基于CBR-RBF-KG的裝填車液壓系統故障診斷方法研究

郝俊杰，高虹霓，王 崴，李建棟，曹 虹，宋新成

(1.空軍工程大學 防空反導學院，西安 710051； 2.新疆工程學院 數理學院，烏魯木齊 830023)

1 引言

液壓系統是地導某型裝填車的核心系統，具有工作平穩、響應快和可實現無級調速等優點，是保證裝填車進行吊裝、系統展開撤收和使用操作等功能發揮的主要系統。隨著裝備的快速更新換代，裝填車的功能和性能不斷提高，液壓系統需要實現的操作也日趨精準，所用液壓機件更加精密、系統結構更加復雜。由于工作環境相對惡劣、裝備操作比較頻繁，使得液壓系統的故障率極高，而一旦發生故障，將直接影響整個裝備的正常作業，甚至可能延誤戰機。因此，能夠快速定位、排除液壓系統故障對保持裝備的完好率和使用效能具有重要意義。

當前的裝設備故障診斷方法較多[1-7]，但多用于具有周期性、連續性等特點的旋轉機械，并不適合非周期性、突變和離散的液壓系統故障。裝填車在使用維護過程中積累了大量液壓系統故障案例，為充分利用這些數據資源，同時提高液壓系統的診斷效率，本文提出一種基于案例推理的液壓系統故障診斷方法，采用TF-IDF關鍵詞抽取方法[8]進行故障案例特征提取，采用RBF神經網絡算法進行案例推理，采用知識圖譜進行案例表達。

2 基于案例推理的裝備液壓系統故障診斷方法

基于案例推理(case-based reasoning，CBR)的方法，進行故障診斷的思路是通過重用或修改歷史故障案例來解決新故障，它只需檢索相似的已有案例而不需要完整獲取知識的規則，不受知識獲取問題的困擾，是故障診斷領域的研究熱點之一。

2.1 液壓系統故障診斷模型結構

基于CBR的液壓系統故障診斷模型結構如圖1。

圖1 故障診斷模型結構框圖

主要分為三部分：第一是案例庫構建，將采集到的歷史故障案例進行預處理，分類并錄入故障庫，在使用案例庫對RBF神經網絡進行訓練的同時刪除案例庫中的重復案例，精簡案例庫；第二是目標案例故障診斷，用jieba分詞法和TF-IDF關鍵詞抽取算法對目標案例進行特征提取，通過RBF神經網絡得出案例庫案例與目標案例的相似度，即案例檢索，最后通過知識圖譜來展示檢索到的案例；第三是案例修正保存，通過目標案例與歷史案例進行對比，以相似度確定該案例是否保存，將修正后的相似案例存入案例庫。

如圖1所示，故障診斷的基本流程為：對目標案例的故障描述信息，先進行特征提取，得到特征詞及對應特征詞向量；再根據詞向量對案例庫中案例聚類，找到與目標案例同類的故障案例；之后，將同類案例的故障特征轉化為詞向量輸入RBF神經網絡，得到每個同類案例與目標案例的相似度，根據相似度來對案例進行重用或修正，確定故障解決方案，并通過知識圖譜對確定案例進行展示；最后，將相似度為1的案例即相同案例舍去，相似度小于1的重用案例在修正后存入案例庫。

2.2 診斷算法

2.2.1案例庫的構建

1) 故障案例預處理

收集到的故障案例形式多樣，且對每個故障的描述沒有統一規范，無法直接使用。為完整、規范表達案例的故障信息，對該裝備液壓系統的歷史故障進行整理、分析，將案例使用表1中的5種要素進行描述。

表1 故障案例信息要素表

按以上定義，整個案例庫可表示為C={C1,C2,…,Cn}，每個故障案例可表示為Ci=(Ci1,Ci2,…,Ci5)，i=1,2,…,n，Ci為案例庫中的第i個案例，n為故障案例數。

2) 故障案例庫創建

案例庫以數據表的形式創建，共有4個，現以案例1為例進行說明。

案例1：海拔400 m、晝夜溫差10 ℃、溫度5 ℃、濕度58%，裝填車加油之后，發現油量表無顯示。原因為油位傳感器損壞，更換油位傳感器，故障現象消失。

故障特征存儲結構表：存儲每個故障案例中的故障部位和故障現象中的特征關鍵詞，每個故障案例包含故障的多個特征，每個故障特征的存儲結構如表2所示。

表2 故障特征存儲結構表

故障現象存儲結構表：存儲每個故障案例的運行環境、故障部位以及故障現象的詳細描述，存儲結構如表3所示。

表3 故障現象存儲結構表

解決方案存儲結構表：存儲每個故障案例的故障原因分析和故障解決方案，存儲結構如表4所示。

表4 解決方案存儲結構表

存儲結構關系表：存儲每個故障案例、故障特征、故障現象及解決方案的對應關系，存儲結構如表5所示。

表5 存儲結構關系表

故障特征表的創建主要是為了便于檢索案例，提高故障的檢索效率。

2.2.2故障特征提取

對故障特征的提取主要針對故障案例信息中故障部位Ci2和故障現象Ci3兩種故障要素，通過jieba中文分詞法及基于TF-IDF(Term Frequency-Inverse Document Frequency)的關鍵詞抽取算法來完成，特征提取完成后存入故障特征表。

特征提取過程如下：

首先構建裝備故障常見特征詞庫和停用詞庫。特征詞庫用來存放裝備的一些專有名稱、專用動作詞匯等；停用詞庫主要存儲一些連接詞、修飾詞等無價值的詞。然后利用jieba分詞法對案例的故障部位Ci2和故障現象Ci3進行分詞。對特征詞庫中的詞，分詞法會直接輸出而不再進行分詞。之后從分詞結果中去除停用詞庫中無價值的詞。最后使用TF-IDF算法在去除停用詞后的特征詞中抽取出可以表示該案例的關鍵詞，即獲取該案例中詞頻高且案例庫其他案例中詞頻低的特征詞[9]。

案例庫中第i個案例Ci，Ci中第j個特征詞fj的權值ij即TF-IDF值，

(1)

其中，fij是特征詞fj在案例Ci中出現的頻率，m是案例中包含的特征詞數，N是案例庫中案例總數，nj+1是包含特征詞fj的案例數。

使用該方法對具體案例進行特征提取見表6。

表6 案例特征

2.2.3案例檢索

徑向基函數(radial basis function，RBF)神經網絡有逼近能力好、學習速度快且理論上有全局收斂的優點[10]。RBF神經網絡通過案例庫中的案例進行學習訓練，確定網絡結構，并根據模式矢量多維空間距離的非線性映射對故障現象進行識別和分類，由此診斷出相應的故障原因。RBF神經網絡結構如圖2所示，由輸入層、隱含層、輸出層組成。

在RBF神經網絡中，輸入層以故障特征向量作為輸入。隱含層由歷史案例庫中的計算單元組成，利用混合學習過程在無監督方式下訓練實現，是網絡結構中最重要的一層，當接收到輸入向量時，利用徑向基函數進行計算。輸出層則將隱含層神經元的表達結果進行線性加權后進行輸出。

圖2 RBF神經網絡結構示意圖

將X=[x1,x2,…,xn]T作為輸入樣本，Y=[y1,y2,…,ym]T作為輸出，隱層采用徑向對稱的高斯函數。

(2)

式中：ri(x)為第i個隱層節點的輸出；ci為第i個隱層節點的中心值；為第i個隱層節點的方差；l為隱層節點數。

神經網絡的輸出為：

(3)

式中:ω為輸出層權值[11]。

選取l個中心做聚類，對于高斯核函數的徑向基，

(4)

(5)

式中cmax為中心點之間的最大距離。

2.2.4故障案例表達

故障案例的表達采用知識圖譜(knowledge graph，KG)[12-13]。與傳統知識表現形式相比，知識圖譜具有實體和概念覆蓋面廣、語義關系多樣、結構友好以及質量較高等優勢[14]。

知識圖譜中事物的屬性以及事物之間的聯系通常以三元組的形式刻畫，簡潔直觀，可以很容易找到與事物相關的知識[15]。三元組可以將每一條案例表示為Case_KG =(Subject，relation，Object )，即“實體-關系-實體”[16]。故障實體由案例編號、故障特征、故障現象和解決方案構成，關系則包含故障要素、特征詞、現象、原因和解決方案等。

案例1通過三元組表示見表7。將表7中的三元組合并得到該案例的知識圖譜，如圖3所示，各結點表示Subject或Object，有向邊表示relation，方向表明實體是Subject還是Object，采用不同顏色來區分不同類型實體。

2.2.5案例修正保存

在故障案例檢索完成后，當檢索到與目標案例相同即相似度為1的源案例，則從故障案例庫直接獲取該案例的故障原因及解決方案即可，目標案例不保存。

當檢索到與目標案例類似即相似度小于1的源案例，則將相似源案例的解決方案作為目標案例的建議解，并根據實際情況進行建議解的修正，將修正后的方案作為最終解決方案，并將該目標案例作為一個新案例保存至案例庫。

表7 三元組表示

圖3 案例的知識圖譜

3 故障診斷實例

基于CBR-RBF-KG的裝填車液壓系統故障診斷方法采用基于B/S架構的頁面，用MySQL數據庫管理故障案例庫，程序開發和算法采用python3.8編譯，在Pycharm平臺上操作調試。現以某型裝填車出現的故障為例進行診斷。

故障案例：環境溫度9 ℃、濕度43%、氣壓976 hpa、海拔531 m、鹽度0.8 ppm、晝夜溫差為15 ℃的條件下，9號裝填車通過換向閥控制執行機構換向時，執行機構卡滯。

對輸入的故障現象進行故障特征的智能識別提取，結果如表8所示。

表8 故障特征識別結果

故障特征詞向量化，結果如圖4所示。

圖4 特征詞向量化示意圖

故障特征聚類，結果如表9所示(展示與目標案例相關的一類)。

表9 故障特征聚類結果

聚類后，RBF神經網絡求解同類案例與目標案例的相似度，最終根據相似度的高低依次展示相似案例(展示前二個案例)。

針對故障特征控制、執行機構、卡滯、換向、換向閥有3個相似案例。

案例1：

故障特征：控制 執行機構 卡滯 換向 換向閥 裝填車

解決方案：

[原因：換向推桿長期撞擊磨損而變短，或銜鐵接觸點磨損，閥芯行程不足，開孔及流量變小。

排除方法：更換推桿或電磁鐵。

故障現象：環境溫度9 ℃、濕度43%、氣壓976 hpa、海拔531 m、鹽度0.8 ppm、晝夜溫差為15 ℃的條件下，9號裝填車通過換向閥控制執行機構換向時，執行機構卡滯。]

相似度：1

案例2：

故障特征：沖擊和噪聲 換向 換向閥 裝填車

解決方案：

[原因:電磁換向閥推桿過長或過短。

排除方法：修理或更換推桿。

故障現象：在溫度13 ℃、濕度54%、氣壓976 hpa、海拔531 m、鹽度0.8 ppm、晝夜溫差為9 ℃的條件下，3號裝填車換向閥換向有沖擊和噪聲。]

相似度：0.845

知識圖譜展示相似度第一的案例，如圖5所示。

圖5 案例展示

從案例展示結果可知，案例1與目標案例相似度為1。參考案例1的解決方案，檢查換向閥的換向推桿和銜鐵接觸點，根據原因更換推桿或電磁鐵。現場的實際情況是換向閥中的換向推桿長期撞擊磨損后變短，導致閥芯行程不足，開孔及流量變小，從而使執行機構壓力不足，執行機構卡滯。該案例為相同案例，不保存。該方法能夠對裝填車的液壓系統故障進行定位與診斷，可以指導保障人員的維修工作。

4 結論

1) 基于CBR-RBF-KG的診斷方法可以用于非周期性、突變和離散的裝填車液壓系統故障，能夠有效的定位故障原因，指導故障排除。

2) 使用知識圖譜對案例進行可視化描述，使案例顯示更加清晰、直觀；使用三元組的知識圖譜結構，提升了診斷方法獲取故障特征的能力，進而提高了故障的診斷能力。

3) 方法建立案例庫，通過案例進行推理，能夠充分應用裝填車的大量液壓系統故障數據資源。在故障診斷過程中，隨著故障案例的增加，CBR會不斷學習，診斷更加準確。