基于人機(jī)共融的包裝機(jī)故障診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

張明琰，宋 震，方世杰

(1.河南中煙黃金葉生產(chǎn)制造中心，鄭州 450000; 2.杭州首域萬物互聯(lián)科技有限公司，杭州 311199)

0 引言

常見的設(shè)備故障報(bào)警方法沒有故障診斷的功能：當(dāng)傳感器測到某物理量的值出現(xiàn)過大偏差時(shí)，系統(tǒng)會(huì)顯示報(bào)警編號。用戶必須對照手冊，自行診斷導(dǎo)致故障的原因。隨著工業(yè)4.0和物聯(lián)網(wǎng)時(shí)代的來臨，這種基于經(jīng)驗(yàn)和手冊的設(shè)備維修方式僅對于簡單的設(shè)備有效，但不能滿足對復(fù)雜設(shè)備的要求。本文以煙草行業(yè)的ZB45型卷包機(jī)為研究對象，基于故障樹和貝葉斯推理網(wǎng)絡(luò)，旨在提出一種具有不斷自我學(xué)習(xí)能力的人機(jī)共融的新型故障診斷系統(tǒng)。

本文研究方法的關(guān)鍵思想是要結(jié)合人的因素，進(jìn)行人機(jī)共融(Human Machine Integration)[1]的故障診斷，并在三方面嘗試創(chuàng)新的技術(shù)方案。首先，采用自然語言處理的方法，通過歷史工單和維修手冊，自動(dòng)生成故障診斷用的貝葉斯網(wǎng)絡(luò)和故障搜索用的知識圖譜。對數(shù)千種故障的復(fù)雜系統(tǒng)而言，這樣不但可以大大節(jié)省人力，也可以減少人為錯(cuò)誤的可能，并且可以快速處理新工單，融入知識庫。其次，基于貝葉斯網(wǎng)絡(luò)，實(shí)現(xiàn)自學(xué)習(xí)功能。當(dāng)工人確定故障源后，可以點(diǎn)擊“故障確認(rèn)”按鈕，通知算法正確的結(jié)果。這樣，算法可以不斷改進(jìn)診斷精度。最后，在故障處理中引入“人本傳感器”的新概念，讓工人點(diǎn)擊界面上的標(biāo)簽，輸入工人所觀察到的現(xiàn)象。有效克服傳感器數(shù)量遠(yuǎn)遠(yuǎn)小于故障數(shù)量的問題。讓用戶作為傳感器，幫助算法盡量唯一地確定故障源，加速排錯(cuò)過程。本文提出的人機(jī)共融的診斷系統(tǒng)，不但可以在人為工單數(shù)據(jù)中挖掘信息，還可以通過在日常操作中學(xué)習(xí)工人經(jīng)驗(yàn)，同時(shí)借助人本傳感器提高診斷效率。通過人機(jī)緊密合作，實(shí)現(xiàn)了在工業(yè)4.0場景下，新型故障診斷系統(tǒng)的范式。

1 ZB45型包裝機(jī)故障診斷研究現(xiàn)狀

1.1 ZB45型包裝機(jī)及其故障診斷的必要性

煙草行業(yè)的ZB45型包裝機(jī)是用于煙支卷接和包裝的設(shè)備，具有結(jié)構(gòu)復(fù)雜、設(shè)備貴重、小故障停機(jī)次數(shù)多、連鎖質(zhì)量波動(dòng)大、次生浪費(fèi)較多的特點(diǎn)。其內(nèi)部有約10 000個(gè)零部件，約2 000種故障，約1 500個(gè)OPC故障報(bào)警代碼(OPC代碼)。故障和OPC代碼之間是多對多的對應(yīng)關(guān)系。有約1 300種可導(dǎo)致停機(jī)的故障沒有對應(yīng)的OPC故障報(bào)警代碼。ZB45包裝機(jī)在高速生產(chǎn)運(yùn)行過程中，包裝機(jī)極易因各類原因產(chǎn)生短時(shí)高頻停機(jī)，根據(jù)對生產(chǎn)環(huán)境的統(tǒng)計(jì)，單班停機(jī)次數(shù)平均約為45次，會(huì)造成嚴(yán)重的生產(chǎn)效率損失。同時(shí)，包裝機(jī)的頻繁啟停會(huì)使多個(gè)關(guān)鍵工序存在加熱、升溫等不斷調(diào)整的狀態(tài)，使包裝工藝的質(zhì)量穩(wěn)定性變差。同時(shí)包裝機(jī)在每次重啟后設(shè)備都需自動(dòng)剔出固定數(shù)量的煙支，造成原、輔料浪費(fèi)，產(chǎn)生巨大的成本損失。

1.2 傳統(tǒng)故障診斷方法存在的問題

包裝機(jī)產(chǎn)生故障的成因很多，往往會(huì)在任意時(shí)刻、任意部位產(chǎn)生不同類型的故障。以ZB45包裝機(jī)的鋁箔紙系統(tǒng)為例，可能產(chǎn)生的故障就有數(shù)十種，僅其中“鋁箔紙撕不開”這一種故障，又會(huì)有多種因素與其相關(guān)。由此可見，對包裝機(jī)的準(zhǔn)確故障診斷難度極大。

在現(xiàn)階段，包裝機(jī)故障主要依靠維修人員的經(jīng)驗(yàn)，對故障進(jìn)行經(jīng)驗(yàn)性的診斷，主要技術(shù)手段是以手工查找紙版手冊和維修記錄為主，故障診斷存在耗時(shí)長、具有主觀性的問題，極大依賴于人員經(jīng)驗(yàn)，技術(shù)傳承性較差，往往會(huì)導(dǎo)致大量故障停機(jī)時(shí)間。特別是對于一個(gè)OPC代碼對應(yīng)多個(gè)可能故障的情況。而維修手冊只記錄各種故障可以導(dǎo)致的現(xiàn)象，并且手冊有幾千頁之多。不但查找困難，而且很多故障診斷的經(jīng)驗(yàn)沒有書面記錄。有經(jīng)驗(yàn)的工人要根據(jù)故障代碼，結(jié)合自己的觀察，及歷史故障頻次來判斷最有可能的故障。而這種被高頻“依賴”的經(jīng)驗(yàn)常常沒有書面記錄，動(dòng)輒需要五年、十年的經(jīng)驗(yàn)積累。

隨著制造業(yè)信息化進(jìn)程的推進(jìn)，卷包機(jī)數(shù)據(jù)采集系統(tǒng)實(shí)現(xiàn)了從ZB45包裝機(jī)提取大量實(shí)時(shí)運(yùn)行數(shù)據(jù)，包括運(yùn)行參數(shù)、故障統(tǒng)計(jì)、臺時(shí)產(chǎn)量、物料消耗等信息，同時(shí)也建立了基于EAM系統(tǒng)相關(guān)的設(shè)備故障維修記錄。但是兩個(gè)系統(tǒng)獨(dú)立運(yùn)行，系統(tǒng)與系統(tǒng)間缺乏有效的關(guān)聯(lián)策略來實(shí)現(xiàn)數(shù)據(jù)和信息的融合，需要對獲取的數(shù)據(jù)進(jìn)行更深層次的處理和分析，從各系統(tǒng)數(shù)據(jù)進(jìn)行關(guān)聯(lián)挖掘，以得出有效、可固化傳承的故障診斷及設(shè)備維護(hù)類知識，并應(yīng)用到生產(chǎn)過程中。

1.3 相關(guān)技術(shù)背景

1.3.1 常見的故障診斷方法

傳統(tǒng)的復(fù)雜設(shè)備故障的診斷主要包括如下方法：

1)故障樹：通過故障樹的方法[2-3]建立從傳感器可測的故障現(xiàn)象到故障的自動(dòng)推理引擎。這種方法也常被稱做專家系統(tǒng)。如圖1所示的故障樹，不同的故障可以通過邏輯“與”、“或”、“非”的方式關(guān)聯(lián)，共同決定下一級故障發(fā)生與否。故障樹方法可以用于系統(tǒng)可靠性分析，及單一故障情況下的故障診斷。

圖1 故障樹部分展示

2)貝葉斯網(wǎng)絡(luò)：另一類方法是通過如貝葉斯網(wǎng)絡(luò)[2,4]的統(tǒng)計(jì)學(xué)方法，對多個(gè)故障及其故障概率進(jìn)行自動(dòng)推理。這類方法需要用戶構(gòu)建以故障和現(xiàn)象為節(jié)點(diǎn)的有向無環(huán)圖 (DAG，directed acyclic graph)，并輸入條件概率表 (CPT， conditional probability table) 和先驗(yàn)概率以表征不同節(jié)點(diǎn)之間的連接關(guān)系。如果有足夠歷史數(shù)據(jù)，條件概率表和先驗(yàn)概率都可以從數(shù)據(jù)中得出。這種方法比故障樹的表現(xiàn)力更強(qiáng)。故障樹可以轉(zhuǎn)換為貝葉斯網(wǎng)絡(luò)的形式[2]，但反之則不一定成立。貝葉斯網(wǎng)絡(luò)的方法可用于大型生產(chǎn)制造系統(tǒng)[4]、樓宇空調(diào)[5]的故障診斷及故障冗余控制系統(tǒng)[6]?；镜臉闼刎惾~斯網(wǎng)絡(luò)假定故障之間獨(dú)立出現(xiàn)，即故障出現(xiàn)的概率不會(huì)相互影響，同時(shí)，故障出現(xiàn)的概率不隨時(shí)間而變化。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)擴(kuò)展了樸素貝葉斯網(wǎng)絡(luò)的時(shí)間域上的表現(xiàn)力，從而允許出現(xiàn)時(shí)變的概率分布。

3)觀測器：如果要通過觀測模擬量來分析故障情況，可以采用觀測器的方法，并通過在線傳感器數(shù)據(jù)估計(jì)系統(tǒng)內(nèi)部狀態(tài)。例如：卡爾曼濾波器(Kalman filter)或粒子群濾波器(particle filter)是常見的基于模型的系統(tǒng)狀態(tài)觀測器。對于只有模型結(jié)構(gòu)，但不了解參數(shù)的系統(tǒng)，還可以采用在線模式識別的方法，例如在線ARIMA或N4SID的算法等[7]。

4)數(shù)字孿生：近年來，數(shù)字孿生(digital twin)[8-10]的概念得到研究者和工業(yè)界的重視，并從3D模型延展到在線監(jiān)測應(yīng)用。對于大型的工業(yè)控制系統(tǒng)，如石化企業(yè)的分布控制系統(tǒng)(DCS， distributed control system)[10]及暖通空調(diào)系統(tǒng)[11]，想要手動(dòng)建立系統(tǒng)的動(dòng)力學(xué)模型是非常困難的。對這類應(yīng)用，通過組合子系統(tǒng)的數(shù)字孿生而構(gòu)建全系統(tǒng)的動(dòng)力學(xué)模型是個(gè)更好的方案。文獻(xiàn)[12]提出了采用在線數(shù)字孿生的方法，對暖通空調(diào)設(shè)備進(jìn)行在線故障監(jiān)督和診斷。

1.3.2 自然語言處理技術(shù)和知識圖譜

近年來，以深度學(xué)習(xí)為基礎(chǔ)的自然語言處理得到了廣泛的工業(yè)應(yīng)用。對設(shè)備故障診斷而言，設(shè)備維修工單記錄和維修手冊是故障診斷系統(tǒng)建模和分析的重要數(shù)據(jù)來源，其描述形式基本上是自然語言。然而，直接通過閱讀自然語言，手工建模的方法成本高，時(shí)間長。利用自然語言處理技術(shù)是提高故障診斷系統(tǒng)建模的有效手段。早期的應(yīng)用主要以針對關(guān)鍵詞的統(tǒng)計(jì)為主[13]。美國海軍采用了自然語言處理的方法對V-22魚鷹飛機(jī)的維護(hù)資料進(jìn)行了系統(tǒng)的分析整理[14]。通過基于Python的NLTK自然語言處理工具包[15]進(jìn)行分詞， 該方法識別了維修記錄中的自然語言記號，并對核心詞進(jìn)行了統(tǒng)計(jì)學(xué)分析。在此基礎(chǔ)上，可以對歷史上相似的故障維護(hù)工單進(jìn)行聚類，并通過統(tǒng)計(jì)方法分析改進(jìn)維修的手段。針對煙草機(jī)械維護(hù)的自然語言處理應(yīng)用還很少見。文獻(xiàn)[16]討論了煙草機(jī)械維護(hù)數(shù)據(jù)庫的自然語言處理方法，采用常規(guī)的TF-IDF及TextRank模型進(jìn)行數(shù)據(jù)建模，然后通過權(quán)重矩陣比較實(shí)際故障記錄與故障數(shù)據(jù)庫中已有故障記錄的相似程度，由此進(jìn)行對同類故障記錄的模糊查找，但是其本身并不直接用于故障診斷。當(dāng)涉及到具體行業(yè)知識時(shí)，這種模糊查找方法效果不太理想。

知識圖譜[17]是一種描述實(shí)體之間語義關(guān)系的有向圖結(jié)構(gòu)。傳統(tǒng)的知識圖譜一般存于圖數(shù)據(jù)庫中，如Neo4J， Dgraph等。近年來，隨著人工智能和深度學(xué)習(xí)的興起， 出現(xiàn)了神經(jīng)網(wǎng)絡(luò)和知識圖譜相結(jié)合的流派。例如，DeepWalk[18]可以通過深度學(xué)習(xí)來學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)。通過深度圖卷積網(wǎng)絡(luò)(DGCN， deep graph convolution network)學(xué)習(xí)軸承的振動(dòng)信號，文獻(xiàn)[19]提出了一種可以進(jìn)行故障原因診斷的學(xué)習(xí)系統(tǒng)。 開源軟件Deep Graph Library (DGL)[20]，可以把多種網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)據(jù)向量化，并嵌入到神經(jīng)網(wǎng)絡(luò)中。 利用已有的知識圖譜構(gòu)建技術(shù)。我們通過維護(hù)手冊和工單數(shù)據(jù)構(gòu)建知識圖譜，并由此生成貝葉斯網(wǎng)絡(luò)模型，用于故障診斷。

2 人機(jī)共融的故障診斷系統(tǒng)

2.1 人機(jī)共融的新型交互方式

人機(jī)共融被認(rèn)為是工業(yè)4.0時(shí)代的重要場景之一[1]。關(guān)于工業(yè)機(jī)器人的人機(jī)共融[21]及離散生產(chǎn)線的人機(jī)共融[22]已經(jīng)有一些成功經(jīng)驗(yàn)。但對于故障診斷系統(tǒng)的人機(jī)共融方式還未見相關(guān)報(bào)道。我們以ZB45卷包機(jī)為實(shí)驗(yàn)對象，提出一種故障診斷系統(tǒng)，旨在提高故障診斷效率、降低故障停機(jī)時(shí)間，并對故障的原因、部位與維護(hù)策略進(jìn)行全面分析，進(jìn)而實(shí)現(xiàn)增效、穩(wěn)質(zhì)和降本的效果。其核心思想是通過人機(jī)共融的有機(jī)合作引導(dǎo)工人監(jiān)督系統(tǒng)不斷學(xué)習(xí)，解決現(xiàn)有故障建模中缺乏文字描述經(jīng)驗(yàn)的難點(diǎn)。本系統(tǒng)人機(jī)共融的特點(diǎn)主要體現(xiàn)在：1)建立基于貝葉斯網(wǎng)絡(luò)的可擴(kuò)展故障診斷架構(gòu)，可以利用OPC代碼、用戶標(biāo)簽選擇、傳感器信號等多模態(tài)信息，進(jìn)行自動(dòng)故障診斷推理;2)通過人機(jī)共融的有機(jī)合作，向用戶提供標(biāo)簽，并接收反饋；學(xué)習(xí)用戶潛在經(jīng)驗(yàn)，不斷提高診斷精度;3)通過自然語言處理的方法，分析歷史工單數(shù)據(jù)，自動(dòng)構(gòu)建推理用的貝葉斯網(wǎng)絡(luò)，減少手工建模時(shí)間。

系統(tǒng)的整體維護(hù)工作流程如圖 2所示，其中，機(jī)械設(shè)備的傳感器采集信號處理后產(chǎn)生各類報(bào)警信號，并利用相關(guān)事件檢測算法，觸發(fā)事件后傳送給貝葉斯網(wǎng)絡(luò)。事件監(jiān)測算法可以看作與內(nèi)置的OPC代碼報(bào)警相同，都是觸發(fā)事件的布爾量。而維修人員產(chǎn)生歷史工單，經(jīng)過自然語言處理模塊進(jìn)行分析，以生成故障知識圖譜，并用于初始化貝葉斯網(wǎng)絡(luò)。工單的信息經(jīng)過自然語言處理，生成初選標(biāo)簽，經(jīng)凸優(yōu)化過濾后，產(chǎn)生足夠的精選標(biāo)簽，供維修人員選擇。標(biāo)簽中一般包括維修人員可以看到或聽到的各種現(xiàn)象。作為對傳感器信號的有效補(bǔ)充，標(biāo)簽可以看成另一種“人工”的傳感器。它們也可以觸發(fā)貝葉斯網(wǎng)絡(luò)的事件。

圖2 人機(jī)共融的卷包機(jī)故障診斷系統(tǒng)流程圖

下面將依次介紹診斷系統(tǒng)中核心的貝葉斯網(wǎng)絡(luò)推理運(yùn)算、知識圖譜應(yīng)用和標(biāo)簽選擇的凸優(yōu)化算法，然后給出診斷系統(tǒng)的整體界面功能。

2.2 故障樹建模

目前在ZB45包裝機(jī)應(yīng)用中積累了維修工人師傅的大量維修記錄，但是記錄存在標(biāo)準(zhǔn)不一、記錄不全、故障重復(fù)等問題。在維修工人師傅經(jīng)驗(yàn)的幫助下，從數(shù)十萬的維修數(shù)據(jù)中，清洗整理出1 751條完整的故障維修記錄，并將故障現(xiàn)象和機(jī)器位置相關(guān)聯(lián)，形成故障樹，同時(shí)對每個(gè)故障所對應(yīng)的故障編碼進(jìn)行對應(yīng)，通過這種關(guān)聯(lián)，實(shí)現(xiàn)對故障的推送。故障樹具體結(jié)構(gòu)參見圖1，故障樹與故障編碼的關(guān)聯(lián)如圖3所示。

圖3 故障樹與故障編碼關(guān)聯(lián)

2.3 基于貝葉斯網(wǎng)絡(luò)的推理運(yùn)算

因?yàn)镺PC代碼和故障之間是復(fù)雜的多對多關(guān)系，難以用簡單的邏輯表達(dá)，所以本文采用貝葉斯網(wǎng)絡(luò)進(jìn)行自動(dòng)推理。首先，通過圖3說明其推理的機(jī)理。貝葉斯網(wǎng)絡(luò)的概念在圖4(a)和(b)中顯示。其中，貝葉斯網(wǎng)絡(luò)圖4 (a)表示了故障和故障現(xiàn)象的因果關(guān)系；而圖4(b)是條件概率表 (CPT， conditional probability table)。CPT表是對貝葉斯網(wǎng)絡(luò)圖中箭頭的定量注釋。如，從事件A到事件C的箭頭第一行表示當(dāng)故障A、B出現(xiàn)的概率為0%時(shí)，現(xiàn)象C不出現(xiàn)的概率為100%，而C出現(xiàn)的概率顯然為0%。貝葉斯網(wǎng)絡(luò)圖中的每個(gè)節(jié)點(diǎn)是個(gè)事件，如故障或現(xiàn)象。圖中箭頭表示從原因到結(jié)果的相關(guān)關(guān)系。本文中，故障是指不能通過傳感器數(shù)據(jù)直接判斷的源頭故障，而現(xiàn)象是指可以通過傳感器數(shù)據(jù)直接測量的現(xiàn)象。對診斷系統(tǒng)而言，主要注意的是多個(gè)故障導(dǎo)致一個(gè)現(xiàn)象的網(wǎng)絡(luò)，對這類網(wǎng)絡(luò)的診斷顯然需要一定經(jīng)驗(yàn)。如圖4 (a)所示，如果只知道C發(fā)生了，顯然無法唯一地確定究竟是故障A，還是故障B發(fā)生了。但是算法可以利用貝葉斯定理分別估計(jì)兩種故障發(fā)生的概率。

圖4 貝葉斯網(wǎng)絡(luò)

假定故障A和故障B都可能引入事件C。其中事件是可檢測的，而故障是不能直接測量的。當(dāng)事件C發(fā)生后，我們可以根據(jù)貝葉斯公式估計(jì)A出現(xiàn)故障的概率如公式(1)：

(1)

其中:P(A)，P(B)是故障的先驗(yàn)概率，可以通過統(tǒng)計(jì)歷史上A和B發(fā)生的頻率計(jì)算；P(C|A)，P(C|B)分別是A或B發(fā)生時(shí)C發(fā)生的條件概率。如果根據(jù)行業(yè)知識，當(dāng)A發(fā)生時(shí)C一定出現(xiàn)，則P(C|A)為100%。當(dāng)缺少行業(yè)知識，或者希望通過大數(shù)據(jù)提高故障診斷的準(zhǔn)確性時(shí)，可以從維護(hù)日志(工單)數(shù)據(jù)中生成CPT表，進(jìn)而計(jì)算條件概率。統(tǒng)計(jì)一段時(shí)間內(nèi)各事件發(fā)生的次數(shù)后，則條件概率P(C|A)可以計(jì)算如公式(2)：

(2)

其中:NAC是一段時(shí)間內(nèi)事件A、C同時(shí)發(fā)生的次數(shù)，而NA是事件A發(fā)生的次數(shù)。類似的，可以計(jì)算CPT表內(nèi)其它條件概率，如P(C|B)可以計(jì)算如公式(3)：

(3)

而NBC是事件B，C同時(shí)發(fā)生的次數(shù)，而NB是事件B發(fā)生的次數(shù)。先驗(yàn)概率P(A)，P(B)的計(jì)算方法分別為公式(4)、公式(5)：

(4)

(5)

其中:NA，NB，N分別為事件A， B和所有事件發(fā)生的次數(shù)。

上述的貝葉斯網(wǎng)絡(luò)有數(shù)千個(gè)節(jié)點(diǎn)，手動(dòng)構(gòu)建網(wǎng)絡(luò)工作量大。我們引入知識圖譜來自動(dòng)構(gòu)建大型貝葉斯網(wǎng)絡(luò)。知識圖譜的構(gòu)建需要獲知實(shí)體和實(shí)體之間的關(guān)系，即所謂的三元組信息。獲取三元組有兩種方式：1)從設(shè)備維修手冊中獲取結(jié)構(gòu)化的三元組關(guān)系；2)從工單記錄數(shù)據(jù)庫中描述故障原因的句子中提取三元組。第二種方法要用到自然語言處理中的依存句法分析。首先對句子做分詞和詞性標(biāo)注，然后分析詞與詞之前的關(guān)系得到句法分析樹，然后遍歷句法分析樹，得到可能的三元組。綜上，可以從數(shù)據(jù)中得到了若干三元組，比如：(故障，發(fā)生，現(xiàn)象)、(部位，屬于，部位)等，其中，“故障”、“現(xiàn)象”等名詞作為實(shí)體，“發(fā)生”、“屬于”等動(dòng)詞屬于關(guān)系。實(shí)體作為拓?fù)鋱D中的節(jié)點(diǎn)，而關(guān)系作為拓?fù)鋱D中的有向邊，構(gòu)建了一張有向圖，即我們的知識圖譜。之后，通過Python程序構(gòu)建知識圖譜。部分知識圖譜呈現(xiàn)于圖4(c)。

知識圖譜中有關(guān)故障和現(xiàn)象的三元組可以構(gòu)建貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)。其它的三元組可以用于模糊搜索類功能。我們采用pyArgum[23]實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)的構(gòu)建和推理。軟件包pyArgum的后端是由C++實(shí)現(xiàn)，速度快。而其豐富的可視化功能可以很好地解釋推理的過程，利于開發(fā)調(diào)試。

2.4 基于凸優(yōu)化的標(biāo)簽選擇算法

根據(jù)圖2的流程圖，為了提高診斷效率，采用中文分詞工具“結(jié)巴分詞”[24]，對如圖4(d)中的維修記錄進(jìn)行自然語言分析。圖中observation和OPC string兩列分別表示維修開展前工人經(jīng)常觀察到的現(xiàn)象及維修結(jié)束后工人對故障的總結(jié)。Observation一列中可以由分詞方法生成初選標(biāo)簽。結(jié)巴分詞主要是基于統(tǒng)計(jì)方法來實(shí)現(xiàn)分詞，如隱馬爾科夫模型(HMM， hidden markov model)。利用結(jié)巴分詞的用戶詞庫功能，我們建立了領(lǐng)域特有詞庫和停用詞庫，用于識別行業(yè)專業(yè)詞匯及可忽略的詞匯。經(jīng)過分詞，針對每個(gè)OPC代碼得到如表 1所示的初選標(biāo)簽。表中每行對應(yīng)一個(gè)故障源，每一行的標(biāo)簽組合都不同，意味著用戶只要在圖 7中選擇足夠的標(biāo)簽，就可以唯一的確定故障源。但是如果有太多的標(biāo)簽，會(huì)影響用戶的工作效率。因?yàn)楣收峡偭繑?shù)以千記，顯示需要自動(dòng)化的算法。標(biāo)簽選擇算法的目標(biāo)是“盡量減少圖中總標(biāo)簽個(gè)數(shù)”，同時(shí)“保持每行有獨(dú)立的標(biāo)簽組合”。表 1是標(biāo)簽選擇之后的效果。這些工單都對應(yīng)同一OPC代碼的9個(gè)不同故障。其中每行工單描述了一個(gè)不同的故障現(xiàn)象。初選標(biāo)簽是由自然語言處理選擇的。而精選標(biāo)簽是通過基于凸優(yōu)化的標(biāo)簽選擇算法，在初選標(biāo)簽組中選擇的。在初選標(biāo)簽組中共有37個(gè)獨(dú)特標(biāo)簽，而精選標(biāo)簽組共有11個(gè)獨(dú)特標(biāo)簽。

表1 標(biāo)簽選擇例子

下面對標(biāo)簽選擇算法進(jìn)行數(shù)據(jù)建模。首先，需要用一個(gè)數(shù)學(xué)指標(biāo)表示“保持每行有獨(dú)立的標(biāo)簽組合”的思想。在此先通過比較簡單的例子說明其建模過程，再拓展概念。假設(shè)有3個(gè)標(biāo)簽，X1，X2，X3，記X1=1為選擇此標(biāo)簽，而X1=0為不選此標(biāo)簽。顯然，所有標(biāo)簽選擇的組合是如圖 5中單位立方體的每個(gè)頂點(diǎn)。頂點(diǎn)A的角度坐標(biāo)為X1=0，X2=1，X3=0即[0，1，0]。說明當(dāng)標(biāo)簽數(shù)Nt=3時(shí)，最多可以表達(dá)8個(gè)獨(dú)立的故障源，記為Nf=2Nt=8。引入向量ai為第i個(gè)故障對應(yīng)的標(biāo)簽組合， 矩陣A=[a1，a2，…]。于是每個(gè)ai對應(yīng)圖中一個(gè)頂點(diǎn)。如故障1對應(yīng)a1=[1，0，0]T，即點(diǎn)C。故障2，3分別對應(yīng)A和H。對應(yīng)單位立方體的體積:

圖5 標(biāo)簽選擇算法的物理意義

當(dāng)然，這樣定義的局限性在于A1只能是方陣。為了解決這一問題，我們嘗試引入統(tǒng)計(jì)學(xué)理論的費(fèi)舍爾信息矩陣 (FIM， fisher information matrix)[25-26]M。 當(dāng)M為A1A1T，費(fèi)舍爾信息可理解為立方體體積的平方：|detM|=|detA1A1T|=1。當(dāng)有兩個(gè)故障的標(biāo)簽重復(fù)時(shí)，例如：

這時(shí)|detM|=|detA2A2T|= 0，表明M可以表征標(biāo)簽出現(xiàn)重復(fù)。這樣，可以分析任意多個(gè)故障組合。例如，當(dāng)M為所有頂點(diǎn)時(shí)，|detM|=|detAAT|=32。

下面，針對標(biāo)簽選擇的應(yīng)用，重新定義M如下。

定義 1 (標(biāo)簽選擇信息矩陣):

(6)

其中：ai是第i個(gè)故障的標(biāo)簽選擇列向量；A=[a1，a2，…]；Pi是個(gè)布爾量代表第i個(gè)標(biāo)簽組合是否被選中。

為了保證線性變化后優(yōu)化解不受影響，在最優(yōu)實(shí)驗(yàn)設(shè)計(jì)時(shí)一般用D-最優(yōu)(D-Optimality)做為目標(biāo)函數(shù)，記做ψ(M)=-logdet(M)，這樣，可以基于以前的傳感器選擇算法，采用以下的凸優(yōu)化算法[25]求解：

pi∈[0，1]

pi∈R

(7)

2.5 人機(jī)共融視域下的故障診斷及設(shè)備維護(hù)專家系統(tǒng)實(shí)現(xiàn)

基于上述原理，本文開發(fā)了完整的人機(jī)共融故障診斷及設(shè)備維護(hù)專家系統(tǒng)。首先，用戶可以通過圖 6的首頁大屏瀏覽車間情況。全車間的數(shù)據(jù)以圖文并茂的方式分別在左、中、右三列展示出來。其中左列顯示各線路設(shè)備運(yùn)行情況，中列顯示設(shè)備作業(yè)效率，右列展示故障歷史數(shù)據(jù)。當(dāng)設(shè)備出現(xiàn)新的故障時(shí)，右下角推送信息可以提醒用戶注意。當(dāng)用戶在左側(cè)導(dǎo)航選擇一個(gè)正常工作狀態(tài)的設(shè)備時(shí)，可以看到如圖6的設(shè)備頁大屏。在中間即時(shí)地顯示了歷史故障記錄、OPC代碼、故障說明、故障時(shí)間、排查時(shí)間、停機(jī)時(shí)間、有效作業(yè)時(shí)間等信息。

圖6 可視化大屏

當(dāng)某設(shè)備出現(xiàn)OPC報(bào)警時(shí)，用戶可以點(diǎn)擊左側(cè)導(dǎo)航條上相應(yīng)的設(shè)備圖標(biāo)，并進(jìn)入如圖7所示的自動(dòng)診斷頁面。右側(cè)顯示了推薦的診斷結(jié)果，包括置信度、故障信息、維護(hù)方法、“故障確認(rèn)”按鈕。一個(gè)OPC代碼可能對應(yīng)多個(gè)故障。為了減少右側(cè)診斷結(jié)果的數(shù)量，中間欄下方顯示了故障標(biāo)簽。標(biāo)簽是通過算法在維修記錄中里抽取的關(guān)鍵詞。其中很多是用戶可以直接觀察到的現(xiàn)象。用戶可以通過選擇合適的標(biāo)簽，幫助系統(tǒng)更精準(zhǔn)的診斷。當(dāng)用戶經(jīng)過檢修，確認(rèn)正在發(fā)生的故障后，可以點(diǎn)擊相應(yīng)的“故障確認(rèn)”按鈕以通知系統(tǒng)。系統(tǒng)可以學(xué)習(xí)各故障出現(xiàn)的概率。這樣可以幫助系統(tǒng)未來再推薦更準(zhǔn)確的診斷結(jié)果。因?yàn)閭鞲衅鲾?shù)量有限，有時(shí)設(shè)備停機(jī)后沒有OPC代碼。這時(shí)，用戶需要通過如圖 7的手動(dòng)診斷界面來定位故障。工人可以通過圖7(a)的下拉菜單選擇故障位置，之后用中間的標(biāo)簽縮小推薦范圍，其過程和自動(dòng)選擇類似。

圖7 診斷界面

3 診斷系統(tǒng)的生產(chǎn)成效

通過對比系統(tǒng)部署前后月份的萬箱故障數(shù)據(jù)，如表2和表3所示。從中可以看到，系統(tǒng)部署后一個(gè)月的故障次數(shù)為46次，萬箱故障次數(shù)為46/69 296.4*10 000=6.63，而部署前一個(gè)月的故障次數(shù)是64，萬箱故障次數(shù)為64/66 232.2*10 000=9.64，同比萬箱故障次數(shù)下降31.2%。

表2 系統(tǒng)部署后一個(gè)月的萬箱故障數(shù)據(jù)

表3 系統(tǒng)部署前一個(gè)月的萬箱故障數(shù)據(jù)

通過分析該時(shí)間段內(nèi)發(fā)生頻次最多的前20個(gè)故障數(shù)據(jù)，得到部署后的故障維修時(shí)間平均降低了22.22%。故障統(tǒng)計(jì)匯總數(shù)據(jù)如表4所示。

表4 系統(tǒng)使用前與使用后故障處理情況對照表(頻次前20)

故障診斷系統(tǒng)的性能指標(biāo)中，故障辨識的精確性是指對故障的大小機(jī)器事變特性估計(jì)的準(zhǔn)確程度。我們通過統(tǒng)計(jì)故障確認(rèn)位置在系統(tǒng)推薦的前三故障位比例，作為系統(tǒng)的故障辨識精確率，如式(8)所示。表5是OPC編號為10136的CH輸入阻塞故障確認(rèn)位置的詳細(xì)數(shù)據(jù)。

(8)

如表5所示的故障辨識精確度為14÷15=93.33%。 表6列出了總共10個(gè)故障代碼及其對應(yīng)的辨識精確度統(tǒng)計(jì)情況。

表5 故障位置確認(rèn)情況樣例(CH輸入阻塞故障)

表6 10個(gè)故障代碼的精確度統(tǒng)計(jì)結(jié)果

4 結(jié)束語

面向復(fù)雜設(shè)備的故障診斷問題，本文以ZB45包裝機(jī)故障診斷為考察目標(biāo)，提出了一種實(shí)現(xiàn)人機(jī)共融的故障診斷系統(tǒng)。系統(tǒng)整合了自然語言處理技術(shù)、知識圖譜技術(shù)和貝葉斯網(wǎng)絡(luò)理論，主要?jiǎng)?chuàng)新點(diǎn)如下：1)通過對歷史工單的自然語言處理，自動(dòng)生成知識圖譜和貝葉斯網(wǎng)絡(luò)；2)針對故障代碼 (OPC 代碼)少于故障源的問題，鼓勵(lì)用戶通過選擇標(biāo)簽的方式來提高診斷精度。同時(shí)，利用用戶反饋，提高貝葉斯網(wǎng)絡(luò)診斷精度；3)結(jié)合自然語言處理和凸優(yōu)化的方法，提供少而精的標(biāo)簽。通過對歷史工單的自然語言處理，進(jìn)行標(biāo)簽初選。隨后采用凸優(yōu)化算法選擇恰好足夠的標(biāo)簽給用戶選擇。通過系統(tǒng)實(shí)際運(yùn)行測試，證明該系統(tǒng)能有效降低設(shè)備的萬箱故障次數(shù)，有效減少故障維修時(shí)間，提高了設(shè)備故障診斷效率。