故障樹與案例推理在數控機床故障診斷專家系統中的應用研究

朱傳敏，周潤青，陳 明，李營壘

（1. 同濟大學 機械工程學院，上海 201804；2. 同濟大學 中德工程學院，上海 201804）

0 引言

數控機床作為機電一體化的精密制造設備，其結構復雜、功能繁多，同時其加工精度要求越來越苛刻、加工工藝越來越繁復，從而導致設備發生故障的可能性大大增加、故障的形式更加復雜多樣，設備某一局部的故障往往造成整個設備的生產停頓，引發安全隱患和經濟損失。因此，對數控機床設備的故障診斷方法進行研究具有重要的實際應用價值。

隨著智能故障診斷技術的發展，其應用領域越來越廣泛，但在數控機床故障診斷方面的應用研究相對較少[1,2]，文獻[3]應用了粗糙集理論生成故障診斷規則并簡化了不必要的屬性，但規則提取所需數據量和處理量較大，專家經驗利用較少；文獻[4, 5]采用Sugeno模糊模型和神經網絡的方法對數控機床故障進行診斷，避免了專家經驗使用的隨意性和診斷的容錯性，但對于解決復雜問題的穩定性及知識的可擴展性有待提高。文獻[6]融合了故障樹與案例推理的方法，但沒有很好把故障樹轉化為規則知識。

本文探討了一種故障樹和案例推理相融合的診斷方法，該方法通過將故障樹轉化得到產生式規則，同時根據數控設備的診斷特征值將歷史診斷結果轉化為案例，存儲在專家系統的知識庫中，然后通過規則推理與案例推理相結合的方法對數控機床的故障進行診斷，不僅解決了專家系統知識獲取的“瓶頸”，同時提高了系統的穩定性及可擴展性。

1 故障診斷專家系統的框架模型

1.1 專家系統概述

專家系統內部含有大量的某個領域專家水平的知識與經驗，能夠利用人類專家的知識和解決問題的方法來處理該領域問題，并對診斷結果給出解釋推理路徑和推理依據，基于規則的故障診斷專家系統具有表達直觀、形式統一、模塊性強和推理機制簡單等特點,一直是診斷專家系統中應用最廣泛的一種模式，但存在知識“瓶頸”，缺乏有效的知識表達方式等局限性，通過與描述對象結構、功能和關系的故障樹技術有機結合，可以保證診斷知識的結構性與條理性，同時也充分發揮故障診斷專家系統快速有效的特點，同時針對某些系統機理過于復雜，規則提取困難的情況，結合案例推理的方法作為故障診斷的補充，降低了知識獲取的負擔，也改善了系統的擴展性。

1.2 系統框架

基于故障樹與案例推理的數控機床故障診斷專家系統的總體系統框架模型如圖1所示，它由知識庫、綜合數據庫及各庫的管理維護模塊、推理機模塊、解釋處理系統和人機接口為主要組成部分。其中，知識庫和推理機是整個專家系統的核心。

圖1 專家系統總體框架

通過以太網,數控機床的測試數據與控制信息由通訊接口提交到故障診斷專家系統。知識庫用來存儲領域專家對于數控設備診斷的經驗知識，其中包括故障樹轉化的規則知識與診斷過程中的典型案例知識，并且能夠通過人機接口不斷擴充更新；數據庫用來儲存數控設備的基本參數、運行狀態信息、統計數據和推理過程中的中間數據；推理機根據知識庫和數據庫的診斷信息采用有效的推理機制對征兆知識進行推理，先進行基于故障樹的規則推理，如無法得出相應匹配關系，再進行實例推理，如仍然無法得出診斷結果或實例結果相似度較低，則進行人工診斷并把案例添加入知識庫，從而得到數控設備的故障并實現系統的可擴展性；解釋處理系統統一處理推理機輸出的診斷結果，進行解釋并提供相應的維護策略，使用戶了解診斷、決策的過程,增加用戶對系統推理結果的信任度,也便于對知識庫的核實和測試；最后經由人機接口顯示相應的診斷結果反饋給操作人員或領域專家，實現人機交互的功能，用戶還可通過知識維護模塊、綜合數據庫管理模塊對知識庫和綜合數據庫進行維護、瀏覽等操作。

2 故障的知識表示

2.1 故障樹的建立

故障樹是用于大型復雜系統可靠性、安全性分析以及故障診斷的一個有力工具。故障樹分析首先選定某一影響最大的系統故障作為頂事件，然后將造成系統故障的原因逐級分解為中間事件，直到把不能或不需要分解的基本事件作為底事件為止，體現了故障傳播的層次性和子節點（即下層故障源）與父節點（即上層故障現象）之間的因果關系[7]，各事件間相互關系通過與門、或門、非門等邏輯門表示。通過故障樹的定性分析，能有效找出導致頂事件發生的所有可能的故障模式,即尋找故障樹的全部最小割集，通過最小割集可判斷系統最薄弱環節,指明故障源及故障原因,提供改進方案和維修建議。

建造故障樹是故障樹分析的關鍵，也是進行故障樹分析的前提條件。本文以Φ160mm數控落地鏜銑床為研究對象，通過對機床主體、數控系統故障機理、模式及故障后果的分析建立相應的故障樹，“”表示結果事件，“”表示或關系，“ ”表示基本事件。其中圖2為鏜銑床數控系統的硬件故障樹，列出了顯示屏白屏、NC鍵盤失效和系統無法啟動等部分故障朕兆及進一步的故障原因，圖3為鏜銑床主體的主軸故障樹，列出了主軸發熱和主軸噪聲等故障朕兆，并分析得知這與軸承、帶輪和齒輪故障等有關。

2.2 故障樹的知識表示

故障樹的頂事件對應于專家系統要診斷的故障，其基本事件對應于專家系統的推理結果，故障樹由頂到底的層次和邏輯關系對應于專家系統的推理過程,而最小割集是聯系故障樹與專家系統診斷知識庫的關鍵，故障樹的樹枝對應于知識庫中的規則，故障樹的樹枝數等于知識庫所包含規則的個數，知識庫中的知識來源于故障樹。由圖2和圖3可以看出故障樹分別有12和15條樹枝，在專家系統中存儲為27條規則。

圖2 鏜銑床數控系統的硬件故障樹

圖3 鏜銑床主體的主軸故障樹

專家系統運用知識來進行推理和判斷，準確的知識表示是進行準確判斷的一個重要前提[8]。為了在計算機中表達這樣的規則關系，在系統中采用產生式規則模型,其規則的表達形式為：IF （P） THEN（T）, 其中P是產生式可用的條件，T是指當P所指的所有條件被滿足時所得到的結論或應該執行的操作，同時還需要增加一些附加信息如故障現象的檢測描述，處理策略和故障頻率等。在將故障樹轉化為專家系統規則的過程中，需要注意以下的轉化規則：子事件以“與”關系導致父事件的發生，對應一條規則；子事件以“或”關系導致父事件的發生，其規則數對應子事件的個數；以最小割集來轉化為規則時，一個最小割集對應一條規則。在數控系統硬件故障樹的轉化中，其部分分支的規則提取如圖4所示，故障的父事件是“顯示器白屏”，分別有三個子事件，并且其關系為“或”，從而得出3條規則知識。

2.3 故障案例的知識表示

案例推理診斷是一種基于過去的成功診斷案例和經驗來完成當前故障診斷任務的方法[9]，通過對數控機床故障案例和機床信號采集的研究，把故障案例表示成五元組（故障案例類，故障狀態特征，故障特征權值，診斷結果，故障維修策略），CASE＝ {G，S，W，R，M}，其中G表示案例所屬的種類，與案例的狀態特征和權值有關； S＝{S1，S2，…，Sn},是故障特征的有限非空集合，S1S表示與數控機床部位或狀態相關的特征屬性，如故障部位，主軸轉速，電機電流等；W＝{W1，W2，…Wn}，0≤Wi≤1，是由領域專家提供的故障特征參數的權重；R表示案例診斷的結果，rj＝{tr，cr}，tr表示診斷的結論，cr是非空有限集合，代表故障的原因；M表示相關的故障解決辦法和操作建議。

圖4 數控系統硬件故障部分故障樹的規則提取

3 故障診斷推理機制

在數控機床故障診斷過程中，首先根據設備的故障現象應用故障樹轉化的規則進行診斷，主要應用于故障朕兆與設備故障關系明確的情況，規則推理可以分為正向推理、反向推理和正反向推理三種，本文主要采用正反向混合推理，其過程如圖5上部所示，在初始化系統后，先進行反向推理，在知識庫搜索匹配規則，在推理達到底層事件的同時采用正向推理以檢測結果，最后給出推理解釋，即診斷結果和維修策略。在規則推理過程中無法找到相應規則進行診斷時，根據系統內采集到的數控機床狀態信息進行案例推理診斷，其過程如圖5下部所示。

圖5 規則推理與實例推理流程

在進行案例推理的過程中，采用最近鄰居法中的歐氏距離來衡量實例間的相似性[10]。設X為新實例（待求解問題），Y為舊實例（包含在實例庫內的實例），則它們之間的相似度定義為

式中：權重wi代表第i個屬性的重要度，w＝1（i＝1，2，…，n），n是實例的屬性個數；將xi和 yi分別表示新舊實例第i個屬性的值。在案例匹配過程中，設備類型、主軸轉速、電機電流、振動峰值、速度平均值、故障特診頻率等作為實例的主要屬性值進行相似度的計算。

4 故障診斷專家系統在工程實際中的應用

本文以上海電氣臨港重型機械裝備有限公司的Φ160重型數控鏜銑床為主要研究對象，通過對機床設備技術資料及歷史數據的分析和挖掘，結合相關專家和現場人員的經驗和知識，以JSP2.0編程實現了Φ160重型數控鏜銑床故障診斷專家系統的開發。其主要模塊包括基于故障樹的規則推理故障診斷模塊，故障樹管理模塊，案例匹配診斷模塊，系統管理模塊等，圖6為針對帶輪傳動動平衡故障的診斷，并得出了相應的解決方案。

5 結論

本文根據數控機床設備的特點和診斷中存在的問題，結合機床診斷資料和案例，探討了故障樹與案例推理融合診斷在專家系統故障診斷中的應用。在建立了鏜銑床故障樹的基礎上，研究通過故障樹提取規則知識，同時根據故障診斷特征值存儲診斷案例，最后通過規則與案例混合推理實現了專家系統故障診斷，并且用JSP編程實現了相關的鏜銑床故障診斷專家系統的開發，結果顯示專家系統在數控機床診斷方面效果顯著，同時隨著其他人工智能技術的發展和融合，人工智能在故障診斷領域的發展前景廣闊，值得深入研究。

圖6 Φ160重型數控鏜銑床故障診斷系統

[1] KORBICZ J, KOSCIELNY J M, KOWALCZUK Z, et al. Fault diagnosis—models, artificial intelligence and applications[M]. Berlin: Springer, 2004.

[2] 汪木蘭, 陸紅偉, 嚴愛珍. 人工智能技術在數控系統中的應用研究[J].組合機床與自動化加工技術,2001(9),16-17.

[3] 姚鑫驊, 徐月同, 傅建中, 陳子辰. 基于粗糙集理論的數控機床智能故障診斷研究[J]. 浙江大學學報(工學版),2008: 42(10), 1719-1724.

[4] 宋剛, 胡德金. 基于Sugeno模糊模型的數控機床故障診斷法[J]. 上海交通大學學報, 2005, 39(1), 91-94.

[5] 朱曉春, 汪木蘭. 基于神經網絡聯想記憶模型的數控機床故障診斷[J]. 中國機械工程, 2003, 14(15), 1275-1277.

[6] 唐宇, 劉宇, 劉傳菊. 基于案例推理和故障樹診斷的專家系統設計[J]. 廣西物理, 2008, 29(3), 25-27。

[7] 周東華, 葉銀忠. 現代故障診斷與容錯控制[M]. 北京: 清華大學出版社, 2000.

[8] 羅永順. 數控機床故障信號分析與特征提取 [D]. 中南大學. 2007.

[9] 王文杰, 葉世偉. 人工智能原理與應用[M]. 北京: 人民郵電出版社, 2004.

[10] Fenton W G, T M McGinnity T M, Maguire L P. Fault diagnosis of electronic systems using intelligent techniques a review[J]. IEEE Transactions on Systems,Man, and Cybernetics, Part C: Applications and Reviews,2001, 31(3), 269-281.

[11] Xu LD. Case-based reasoning a major paradigm of artificial intelligence [J]. IEEE Potencials, 1995, 13(5): 10-13.