基于RBR+CBR雙重推理的帶式輸送機驅動系統故障診斷研究*

張 宇,寇子明*,韓 聰,寇少凱

(1.太原理工大學 機械與運載工程學院,山西 太原 030024;2.礦山流體控制國家地方聯合工程實驗室,山西 太原 030024)

0 引 言

帶式輸送機是煤炭主運輸系統的關鍵裝備[1],其工作的穩定性對于煤礦的生產安全影響巨大[2]。由于煤礦井下環境特殊,帶式輸送機結構復雜,發生故障的種類較多且診斷困難,給煤礦的安全生產帶來很大的隱患[3]。2020年2月,國家發展改革委、國家能源局等八部委聯合印發了《關于加快煤礦智能化發展的指導意見》,全方位推動煤礦智能化發展[4],帶式輸送機的智能化是其中的重要環節。

從實際需求以及政策指引出發,開發一套用于帶式輸送機的故障智能診斷專家系統是工程實踐的必然要求。

故障診斷專家系統的發展起始于20世紀70年代末。具有代表性的故障診斷專家系統有:美國海軍人工智能中心開發的IN-ATE系統、華中科技大學研制的智能系統DEST[5]5。目前,在醫療[6]、航天[7]、船舶[8]、汽車[9]以及軍工[10]等領域,針對故障診斷專家系統,學者們已經開展了廣泛的研究與應用。這深刻影響著不同領域的各個行業。相信在不久的將來,故障診斷專家系統依舊會發揮巨大的作用,并且在智能化的道路上不斷發展。

基于規則推理(RBR)的方法是早期專家系統的經典方法,一直被應用并不斷發展,其適用于具有豐富經驗的專業領域故障診斷。該方法知識表述直觀、規則生成簡單、推理速度快;但存在知識獲取困難、規則沖突、規則庫覆蓋的故障模式有限等問題[5]5。

近年來,宋新擴[11]采用故障樹與專家系統相結合的方式,建立了用于帶式輸送機的故障診斷專家系統。陸建鋒等人[12]對太陽能利用系統進行了故障機理分析,建立了基于規則推理的故障診斷專家系統。楊莎莎[13]建立了直流充電樁的故障樹模型,將故障樹中的相關知識應用于專家系統的知識庫構建和推理機設計中。

以上研究降低了基于規則推理的專家系統知識獲取的難度和規則沖突的程度;但也造成了其側重于故障原因的分析,在故障診斷中缺乏縝密的維修方案。

基于案例推理(CBR)的方法適用于易采用案例形式表達,并已積累豐富案例的領域。該方法知識獲取難度低、案例庫的覆蓋度隨系統的不斷使用而逐漸增加;但其檢索速度慢,案例特征選取及權重分配直接影響檢索精度。

20世紀90年代,國內開始重視案例推理技術[14]的研究。2018年,方名菊[15]提出了以形式概念的方式對歷史案例進行表示,建立了故障智能診斷系統,實現了對汽輪機的故障診斷目的。2022年,CHEN Meng-qi等人[16]對案例屬性分類進行了研究,提出了基于樹的語義相似性度量方法,建立了基于案例推理的航空發動機故障診斷專家系統。

但是,以上研究案例大多來自維修記錄,對維修手段記錄詳細;而對故障原因的表述卻只限于表象,并未深入分析。

RBR和CBR均適用于帶式輸送機故障診斷領域,針對二者在故障診斷中或側重原因分析或側重維修手段的問題,筆者對基于RBR+CBR雙重推理的推理機制進行研究,并建立專家系統,對帶式輸送機驅動系統進行故障診斷。

1 基于帶式輸送機驅動系統的故障診斷專家系統構建

1.1 帶式輸送機驅動系統

帶式輸送機主要由驅動系統、輸送帶、托輥、制動系統和機架組成,其中,驅動系統是帶式輸送機的動力來源。

受到煤礦井下惡劣環境的影響,帶式輸送機遭受煤塵覆蓋、煤塊沖擊的情況時有發生,進而引發電機過載、減速器漏油、滾筒停轉、軸承潤滑失效等問題。

單機距離長、多點驅動等因素使得人工診斷注定被淘汰,因此,亟需開發一套遠程故障診斷專家系統,對驅動系統乃至整個帶式輸送機進行安全維護。

煤礦用帶式輸送機的傳統驅動系統多采用異步電動機+減速裝置+液力耦合器+滾筒的驅動方式[17],如圖1所示。

圖1 帶式輸送機驅動系統

1.2 故障診斷專家系統構建

一般情況下,專家系統主要包括5大部分,即知識庫、推理機、人機交互界面、解釋器以及數據采集端。為了方便開發并迎合實際工程應用中操作人員的習慣,筆者引用并改善了這種結構,構建了規則庫與案例庫,設計了基于RBR+CBR的雙重推理機制,并以生成“診斷報告”的形式對推理過程進行解釋。

專家系統結構組成如圖2所示。

圖2 專家系統結構組成

1)故障樹分析法[18]。故障樹是一個了解系統如何失效的邏輯框架,其用圖形方式表示頂事件與子事件之間的邏輯關系,定性定量分析系統可靠性涉及的各因素,尋找導致頂事件發生的根本原因,從而實現故障源的快速查找與定位。

故障樹定性分析是為了得到導致所分析故障樹的頂事件發生的最小割集;然后,對故障樹進行定量分析;進而得到最小割集對故障樹頂事件的影響程度。

首先,根據前期調研得到的底事件發生概率,計算出故障樹中頂事件發生的概率:

P(T)=P(Q1∪Q2…∪Qk)=

P[1-(1-Q1)(1-Q2)…(1-Qk)]=

(1)

其次,由頂事件發生的概率得到某一個最小割集的發生對頂事件的重要度。其中,最小割集的相對概率重要度計算方法為:

(2)

(3)

式中:T為故障樹頂事件;Qj為最小割集;qi為底事件發生概率;Ig(i)為最小割集概率重要度。

2)RBR算法。RBR是人工智能領域中非常重要的一種方法,其推理過程與人類的思維方式十分貼合,主要應用在專家系統或基于知識推理的系統中。RBR適合于使用產生式規則表示,一般形式為:If P1 or P2 then Q。其中,P1或P2是觸發條件,Q是結論[19]。

3)CBR算法。CBR是一種基于記憶為中心的認知模型的類比推理方法,其主要通過重用已知解決方案的歷史案例,為目標案例提供解決方案[20]。

相似案例檢索是CBR算法的核心,加權KNN(K-nearest neighbor)是進行相似度計算時常用的一種方法,其通過賦予屬性不同的權重進行計算。

由于案例屬性分為有序枚舉屬性和確定符號屬性,在對屬性進行相似度計算時,要選取不同的計算方法,對有序枚舉屬性采用規范化的歐式距離方法,對確定符號屬性采用重疊度量方法,最后進行總體相似度計算。

有序枚舉屬性相似度計算方法為:

(4)

確定符號屬性相似度計算方法為:

(5)

總體相似度計算方法為:

(6)

式中:X為歷史案例;Xi為歷史案例第i項屬性值;Y為目標案例;Yi為目標案例第i項屬性值;maxi為最大i項屬性值;mini為最小i項屬性值;n為案例特征屬性的數量;ωi為第i項屬性的指標權重。

2 專家系統設計

2.1 驅動系統故障樹

筆者通過調研帶式輸送機生產廠家、查閱相關文獻資料、與輸送機維護人員交流以及親自下礦安裝拆卸設備等方式,總結了帶式輸送機驅動系統的典型故障,并對其故障機理進行梳理,建立故障樹,進行了重點分析。

帶式輸送機驅動系統故障樹如圖3所示。

圖3 帶式輸送機驅動系統故障樹

2.2 故障知識庫設計

知識庫通常包括領域相關理論知識、專家策略知識、常識性知識,另外還有一些特殊的定理運算法則等。

高瑩等人[21]從語義和知識層次2個方面對知識進行描述,為解決領域問題提供了基礎。筆者使用Microsoft SQL Server 2019軟件構建專家系統故障知識庫,并將知識庫分為規則庫與案例庫。

規則庫以產生式表示法構建,知識來源自故障樹,由前件表、規則表以及后件表,3類表組成,分別對應故障樹頂事件、故障樹以及故障樹底事件。

其中,規則表是規則主體,由故障樹信息表、子故障樹表組成;前件表是觸發規則主體的原因,由參數表組成;后件表是觸發規則主體后的執行動作,由結論表組成。表與表之間通過設置主外鍵關聯,形成原因—規則—結論的關系鏈。

規則庫各表格式及關系如圖4所示。

圖4 規則庫各表格式及關系

案例庫以矩陣表示法構建,由案例表組成,其中矩陣的行代表不同的案例,矩陣的列代表同一案例的不同屬性。由于實際故障案例通常是一段文字描述,有用的信息只存在于幾個關鍵詞當中,所以在錄入案例庫之前,需手動提取關鍵詞。

筆者將所有關鍵詞劃分為9個屬性并冠以案例編號,以此表示一個故障案例。

案例庫中的案例主要從領域專家、煤礦事故以及相關的新聞、報道中獲取,并通過調研太重集團向明智能裝備股份有限公司,搜集到近幾年帶式輸送機維修記錄,然后進行歸納、總結。

案例表的格式如圖5所示。

圖5 案例表格式

筆者根據帶式輸送機驅動系統故障樹,建成參數表1張,故障樹信息表1張,子故障樹表11張,結論表17張;通過整理大量故障案例,建成案例表1張,包含200條案例。

表1 相似度檢索屬性類型及指標權重

2.3 專家系統推理機制

專家系統的推理機制是故障診斷過程的充分體現,帶式輸送機是一個機電一體化的復雜系統,因此,合理高效的推理算法是專家系統的研究重點之一。筆者結合故障樹與故障案例,設計了一種基于RBR+CBR的雙重推理算法,從邏輯知識與啟發性知識兩種角度推理診斷故障。

2.3.1 規則置信度與觸發條件

RBR中的每條規則都是由原因與結論直接構成,中間的推理過程是省略的,而故障樹頂事件與底事件之間存在大量的中間事件,這無疑增加了推理的時間。因此,需對故障樹進行定性分析,過濾掉中間事件,尋找引發故障樹頂事件發生的最小割集,作為規則的結論。筆者利用下行法對驅動系統故障樹進行定性分析,得到58個引起頂事件發生的最小割集:{X1}～{X58}。

此外,在進行規則推理的時候,往往不止一條規則被觸發。為了有效避免規則沖突問題,需要對故障樹進行定量分析,確定底事件的發生概率,以此得到頂事件的發生概率,以及最小割集的發生對頂事件的重要度;而重要度可以作為每條規則的置信度,置信度越高,規則的優先級就越高。

筆者通過在規則庫設置激活閾值的方式,將故障樹頂事件,即觸發規則的原因數值化,將實時運行數據與規則庫中的激活閾值相比較,如果大于激活閾值,則觸發規則進行推理。

2.3.2 案例檢索屬性及指標權重

筆者從所有案例屬性中找出辨識度最大的屬性,將其作為相似度檢索屬性。此外,在進行案例檢索時,也可以將案例發生的時間作為檢索屬性,但此項屬性不列入相似度計算范圍。

相似度檢索屬性類型及指標權重如表1所示。

2.3.3 基于RBR+CBR的雙重推理算法

筆者將RBR和CBR算法相互結合,設計了基于RBR+CBR的雙重推理算法。

基于RBR+CBR的推理算法(推理過程)如圖6所示。

圖6 基于RBR+CBR的推理算法

相較于單一的RBR算法或CBR算法,新型的推理算法既可以在無有效規則調用的情況下,利用CBR算法檢索相似案例,也可以在無相似案例檢索的情況下,利用RBR算法調用有效規則,二者相輔相成,互為另一種推理機制的容錯對象,可提高故障診斷準確率。

另外,在專家系統經過不計其數的應用后,隨著規則庫與案例庫的逐漸壯大,無有效規則調用或無相似案例檢索的情況越來越少。絕大多數工況是由RBR和CBR算法共同推理出結果,兩種結果互相驗證、求同存異,以診斷報告的形式呈現,供維修人員參考。

此外,每次故障案例經過整理后,都會以新的案例保存到案例庫中,實現了案例庫的不斷更新。

筆者利用SQL語言進行編程,將基于RBR+CBR雙重推理的算法程序化,實現規則庫與案例庫之間的通信。

部分程序及程序運行結果如圖7所示。

圖7 部分程序及程序運行結果

2.4 人機交互界面設計

筆者在LabVIEW開發環境下,結合圖形化編輯G語言,完成了帶式輸送機驅動系統故障診斷專家系統人機交互界面的設計,實現了傳感器—知識庫—客戶端之間的串聯通信。其具有良好的人機互動性能,而且可移植性強,可以生成安裝包,安裝到其他操作環境上。

按照其功能,專家系統人機交互界面分為8個部分,即用戶登錄、實時監測、閾值設定、故障診斷、故障記錄、檢索案例、診斷報告以及知識維護,如圖8所示。

圖8 專家系統功能圖

故障診斷界面與規則庫鏈接,筆者利用故障樹知識對驅動系統的4個子系統、11種工況進行故障監測與診斷。

其中,減速器故障診斷界面如圖9所示。

針對多點驅動的帶式輸送機,圖9中的界面可對所有減速器進行監測,并將運行參數實時顯示在波形圖表上。

圖9中,“溫度預警”指示燈變紅,代表出現“溫度過高”工況,點擊“診斷”按鈕,推理機制運行,在右側2個表格中顯示RBR算法的診斷結果。通過點擊“案例檢索”按鈕,用戶切換至相似案例檢索界面進行相似案例檢索。此外,所有數據都會存儲下來,方便日后的數據維護與審查。

相似案例檢索界面與案例庫鏈接,通過檢索相似的案例為當前案例提供維修方案。最后,用戶通過點擊“報表生成”按鈕,生成Word版的故障診斷報告,電子版保留存檔,紙質版供維修人員參考。

相似案例檢索界面如圖10所示。

圖10 相似案例檢索界面

3 現場實驗與結果分析

3.1 現場應用實驗

為了驗證專家系統的可行性,筆者在某礦帶式輸送機運行現場進行實驗。

其中,部分實驗現場布局如圖11所示。

圖11 部分實驗現場布局

筆者利用各廠家傳感器以及巡檢機器人以定時采集運行數據,數據經PLC控制柜傳輸至上位機,專家系統作為上位機對實時數據進行診斷。

PLC控制柜如圖12所示。

圖12 PLC控制柜

筆者在電機、減速器、液力耦合器以及驅動滾筒上布置故障監測點,并針對不同設備,采集電流、電壓、振動、溫度、速度等數據,對驅動系統進行全面監測。

其中,利用巡檢機器人對電機進行紅外測溫,如圖13所示。

圖13 電機監控與紅外熱成像圖

3.2 實驗結果分析

筆者在帶式輸送機運行現場進行了長達12個月的實驗,利用專家系統成功地對帶式輸送機驅動系統進行了狀態監測與故障診斷。

為了更加直觀地顯示專家系統的實驗效果,筆者還對專家系統進行了后續的開發與調試。

筆者對實驗結果進行了量化分析,分析結果如下:

專家系統的實時監測與故障預警功能,使帶式輸送機停機次數降低了20%左右,生產效率至少提高了15%;帶式輸送機維修人員工作強度下降了30%以上,相當于減少2名～3名班組人員,加快了煤礦開采無人化進程;

專家系統知識庫的應用,使得故障診斷通過知識庫進行原因分析,迅速鎖定故障源頭,故障定位平均時間由原來的2 h降到5 min左右;利用知識庫中專家級別的維修建議,故障解決平均時間由原來的4 h縮短到2 h左右,極大程度地提高了故障解決能力。

專家系統在驅動系統各子系統的實驗指標如表2所示。

表2 專家系統實驗指標

分析表2可知:專家系統故障預警提示率超過了98%,故障原因分析準確性超過了95%,故障維修方案有效性超過了94%。

為了評估所提推理算法的優劣性,筆者通過預先設置減速器處于異常振動工況下的方式,從診斷時間(收斂性)、診斷過程(有效性)、診斷效果(準確性)3個方面,對RBR、CBR以及RBR+CBR這3種推理算法支持下的專家系統應用效果進行比較。

故障預設情況如表3所示。

表3 故障預設情況

不同推理算法應用效果對比如圖14所示。

圖14 不同推理算法應用效果對比

從圖14(a)可以看到:RBR算法和CBR算法支持下的專家系統診斷用時2 s和2.4 s,而RBR+CBR算法支持下的專家系統平均能在1.2 s內給出診斷結果,可見該算法收斂速度更快;

從圖14(b)可以看到:RBR+CBR算法支持下的專家系統診斷過程有效性與診斷效果準確性分別為94.7%和96%,均高出另外2種算法支持下的專家系統10%以上,可見該算法更具優勢。

4 結束語

為了解決帶式輸送機故障診斷中人工診斷不及時、經驗不足等問題,筆者以帶式輸送機驅動系統為例,對故障診斷專家系統進行了研究。

首先,在傳統專家系統的結構基礎上構建了故障診斷專家系統;然后,建立了驅動系統故障樹,分別設計了知識庫、推理機、人機交互界面;最后,在帶式輸送機運行現場,對專家系統的可行性進行了驗證。

研究結果表明:

1)從故障機理出發,構造了驅動系統故障樹,并建立了規則庫,專家系統故障原因分析準確率超過了95%;從專家經驗出發,整理了故障案例并建立了案例庫,專家系統故障維修方案有效性超過了94%,充分證明了知識來源的準確性與可靠性,為故障診斷提供了可靠的理論支撐,拓寬了專家系統知識獲取的渠道;

2)在預先設置故障的條件下,與RBR、CBR算法支持下的專家系統進行比較,筆者RBR+CBR算法支持下的專家系統診斷用時僅為1.2 s,RBR和CBR分別為2 s和2.4 s,而在診斷過程和診斷效果兩方面,RBR+CBR算法的有效性和準確性更是高于其他2種算法10%以上。綜上所述,該算法應用效果明顯優于其他2種推理算法,為專家系統的推理機制提供了一種有效的方法。

在后續的研究中,基于豐富的專家知識,筆者擬將專家系統推廣至帶式輸送機其他關鍵部位的故障診斷中去,以進一步提升該專家系統的泛化性。