融合多種算法的堆垛機診斷專家系統

呂 婷,楊 濤

(1.安徽電子信息職業技術學院信息與智能系，安徽 蚌埠 233000;2.西南科技大學信息工程學院特殊環境機器人技術四川省重點試驗室，四川 綿陽 621010)

0 引言

作為立體倉庫的核心設備，堆垛機直接影響整個物流系統的正常運作。隨著工業技術的不斷發展，堆垛機設備日趨復雜化、自動化，傳統的診斷技術呈現處理時間長、成本高、響應速度慢等弊端[1]。專家系統作為一個智能的計算機程序系統，可通過利用存儲在計算機內部的專業知識，解決需要專家才能處理的復雜問題。將智能專家系統運用在堆垛機設備，當設備出現故障時，系統作出快速、有效的處理，是堆垛機遠程故障診斷的必然趨勢。

目前，診斷專家系統仍以單一的診斷技術為主，廣泛使用基于規則的推理模式?；谝巹t的診斷專家系統具有知識變更容易、推理簡單等特點，但仍存在知識獲取困難等問題[2]。目前，將決策樹[3]、故障樹[4-5]、二叉樹[6]等技術融合到基于規則的專家系統中，但仍沒能有效地解決知識不完備、時變環境下應變能力不足等問題。貝葉斯網絡(Bayesian network,BN)以概率為基礎，具有容錯性強、可進行雙向推理等特點，目前已成功運用于診斷專家系統[7-8]。但是BN網絡的構造和節點參數的學習等一直是瓶頸問題。如何將BN與其他診斷技術相融合，開發混合診斷專家系統來彌補單一的系統所存在的不足，是專家系統研究和開發的一個趨勢。

本文以單立柱堆垛機為研究對象，設計和開發了基于集成故障樹分析(fault tree analysis,FTA)和BN的混合診斷專家系統。該系統采用FTA對堆垛機進行故障建模、分析并完成規則庫的建立；診斷過程采用結合規則推理和BN概率計算的混合模式。實際應用證明，該方法簡單靈活，為堆垛機故障診斷提供了一種新途徑。

1 系統總體結構

系統主要包括人機交互界面、知識庫管理模塊、故障樹管理模塊、BN管理模塊、診斷推理模塊、故障征兆識別模塊和基礎數據管理模塊等。系統結構如圖1所示。

圖1 系統結構圖

人機交互界面是普通用戶、領域專家和系統進行交互的窗口。知識庫管理模塊主要負責對存儲在知識庫中的規則、BN節點信息進行管理。故障樹管理模塊主要采用FTA對堆垛機進行建模，并完成相應的分析，將分析結果以規則的形式存儲在知識庫中。BN管理模塊主要實現對相關BN數據的管理，包括網絡拓撲結構、節點參數等。基礎數據管理模塊主要實現諸如堆垛機系統及主要部件的基礎信息、故障歷史記錄、操作規范手冊等的管理。故障征兆識別模塊負責接收來自現場PLC的運行數據，并通過解析，識別可能蘊含的故障征兆，進行故障報警。診斷推理模塊是本系統的核心部分，采用基于規則推理和BN概率計算的混合方式。解釋模塊負責將系統診斷的結果以預制文本的形式反饋給用戶。

2 知識庫設計

本系統的知識庫主要包括規則庫和BN數據庫，其中規則庫是知識庫的核心。規則庫是規則推理的組成部分，存儲的是以規則為表示形式的知識；BN數據庫主要存儲與BN建模有關的數據，包括節點的基本信息、概率表及節點之間的拓撲關系。限于篇幅，本文主要介紹規則庫的建立。

2.1 知識的獲取

鑒于FTA的分析過程是關于故障知識的形成過程，本系統主要采用基于FTA的故障知識獲取方式。FTA的分析過程首先需要對分析對象進行建模，形成以人們最不希望發生的事件作為頂事件的故障樹模型。

對堆垛機設備進行故障樹建模后，采用下行法[9]找出引起頂事件T發生的所有最小割集Mi,i=1,2,…,n,n為最小割集個數。最小割集是對頂事件發生的最小原因解釋，即知識。

2.2 知識的表示和存儲

定性分析后，本系統采用形如if A then B的基于最小割集的知識表示形式，其中A為規則的前提，對應導致B發生的每個最小割集，B為結論?？山忉寣е翨發生的原因可能不止一條，也就是在具備相同結論下前提A可能有多個，為此引入基于最小割集重要度的規則置信度。令第i個最小割集Mi的發生概率為P(Mi)，在最小割集彼此獨立統計的條件下，頂事件T的發生概率P(T)可表示為：

(1)

由于構成最小割集的底事件之間是邏輯與的關系，則第i個最小割集Mi的發生概率P(Mi)等于構成該割集的所有底事件的概率乘積。在計算得到頂事件概率后，第i個最小割集Mi的重要度為：

(2)

采用規則形式對知識表示后，系統將規則存儲在規則庫中。本系統以SQL Server 2008為數據庫服務器，規則庫所涉及的表主要有故障事實表、規則表、條件表。每個表的主要字段分別有以下3種。

①故障事實表(故障事實號、事實描述、發生可能性)。

②規則表(規則號、規則名、結論事實號、規則置信度、規則使用次數)。

③條件表(規則號、條件事實號)。

3 診斷推理機制設計

診斷推理機制是專家系統的核心部分，其設計的好壞直接影響系統的診斷性能。本系統的診斷推理機制包含基于規則的推理和基于BN的概率計算兩種方式。診斷推理流程如圖2所示。

圖2 診斷推理流程圖

(1)系統的故障征兆提取模塊對來自PLC的數據進行解析，識別潛在的故障征兆。采用正向推理策略，對故障事實庫進行故障事實檢索和匹配。將檢索出的故障事實反饋給用戶，給出故障報警。

(2)用戶根據系統提示的故障事實，或者手動輸入故障事件，啟動故障診斷推理。系統先以規則庫為基礎，執行基于最小割集的規則檢索和匹配。該過程采用人機交互的啟發式方式。推理算法描述如下。

①根據目標故障事實E，檢索規則庫，找出所有規則結論事實為E的規則集R。

②按照規則置信度，對R進行排序，得到有序的規則集R′={ri∈R|i=1,2,…,n}，n為規則數。

③用戶依次取規則集R′的規則ri，判斷ri的前件事實E′是否已發生。若用戶選擇“是”，則執行步驟④；若用戶選擇“否”，則取出R′中的下一條規則，執行步驟③；若在檢索完R′后用戶仍舊選擇“否”，則系統提示用戶沒有匹配到滿意的規則，推理結束。

④系統判斷E′的事件類型。若E′是中間事件，則將E′作為新的目標故障事實，轉步驟①；若E′是底事件，則向用戶輸出E′的故障解釋及處理辦法，推理結束。

(3)除了基于規則的推理，用戶還可以選擇基于BN的概率計算。由于BN與FTA在結構上存在一致性，根據匹配的故障事實，系統首先生成由該事實作為頂事件的故障樹;然后根據文獻[10]給出的轉化算法，得到相應的BN。在此基礎上，用戶可對BN節點的概率進行修正。

基于BN的概率推理算法描述如下。

①給定BN節點集合X={X1,X2,…,Xn},n為節點總數，給定證據節點E∈X及故障狀態e，用桶消元算法[11]計算P(E=e):

(3)

式中：X/E為去除E之外的其他所有元素；Pa(E)為E的父節點集合。

使用式(3)，可求得P[Pa(E)]。

②用戶選擇所要查詢的節點Q∈X以及狀態q，用桶消元法求聯合概率P(Q=q,E=e)：

(4)

③求得Q=q的后驗概率：

(5)

(4)采用BN計算得到概率后，若用戶需要根據診斷結論對規則庫進行更新，則在知識庫管理模塊進行相應操作。

4 系統實現

本系統以客戶端/服務器(C/S)作為系統架構模式，開發語言為C#，數據庫服務器為SQL Server 2008。系統對來自現場PLC數據進行臨時存儲和解析。若存在故障征兆，則故障征兆識別模塊識別出故障特征信息，進行故障報警。

以堆垛機的過載及松繩保護裝置報警(T)為例，該裝置報警時主要有過載(M1)和松繩(M2)兩種故障模式。經分析后，在本系統的故障樹管理模塊中建立如圖3所示的故障樹模型。結合現場實地專家的經驗和歷史故障數據，給出各底事件的發生概率，如表1所示。

圖3 故障樹模型

事件代號事件名稱故障概率T過載及松繩保護裝置報警M1過載M2松繩M3貨叉擱置X1貨物過載0.0909X2起升受阻0.0909X3起升時貨叉碰到貨架0.1718X4繩纜松0.2826X5繩纜斷0.0909X6捕捉器動作0.3714X7下降受阻0.0909X8起升方向加緊裝置動作0.0909X9貨叉未收回0.3284X10貨叉擱在貨架橫架上0.3714

故障樹模型建立后，鑒于“過載及松繩保護裝置報警”包含“過載”和“松繩”兩個獨立事件，根據2.2節給出的方法，分別找出導致兩者發生的所有最小割集，生成相應的規則，如表2所示。

若用戶需要對“過載及松繩保護裝置報警”進行診斷，則先啟動基于規則的推理。結合第3節所闡述的推理流程，系統根據用戶的選擇在規則庫中進行規則檢索和匹配，推理過程及結果分析?；谝巹t的推理過程如下。

在故障類型中選擇安全故障，再選擇故障現象中的“過載及松繩保護裝置報警”，然后開始診斷。診斷后會給出故障說明和診斷提示，用戶可根據診斷提示進行以下兩種選擇。①由松繩引起的故障“過載及松繩保護裝置發生報警”。②由捕捉器動作引起故障“松繩”。然后根據診斷的情況，給出故障解釋和相應的排除辦法。

除了基于規則的推理，用戶還可以選擇采用BN進行概率計算。結合圖3和表1，得到由“過載及松繩保護裝置報警”節點作為葉節點的BN，并選擇該節點的故障狀態(報警)作為證據。根據待選節點信息和將ID號為E0055的頂層事件過載及松繩保護裝置為已選節點信息，并將E0055節點作為證據節點，計算其他節點在故障狀態下的后驗概率。

表2 規則生成表

5 結束語

針對目前診斷專家系統存在基于規則的推理為主、診斷模式單一等問題，本文結合堆垛機的實際運行特征，設計了基于故障樹和貝葉斯網絡的混合診斷專家系統。該系統采用FTA技術分析堆垛機故障，建立以規則作為知識表示形式的知識庫，形成基于規則推理和BN概率計算的混合診斷機制。應用表明，集成FTA和BN的混合診斷專家系統既體現了基于規則的推理簡單、高效，又充分利用了BN的容錯性強的特點，有效解決了基于規則的診斷所存在的知識不完備等問題，是智能化診斷堆垛機的有效方法。

[1] 李小平,于康康.堆垛機遠程故障診斷關鍵技術的研究[J].蘭州交通大學學報,2011,30(4):15-20.

[2] ANGELI C.Online expert systems for fault diagnosis in technical processes[J].Expert Systems,2008,25(2):115-132.

[3] 曲朝陽,高宇峰,聶欣.基于決策樹的網絡故障診斷專家系統模型[J].計算機工程,2008,34(22):215-217.

[4] 楊盛泉,劉萍萍,李寶敏,等.基于故障樹的梭式窯故障診斷專家系統[J].計算機應用研究,2008,25(11):3401-3403.

[5] LI J,GUO S B,HOU J H,et al.Design and realization of fault diagnosis system based on FTA and expert system[C]// Proceedings of the 32ndChinese Control Conference，IEEE,2013:6252-6255.

[6] BIAN M M,SHI J,WANG S P.FTA-based fault diagnose expert system for hydraulic equipments[C]// Proceedings of IEEE International Conference on Fluid Power and Mechatronics,2011:959-963.

[7] XU B G.Intelligent fault inference for rotating flexible rotors using Bayesian belief network[J].Expert Systems with Applications,2012,39(1):816-822.

[8] LI B,HAN T,KANG F Y.Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network[J].International Journal of Computer Integrated Manufacturing,2013,26(12):1161-117.

[9] 夏虹,劉永闊,謝春麗.設備故障診斷技術[M].哈爾濱:哈爾濱工業大學出版社,2009.

[10]KHAKZAD N,KHAN F,AMYOTTE P.Safety analysis in process facilities:Comparison of fault tree and Bayesian network approaches[J].Reliability Engineering and System Safety,2011,96(8):925-932.

[11]DECHTER R.Bucket elimination:A unifying framework for reasoning[J]. Artificial Intelligence,1999,113(1):41-85.