基于知識圖譜的旋轉(zhuǎn)機械故障診斷方法*

盛 林,馬 波,2*,張 楊

(1.北京化工大學 機電工程學院，北京 100029;2.北京化工大學 高端機械裝備健康監(jiān)控與自愈化北京市重點實驗室，北京 100029)

0 引 言

目前,旋轉(zhuǎn)機械在現(xiàn)代工業(yè)生產(chǎn)領(lǐng)域已得到了廣泛的應(yīng)用。旋轉(zhuǎn)機械一旦發(fā)生故障,將會造成很大的經(jīng)濟損失與社會危害[1]。

為了提高旋轉(zhuǎn)機械的可靠性,對旋轉(zhuǎn)機械進行故障智能診斷研究具有重要的工程意義。

目前,傳統(tǒng)故障診斷方法一般可以分為3大類:(1)基于解析模型的故障診斷方法;(2)基于數(shù)據(jù)驅(qū)動的故障診斷方法;(3)基于知識的故障診斷方法[2]。

基于解析模型的故障診斷方法一般采用數(shù)學公式,將真實過程抽象成精確解析模型,通過計算模型輸出值與實際測量值的殘差來進行診斷。

劉志剛等人[3]采用了候選最小沖突集,成功將基于模型的診斷方法應(yīng)用到了牽引變電站的電氣設(shè)備的故障診斷中。張永強等人[4]基于ARX模型,提出了一種通過模型匹配的轉(zhuǎn)子故障診斷方法。楊誠等人[5]提出了一種新的Volterra-PARAFAC預(yù)測模型,用于對滾動軸承故障進行診斷,解決了該模型用于復(fù)雜機械系統(tǒng)非線性特征提取時估計參數(shù)過多的問題。

但是,該診斷方法依賴于對故障過程機理的深入了解,一旦解析模型與實際情況不符,則會造成較大的診斷偏差,對于機理復(fù)雜、工況多變的旋轉(zhuǎn)機械設(shè)備適用性差。

基于數(shù)據(jù)驅(qū)動的故障診斷方法針對設(shè)備監(jiān)測數(shù)據(jù)進行多方面的數(shù)據(jù)分析、處理,提取設(shè)備的故障特征,對故障進行診斷。該方法是否成功運用的關(guān)鍵在于對故障特征的提取是否準確。

蘇乃權(quán)等人[6]提出了一種基于高價值小樣本的故障診斷NN模型進行故障診斷的方法,其具有特征提取準確、故障識別能力強的特點,有效地解決了旋轉(zhuǎn)機械故障類型識別難的問題。廖玉波等人[7]采用了基于Fisher Score與域間最大均值差異的特征選取方法,選取了判別性能和域不變性好的特征,構(gòu)建了遷移深度置信網(wǎng)絡(luò);采用該方法后,明顯提高了旋轉(zhuǎn)機械故障診斷的準確率。馬波等人[8]提出了一種基于專家思維的多維度故障診斷方法,依據(jù)故障機理、故障響應(yīng)特點及故障劣化規(guī)律,選擇相關(guān)測點、多時間點的數(shù)據(jù),構(gòu)建了敏感參數(shù)矩陣,并生成了對應(yīng)的故障矩陣和權(quán)重矩陣,進行了故障的診斷。WANG Qing-feng等人[9]提出了一種多敏感特征的滾動軸承故障診斷模型構(gòu)建方法,利用了美國凱斯西儲大學(CWRU)故障數(shù)據(jù)訓練故障診斷模型,該方法具備較高的故障診斷精度。

上述基于數(shù)據(jù)驅(qū)動的故障診斷方法不依賴于精確的機理模型,同時將計算機強大的計算能力與故障診斷結(jié)合在一起,對設(shè)備故障診斷具有一定的普適性。但是,采用該類方法得到的診斷結(jié)果由于缺少故障知識和過程知識的支撐,其解釋性受到一定的限制[10]。

基于知識的故障診斷方法具有良好的可解釋性,不需要構(gòu)建復(fù)雜的數(shù)學機理模型,同時還可以更新故障知識。因其具有一系列的優(yōu)點,該診斷方法引起了業(yè)界科研人員的廣泛關(guān)注。

張強等人[11]提出了一種基于置信度的不確定性推理方法,對汽輪發(fā)電機組故障進行了規(guī)則推理,在診斷結(jié)果不確定或無結(jié)果時,采用案例推理機制進行了推理,有效地提高了汽輪發(fā)電機組的診斷效率。尚文等人[12]采用了條件規(guī)則和故障樹法相結(jié)合的診斷方法,增加了具體故障分析的條件規(guī)則,確定故障樹每個分支的診斷選擇,實現(xiàn)了對燃氣輪機的快速、準確的診斷維護。YAN Chang-feng等人[13]4448建立了一種基于規(guī)則推理和案例推理的汽輪發(fā)電機組故障診斷系統(tǒng),以基于規(guī)則的推理為案例推理提供支持,提高了故障診斷的效率。WAN Shan等人[14]提出了一種基于案例推理的機床維護規(guī)劃系統(tǒng),提高了機床維護計劃的效率。

基于知識的故障診斷方法雖然無需針對旋轉(zhuǎn)機械建立復(fù)雜的機理模型,且其結(jié)果的可解釋性強,但是該方法仍缺乏對旋轉(zhuǎn)機械故障診斷知識及其耦合知識聯(lián)系進行進一步挖掘利用,且對診斷輸入的準確性要求很高[15]1378,在輸入征兆條件缺失的情況下,其診斷結(jié)果也會出現(xiàn)較大的偏差。

知識圖譜概念的提出,最初是為搜索引擎服務(wù)的。隨著人工智能技術(shù)的發(fā)展,知識圖譜技術(shù)已在醫(yī)療領(lǐng)域[16]、電商領(lǐng)域[17]、領(lǐng)域知識管理[18]等方面得到了應(yīng)用。許多學者針對基于知識圖譜技術(shù)的智能故障診斷方法進行了研究。

許祺[19]采用深度學習技術(shù),完成了對CNC故障診斷領(lǐng)域知識實體識別任務(wù),建立了CNC故障診斷知識圖譜,并結(jié)合知識圖譜搜索算法,實現(xiàn)了故障診斷。趙倩[20]采用數(shù)據(jù)驅(qū)動的增量式本體構(gòu)建技術(shù),建立了數(shù)控設(shè)備的故障本體模型,構(gòu)建出了數(shù)控設(shè)備故障領(lǐng)域知識圖譜,提高了歷史故障知識利用率和故障診斷效率。車金立等人[21]利用裝備維修保障內(nèi)部數(shù)據(jù)源進行了關(guān)鍵信息抽取,建立了裝備維修保障的知識圖譜,并通過對裝備維修保障知識圖譜的應(yīng)用,證明了知識圖譜能支撐維修保障、輔助決策多種應(yīng)用。

上述研究結(jié)果表明:將知識圖譜技術(shù)運用到故障診斷領(lǐng)域,能夠準確、全面地對故障診斷知識及其聯(lián)系進行描述,同時還能為故障診斷推理提供新的解決思路。

筆者采用基于本體的表示方法,對旋轉(zhuǎn)機械故障診斷知識進行知識表示,建立旋轉(zhuǎn)機械故障診斷知識圖譜,并結(jié)合知識圖譜推理方法,提出旋轉(zhuǎn)機械的故障診斷方法,以有效地解決故障征兆缺失時診斷結(jié)果準確率低的問題。

1 理論背景

1.1 知識圖譜

知識圖譜本質(zhì)上可以理解為一種揭示實體之間關(guān)系的語義網(wǎng)絡(luò),由形如“實體-關(guān)系-實體”三元組結(jié)構(gòu)的數(shù)據(jù)進行相互連接組成[22]。實體是知識圖譜中最基本的元素,通過兩兩間的關(guān)系進行連接,進而形成結(jié)構(gòu)化的知識網(wǎng)絡(luò)。

由三元組作為基本組成結(jié)構(gòu)的知識圖譜示意圖,如圖1所示。

圖1 知識圖譜示意圖

1.2 基于本體的知識表示方法

基于本體的知識表示方法在計算機人工智能領(lǐng)域中,能夠精確定義、表示某一領(lǐng)域的概念、概念屬性、概念間關(guān)系以及關(guān)系屬性,揭示概念之間的內(nèi)在關(guān)系,使知識管理與共享更簡便、靈活[23],這些本體定義描述能夠被計算機理解,同時也能被領(lǐng)域所接受。

根據(jù)NAING MM博士提出的六元素表示法[24],可將知識本體(knowledge ontology,KO)定義為:

KO=

(1)

式中:C—不同概念的集合;R—不同關(guān)系的集合;AC—概念屬性的集合;AR—關(guān)系屬性的集合;I—概念實例的集合。對上述定義作進一步說明:

(1)概念定義與實例定義

概念集合可以進一步表示為:

C={Ci|Ci=C1,C2,…,Cn,i=1,2,…,n}

(2)

式中:n—本體表示模型中類概念的類別數(shù)。

概念實例集合I中,每一個實例都是本體概念的實例化表示,即:

I={It|It∈Ci,t=1,2,…,m}

(3)

式中:m—實例集合I中概念實例個數(shù)。

(2)關(guān)系定義

設(shè)Cs,Ct分別是概念集合C中的第s,t個概念,且Cs,Ct都包含于概念集合C中,對于任意的概念元素Ct,存在概念元素Cs(s≠t,且1≤s,t≤n),滿足:

Cs=R(Ct)

(4)

式中:R—概念元素Cs,Ct之間的關(guān)系,記作R(Cs,Ct)。

在同一個概念集合中,使用這種映射關(guān)系R(Cs,Ct)來表示概念集合中各概念之間的基本關(guān)系,如父類與子類的繼承關(guān)系。各概念實例間關(guān)系繼承式(4)表示的定義,也即實例元素Is,It之間的關(guān)系可以記作R(Is,It)。

(3)屬性定義

對本體表示模型中的概念屬性集合作如下定義:AC={title,id}。

其中:id—本體的id屬性,為一數(shù)字數(shù)值,在知識圖譜中數(shù)值唯一;title—本體的名稱屬性,用于表示概念的名稱。

對本體表示模型中的關(guān)系屬性集合作如下定義:AR={type,id}。

其中:id—與概念屬性中定義相同;type—關(guān)系類別屬性,用于表示關(guān)系的名稱。

1.3 基于關(guān)系路徑的知識圖譜推理方法

在基于關(guān)系路徑的知識圖譜推理中,主要通過實體間的多步路徑來尋找它們之間的語義關(guān)系[25]。在知識圖譜中,定義:

R(e)≡{e′:R(e,e′)}

(5)

式中:R—實體間的二元關(guān)系;e,e′—知識圖譜中實體對;R(e,e′)—表示實體對e、e′存在關(guān)系R。

關(guān)系路徑P由關(guān)系R1,R2,…,Rn組成,且對任意的整數(shù)i(1

range(Ri)≡domain(Ri+1)

(6)

式中:domain(R)—關(guān)系R的定義域;range(R)—關(guān)系R的值域。

令:

domain(R1R2…Rn)=domain(R1)

(7)

range(R1R2…Rn)=range(Rn)

(8)

著重強調(diào)路徑中每個步驟關(guān)聯(lián)的關(guān)系類型時,將路徑P=R1R2…Rn表示為:

(9)

式中:T0—可表示為T0=dom(R1)=dom(P);T1—可表示為T1=range(R1)=dom(R2);其余節(jié)點Ti以此類推。

多級關(guān)系路徑的示意圖如圖2所示。

圖2 多級關(guān)系路徑示意圖

圖2中,實體T0和T6間的多級關(guān)系路徑可以表示為:

(10)

式中:T2—關(guān)系R1的值域range(R1);T3—關(guān)系R2的值域range(R2);T6—關(guān)系R3的值域range(R3)。

2 基于知識圖譜的旋轉(zhuǎn)機械故障診斷方法

采用知識圖譜技術(shù)構(gòu)建旋轉(zhuǎn)機械的故障診斷領(lǐng)域知識圖譜,能夠?qū)υO(shè)備故障診斷知識進行全面、準確地表達,同時能有效利用故障診斷知識間的關(guān)系,解決輸入征兆缺失時,難以對旋轉(zhuǎn)機械的故障進行準確診斷的問題。

筆者提出的基于知識圖譜的旋轉(zhuǎn)機械故障診斷方法包括兩部分:(1)知識圖譜構(gòu)建;(2)基于知識圖譜進行診斷推理。其具體步驟為:首先采用基于本體的知識表示方法構(gòu)建知識圖譜;然后利用基于知識圖譜關(guān)系路徑的推理方法進行診斷推理。

2.1 知識圖譜的構(gòu)建

2.1.1 知識本體表示

采用基于本體的知識表示方法,可將旋轉(zhuǎn)機械故障診斷領(lǐng)域知識本體(rotating machine fault diagnosis ontology,RMFDO)表示如下:

RMFDO=

(11)

式中:C—本體概念的集合;R—本體關(guān)系的集合:AC—概念的屬性;AR—關(guān)系的屬性;I—實體元素的集合。

可將旋轉(zhuǎn)機械故障診斷知識分為5個不同類別的本體,本體概念集合表示為:

C={C1,C2,C3,C4,C5}

(12)

式中:C1—設(shè)備結(jié)構(gòu)類本體概念;C2—測點類本體概念;C3—故障現(xiàn)象類本體概念;C4—故障原因類本體概念;C5—維修建議類本體概念。

RMFDO本體中不同類別概念間關(guān)系構(gòu)成關(guān)系R的集合,可以表示為:

R={R1,R2,R3,R4,R5,R6}

(13)

式中:R1—設(shè)備結(jié)構(gòu)類與故障原因間的關(guān)系;R2—測點類與設(shè)備結(jié)構(gòu)類之間的關(guān)系;R3—維修建議類與故障原因類之間的關(guān)系;R4—故障現(xiàn)象類與故障原因類之間的關(guān)系;R5—測點類與故障現(xiàn)象類之間的關(guān)系;R6—測點類與故障現(xiàn)象類之間的關(guān)系。

按照本體表示模型中的定義,上述各關(guān)系表示的語義關(guān)系如下:

(1)R1=Rlocated(C4,C1)表示故障發(fā)生在某個設(shè)備結(jié)構(gòu)處;

(2)R2=Rmonitor(C2,C1)表示測點監(jiān)測某處設(shè)備結(jié)構(gòu);

(3)R3=Radvice(C4,C5)表示針對故障原因需要采取的維修建議;

(4)R4=Rcause(C4,C3)表示故障原因造成了某種故障現(xiàn)象出現(xiàn);

(5)R5=Rrelative(C2,C3)表示故障現(xiàn)象的異常指標由該測點進行監(jiān)測;

(6)R6=RhasPhe(C1,C3)某個設(shè)備結(jié)構(gòu)處出現(xiàn)了故障現(xiàn)象。

在旋轉(zhuǎn)機械故障診斷領(lǐng)域知識的本體表示模型中,AC和AR分別定義為概念屬性和關(guān)系屬性,直接繼承本體表示模型中的定義。

實例I表示知識實體元素的集合,各實體間的關(guān)系繼承概念集合間的關(guān)系集合R。

2.1.2 知識表示

旋轉(zhuǎn)機械故障診斷領(lǐng)域知識圖譜的結(jié)構(gòu)關(guān)系可分為2大類:(1)本體概念層次圖;(2)知識實體關(guān)系圖。

該處筆者以主泵漏氣閥的故障為例,展示旋轉(zhuǎn)機械故障診斷領(lǐng)域知識圖譜模式層與數(shù)據(jù)層之間的相互對應(yīng)關(guān)系。

旋轉(zhuǎn)機械故障診斷領(lǐng)域知識圖譜,如圖3所示。

圖3 旋轉(zhuǎn)機械故障診斷領(lǐng)域知識圖譜

筆者將旋轉(zhuǎn)機械故障診斷知識表示為三元組結(jié)構(gòu):<實體,關(guān)系,實體>,并采用圖數(shù)據(jù)庫對旋轉(zhuǎn)機械故障診斷領(lǐng)域知識進行存儲。圖數(shù)據(jù)庫以節(jié)點表示實體,與三元組中實體相對應(yīng);以帶方向的邊表示知識間的關(guān)系,與三元組中關(guān)系相對應(yīng)。

旋轉(zhuǎn)機械故障診斷領(lǐng)域知識圖譜實體關(guān)系的三元組示例,如表1所示。

表1 實體關(guān)系三元組示例

表1中,實體關(guān)系的三元組在圖數(shù)據(jù)庫中存儲后,如圖4所示。

圖4 知識圖譜示例

2.2 基于知識圖譜的診斷推理方法

筆者根據(jù)旋轉(zhuǎn)機械知識圖譜的圖結(jié)構(gòu)特點,結(jié)合基于關(guān)系路徑的知識圖譜推理方法,提出了基于知識圖譜的旋轉(zhuǎn)機械故障診斷推理方法。

其診斷推理方法流程圖,如圖5所示。

圖5 基于知識圖譜關(guān)系路徑的診斷推理流程

推理方法的詳細步驟如下所述:

(1)輸入故障現(xiàn)象的集合P={p1,p2,…,pn},n為正整數(shù);

(2)遍歷故障現(xiàn)象集合P,是否滿足P?G(其中G表示圖譜中所有實體的集合),若滿足該條件,則下一步用于推理的已知實體集合為Pd=P;若不滿足上述條件,對集合P進行操作,剔除集合P中不在知識圖譜G中的實體元素后,得到實體集合Pd={pi|pi∈G且pi∈P};

(5)驗證關(guān)聯(lián)結(jié)構(gòu)實體集合S與故障現(xiàn)象集合Pd是否存在關(guān)系路徑RhasPhe(C1,C3),也即關(guān)系Pd=range(RhasPhe(C1,C3))是否存在;

(7)取故障原因?qū)嶓w集合F0=Fd∪Fi,即F0為直接關(guān)聯(lián)故障原因集合Fd與間接關(guān)聯(lián)的故障原因集合Fi的并集,由故障原因?qū)嶓w集合F0根據(jù)關(guān)系路徑Radvice(C4,C5),引入維修建議實體集合A0,有:A0=range(Radvice(C4,C5));

(8)對故障原因集合F0中的實體進行排序,排序方法如下:首先將直接關(guān)聯(lián)原因放在間接關(guān)聯(lián)原因之前;其次將直接關(guān)聯(lián)原因中的各實體按照與實體集合Pd中的實體有直接關(guān)聯(lián)路徑的個數(shù)由多到少進行排序。排序后即得到故障原因?qū)嶓w集合F1,維修建議實體按照相同順序排序得到實體集合A1;

(9)對故障原因?qū)嶓w集合F1與維修建議實體集合A1進行格式化,然后輸出診斷結(jié)果。

3 實例驗證

筆者以核電廠主泵為例,基于上述方法構(gòu)建主泵故障診斷知識圖譜,對該方法的可行性進行驗證,對其診斷性能進行測試。

3.1 主泵故障診斷知識圖譜構(gòu)建

3.1.1 主泵故障診斷知識本體

(1)本體概念的建立

設(shè)備結(jié)構(gòu)類C1用于描述主泵結(jié)構(gòu)的概念集合。根據(jù)主泵自身的結(jié)構(gòu)組成,按照自頂向下的原則,可得到主泵各子系統(tǒng)、組件、部件、零件等層次結(jié)構(gòu),不同層次結(jié)構(gòu)間使用父子間關(guān)系“is_a”表示。

部分設(shè)備結(jié)構(gòu)概念本體如表2所示。

表2 設(shè)備結(jié)構(gòu)類概念本體

測點類C2用于描述監(jiān)測主泵運行狀態(tài)的各測點概念集合。

按照監(jiān)測狀態(tài)值類別的不同,可將測點分為溫度測點、流量測點、壓力測點等。

測點類概念本體如表3所示。

表3 測點類概念本體

故障現(xiàn)象類C3用于描述主泵發(fā)生故障時所表現(xiàn)出來征兆現(xiàn)象的概念集合。

按照征兆特征的不同,可將故障現(xiàn)象類概念進一步分為溫度偏高、流量偏低等不同類別。

故障現(xiàn)象類概念本體如表4所示。

表4 故障現(xiàn)象類概念本體

故障原因類C4用于描述引發(fā)主泵故障的可能原因的概念集合。維修建議類C5用于描述針對可能的故障原因而給出的建議的概念集合。

故障原因類概念本體與維修建議類概念本體示例,如表5所示。

表5 故障原因類與維修建議類概念本體示例

(2)本體關(guān)系的建立

根據(jù)旋轉(zhuǎn)機械故障診斷知識本體表示,對主泵各本體概念間關(guān)系進行表示,如表6所示。

表6 本體概念間關(guān)系示例

3.1.2 主泵故障診斷知識表示

筆者根據(jù)所建立的主泵故障診斷知識本體,獲取主泵故障診斷知識,并以三元組的形式進行表達(即相同類別的概念實例放在同一個表里,表的每列代表該類實體的屬性值,每行代表該類實體的實例),同時定義好實體的標簽;在此基礎(chǔ)上,再建立三元組關(guān)系表,對關(guān)系進行標識。

筆者建立主泵故障診斷知識三元組實體表和關(guān)系表后,采用圖形數(shù)據(jù)庫Neo4j對三元組知識進行數(shù)據(jù)存儲,完成主泵的故障診斷知識圖譜構(gòu)建。

主泵故障診斷知識圖譜中整合的實體類型,如表7所示。

表7 知識圖譜實體類型及屬性

實體關(guān)系類型及相關(guān)統(tǒng)計信息,如表8所示。

表8 知識圖譜實體關(guān)系類型及屬性

構(gòu)建完成后的主泵知識圖譜部分關(guān)系、節(jié)點可視化圖,如圖6所示。

圖6 主泵知識圖譜示例

3.2 基于知識圖譜的診斷方法測試

為了對基于知識圖譜的旋轉(zhuǎn)機械診斷方法的診斷性能進行測試,筆者以某核電廠存儲的主泵歷史故障案例數(shù)據(jù)為基礎(chǔ)[26],獲取了31個征兆完整的故障案例,并在此基礎(chǔ)上對測試用例進行了設(shè)計[15]1384。測試用例設(shè)計步驟如下:

(1)從歷史案例中獲取各故障與征兆現(xiàn)象間的對應(yīng)關(guān)系,每個故障對應(yīng)有n個征兆;

(2)對各故障設(shè)置缺失1個征兆、缺失2個征兆…缺失n-1個征兆的情形,對余下的征兆進行組合,即得到測試用例。

該處以主推力瓦磨損故障對測試用例設(shè)計進行說明。該故障發(fā)生時可能出現(xiàn)的征兆現(xiàn)象,即:軸承室油位異常、中油箱溫度偏高、主推力瓦溫度偏高。不同征兆間的關(guān)系為“與”關(guān)系,即只有在上述征兆同時出現(xiàn)時,才可斷定主推力瓦磨損故障發(fā)生。

用于驗證診斷方法的測試用例信息,如表9所示。

表9 測試用例

由于輸出的故障診斷結(jié)果存在包含多個可能診斷結(jié)果的情況,筆者將正確診斷結(jié)果排在輸出診斷結(jié)果前兩位的,認定為診斷正確。

診斷準確率計算方式為:

(14)

式中:n—測試用例總數(shù);N—診斷準確的測試用例數(shù)。

筆者將上述測試用例進行診斷驗證,其中完整輸入征兆現(xiàn)象的測試用例中,診斷準確的個數(shù)為25個,缺失征兆現(xiàn)象的測試用例中診斷準確的個數(shù)為186個。

診斷結(jié)果如表10所示。

表10 診斷推理方法驗證結(jié)果

由表10可知:當輸入征兆完整時,故障診斷準確率僅為80.6%,這是因為在所構(gòu)建的知識圖譜中,故障現(xiàn)象與故障原因間存在一對多的映射關(guān)系,同時存在輸入一條故障現(xiàn)象就滿足診斷所需的完整故障現(xiàn)象的情況。在這種情況下,筆者提出的方法會得到多條故障診斷結(jié)果,且多條診斷結(jié)果無法進一步根據(jù)已有信息進行排序。因此,反而不能得到準確的診斷結(jié)果。

3.3 方法對比

筆者將基于知識圖譜的故障診斷方法與傳統(tǒng)的基于規(guī)則的故障診斷推理方法進行對比分析,在征兆現(xiàn)象缺失的情況下,驗證基于知識圖譜的旋轉(zhuǎn)機械故障診斷方法進行故障診斷的效果。

在整合的主泵故障診斷領(lǐng)域知識基礎(chǔ)上,筆者對主泵故障診斷規(guī)則進行提取。主泵故障診斷規(guī)則可表示為如下形式:“IF條件1AND條件2AND…THEN結(jié)論”,多個診斷前提條件間的與、或關(guān)系使用“AND”或者“OR”進行表示[13]4444-4445;上文中提及的主推力瓦磨損故障提取后的診斷規(guī)則可表示為:“IF軸承室油位異常AND中油箱溫度偏高AND主推力瓦溫度偏高THEN主推力瓦磨損”。

根據(jù)整合后的主泵故障診斷知識,筆者提取出主泵故障診斷規(guī)則后,對上述202個缺失故障現(xiàn)象的測試用例進行診斷,診斷結(jié)果對比如表11所示(筆者提出的診斷方法為方法1,傳統(tǒng)的基于規(guī)則的故障診斷方法為方法2)。

表11 診斷結(jié)果對比

表11中的結(jié)果表明:方法1的診斷準確率為92.1%,遠高于方法2的診斷準確率;在征兆現(xiàn)象缺失時,筆者提出的方法的診斷效果遠好于傳統(tǒng)的基于規(guī)則的故障診斷推理方法,能夠有效地解決征兆現(xiàn)象缺失時難以進行準確診斷的問題;

同時,結(jié)合表(10,11)中的診斷結(jié)果來看,基于知識圖譜的旋轉(zhuǎn)機械故障診斷方法的總體診斷準確率較高,達到90.6%。

4 結(jié)束語

在對旋轉(zhuǎn)機械進行故障診斷時,為了有效地解決故障征兆缺失時,采用傳統(tǒng)的基于規(guī)則的故障診斷推理方法,進行故障診斷時出現(xiàn)的結(jié)果準確率低的問題,筆者采用本體知識表示方法對旋轉(zhuǎn)機械故障診斷知識進行知識表達,構(gòu)建旋轉(zhuǎn)機械故障診斷知識圖譜,并提出了基于知識圖譜的旋轉(zhuǎn)機械故障診斷方法,最后,以核電廠主泵為例,對該方法的有效性進行了驗證,對其診斷性能進行了測試。

研究結(jié)果表明:

(1)在旋轉(zhuǎn)機械故障診斷驗證中,該方法的故障診斷準確率為92.1%,遠遠高于傳統(tǒng)的基于規(guī)則的故障診斷推理方法的準確率,可以有效解決以往因征兆缺失,而使故障診斷不準確的問題;

(2)該方法通過知識圖譜技術(shù)對設(shè)備結(jié)構(gòu)間關(guān)系加以利用,并將其融入到診斷推理中。驗證結(jié)果表明:該方法的測試用例的整體準確率為90.6%,實現(xiàn)了對設(shè)備結(jié)構(gòu)間關(guān)系的有效利用。同時,知識圖譜的應(yīng)用使該方法不失一般性,便于遷移運用到其他設(shè)備上,可為設(shè)備智能診斷方法提供新的思路。

在后續(xù)的工作中,筆者將在旋轉(zhuǎn)機械診斷知識圖譜的基礎(chǔ)上,進一步對旋轉(zhuǎn)機械故障診斷推理過程中存在的不確定性問題進行研究。