知識數據雙驅動的智能裝備可靠運維研究

文/牛沖麗

智能裝備目前大量應用于數控機床、自動化生產線、智能控制系統等方向，是實現生產過程自動化、智能化、精密化和高效化的重要部分。智能裝備出現故障將會導致停機和經濟損失。為了確保智能裝備健康運行，本文針對其進行了知識數據雙驅動的可靠運維研究。

一、背景介紹

智能裝備的使用可以打通數據割裂現狀，利用領域知識。以智能裝備運行數據與運維檢修領域知識為驅動，構建科學、系統、周密的檢修和維護作業模式，是制造行業當前的迫切需求。可靠的運維對于優化檢修資源要素投入以及確保智能裝備正常穩定運行都很重要。目前，智能裝備的使用場景越來越廣泛，使用范圍越來越大，其運維問題也得到了重視。

智能裝備運維檢修是保證設備運行安全性與穩定性的重要手段。一方面，面對數量巨大、精細復雜的各種智能裝備，設備故障模式與影響因素繁多，運維檢修工作繁重，采用傳統的定期檢修方式無法滿足差異化、精細化的運維需求。另一方面，有隱患或缺陷的設備如果繼續運行，就有可能發展成故障，造成設備損壞、產線停工等較大的經濟損失等。目前，運維檢修過程仍然缺乏科學化、系統化、定量化的理論框架和相應實施方法論的支撐，難以綜合統籌設備維修成本和可靠性等因素對現有維修體系進行基于定量分析的優化。

王春喜等人[1]對上述問題提出了預測性維護的一些主要技術要求，介紹了國內和國際上技術的發展。楊志偉等人[2]提出了一種智能裝備和智能工廠的遠程運維平臺應用方案。在滿足智能裝備健康運行要求的情況下，基于運營可靠性、可維修性、可用性、安全性和維修成本等因素，提出新的適用于智能裝備的運維檢修理論與方法，并將其作為今后復雜智能裝備運維檢修策略制定的理論依據。這種運維檢修模式是十分有必要的。針對以上問題，本文以可靠性維修理論為依據，以智能裝備運行過程大數據分析為手段，以智能裝備故障模式與影響分析領域知識為支撐，研究智能裝備關鍵部件個性維修決策與方法，建立統籌考慮可靠性、可用性和維修成本的量化分析與優化理論框架，為智能裝備健康穩定運行的運維保障水平提供理論支持。

二、知識驅動的設備智能運維

隨著本體語言的發展，基于語義網絡可建立智能裝備運維系統調度和領域知識的解構與表示。設備智能運維知識圖譜作為一種典型的縱向知識圖譜，已在設備故障的數據分析與決策環節得到了應用，如使用結構化數據形式的設備缺陷文本構造知識圖譜等。在數據稀疏時，基于本體語言的知識圖譜的表示方法的表現力會有所下降，但相較于其他表示方法，這種方法具備更好的可視化效果和推理補全機制。

建立支持運維的故障及其影響的知識圖譜，有了之前基于數據驅動的智能運維作為基礎，后續將知識抽象并將其應用于智能運維。當智能裝備的某個模塊發生故障時，由于建立了支持運維的故障及其影響的知識圖譜，各個模塊之間存在聯系，使得運維的成本和效率大大提高。運維領域的知識圖譜，主要用于故障的診斷和定位等。在數據驅動的情況下，利用現有的人工智能等先進技術，可有效提高運維的效率和準確率。

三、數據驅動的設備智能運維

智能裝備通過在線監測技術，可全面收集智能裝備運行狀態數據，為狀態檢修提供數據基礎。當前處于各種制造和信息技術涌現和發展的階段，這會推動信息技術及制造業的結合與升級，是智能制造中非常重要的一環。另外，在工業互聯網與大數據技術的發展下，數據驅動的智能運維技術在工業界備受關注。這些技術大大加快了設備的智能運維發展速度，這對數據驅動的設備智能運維來說，既是機遇，也是挑戰。

數據是實現智能運維的堅實基礎。Zhang等人[3]通過大數據技術實現了以大數據為基礎的智能運維平臺。部分運維工具檢測到的數據是零散的、無關聯的，并且數據雜亂不統一。這些冗余數據也給數據驅動的設備運維帶來了挑戰。數據驅動首先要保證提取的數據是可靠的，因為業務系統越來越復雜，運維工具以及智能裝備都會變得越來越復雜。缺乏可靠的數據驅動，就無法達到滿意的運維效果。這就需要運維人員做到以下方面：首先，對設備的運行機理進行分析，確定在設備上所需要安裝的傳感器；其次，通過傳感器來收集設備的運行數據，通過工業互聯網將數據傳輸到云平臺和數據庫中；再次，通過機器學習的手段對監測數據進行分析和建模，實現設備運行狀態的識別和診斷，并根據設備狀態數據庫中已經記錄的數據和經驗，建立起智能裝備運行信息與各個狀態之間的對應關系，通過各種可靠性分析和機器學習算法得出智能裝備目前的健康狀況；最后，根據分析得到的設備狀態，向設備維護人員提供維護所需信息，如故障發生的位置、損壞程度和所需更換的零部件等。維護人員根據所提供的信息，可快速地對設備進行檢修和故障排除。相比于傳統的方法，運維的智能化可大大降低維護所需要的成本。

四、智能裝備運維檢修知識圖譜構建

（1）故障診斷知識本體構建：首先通過對智能裝備核心組成、故障診斷核心要素和故障診斷知識體系分析，確定故障知識的范圍；其次明確故障診斷知識之間的聯系；再次對其本體進行結構化建模；最后通過聚類分析對其進行評價。

（2）故障診斷知識抽取：基于已構建的本體模型，實現故障日志、失效案例和運維日志等文本數據中的知識抽取。

（3）故障診斷事件知識挖掘：研究通過對運行日志、維修日志數據的統計分析，獲取故障發生的頻率；通過關聯分析與研究，獲取不同事件與故障的關聯程度。

（4）故障診斷知識的表示和融合方法：實現外部信息（如事理描述）對知識三元組的有效補充，可以增強知識的魯棒性；研究膠囊網絡嵌入模型對知識的表示方法；研究利用邏輯關系聚類半監督事理對齊模型，進行事理并列關系相似度計算、邏輯關系聚類和半監督學習事理對齊等，從而實現知識的有效融合。

（5）數據驅動的智能裝備運維事件知識圖譜構建方法：以智能裝備運行檢測數據、設備基礎運行數據、設備運行檢測數據、試驗和檢測數據、歷史缺陷數據、運維檢修日志數據等為對象，抽取不同的事件，分析事件之間的關聯關系、因果關系，認識故障的發展脈絡和發展規律；基于歷史事件脈絡，對后續可能發生的事件進行排序和推送，為運維決策提供理論支持。

五、基于故障診斷知識圖譜的智能排故技術

（1）基于知識圖譜的故障智能查詢技術：通過深度文本匹配技術，對基于知識三元組訓練的故障診斷知識檢索構建模型。

（2）基于事理知識圖譜的隱性故障原因推理技術：基于故障診斷知識三元組，研究事理關系的評分方法，對隱性故障原因進行推理。

（3）基于事理知識圖譜的故障傳播推理技術：基于知識圖譜，研究設備結構中不同零部件的耦合機理；基于耦合機理，研究零部件故障對子系統、母系統的故障傳播鏈條進行推理。

六、結語

隨著自動化和智能化生產要求的提高，應用智能運維技術來增強智能裝備的競爭力已成為制造業關注的重點。隨著人工智能的發展，將人工智能應用在運維以及故障診斷等方面的案例越來越多，針對該領域的方法也逐漸增多和健全。本文從知識驅動和數據驅動相結合的角度出發，對智能裝備運維檢修的問題進行分析，提出知識數據雙驅動的方法，為智能運維提供新的思路，充分利用知識以及數據來實現高效的計算，從而降低運維成本，提高生產效率，并且可以在許多復雜情況下，保持較高的穩定性和準確性。