數控機床維護服務過程中的知識重用

萬 姍，李東波，何 非，童一飛

(南京理工大學 機械工程學院，江蘇 南京 210094)

0 引言

隨著智能制造的發(fā)展，在智能制造過程中起關鍵作用的數控機床日益受到重視，作為一種高價值、長生命周期的復雜機電產品，數控機床使用階段的性能保證十分重要。對于維護服務提供商，能快速響應客戶維修需求決定了維修單位的效益與口碑；對于機床使用商，能得到快速準確的維修服務可以有效減少因機床故障帶來的產品質量與產量損失；而對于機床供應商，能提供可靠的產品和服務將為他們帶來更多利益。維護服務理論在近幾十年發(fā)生了很大改變：由單獨的故障維修(修復性維修)到狀態(tài)維護(視情維護)再到設計維護(可維修性和可靠性問題)[1]。對數控機床的維修研究很多，但將數控機床看作產品的研究很少，例如有些文獻討論了機床部件的維修工藝或維修方法[2-3]，文獻[4]則提出機床切削能耗預測方法；有些文獻把數控機床作為產品來研究產品服務及配置方法[5]，但缺乏對知識的重用；文獻[6]提出了一種基于需求分析和知識管理的產品服務系統(tǒng)，但是更適用于航空領域。本文將數控機床看作是產品，針對產品生命周期中使用階段的質量維修和維護過程，改進數控機床產品的可靠性或維修性。

與機床維護有關的各個利益相關者(機床制造商、服務提供商、機床使用商、零部件供應商等)通常跨地域分布，因此維護服務工作的執(zhí)行具有并行和跨地域特點，如何有效利用歷史經驗知識和跨時空地共享知識成為提高維護服務效率和效果的關鍵。維護服務是一項特定業(yè)務情景下的活動，必須與環(huán)境和安全規(guī)章制度相一致；維護服務也是一個解決問題的過程，需要在某種特定情境下搜索知識，并在多個操作者之間共享知識。維修操作者(包括工程師和專家)在多年的工作經驗中獲得了豐富的專業(yè)知識(包括隱性和顯性知識)。在實踐共同體中進行知識獲取、存儲和共享是維修管理中的重要問題。維修服務管理中知識管理技術的應用使得查看不同專家的共享觀點以及使用不同的知識協(xié)作工具成為可能，從而避免因知識不兼容和不匹配而產生的交互問題。語義網技術是消除知識互操作障礙的有效方法之一，該技術使得不同資源知識得以協(xié)同使用，為知識聚合產生新知識提供基礎[7]。案例推理是基于案例庫中事先保存的歷史案例來解決當前問題的過程[8]，與維護服務基于知識庫的“問題解決”過程一致，因此采用案例推理過程作為維護服務知識重用過程依據。

本文在維護服務領域知識結構的基礎上提出基于兩層本體的維護服務案例表達方法，運用語義網對維護服務知識進行表達，通過語義相似度與相關度檢索有關維護服務知識，選取相似度大于設定閾值且適應度最高的歷史案例進行推理計算，從而得到所要解決的維護服務問題的結論。目前語義相似度計算有內容信息量法、語境矢量法和路徑法[9-11]。從應用角度，路徑法簡單易行，因為它只對本體的幾何模型進行計算，不需要預計算或預處理，保證了計算效率。但這種方法的簡單性造就了其不能充分地捕捉語義證據來提供評估，因此可靠性不如其他方法。而內容信息量法和語境矢量法則需要額外的領域知識來保證評估的有效性。一方面要對語料庫中大量信息進行預處理會導致計算負擔，同時所獲取的語料庫的有效性也需要評估，因此這種語料庫方法在應用上不占優(yōu)勢；且目前的相似度計算多采用單純的概念相似度，忽略了語義相關度[9,12]，這不符合實際概念間的關系。本文采用基于多繼承的語義相似度與相關度相結合的方式，既能保證可以捕捉語義證據，又不需要大量領域語料庫支持?；谖墨I[13]中的理論，從知識重用的角度，檢索出的最相似案例不一定容易修改以適應當前案例，因此，選用基于適應度的相似度(Adaptation-Guided Retrieval, AGR)計算方法在文獻[13]中第一次被提出，并在若干文獻[12,14]中得以驗證使用，即以檢索出的適應度最高的相似案例為依據，從而得到當前案例的處理結論。本文采用的基于語義概念相似度和相關度案例檢索方法與AGR結合的方式，并通過選用數控加工中心作為實例驗證對象，驗證提出方法可以有效重用歷史維護案例知識，從而提高維護服務效率。

1 基于案例推理的知識重用建模

1.1 數控機床維護服務領域知識

數控機床的維護服務需要通過對多方面信息的綜合分析來找到故障原因并制定維修服務方案。如根據故障部位、故障現(xiàn)象、故障時機等診斷故障原因，根據故障類型、機床加工計劃、組織特點等因素制定維護服務計劃。

數控機床的維護服務領域知識包括機床的基本特性知識，其中有維修服務對象知識，如機床的結構、控制系統(tǒng)型號、精度等靜態(tài)信息，還有機床的工況以及性能等動態(tài)信息，以及故障狀態(tài)(正常、退化和故障)和之間的轉換、故障現(xiàn)象和對故障現(xiàn)象的診斷等。為了實現(xiàn)知識的組織和應用，建立維修服務領域知識結構，將知識體現(xiàn)為案例形式。維修服務領域知識即維修專業(yè)或應用中的知識抽象，知識具有相同或相似結構，適用于維護服務領域的具體分析。維護服務案例知識是對維修服務事例的規(guī)范化描述，是對故障分析、診斷及處理等內容的綜合[15]。根據多臺數控機床在使用過程中的維修經驗，維護服務領域知識可分為案例情景知識、診斷分析知識和故障處理知識等，維護服務領域知識結構如圖1所示。

(1)案例情景代表了機床發(fā)生故障時的基礎信息和表現(xiàn)。案例情景知識包括產品結構、故障現(xiàn)象和故障機遇。數控機床是維修服務的對象，其產品結構和零部件材料影響了機床在使用過程中的性能。機床各部件某些故障之間具有相關性，要明確故障原因必須明確產品結構及其裝配關系。故障現(xiàn)象是機床出現(xiàn)不正常運行時的表現(xiàn)，是確定故障類型的前提。故障時機則代表了故障發(fā)生的時間以及故障發(fā)生時在執(zhí)行的任務操作動作，以便于后續(xù)故障分析記錄和診斷。

(2)診斷分析知識包括故障狀態(tài)和故障原因。故障狀態(tài)包括機床的功能模式和故障水平，功能模式記錄了機床運行功能狀態(tài)，而故障水平則代表了某一位置故障的嚴重程度。故障原因則表現(xiàn)為設計缺陷、制造缺陷或維修不利、人為錯誤等。明確了故障原因之后才能對癥下藥找到故障處理方法。

(3)故障處理包括處理結論、實施方案和實施效果。處理結論是針對故障原因做出的綱領性的處理辦法，比如針對設計缺陷的設計改進，針對制造缺陷的工藝改進，針對機床操作誤區(qū)的操作人員培訓，若是維修問題，則對維修人員進行培訓等。實施方案則是對處理結論的具體實施過程，包括備件清單、工具清單、維修人員分配及維修工藝等。實施效果是對實施方案的效果評估結果描述，包括經濟性、安全性、任務性、客戶滿意度等。

其中產品結構、故障模式、故障原因和處理結論等領域知識層次關系復雜，概念量大，且具有很強的邏輯性，適合運用語義技術加邏輯規(guī)則對其進行描述。而故障時機等領域知識，由于概念分類有限，可以采用枚舉手段表示。診斷分析和實施方案、實施效果等領域知識多為描述性文字。維修服務案例知識的重用，主要以案例情景和診斷分析知識中的故障狀態(tài)為檢索條件，以獲得相似故障問題的歷史處理結論和方案，因此建立對各類知識的統(tǒng)一表述和組織建模不僅能夠為信息收集及共享提供參考規(guī)范，也是實施知識重用的關鍵基礎。

1.2 數控機床維修服務案例知識體系建模

維護服務方案的制定是基于歷史案例的推理過程，首先要通過一定的檢索機制，找到與當前案例類似的歷史案例。然而維修服務過程中的案例知識多為個人經驗總結，存在詞句表達不規(guī)范、不一致的現(xiàn)象，這會使得歷史案例知識的檢索查準率與重用效率大大降低，對知識重用造成困難。本文采用領域本體建模方法中的兩層本體建模方法對案例知識進行表達，為知識共享概念模型提供了良好的知識表述能力和語義支持。兩層本體建模方法消除了混合本體建模方法不能形成一個全局本體的缺陷，且每個單個本體對應一個獨立信息源，因信息源變化而導致對應本體的修改不會影響其他本體的穩(wěn)定性，從而使得案例知識結構易于擴展和維護[16]。圖2所示為數控機床維修服務案例本體的“兩層本體”組織方式。

通過維護服務案例本體建立起與各領域知識及其信息源的聯(lián)系，形成知識共享體系結構(如圖3)，使得領域知識可以得到規(guī)范化和標準化，而案例知識可以通過與各領域知識的關系得到很好的擴展，二者的有機結合可以為數控機床維護服務知識的重用提供基礎。

1.3 基于案例推理的維修服務知識重用模型

案例推理(Case-Based Reasoning, CBR)是通過學習歷史經驗來解決問題的循環(huán)過程。CBR是通過搜索并匹配原有案例庫中相似的故障案例，并根據具體情況進行修改，應用到當前故障中解決問題的過程，也就是知識重用過程。而案例推理過程是一個5個階段的循環(huán)過程(如圖4)：

(1)在語義上盡可能詳盡地描述新的問題成為當前案例。

(2)從案例知識庫中檢索出與當前案例相似(需大于相似度選擇閾值)的歷史案例。

(3)從檢索出來的歷史案例中選取適應度最高案例的結論，經適應運算形成新問題的結論—適應案例。

(4)根據實際問題，以及當前案例與檢索出的歷史案例的不同之處，修正適應案例得到修正案例；

(5)將適應案例和修正案例同時作為新的知識經驗保存到案例知識庫中。

一個案例通常分為問題和結論兩部分，表示為case=(prb,sol(prb))。源案例是存儲在知識庫中用來解決新問題的歷史案例，表示為casehistorical=(prbh,sol(prbh))，而要解決的新問題則稱為當前案例，表示為casecurrent=(prbc,sol(prbc))[17]。本文采用描述單元[12]的形式對案例進行表示，因此案例的問題和結論部分分別表示為：

為了使推理過程描述的更容易理解，假設歷史案例與當前待解決問題案例的問題部分和結論部分的描述單元的個數分別相同，即n=p,m=q。

同一案例的問題描述可能會由于中間分析過程的不同而得出不同的結論，在實際操作中，CBR過程可以與工程分析工具相結合來得出問題的結論，從而為決策者提供支持。若應用到維修管理，工程分析工具有故障樹分析(Fault Tree Analysis, FTA)和故障模式影響分析(Failure Mode and Effect Analysis, FMEA)等。同時在案例重用過程中，往往語義最相似的案例并不是最容易改編的案例，這就需要在語義相似度的基礎上考慮適配度，從而選出最適合改編的相似案例以適應當前待解決問題。

本文建立了數控機床維護服務領域知識結構，采用基于兩層本體的維護服務案例表示方式，在維護服務領域本體的基礎上進行案例檢索、案例適應、案例修正與重用，進而產生并保存新知識用于解決新的問題?；诎咐评淼闹R重用流程框架如圖5所示。

1.4 知識形式化表示語言

案例表示是案例推理的首要任務。案例表示是知識表示的子集，是將案例中的隱性知識外顯化、結構化的技術策略[15]。目前已有不同的知識表示語言用于本體模型的語義分析，總結來說這些語言分為3類：①信息建模類,該模型的重點放在對象和對象屬性上,缺少形式化語義表達能力;②語義網類,其中本體通常描述為任意圖形式，但是普遍缺乏語義邏輯；③描述邏輯類,模型側重于概念和角色，其中使用一階謂詞邏輯作為基本形式，并使用抽象和提煉作為構建原語，這種方法結合了明確定義的邏輯語義，能有效作出推理，但是缺少語義網類任意圖的可視化特點。

語義網是對未來網絡的一個設想，在這樣的網絡中，信息都被賦予了明確的含義，機器能自動地處理和繼承網上的可用信息[18]。而數控機床維修服務是一項跨越地域的活動，服務活動免不了在各個利益相關者之間通過網絡進行交互，信息與信息之間的含義需要明確定義才能被各個領域專家無誤地接收，并有效共享，因此，選用語義網類的Web本體描述語言(Web Ontology Language, OWL)的3種子語言中的OWL DL知識進行表示及推理，OWL DL的命名是因為它對應于描述邏輯，具有可判定性，彌補了語義網的語義邏輯缺乏現(xiàn)象。而機床的維修診斷和案例重用過程，是需要通過對相似性知識進行檢索得到答案的，因此案例知識的描述語言必須可判定，故選用OWL DL作為維修服務案例知識的表示方法。

1.5 基于語義相似度的案例檢索

案例檢索是CBR的關鍵，判斷一個CBR系統(tǒng)好壞的依據是能否快速檢索出與當前案例最相似的歷史案例。除了需要有效表示案例外，案例間相似性計算是案例檢索的關鍵。根據上述對案例基于描述單元的表示，案例間的相似性其實就是對描述單元的相似性評估。

1.5.1 概念相似度計算

根據文獻[9]針對本體中的多重繼承關系，本文提出一種基于語義相似性和相關性的語義關系計算方法。

定義1一個本體的全概念結構(Hc)或概念分類(C)是可傳遞的is-a關系，記為Hc∈C×C。

定義2在一個領域本體的概念分類結構樹中，一個概念節(jié)點的超概念節(jié)點指的是從該本體結構的根節(jié)點到該概念節(jié)點的路徑上的所有節(jié)點；而與這些節(jié)點相對應的概念稱為超概念，記為SC。

定義3為了更全面記錄語義信息，假設C為本體中所有概念的集合，若SC是Ci的超概念，則Ci的超概念與Ci本身的并集記為：T(Ci)={SC∈C,SC是Ci的超概念}∪{Ci}。

定義4根據兩個概念Ci和Cj的共享知識與不共享知識，定義相異度因子

Dd(Ci,Cj)=

(1)

分子為本體中Ci和Cj的所有不共享超概念及Ci和Cj概念本身，分母為Ci和Cj所有的超概念及概念Ci和Cj本身，顯然Dd(Ci,Cj)在[0,1]區(qū)間內。相異度因子可以幫助考慮Ci,Cj上的所有分類關系，而不僅是最短路徑上的分類。

該相異度因子能反映兩個概念在本體中的深度和結構，同時與相似度值成反比。為了使其轉化為相似度并線性化，文獻[9]引入負log函數，相似度值變?yōu)椋?/p>

Simlog(Ci,Cj)=-log2dd=-log2

(2)

該相似度值并不是在[0,1]區(qū)間內的，根據Jabrouni等[19]的觀點對其進行標準化之后變?yōu)椋?/p>

(3)

式中H是本體的高度(指從根節(jié)點到最低節(jié)點最長路線的邊數)。

以上公式只能判斷本體中的分類關系相似度，而一個本體除了分類關系，還有非分類關系，即Datatype類型和Objecttype類型。Datatype類型的關系對應數值型屬性值，Objecttype類型的關系對應概念型屬性值。特別地，在數控機床維修服務領域，相似案例檢索關心的是某個故障與另一故障的相關性，或者某一零部件的故障是否與另一零部件的故障有關，更多的是側重于知識(即概念)相互之間的關系。在此只給出Objecttype類型的關系相似度計算方法(即相關性)。而Datatype類型的關系在此只考慮零部件的故障狀態(tài)，這一屬性將在案例總體相似度計算時體現(xiàn)出來。文獻[20]給出了基于這兩種屬性的關系相似度。

定義5假設Obi,Obj是故障維修領域本體中兩個Objecttype型的關系，屬性值分別為概念Cp,Ck。則兩個關系對應的屬性相似度為：

(4)

當兩個Objectype型的關系Obi,Obj進行比較時，若Obi=Obj，則屬性相似度等于屬性值的相似度SimNom(Cp,Ck),否則為0。

定義6兩個概念Ci，Cj之間的相關度

(5)

式中：n取值為概念Ci和Cj的屬性并集的大小;φpresence表示只有兩個概念之間的共同屬性參與相似度計算，即屬性之間的配對采用獨占式一對一配對，某一屬性只能參與一次屬性配對，不允許屬性的一配多;SimR(Ci,Cj)∈[0,1]。

定義7兩個概念的語義相似關系

Sim*(Ci,Cj)=λ1×

SimNom(Ci,Cj)+λ2×SimR(Ci,Cj)。

(6)

式中：λ1+λ2=1，顯然Sim*(Ci,Cj)∈[0,1]。

1.5.2 基于概念相似與模糊邏輯的案例描述單元相似度計算

根據案例的描述單元表示方法可知，案例相似度即為案例的問題部分的相似度，在計算案例總體相似度之前需要計算案例描述單元的相似度。把案例描述單元相似度稱為案例局部相似度Simlocal。根據文獻[12]，有兩類案例描述單元，即表明故障的一般信息描述單元“u1=故障現(xiàn)象”，和表示各零部件故障檢測值的描述單元“u2～u6”，如表1所示，其中故障狀態(tài)分為功能模式FM和故障水平level，對應不同的描述單元，沒有數值的表示一切正?；蛭礄z測出異常。同樣的，案例的結論部分用3個描述單元(U1，U2，U3)來表示語言描述的關鍵詞，其中“維修操作”是根據詳細維修結論提取的具有代表性的詞語，以此來簡化后續(xù)權重計算中的決策屬性表示，以及根據檢索出的相似案例進行結論復用。U3維修操作一般是用動詞描述，維修的對象則是U2故障部件，比如表1中第2條案例，機床出現(xiàn)“無效指令”故障現(xiàn)象，其結論部分為(驅動器干擾，電磁閥，更換)，其含義便是“無效指令是由電磁閥引起的驅動器干擾故障引起的，需要更換電磁閥”。再比如第4條案例的結論部分為(松動，螺母副螺栓，鎖緊)，其含義便是“機床出現(xiàn)爬行現(xiàn)象，是由于螺母副螺栓松動引起，需要鎖緊螺母副螺栓”。

表1 數控機床部分維修案例展示

(7)

因此，當前案例與歷史案例的總體相似度計算方法為各個對應局部相似度權重和，而權重則表示了某一知識對不同案例情景下對案例結論的影響程度：

(8)

為了避免權重確定的主觀性、片面性和不穩(wěn)定性，選用粗糙集理論來確定θj的值。常用的權重確定方法有專家評分、模糊統(tǒng)計、二元對比排序等，這幾種常用方法的不足之處在于，權重的確定受專家經驗知識的影響很大，不能反映實際情況，而粗糙集理論無需提供問題所需處理的數據集合之外的任何先驗信息，可充分體現(xiàn)數據的客觀性[21]，用于權重確定時計算簡單，容易實現(xiàn)[22]，并已廣泛應用于權重計算[23]。

由于歷史案例表述是基于案例單元的不同值得出相應的故障診斷結果和維修處理方法，在此采用粗糙集理論對案例單元在故障診斷中的權重進行計算。其基本思想是通過從決策表中去掉另外一些屬性，來考察沒有該屬性后分類怎樣變化，若去掉該屬性會相應地改變分類，則說明屬性重要性高，反之，則該屬性的重要性低。屬性權重的計算方法一般采用該屬性重要度占所有屬性重要度的比重來表示[24-25]：

(9)

式中：Ci?C為決策表T=(U,A,C,D)中的條件屬性子集;γC(D)=|posC(D)|/|U|為信息系統(tǒng)S=(U,A,V,f)中知識D關于C的相對依賴度，posC(D)=posind(C)(ind(D))為信息系統(tǒng)S中D的C正域，γC(D)-γC-Ci(D)為條件屬性子集的Ci相對重要度Sig(C|D)(Ci)，記為Sig(C|D)(Ci)=γC(D)-γC-Ci(D)。

1.5.3 案例適應度計算

根據引言中的介紹，檢索出的最相似案例不一定容易改編來適應目標案例，因此，需要對檢索出的高于閾值(ε)的相似案例進行適應性選擇，即適應度最高的相似案例被用來修改，以得到目標案例的處理結論。根據文獻[12]中的方法，對檢索出的相似案例進行適應度計算。

(10)

1.5.4 基于因果模型和依賴關系的案例適應算法

根據文獻[26]的因果模型，設當前案例的問題部分T有n個屬性T={t1,t2,…,tn}，歷史案例Hi的問題部分P有k個屬性為Pi={pi1,pi2,…,pik}。當前案例的問題部分T與歷史案例Hi的問題部分的屬性相容數n1i=為{x|x∈(T∩Pi)}，當前案例的問題部分T對于歷史案例Hi的匹配數n2i={x|x∈(T∩Pi)∩(valT(x)=valPi(x))}，其中valT(x)是屬性集合T中x屬性的值；valPi(x)是屬性集合Pi中x的屬性值。根據問題T的屬性個數n，對于案例Hi的相容數n1i和匹配數n2i的數值大小可以定義以下3種情況：

(1)n1i=n，且n2i=n1i(相似度=1)，表明檢索出的歷史案例完全匹配當前待解決的案例，則無需對該歷史案例做任何修改便可以將此案例Hi中的結論復用到當前案例中；

(2)n1i=0，且n2i=0(相似度=0)，表明檢索出的歷史案例完全不匹配當前待解決的案例，則該歷史案例Hi與當前案例無關；若對任意歷史案例{Hi,i∈[1,m]，m為案例庫所有案例數}均完全不匹配，說明案例庫中尚未出現(xiàn)與該案例有關的問題，需要專家對具體問題具體分析或將該當前案例中的問題進行分解，重新計算；

(3)0

若導致兩個不同結論描述單元的問題描述完全不同，則該問題描述單元ui與結論描述單元Uj非常相關，依賴關系DRij=強；若描述符之間由于上下文而連接，并具有情景模型的特征，則依賴關系DRij=弱；若問題描述單元與結論描述單元之間相互獨立，則依賴關系DRij=無關系。根據該適應算法，首先計算每個檢索出的源案例的DRij，與對應的結論描述單元Uj組成二元組(DRij,Uj)，若DRij=強，則經過對目標案例的問題描述單元值的一般化或特殊化之后替換源案例問題描述單元值；若DRij=弱，找到在相同類別下，與目標問題描述單元相關的源案例問題描述符，作為源案例結論描述單元的替換；若DRij=無關系，則不需要采取任何措施。最后把得到的結論值賦予目標案例結論描述單元。該算法中涉及到的類別是基于概念的本體模型，正好符合本文前面章節(jié)中的相似度計算采用的模型，因此采用這種方法有利于案例的適應計算。

2 實例驗證

數控機床是制造企業(yè)的重要制造加工設備，其運行性能的好壞直接影響到所加工的零部件產品的質量。數控機床也是機床供應商輸出的產品，其運行性能可靠性是供應商的名片，若能快速診斷故障并及時提供維護服務將會提高制造企業(yè)的生產效率、降低因機床故障導致的不合格零件成本。選用在智能制造過程中擔任重要角色的數控加工中心作為實例驗證對象進行驗證，選定的型號為CH7520C。該加工中心集鉆、銑、攻絲為一體，在企業(yè)中擔任重要加工任務。

2.1 領域本體建模

根據選定的OWL DL本體描述語言，對數控機床的維修服務知識進行建模。圖7展示了數控機床的維修服務知識的部分本體概念分類。其中包括數控機床根據各自加工功能的分類(包括數控加工中心)；這些數控機床的零部件分類：機械部件、氣動部件、液壓部件、電氣部件、電子部件；其他方面包括發(fā)生的故障現(xiàn)象、機床的故障狀態(tài)，以及為了使機床恢復正常運行狀態(tài)的故障處理方法，包括設計改進、工藝改進、維修操作和人員培訓。每個方面都對應了故障維修案例的描述單元，在此將選用真實的基于案例情景、故障分析和故障處理的技術診斷來用于測試。并且用本體分類開發(fā)方法來比較領域本體中概念的語義特征。案例情景由維修對象、故障類型、故障現(xiàn)象以及一些潛在故障零部件組成。

針對此簡化應用，該輕量本體與一個僅有次序關系的概念分類相似。該關系類型可以是結構樹，來描述所研究領域中概念間特殊化的語義聯(lián)系。一般地，一個本體包括公理、規(guī)則和約束來更精確地表達應用領域的本體。一個包括多種關系類型的本體比僅包含“類—子類”關系的分類更豐富。在OWL中關系表現(xiàn)為對象屬性。圖8包括了與該維修系統(tǒng)相關的關系類型分類。為了更好地表現(xiàn)本體概念之間的對象屬性關系，圖9給出了部分維修概念—關系圖示。其中故障現(xiàn)象是與某些零部件的故障有關，因此利用“與有關”這個關系屬性來連接故障現(xiàn)象與零部件；而機床產品零部件之間的關系不僅是簡單的分類關系，更是某個功能部件的一部分，因此利用“屬于”這個關系屬性來更加明確定義零部件之間的關系。

2.2 基于案例推理的知識重用過程

2.2.1 案例檢索

由于1.5.2節(jié)中的表1中構建了部分歷史案例，為了實現(xiàn)案例檢索過程，表2中給出了當前待解決案例，這樣當前案例和歷史案例的案例問題部分都用描述單元表示出來。通過使用基于本文提出的相似度計算方法來檢索案例庫中與當前案例相似的歷史案例，可以得到當前待解決案例與每個歷史案例的描述單元之間的案例局部相似度(u1～u6列)。

表2 當前待解決案例

在此選用6個歷史案例對案例局部相似度的計算方法進行說明，依據式(7)，以第一個歷史案例中的第二個描述單元“故障現(xiàn)象”與當前案例的匹配為例說明具體計算過程(在此根據概念相似度與屬性相似度的比重，設λ1=0.8，λ2=0.2)。

SimR(與有關，與有關)=SimJKG(進給部件，速度控制單元)

2.2.2 局部相似度權重確定

首先基于案例描述單元表示法，給出各個案例描述單元和案例結論的離散值組成決策表，各個單元的離散值表示如下：

表3給出了由12組歷史案例單元條件屬性值和決策屬性值構成的決策表T=(U,A,C,D)，其中案例個數的選擇是根據案例庫中機床故障種類來確定的。下面運用模糊邏輯計算權重方法得出各個案例描述單元所占的權重。

表3 案例單元權重決策矩陣

根據權重計算式(9)，其計算步驟如下：

(1)計算決策屬性D對條件屬性集合C和各個條件屬性子集Ci的劃分，U/ind(C),U/ind(Ci),U/ind(C-Ci)。

(2)計算信息系統(tǒng)S中D的C和去掉各個屬性子集Ci的正域posC(D)=posind(C)(ind(D))，posC-Ci(D)=posind(C-Ci)(ind(D))。

(3)計算決策屬性D對屬性集合C和去掉各個屬性子集Ci的依賴度γC(D)=|posC(D)|/|U|，γC-Ci(D)=|posC-Ci(D)|/|U|。

(4)計算條件屬性子集Ci的相對重要度Sig(C|D)(Ci)=γC(D)-γC-Ci(D)。

(5)計算條件屬性子集Ci的權重w(Ci)。

根據以上決策矩陣，U={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11}，C={a,b,c,d,e,f},D={M1}得到：

U/ind(a)={{x1,x3,x11},{x2},{x4},{x5},

{x6},{x7},{x8},{x9},{x10},{x12}};

U/ind(b)={{x1,x3},{x2},{x4,x11},

{x5,x6,x7,x9,x10,x12},{x8}};

U/ind(c)={{x1,x2,x3,x4,x5,x6,x7,x8,

x9,x10,x11,x12},{x6,x7}};

U/ind(d)={{x1,x2,x3,x4,x5,x6,x7,x8,

x9,x10,x11},{x9,x12}};

U/ind(e)={{x1,x3},{x2},{x4,x5,x6,

x7,x8,x9},{x10}};

U/ind(f)={{x1,x2,x3,x4,x6,x7,x8,

x9,x10,x11,x12},{x5}};

U/C={{x1},{x2},{x3},{x4},{x5},{x6},

{x7},{x8},{x9},{x10},{x11},{x12}};

U/D={{x1},{x2},{x3,x4,x10},{x5},

{x6},{x7,x11},{x8},{x9}};

U/ind(C-a)={{x1,x3},{x2},{x4,x11},{x5},

{x6,x7,x9,x10,x12},{x8}};

U/ind(C-b)={{x1,x3,x11},{x2},{x4},{x5},

{x6},{x7},{x8},{x9},{x10},{x12}};

U/ind(C-c)={{x1,x3,x11},{x2},{x4},

{x5},{x6},{x7},{x8},{x9},{x10},{x12}};

U/ind(C-d)={{x1,x3,x11},{x2},{x4},{x5},

{x6},{x7},{x8},{x9},{x10},{x12}};

U/ind(C-e)={{x1,x3,x11},{x2},{x4},{x5},

{x6},{x7},{x8},{x9},{x10},{x12}};

U/ind(C-f)={{x1,x3},{x2},{x4},{x5},{x6},

{x7},{x8},{x9},{x10},{x11},{x12}};

posC-a(D)={x2,x5,x8};

posC-b(D)={x2,x4,x5,x6,x7,x8,x9,x10,x12};

posC-c(D)={x2,x4,x5,x6,x7,x8,x9,x10,x12};

posC-d(D)={x2,x4,x5,x6,x7,x8,x9,x10,x12};

posC-e(D)={x2,x4,x5,x6,x7,x8,x9,x10,x12};

posC-f(D)={x2,x4,x5,x6,x7,x8,x9,x10,x11,x12};

posC(D)=U;

γC(D)=|posC(D)|/|U|=1。

從而計算得到表4中各個案例描述單元的權重。

表4 各個案例描述單元的權重

表5中u1～u6列給出了通過案例檢索方法直接計算出的案例局部相似度值，而若歷史案例描述單元和當前案例描述單元均沒有描述值，說明該描述單元的各個部件運行正常，則該描述單元的局部相似度為1。同時，結合各個描述單元的不同權重wj，依據式(8)，可以計算得到當前案例與歷史案例的加權相似度值，詳見表 5加權相似度列。

表5 當前案例與案例庫中若干歷史案例的局部相似度與加權相似度

2.2.3 案例適應與重用

這里對檢索出的案例設置選擇閾值60%，相似度大于0.6的歷史案例都被留下進行適應度計算。這里選中源案例4和5。根據式(10)和圖6，對檢索出的歷史案例4與當前案例之間不同的描述符有“u3”，故λ3=23，而歷史案例5與當前案例之間不同的描述符也是“u2,u3”，λ3=23,故λ2=23，因此歷史案例4和5對當前案例的適應度分別為：

由適應度值可以看出，歷史案例4不但與當前案例的全局相似度高，而且適應度值也高，因此更適合對歷史案例4進行適應性修改，以便符合當前案例情景。

根據適應算法，由于案例結論的U2描述單元與案例問題部分中的u3的依賴關系比較高，復用歷史案例4中的U2描述單元，以及相應的維修原因和維修操作。因此當前案例的結論如表6所示。

表6 當前案例結論

3 實例分析

隨著全球智能制造受到重視，數控機床作為復雜的智能制造裝備，其工作狀態(tài)和運行性能的好壞直接影響加工零件的產量與質量，因此對數控機床的維修服務不僅關系到機床生產者的服務成本，也關系到機床使用者的加工效率與所加工的零件質量與成本問題，提高機床維修服務效率的研究具有重要意義。本文的實例來源于南京某機床廠的實際需求，該公司對知識的重用非常重視。目前對知識的檢索主要基于概念相似度，忽略了概念之間的相關度，本文采用二者加權和的方式在更全面體現(xiàn)兩個概念的關系之余，增加了計算的簡便性。此外，此前的知識重用研究偏向于直接采用相似度高的歷史案例的結論作為當前案例的結論，但是相似度大的案例未必結論也適應新案例，故需要對選定的相似歷史案例進行適應度運算，選取可適應度最高的案例來產生新案例的結論更加有效。采用與公司實際需求和實際操作相互印證的方式，說明該方法具有以下優(yōu)勢：

(1)符合企業(yè)的實際工作邏輯。

(2)可以提高企業(yè)檢索知識并重用知識的效率，大大提高了維修方案的制定效率。

(3)避免不同應用系統(tǒng)之間的交互誤解現(xiàn)象發(fā)生。由于采用基于本體的案例描述方法使得知識的表達具有一致性。

(4)可以用于其他類型的案例重用問題中，而不僅局限于數控機床的故障診斷案例重用。由于本方法是把案例分成幾個描述單元，單元的相似度稱為局部相似度，而案例的相似度則是單元相似度的權重和，只要把案例表達成類似的方式，便可以根據本文的方法進行檢索重用。

4 結束語

本文介紹了數控機床的維護服務知識的重用方法，案例推理是知識重用的常用方法，而當前對知識重用的研究大多止于相似度檢索，僅使用相似度最高的歷史案例來適應當前案例，而現(xiàn)實情況中，最相似的案例不一定是最方便進行適應計算的，因此需要判斷檢索的歷史案例對當前案例的適應度大小，適應度越大，則越適合對歷史案例進行重用。采用適應度計算來選擇歷史案例并基于因果理論和依賴關系相結合的適應算法，得到適應后的當前待解決的案例結論，并以數控車床作為實例分析對象，研究結果表明，本文提出的方法適合企業(yè)的實際分析過程，有效地提高了企業(yè)的維修方案制定效率。

基于歷史案例知識的維修知識重用方法僅是處理故障診斷的方法之一，對于沒有歷史知識的故障發(fā)生時，需要對故障特征進行分析和故障診斷。另外，只有故障診斷的維修服務系統(tǒng)是不完善的，今后還需要針對數控機床制定全面預防維護計劃，并與機床的加工計劃相集成，甚至與生命周期的其他環(huán)節(jié)如備件訂單系統(tǒng)、資源分配系統(tǒng)集成。