基于CBR和RBR的全斷面掘進機故障診斷專家系統(tǒng)研究

張?zhí)烊? 李　明, 董　海, 蘇鵬程

(1. 沈陽大學(xué) a. 機械工程學(xué)院. b. 應(yīng)用技術(shù)學(xué)院, 遼寧 沈陽　110044;2. 遼寧職業(yè)學(xué)院 機械工程學(xué)院, 遼寧 鐵嶺　112099;3. 北方重工集團有限公司 全斷面掘進機國家重點實驗室, 遼寧 沈陽　110141)

?

基于CBR和RBR的全斷面掘進機故障診斷專家系統(tǒng)研究

張?zhí)烊?a, 李明2, 董海1b, 蘇鵬程3

(1. 沈陽大學(xué) a. 機械工程學(xué)院. b. 應(yīng)用技術(shù)學(xué)院, 遼寧 沈陽110044;2. 遼寧職業(yè)學(xué)院 機械工程學(xué)院, 遼寧 鐵嶺112099;3. 北方重工集團有限公司 全斷面掘進機國家重點實驗室, 遼寧 沈陽110141)

為了充分利用全斷面掘進機(TBM)故障診斷的經(jīng)驗和領(lǐng)域知識,系統(tǒng)采用基于案例推理(CBR)和規(guī)則推理(RBR)結(jié)合的推理機制進行診斷,建立了診斷模型.介紹了采用基于歐氏距離相似度法進行二次檢索相似度計算、用矩陣描述基于傳統(tǒng)的權(quán)重最近鄰法檢索過程的CBR故障診斷模型,以及采用改進型規(guī)則存儲方法存儲規(guī)則、正向推理機制進行推理的RBR故障診斷模型.采用施工過程的歷史數(shù)據(jù)對診斷模型進行了實例分析.結(jié)果顯示,采用集成診斷方法能夠提高診斷效率和準(zhǔn)確性,進而可提高施工效率,也為進一步研究智能型TBM奠定了基礎(chǔ).

全斷面掘進機;集成推理;案例推理;規(guī)則推理;故障診斷

故障診斷是機械設(shè)備中保證設(shè)備正常運行的重要功能.目前,故障診斷的研究方法和研究對象有很多,但將全斷面掘進機作為研究對象,選擇CBR和RBR集成的診斷方法的研究還鮮有介紹[1-7].

全斷面掘進機體積龐大、結(jié)構(gòu)復(fù)雜,主要包括盾體、刀盤、刀盤驅(qū)動、雙室氣閘、管片拼裝機、螺旋輸送機構(gòu)、后配套裝置、電氣系統(tǒng)和輔助設(shè)備等重要組成部分,也是主要的故障出現(xiàn)的部分,包括主軸承油脂潤滑系統(tǒng)故障、膠帶輸送機故障、水冷器件出現(xiàn)溫度超高情形、除塵風(fēng)機過濾效果不佳、主機皮帶機驅(qū)動馬達屢次磨損等.據(jù)統(tǒng)計,TBM在施工過程中,除正常掘進時間外,設(shè)備故障處理時間與支護時間相當(dāng),各占了25%,而故障停機將會產(chǎn)生巨大的損失,因此提前預(yù)防、盡早發(fā)現(xiàn)、及時處理、減少維修停機時間,將會產(chǎn)生明顯的經(jīng)濟效益[8].但是僅依靠專家經(jīng)驗排查故障十分困難.有研究表明:全斷面掘進機遇到故障時,技術(shù)人員需要占總時間70%～90%的時間確定故障原因和部位,故障維修工作只有10%～30%的時間[9];從維修成本的角度來看,預(yù)測維修成本只占事后維修成本的40%左右[10].故障診斷專家系統(tǒng)則可以準(zhǔn)確而迅速的檢測到故障原因和部位,因此,本文以北方重工集團全斷面掘進機國家重點實驗室為研究基礎(chǔ),以實驗室現(xiàn)有的土壓平衡盾構(gòu)機為研究對象,采用CBR和RBR集成的診斷方法,建立故障診斷模型,為完整合理的故障診斷系統(tǒng)的開發(fā)奠定基礎(chǔ).

1　案例推理和規(guī)則推理集成

1.1集成推理優(yōu)勢

診斷經(jīng)驗和領(lǐng)域知識的結(jié)合即是案例推理和規(guī)則推理的集成,集成后的診斷系統(tǒng)可以實現(xiàn)二者優(yōu)勢互補[8].在系統(tǒng)龐雜的TBM故障診斷過程中,為其建立CBR與RBR相結(jié)合的故障診斷專家系統(tǒng),從而可以提高診斷系統(tǒng)的診斷能力和準(zhǔn)確性[11].

1.2集成推理機制

根據(jù)全斷面掘進機設(shè)備故障診斷領(lǐng)域問題的特點,本文采用一種順序推理集成型和案例規(guī)則相互轉(zhuǎn)換的推理機制[6].推理過程如圖1所示.

圖1　集成推理故障診斷流程Fig.1　Fault diagnosis process of integrated reasoning

1.3系統(tǒng)總體設(shè)計

系統(tǒng)根據(jù)TBM用戶需求設(shè)計開發(fā),能提供多種功能服務(wù),包括數(shù)據(jù)分析、知識提取、案例推理、規(guī)則推理和知識庫管理等.該系統(tǒng)總體結(jié)構(gòu)框架如圖2所示.該系統(tǒng)中數(shù)據(jù)挖掘、故障診斷模塊

協(xié)調(diào)工作,能夠快速精確地排除TBM故障.

圖2　系統(tǒng)結(jié)構(gòu)框架Fig.2　Framework of the system

系統(tǒng)中的知識提取、故障診斷模塊在故障診斷中協(xié)調(diào)統(tǒng)一,在系統(tǒng)維護中相互關(guān)聯(lián)、彼此促進、良性循環(huán),不斷完善系統(tǒng)功能,如圖3所示.

圖3　三大模塊良性循環(huán)Fig.3　Virtuous cycle of three modules

2　基于案例推理的診斷模型設(shè)計

2.1案例推理關(guān)鍵技術(shù)

案例推理關(guān)鍵技術(shù)包括:案例表示、案例檢索、案例修改和案例學(xué)習(xí).

2.1.1案例表示

一個故障案例應(yīng)當(dāng)包含如表1所示的故障案例結(jié)構(gòu),因此采用面向?qū)ο笈c基于框架的知識表示方法[12]來表示TBM故障案例.

表1　故障案例結(jié)構(gòu)

(1) 故障征兆信息.TBM設(shè)備故障征兆用屬性向量來表示,包括屬性特征值向量和屬性權(quán)值向量.

屬性特征向量表示為:Ai=[Ai(1),Ai(2),…,Ai(k),…,Ai(m)],i∈[1,n],k∈[1,m],Ai表示第i個案例的故障特征向量,Ai(k)表示第i個案例中的第k個指標(biāo)標(biāo)準(zhǔn)化后的特征值.TBM是集機電液于一體的大型復(fù)雜設(shè)備,其屬性特征一般分為三種類型:①定量連續(xù)型數(shù)據(jù),例如電機的扭矩、轉(zhuǎn)速、溫度等,需要對原始數(shù)據(jù)進行標(biāo)準(zhǔn)化處理和聚類分析等,以方便相似度計算;②定量邏輯型數(shù)據(jù),例如電機正反轉(zhuǎn)、閥門開與關(guān)等,可分別用0和1表示;③定性數(shù)據(jù),例如振動過大、可用0、1、2等整數(shù)模糊表示.

屬性權(quán)值向量表示為:W=[w1,w2,…,wk,…,wm],i∈[1,n],k∈[1,m],wk表示第k個屬性的重要度.

采用多元組方式案例集:Case=〈ID,T,W〉,把屬性特征、屬性權(quán)值與案例連接起來.其中ID為案例集編號;T為屬性特征向量;W為屬性權(quán)值向量.

(2) 診斷決策表.診斷決策表可以用如表2所示的四元組表示.

表2　故障案例決策

(3) 設(shè)備狀態(tài)特征層次表達模式.為了提高案例檢索效率,把TBM上所有的屬性特征按層次進行分類編號,以TBM刀盤驅(qū)動系統(tǒng)下的減速箱為例,進行如圖4所示層次表達模式.

圖4　狀態(tài)特征層次表達模式Fig.4　Level expression pattern of state feature

(4) 構(gòu)建案例庫.為TBM的每一個系統(tǒng)建立一個案例庫,為該系統(tǒng)下的每一個子系統(tǒng)建立三張表,即:故障征兆信息表、特征權(quán)值信息表、故障結(jié)論信息表.

2.1.2案例檢索

選用最近鄰匹配法進行多次檢索,如圖5所示.

圖5　案例檢索流程圖Fig.5　Flow chart of case retrieval

采用基于歐式距離的相似度計算方法進行二次檢索相似度計算[13].

2.2案例庫維護

案例庫維護框架如圖6所示.

圖6　案例庫維護Fig.6　Maintenance of case base

3　基于規(guī)則推理診斷模型設(shè)計

3.1規(guī)則提取

為了達到最佳推理結(jié)果精度,采用袁洪芳[14]提出的計算方法:

如果P為多個簡單條件的交(與門), 即P=P1∩P2…∩Pn,則

CF(P,Q)=

(1)

如果P為多個簡單條件的或(或門), 即P=P1∪P2∪…∪Pn,則

(2)

3.2規(guī)則表示與存儲

采用產(chǎn)生式方法表示規(guī)則.規(guī)則是由前提和結(jié)論兩個部分組成,一條廣義規(guī)則表示如下:

RulenIF(P)THEN(Q)CF(P,Q)

規(guī)則的前提和結(jié)論有時是以串的形式出現(xiàn),當(dāng)添加新規(guī)則后很容易打亂原來規(guī)則庫的結(jié)構(gòu),傳統(tǒng)的規(guī)則存儲方法(見表3)無法滿足添加新規(guī)則的要求,而且檢索效率很低,為此本文采用了一種新型規(guī)則存儲方法,如表4所示,“+”表示“或”關(guān)系、“*”表示“與”關(guān)系.

表3　傳統(tǒng)的規(guī)則表結(jié)構(gòu)

表4　改進的規(guī)則表結(jié)構(gòu)

3.3規(guī)則推理

根據(jù)TBM故障的發(fā)生特點和專家的排障習(xí)慣,采用正向推理,整個規(guī)則推理流程如圖7所示.

圖7　規(guī)則推理流程Fig.7　Rule-based reasoning process

4　應(yīng)用實例

以TBM主軸承為例來說明推理的過程,選取一個約簡集進行推理,如表5所示.由于該實例出現(xiàn)概率較高,通過案例推理即可解決,故無需進行規(guī)則推理.

表5　軸承故障案例決策表

(1) 求解軸承故障特征屬性的權(quán)重系數(shù)

首先,應(yīng)用專家賦權(quán)法求解專家權(quán)值,專家賦權(quán)表見表6:

表6　專家賦權(quán)

以轉(zhuǎn)速為例,用該屬性對三項故障的權(quán)重均值來表示它對軸承故障的貢獻率,計算如下:

求得軸承故障特征屬性的權(quán)重系數(shù)為:{0.288,0.288,0.260,0.164}.

(2)案例檢索

系統(tǒng)收到警報信號:[23,20,15,10],離散化后結(jié)果:[3,3,2,1],帶入案例推理機制,選取前三個最大相似度及對應(yīng)案例編號,結(jié)果見表7.

表7　案例推理結(jié)果

另外,液壓系統(tǒng)是全斷面掘進機關(guān)鍵系統(tǒng)之一,該系統(tǒng)既有控制作用也有直接作業(yè)作用,無論其數(shù)量比例還是所起的作用,在整個TBM設(shè)備上都是相當(dāng)重要的.加上液壓系統(tǒng)故障診斷困難,故障較多,僅僅依靠案例推理一般不能解決TBM液壓系統(tǒng)的故障,規(guī)則推理卻能方便快捷地解決液壓故障.以TBM推進油缸為例說明推理過程,將收集到的歷史數(shù)據(jù)輸入到專家系統(tǒng)中,進行案例推理計算,如圖8所示.得到如圖9所示的推理結(jié)果,但是結(jié)果較為模糊,不能定位到具體位置,說明該故障出現(xiàn)概率較小,于是啟動規(guī)則推理,如圖10所示.

圖8　案例推理故障診斷Fig.8　Interface of CBR fault diagnosis

圖9　故障案例查詢界面Fig.9　Interface of fault cases querying

圖10　規(guī)則推理故障診斷Fig.10　Interface of RBR fault diagnosis

(1) 規(guī)則提取.液壓系統(tǒng)監(jiān)測參數(shù)繁多,按照數(shù)據(jù)離散化、屬性約簡和值約簡的方法提取用于TBM推進油缸故障診斷的規(guī)則,相關(guān)規(guī)則如下:

Rule 1:If液壓缸故障,Then①液壓缸不動;②液壓缸速度慢;③液壓缸動作不平穩(wěn);④液壓缸力不足.

Rule 2:If液壓缸不動,Then①無油液進人液壓缸;②液壓缸兩腔串通;③壓力過低.

Rule 3:If液壓缸速度慢Then①進油流量不足;②摩擦阻力過大;③液壓缸排油不暢.

Rule 4:If液壓缸動作不平穩(wěn),Then①工作機構(gòu)滑動部分摩擦大;②活塞及活塞桿內(nèi)摩擦大;③液壓缸斷續(xù)供氣.

Rule 5:If液壓缸力不足,Then①進油壓力不足;②液壓缸兩腔輕度串通;③出油腔背壓過大.

這些規(guī)則構(gòu)成一個層層遞進的推理網(wǎng)絡(luò).圖11為TBM推進油缸故障的推理網(wǎng)絡(luò)示意圖.

圖11　推進油缸故障推理網(wǎng)絡(luò)Fig.11　Fault reasoning network of advancing cylinder

(2) 建立規(guī)則庫.把以上規(guī)則保存到ACCESS數(shù)據(jù)庫的rule表中,表中字段分別為:規(guī)則編號、規(guī)則前提、規(guī)則結(jié)論、置信度和檢索標(biāo)記.規(guī)則前提和結(jié)論都是與故障相關(guān)的一些故障現(xiàn)象、故障原因和排除措施等,規(guī)則置信度是表征該條規(guī)則可信度的指標(biāo),檢索標(biāo)記用來記載該條規(guī)則是否已經(jīng)被檢索,防止重復(fù)檢索,提高檢索效率.這種規(guī)則庫的建立方法便用程序進行調(diào)用規(guī)則,基于上面的規(guī)則推理策略進行推進油缸故障診斷,如圖12所示.

圖12　規(guī)則信息表Fig.12　Information table of rules

(3) 規(guī)則推理.依托ACCESS數(shù)據(jù)庫的關(guān)系特性,用VB編寫如下代碼:

Dimmy_number, my_id As String

My_number = InputBox$(“請輸入您所查詢的規(guī)則號或規(guī)則名 ”,“ 知識查詢 ”,“”)

Ifmy_number 〈〉“” Then

my_id = “id=’”& my_number & “ ’”

Data1.Recordset.FindFirstmy_id

End If

如果推進油缸發(fā)生故障,表現(xiàn)為液壓缸動作不平穩(wěn)和液壓缸力不足.先輸入液壓缸動作不平穩(wěn),系統(tǒng)會以此為前提進行搜索,得到三條結(jié)論:機構(gòu)滑動部分摩擦大、活塞及活塞桿內(nèi)摩擦大和液壓缸斷續(xù)供氣,對應(yīng)的故障原因是潤滑不好、閥口阻塞和微流量調(diào)節(jié)閥工作精度不夠;同樣再輸入液壓缸力不足得到故障原因是換向閥內(nèi)泄漏過大、活塞密封損壞、進氣管道漏壞、排氣管道阻塞.并且根據(jù)這些原因的置信度排序逐一進行驗證,結(jié)果顯示故障原因是活塞密封疲勞損壞,驗證了系統(tǒng)診斷結(jié)果的準(zhǔn)確性.該結(jié)論與正常運行時排除出來的結(jié)果一致,但是據(jù)統(tǒng)計故障查找時間與原來憑專家經(jīng)驗查找排除相比,僅為以前所用時間的20%左右,大大提高了TBM的工作效率.

5　結(jié)　　論

根據(jù)TBM故障診斷的特點,為了充分發(fā)揮故障診斷歷史經(jīng)驗和TBM設(shè)備知識的作用,本文采用了案例推理和規(guī)則推理集成的故障診斷機制.

(1) 案例推理采用歐式距離的相似度計算方法和多級匹配的推理機制,規(guī)則推理采用產(chǎn)生式規(guī)則表示知識和正向推理策略.

(2) 集成機制以案例推理為主,以規(guī)則推理為輔,二者優(yōu)勢得以結(jié)合.

(3) 將歷史運行數(shù)據(jù)導(dǎo)入該專家系統(tǒng),得到的推理結(jié)果與運行中排查到的結(jié)果一致,驗證了系統(tǒng)的準(zhǔn)確性和可行性,從而提高了TBM故障診斷系統(tǒng)的可靠性和施工效率,應(yīng)用前景廣闊.

本文主要研究的是實時故障診斷,一切信號來源于傳感器的定量數(shù)據(jù),沒有考慮定性屬性的影響,這限制了很多定性專家經(jīng)驗的實際應(yīng)用.因此,在后續(xù)研究中可以結(jié)合定性屬性和定量屬性開發(fā)具有更廣泛性的故障診斷系統(tǒng).

[ 1 ] 鄭佩. 基于案例推理的故障診斷技術(shù)研究[D]. 武漢:華中科技大學(xué), 2008.

(ZHENG P. Research oncase-based reasoning for fault diagnosis[D]. Wuhan: Huazhong University of Science and Technology, 2008.)

[ 2 ] 陶鐵軍. 基于案例推理技術(shù)在泵站故障診斷中的應(yīng)用研究[D]. 長春:吉林大學(xué), 2006.

(TAO T J. The application research of CBR in emulsion pump system fault diagnosis[D]. Changchun: Jilin University, 2006.)

[ 3 ] WATSON I. Applying case-based reasoning techniques for enterprise systems[M]. Leipzig: Morgan Kaufmann Publishers, 1997:15-18.

[ 4 ] 朱傳敏,周潤青,陳明,等. 故障樹與案例推理在數(shù)控機床故障診斷專家系統(tǒng)中的應(yīng)用研究[J]. 制造業(yè)自動化, 2011,33(5):21-25.

(ZHU C M, ZHOU R Q, CHEN M, et al. Research and application of maturity management strategy for product collaborative design[J]. Manufacturing Automation, 2011,33(5):21-25.)

[ 5 ] 申大鵬. 基于案例推理的往復(fù)壓縮機故障診斷專家系統(tǒng)研究[D]. 北京化工大學(xué), 2012.

(SHEN D P. The research of reciprocating compressor fault diagnosis expert system on case-based reasoning [D]. Beijing: Beijing University of Chemical Technology, 2012.)

[ 6 ] 李宏娟. 基于規(guī)則和案例的壓縮機集成診斷專家系統(tǒng)研究[D].長沙:湖南大學(xué), 2008.

(LI H J. Research on the integrated compressor intelligent fault diagnosis expert system based on RBR and CBR[D]. Changsha: Hunan University, 2008.)

[ 7 ] 江志農(nóng),王慧,魏中青. 基于案例與規(guī)則推理的故障診斷專家系統(tǒng)[J]. 計算機工程,2011,37(1):238-243.

(JIANG Z N, WANG H, WEI Z Q. Faults diagnosis expert system based on case reasoning and rule reasoning[J]. Computer Engineering, 2011,37(1):238-243.)

[ 8 ] 張?zhí)烊?代沅興,武繼將等. 基于虛擬儀器的TBM狀態(tài)監(jiān)測系統(tǒng)仿真研究[J]. 系統(tǒng)仿真學(xué)報, 2013,25(8):1716-1723.

(ZHANG T R, DAI Y X, WU J J, et al. Research on simulation for TBM monitoring system based on virtual instrument[J]. Journal of System Simulation, 2013,25(8):1716-1723.)

[ 9 ] 王姣,祁美玲. RBR和CBR在數(shù)控機床故障診斷專家系統(tǒng)中的應(yīng)用[J]. 組合機床與自動化加工技術(shù), 2011,(1):47-50.

(WANG J, QI M L. A diagnosis expert system of NC machine based on RBR and CBR[J]. Modular Machine Too l& Automatic Manufacturing Technique, 2011(1):47-50.)

[10] 黃克,趙炯,周奇才,等. 基于多變量統(tǒng)計過程監(jiān)控的盾構(gòu)機故障診斷[J]. 中國工程機械學(xué)報, 2012,10(2):222-227.

(HUANG K, ZHAO J, ZHOU Q C, et al. Fault diagnosis on shield machines based on multivariable statistical process monitoring[J]. Chinese Journal of Construction Machinery, 2012,10(2):222-227.)

[11] 關(guān)明禮,原忠虎. 基于MFDA-PCA的間歇過程故障診斷方法研究[J]. 沈陽大學(xué)學(xué)報, 2010,22(2):28-31.

(GUAN M L, YUAN Z H. An approach for batch process fault diagnosis study based on MFDA-PCA[J]. Journal of Shenyang University, 2010,22(2):28-31.)

[12] 顏閩秀,樊立萍. 微生物燃料電池的故障樹診斷[J]. 沈陽大學(xué)學(xué)報(自然科學(xué)版), 2015,27(5):363-365.

(Yan M X, Fan L P. Fault tree diagnosis for microbial fuel cell[J]. Journal of Shenyang University (Natural Science), 2015,27(5):363-365.)

[13] 楊健,楊曉光,劉曉斌. 一種基于k-NN的案例相似度權(quán)重調(diào)整算法[J]. 計算機工程與應(yīng)用, 2007,43(23):8-11.

(YANG J, YANG X G, LIU X B, et al.k- NN- based feature weights adjustment algorithm for case similarity measurement[J]. Computer Engineering and Applications, 2007,43(23):8-11.)

[14] 張?zhí)烊?于天彪,趙海峰,等. 數(shù)據(jù)挖掘技術(shù)在全斷面掘進機故障診斷中的應(yīng)用[J]. 東北大學(xué)學(xué)報(自然科學(xué)版), 2015,36(4):527-531.

(ZHANG T R, YU T B, ZHAO H F, et al. Application of data mining technology in fault diagnosis of tunnel boring machine[J]. Journal of Northeastern University (Natural Science), 2015,36(4):527-531.)

【責(zé)任編輯: 李艷】

Fault Diagnosis Expert System Integrated with CBR and RBR for Tunnel Boring Machine

ZhangTianrui1a,LiMing2,DongHai1b,SuPengcheng3

(1. a. School of Mechanical Engineering, b. School of Applied Technology, Shenyang University, Shenyang 110044, China; 2. School of Mechanical Engineering, Liaoning Vocational College, Tieling 112099, China; 3. State Key Laboratory of Tunnel Boring Machine, Northern Heavy Industries Group Co., Ltd., Shenyang 110141, China)

In order to make full use of experiential and domain knowledge of tunnel boring machine (TBM) fault diagnosis, the integrated reasoning mechanism based on case-based reasoning (CBR) and rule-based reasoning (RBR) was used to diagnose by expert system, and the integrated diagnosis model was established. The CBR fault diagnosis model, in which Euclidean distance similarity to secondary retrieval similarity calculation and matrix to describe the retrieval process based on the traditional weight nearest neighbor method were used, was introduced. The RBR fault diagnosis model, in which modified method to store rules and forward reasoning mechanism to inference were used, was illustrated. The example with historical data of the construction process was used to analyze diagnosis model. The results showed that the integrated diagnosis method could improve the diagnostic efficiency and accuracy, and then improve the efficiency of construction. And a foundation for further research on intelligent TBM was given too.

tunnel boring machine; integrated reasoning; case-based reasoning; rule-based reasoning; fault diagnosis

2015-11-21

國家重點基礎(chǔ)研究發(fā)展規(guī)劃資助項目(2010CB736007); 教育部基本科研業(yè)務(wù)費專項資金資助項目(N110603007).

張?zhí)烊?1985-),男,河北深州人,沈陽大學(xué)講師,博士.

2095-5456(2016)04-0284-07

TH 17

A