(xiǎn)優(yōu)先數(shù)（Risk Priority Number，RPN）量化，該指標(biāo)將故障嚴(yán)重度、發(fā)生概率等級、被檢測難度等級均考慮在內(nèi)，RPN 分?jǐn)?shù)越高，表示該項(xiàng)失效模式的風(fēng)險(xiǎn)越大[32]。通過為每個故障定義風(fēng)險(xiǎn)優(yōu)先數(shù)，并在通過文本分類算法得到模塊時(shí)，輸出該模塊內(nèi)RPN 評分最高的前n 個故障，可在保障系統(tǒng)安全性的同時(shí)，提高故障定位的效率。

2.2.2 基于故障診斷知識圖譜的定位

一些較為熟練的維修工人，可以根據(jù)所觀察到的故障現(xiàn)象判斷該采取何種故障排查措施，根據(jù)此關(guān)鍵詞對應(yīng)到故障知識圖譜中對“故障排查路徑”（troubleshooting path），根據(jù)如下Cypher 查詢語句，考慮輸出包含“故障原因”（cause）、“故障部件”（troubleUnits）、“故障排查路徑”（troubleshooting path）3 類關(guān)鍵實(shí)體節(jié)點(diǎn)的故障網(wǎng)絡(luò)圖，其中“故障排查路徑”信息可為維修人員提供有效的故障排查引導(dǎo)，如圖7所示。

圖7 基于neo4j輸出的涉及“電源故障”的3層網(wǎng)絡(luò)關(guān)系圖及詳細(xì)信息圖示

“MATCH (cause0:causes)-[r1:`cause`]-＞(symptom1:`troubleshooting path`)＜-[r2*]-(symptom2:`troubleshooting path`)

WHERE (symptom1.name CONTAINS '電臺故障'OR symptom2.name CONTAINS'電臺故障')

WITH cause0,r1,symptom1,symptom2,r2 MATCH(unit)＜-[r3:`troubleUnits`]-(cause0:causes)

RETURN r1,symptom1,r2,symptom2,cause0,r3,unit”

基于文本分類方法的故障初步定位，最終也落腳于故障知識圖譜中的3 層網(wǎng)絡(luò)結(jié)果，即包含原因、部件、現(xiàn)象信息的網(wǎng)絡(luò)圖，為后續(xù)貝葉斯網(wǎng)絡(luò)的構(gòu)建提供基礎(chǔ)。

2.3 基于貝葉斯網(wǎng)絡(luò)的故障診斷推理

貝葉斯網(wǎng)絡(luò)可以通過融合多源信息，迭代更新后驗(yàn)概率，從而做出可靠且可解釋的判斷結(jié)果。考慮到貝葉斯網(wǎng)絡(luò)完善的理論基礎(chǔ)，及其在推理機(jī)制和處理不確定性信息方面的強(qiáng)大能力，基于前文的故障知識整理所得的知識圖譜、故障診斷模型，構(gòu)建了一個用于設(shè)備故障診斷推理的貝葉斯網(wǎng)絡(luò)。

貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）由結(jié)構(gòu)和參數(shù)兩部分構(gòu)成[33]。圖的結(jié)構(gòu)表示變量之間的條件獨(dú)立性，以及不同層級間的依賴性；節(jié)點(diǎn)間的條件概率參數(shù)則定量地描述了層級間的依賴關(guān)系。

2.3.1 故障診斷貝葉斯網(wǎng)絡(luò)構(gòu)建

結(jié)合前文的設(shè)備故障定位結(jié)果，得到故障診斷的知識圖譜子圖作為貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)基礎(chǔ)，構(gòu)建一個包含了故障原因、故障部件、故障判斷路徑的網(wǎng)絡(luò)關(guān)系圖。并以故障原因?yàn)楹诵?，由故障部件正向推?dǎo)出故障原因，故障判斷路徑在某種意義上相當(dāng)于故障原因發(fā)生后，進(jìn)行判斷時(shí)才可以觀察到的現(xiàn)象。根據(jù)故障原因、故障現(xiàn)象、故障部件之間的關(guān)聯(lián)結(jié)構(gòu)，搭建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

故障診斷并結(jié)合臺賬記錄中所給出的部件維修信息，統(tǒng)計(jì)維修頻次，同時(shí)咨詢專家，賦予貝葉斯網(wǎng)絡(luò)相應(yīng)的概率參數(shù)值：具體包括故障部件發(fā)生故障的概率、故障原因出現(xiàn)的先驗(yàn)概率以及3類節(jié)點(diǎn)間的條件概率。

（1）針對故障部件發(fā)生故障的概率（該節(jié)點(diǎn)的先驗(yàn)概率）可考慮借鑒可靠性理論，假設(shè)部件的壽命服從指數(shù)分布，部件分正常（normal）和失效（fail）兩個狀態(tài)。記ti為部件i的使用壽命，假設(shè)ti服從指數(shù)分布，即ti～E(λi)。 則在t時(shí)刻發(fā)生故障的概率f(ti)=再根據(jù)故障記錄臺賬等數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得到相應(yīng)的參數(shù)值。（2）故障原因出現(xiàn)的先驗(yàn)概率，也即需要先確定正常情況下，該故障發(fā)生的概率，可通過對過往數(shù)據(jù)的分析取得，亦可參照Cai 等[34]的研究中的設(shè)置，假定所有故障節(jié)點(diǎn)的先驗(yàn)概率都相同，以便通過新的觀察結(jié)果來強(qiáng)調(diào)后驗(yàn)概率，在沒有新的故障現(xiàn)象被觀察到的時(shí)候，故障（原因）不出現(xiàn)的概率為98%，而有2%的可能性會發(fā)生。節(jié)點(diǎn)間的條件概率，結(jié)合過往統(tǒng)計(jì)數(shù)據(jù)及專家訪談給出。（3）節(jié)點(diǎn)間的條件概率則常常需要依賴專家協(xié)助確定。

2.3.2 應(yīng)用貝葉斯網(wǎng)絡(luò)進(jìn)行故障推理

構(gòu)建完成用于設(shè)備故障診斷的貝葉斯網(wǎng)絡(luò)之后，也可以根據(jù)實(shí)際可獲得數(shù)據(jù)情況，將操作員經(jīng)驗(yàn)數(shù)據(jù)、傳感器實(shí)時(shí)數(shù)據(jù)、環(huán)境數(shù)據(jù)等分別作為附加信息編碼到貝葉斯網(wǎng)絡(luò)中進(jìn)行故障診斷。

基于貝葉斯網(wǎng)絡(luò)的定量分析沿著兩個方向進(jìn)行，即正向分析（預(yù)測）和逆向分析（診斷）。在正向分析中，根據(jù)根節(jié)點(diǎn)的先驗(yàn)概率和每個節(jié)點(diǎn)的條件概率計(jì)算任意節(jié)點(diǎn)的出現(xiàn)概率。如：已知有某故障發(fā)生時(shí)，可能會出現(xiàn)的故障現(xiàn)象的概率；當(dāng)已知某部件使用時(shí)間時(shí)，其對應(yīng)的故障原因發(fā)生的概率。在逆向分析（診斷推理）中，當(dāng)某子節(jié)點(diǎn)的概率發(fā)生更新后，可以根據(jù)貝葉斯公式更新父節(jié)點(diǎn)的后驗(yàn)概率，也即是故障診斷的實(shí)際推理過程，具體如圖8所示。

通常，故障的先驗(yàn)概率與后驗(yàn)概率之差越大，相應(yīng)的故障發(fā)生的可能性就越高[34]。故障診斷方法可以提供發(fā)生故障的可能性，但不能得出明確的診斷結(jié)果。因此根據(jù)工程經(jīng)驗(yàn)，一般需要設(shè)定故障發(fā)生概率的閾值來輔助判斷，Cai 等[35]定義了如圖8 所示的兩條判斷規(guī)則，來輸出是“警告”、“故障”還是“正?！?。

圖8 基于貝葉斯網(wǎng)絡(luò)的設(shè)備故障推理

3 結(jié)論與展望

本文從綜合集成的角度出發(fā)，綜合了知識管理、機(jī)器學(xué)習(xí)方法、文本挖掘技術(shù)、可靠性理論等多個領(lǐng)域的思想及技術(shù)方法，著重考慮設(shè)備故障診斷中專家經(jīng)驗(yàn)和維修人員等要素，構(gòu)建了一個以知識圖譜、文本分類技術(shù)、貝葉斯網(wǎng)絡(luò)為主的定性定量結(jié)合的設(shè)備故障診斷框架，為后續(xù)的設(shè)備故障診斷方法研究提供了基礎(chǔ)，為實(shí)際中的設(shè)備故障診斷知識的管理和應(yīng)用提供了參考。研究亦表明，綜合集成方法論可以有效指導(dǎo)復(fù)雜設(shè)備的故障知識管理及診斷實(shí)踐，進(jìn)而對于提升設(shè)備故障診斷的可解釋性和可靠性具有重要基礎(chǔ)性作用。綜合集成方法對設(shè)備故障診斷等提供了較好的方法論指導(dǎo)，然而為進(jìn)一步保障、落實(shí)設(shè)備的正常運(yùn)行，快速準(zhǔn)確地診斷設(shè)備故障，仍有較多工作需進(jìn)一步研究探索。

（1）故障診斷知識圖譜構(gòu)建研究。知識圖譜對設(shè)備故障知識的整理、存儲、共享和復(fù)用提供了重要支持，然而當(dāng)前該領(lǐng)域的圖譜構(gòu)建自動化程度低，主要是該領(lǐng)域的數(shù)據(jù)存在存儲分散、樣本嚴(yán)重不平衡、記錄不完整、專業(yè)性強(qiáng)且規(guī)模一般較小等原因，通用領(lǐng)域的實(shí)體識別、關(guān)系抽取、知識融合等知識圖譜構(gòu)建技術(shù)難以直接發(fā)揮作用，需要針對相應(yīng)問題探索自動化的解決方案。

（2）故障診斷知識的挖掘研究。設(shè)備健康管理和故障診斷領(lǐng)域蘊(yùn)含了豐富的專業(yè)知識和專家經(jīng)驗(yàn)，對于該類知識的挖掘，不僅僅需要探索用于處理結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的算法，更需要研究體系化、結(jié)構(gòu)化的業(yè)務(wù)人員和專家知識管理方法，為后續(xù)的設(shè)備健康管理和故障診斷任務(wù)提供決策支持。

（3）基于貝葉斯網(wǎng)絡(luò)的故障診斷研究。貝葉斯網(wǎng)絡(luò)在設(shè)備故障診斷領(lǐng)域已經(jīng)有了十分成熟的應(yīng)用，但是未來仍需關(guān)注將貝葉斯網(wǎng)絡(luò)與上下游任務(wù)的緊密聯(lián)系，如故障定位、確定故障診斷結(jié)果并推薦維修方案等，推動綜合集成方法的實(shí)踐和應(yīng)用。

（4）設(shè)備故障診斷方法論研究。設(shè)備故障診斷作為一個包含了數(shù)據(jù)采集處理、知識抽取、專家經(jīng)驗(yàn)應(yīng)用等方面工作的復(fù)雜動態(tài)過程，亟需有較好的方法論指導(dǎo)故障診斷的整體工作，本文從綜合集成角度出發(fā)進(jìn)行了探索，未來仍需要結(jié)合工作實(shí)踐和技術(shù)、理論發(fā)展，來驗(yàn)證、完善、創(chuàng)新、提升。

（鳴謝：本研究受到“中國科學(xué)院大學(xué)數(shù)字經(jīng)濟(jì)監(jiān)測預(yù)測預(yù)警與政策仿真教育部哲學(xué)社會科學(xué)實(shí)驗(yàn)室（培育）基金”資助）