基于案例推理的輕小型起重機械故障診斷

周曉燕 陳潔

[摘 要]本文以輕小型起重機為研究目標，采用案例推理技術對其進行故障診斷，應用數據結構和關系型數據庫對故障案例進行表達并建立故障案例庫，研究相似匹配策略及Levenshtein距離和加權平均算法的案例索引機制，設計基于案例推理的輕小型起重機故障診斷系統，不斷地逐步積累案例、完善案例，使得輕小型起重機械排故工作更加準確、有效，保障輕小型起重機的安全運行。

[關鍵詞]案例推理;索引機制;故障診斷

[中圖分類號]TP182 [文獻標識碼]A

隨著我國經濟建設的高速發展，港口機械、航天航空工業和中重型機械設備的蓬勃發展，促進起重設備的廣泛應用以及輕小型起重機數量激增。輕小型起重機在一定地域和時間范圍內重復、間歇式運動機械，是起重機械的重要組成部分。輕小型起重機涉及領域廣且構造復雜，集機械、液壓和電氣一體的現代智能設備，因此輕小型起重機所產生故障的較復雜且相互交織，當前對輕小型起重機進行故障診斷較為困難。

基于案例推理通過總結過去歷史經驗解決新問題的思路，尋求過去經驗與現有問題的相似性，結合現有知識和以往的解決案例建立數據庫，在新問題與歷史案例之間不完全匹配時給出相似解，簡化了知識獲取;利用已有的經驗和案例去解決新問題，在人工智能上廣泛運用，

因此，基于案例推理的故障診斷技術，能快速、準確地辨識和解決輕小型起重機故障，已然成為輕小型起重機械解決故障的重要手段。本文采用基于案例推理技術，建立基于案例推理的故障診斷系統，對輕小型起重機械進行故障診斷，為解決輕小型起重機故障診斷提供一種新的技術方案。

1 基于案例推理的故障診斷系統設計

1.1 系統功能

基于案例推理的輕小型起重機故障診斷系統，將現有輕小型起重機的故障實例，描述成由故障特征和解決方案構成的案例單元且儲存各單元中的案例并形成案例庫;然后把新問題分解成一個新的案例單元，結合與數據庫中最為相似案例相匹配，找到類似解決方案并應用于新問題。同時在匹配的類似解決方案無法解決新問題時，系統根據匹配程度對建議解進行修正并提出新的解決方案，新的解決方案可充實到案例庫中，因此案例推理系統具有較強的自學習能力。基于案例推理是學習和積累不斷充實的系統，面對復雜的輕小型起重機械故障診斷具有便捷性和實用性，程序功能框圖如圖1所示。

1.2 系統功能模塊

故障診斷系統如圖2所示，根據不同的功能劃分為案例管理模塊、案例推理模塊和參數配置模塊。案例管理模塊中應用數據結構和關系型數據庫，實現案例單元數據的添加和刪除及案例庫的快速讀取、追溯性修改。案例推理模塊是系統關鍵的組成部分，利用案例索引機制從案例庫中檢索相似案例，根據案例的相似度排序獲取最佳相似案例，并利用案例重用策略將新匹配的案件添加到案例庫中，實現案例推理。參數配置模塊主要設置案例特征參數的權值和案例的相似度閾值。

2 基于案例推理的故障診斷關鍵技術

2.1 基于數據結構的故障案例表達及基于關系型數據庫的案例庫建立

案例推理的基本要素就是實現案例有效表達（即案例的結構和內容）。案例的表達是依據一定的結構和特點，遵循特定的表達規則，約束規范的結構，以便于實現高效的檢索。每個案例分解成不同的小單元，構成多區域屬性，用集合表示案例內容的特征集合A = {A1， A2， … An}，其中單元屬性Ai （i = 1， 2， … n）又可以根據需要進一步細分為特有屬性的集合Ai = {Ai1， Ai2， … Ain}。按照多層次和特有屬性結構，每個案例由多個層次集合體屬性單元構成，因此多層次和特有單元相互關聯構建完整的案例庫。

輕小型起重機故障案例由大量的故障信息構成，如控制系統故障、機械結構變形、液壓系統故障等。描述故障案例時，首先應描述故障案例的主要特征部分。為了精確描述故障案例的主要特征部分，應首先查找故障案例表示的主要目標。故障案例表示最關鍵的目標是向設備維修人員提供故障參考信息，如起升機構失效、頂升油缸漏油等系統故障原因。因此，故障案例應包括如下內容：（1）故障環境。主要包括故障狀態、故障位置;（2）故障信息。主要包括：故障描述、解決方案。

案例表示方法最普遍采用關系數據庫的方式，根據案例不同的特性進行存儲，案例庫表達式為：<案例編號，序列號，故障環境要素，故障信息要素>。其中：故障環境要素是指故障出現時的設備狀態和發生部位等信息，如“輕小型起重機在頂升時，液壓缸升降不到位”。故障信息描述是輕小型起重機故障發生后的故障描述和解決方案。根據上述分析可以利用特有的關系數據庫建立案例庫，詳見表1和表2。

2.2 基于相似匹配策略及Levenshtein距離和加權平均算法的案例索引機制研究

案例檢索方法是基于相似性和加權原理，從案例庫中匹配出最佳相似案例，以此幫助維修人員快速找到問題來源和解決方法。本項目研究的案例檢索方法是兩級相似匹配策略，首先應用Levenshtein距離算法對故障特征進行相似匹配，然后用加權平均算法對整個案例進行相似匹配，通過兩級相似匹配出的案例在正確性上有較高的保證。

2.2.1 故障特征的相似匹配

故障特征的相似匹配屬于單字符串匹配，其核心算法是Levenshtein距離匹配算法。在20世紀60年代，Vladimir Levenshtein提出這個概念，因此以他的名字命名為Levenshtein算法，該算法是指兩個字符串之間，由一個轉換成另一個所需的最少編輯操作次數，具有計算方法簡單、精度高的特點。

算法的基本流程：

但是當前的Levenshtein距離匹配算法存在一定缺陷，相互比較的兩個字符串長度相差較大時，得到的兩個字符串的相似度相對會較低。如故障描述字符串“斷絲”，系統自動逐條讀取故障案例庫中案例的故障描述字符段。以讀取到 “鋼繩有斷絲”為例，如果直接根據Levenshtein距離匹配規則，這兩個字符串相似度為0.4，但是在實際匹配的過程中，“斷絲”的字符串應該是被包含在“鋼繩有斷絲”的字符串中，顯然這樣的匹配并不準確。算法改進如下：

式中：SL是Levenshtein距離匹配算法得到的相似度，max（S1， S2）指的是字符串長度最大值。通過改進算法計算出來的相似度為0.92，因此能夠顯著改善字符串包含情況下的匹配的準確度。

2.2.2 故障案例的相似匹配

通常故障案例包含了一個或者幾個故障特征字段，故障案例的相似匹配屬于多字符串匹配，多個字符串與案例庫中的案例關鍵字段進行逐一匹配，每個字符串都得到相應的相似度值，進行最后案例匹配中，需要對多個字符串的相似度進行綜合。相似度綜合采用了加權平均算法，以提高計算效率和精度。算法如下：

式中：SL1表示故障位置與案例庫中的某個案例的相似度值 ，SL2表示故障描述與該案例的相似度值，α、β分別表示故障位置和故障描述的權重。系統中主要匹配兩個字符串——“故障位置”和“故障描述”：首先對匹配進行歸一化處理，再乘上相應的權重α和β（其中α + β = 1）;然后將實際案例與案例庫中的某個案例的相似度與相似度的閾值進行比較，如果相似度大于閾值，則認為匹配成功，反之，則表明案例庫中無匹配案例。

2.3 案例推理技術在輕小型起重機械故障診斷中應用

案例推理的目標就是運用計算機來得到類比推理和領域專家的記憶。當一個新的待解決問題提出以后，可以把它抽象成為一個新案例，為了解決這個問題我們從案例庫中找出一個和新案例最相近的案例，其解決方案就可作為新問題的參考，并形成一個新的案例，實現案例的重用。輕小型起重機械中案例推理執行流程如圖3所示。

3 結語

本文以輕小型起重機作為研究目標，建立故障案例表達、數據庫建立和檢索等，基于案例推理的故障診斷關鍵技術，研究探討案例檢索機制中字符串相似度的計算方法，同時建立輕小型起重機械故障檢索機制。結合實際工作需要，開發設計一個基于案例推理的輕小型起重機故障診斷系統，系統以基于案例推理的診斷技術作為基礎，采用關系型數據庫存儲故障案例數據，實現輕小型起重機械的故障診斷。

[參考文獻]

[1] 王麗，婁建安，趙維霞.基于案例的智能維修訓練系統.測試技術[J].2006（02）.

[2] 何慶飛，王漢功，陳小虎.故障樹分析法在汽車起重機液壓系統故障診斷中的應用[J].機床與液壓，2008（02）.

[3] 羅天洪，楊彩霞，孫冬梅.基于故障樹的汽車起重機液壓故障診斷專家系統[J].機械科學與技術，2013（04）.

[4] 何正嘉，陳進，王太勇.機械故障診斷理論及應用[M].北京：高等教育出版社，2010.

[5] 付新哲，張優云，朱永生.滾動軸承故障診斷的案例推理方法[J].西安交通大學學報，2011（11）.