基于RBR+CBR雙重推理的帶式輸送機(jī)驅(qū)動系統(tǒng)故障診斷研究*

張 宇,寇子明*,韓 聰,寇少凱

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

0 引 言

帶式輸送機(jī)是煤炭主運輸系統(tǒng)的關(guān)鍵裝備[1],其工作的穩(wěn)定性對于煤礦的生產(chǎn)安全影響巨大[2]。由于煤礦井下環(huán)境特殊,帶式輸送機(jī)結(jié)構(gòu)復(fù)雜,發(fā)生故障的種類較多且診斷困難,給煤礦的安全生產(chǎn)帶來很大的隱患[3]。2020年2月,國家發(fā)展改革委、國家能源局等八部委聯(lián)合印發(fā)了《關(guān)于加快煤礦智能化發(fā)展的指導(dǎo)意見》,全方位推動煤礦智能化發(fā)展[4],帶式輸送機(jī)的智能化是其中的重要環(huán)節(jié)。

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

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

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

近年來,宋新擴(kuò)[11]采用故障樹與專家系統(tǒng)相結(jié)合的方式,建立了用于帶式輸送機(jī)的故障診斷專家系統(tǒng)。陸建鋒等人[12]對太陽能利用系統(tǒng)進(jìn)行了故障機(jī)理分析,建立了基于規(guī)則推理的故障診斷專家系統(tǒng)。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(guān)知識應(yīng)用于專家系統(tǒng)的知識庫構(gòu)建和推理機(jī)設(shè)計中。

以上研究降低了基于規(guī)則推理的專家系統(tǒng)知識獲取的難度和規(guī)則沖突的程度;但也造成了其側(cè)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(dá),并已積累豐富案例的領(lǐng)域。該方法知識獲取難度低、案例庫的覆蓋度隨系統(tǒng)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(quán)重分配直接影響檢索精度。

20世紀(jì)90年代,國內(nèi)開始重視案例推理技術(shù)[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(jìn)行表示,建立了故障智能診斷系統(tǒng),實現(xiàn)了對汽輪機(jī)的故障診斷目的。2022年,CHEN Meng-qi等人[16]對案例屬性分類進(jìn)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(fā)動機(jī)故障診斷專家系統(tǒng)。

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(xì);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(jī)故障診斷領(lǐng)域,針對二者在故障診斷中或側(cè)重原因分析或側(cè)重維修手段的問題,筆者對基于RBR+CBR雙重推理的推理機(jī)制進(jìn)行研究,并建立專家系統(tǒng),對帶式輸送機(jī)驅(qū)動系統(tǒng)進(jìn)行故障診斷。

1 基于帶式輸送機(jī)驅(qū)動系統(tǒng)的故障診斷專家系統(tǒng)構(gòu)建

1.1 帶式輸送機(jī)驅(qū)動系統(tǒng)

帶式輸送機(jī)主要由驅(qū)動系統(tǒng)、輸送帶、托輥、制動系統(tǒng)和機(jī)架組成,其中,驅(qū)動系統(tǒng)是帶式輸送機(jī)的動力來源。

受到煤礦井下惡劣環(huán)境的影響,帶式輸送機(jī)遭受煤塵覆蓋、煤塊沖擊的情況時有發(fā)生,進(jìn)而引發(fā)電機(jī)過載、減速器漏油、滾筒停轉(zhuǎn)、軸承潤滑失效等問題。

單機(jī)距離長、多點驅(qū)動等因素使得人工診斷注定被淘汰,因此,亟需開發(fā)一套遠(yuǎn)程故障診斷專家系統(tǒng),對驅(qū)動系統(tǒng)乃至整個帶式輸送機(jī)進(jìn)行安全維護(hù)。

煤礦用帶式輸送機(jī)的傳統(tǒng)驅(qū)動系統(tǒng)多采用異步電動機(jī)+減速裝置+液力耦合器+滾筒的驅(qū)動方式[17],如圖1所示。

圖1 帶式輸送機(jī)驅(qū)動系統(tǒng)

1.2 故障診斷專家系統(tǒng)構(gòu)建

一般情況下,專家系統(tǒng)主要包括5大部分,即知識庫、推理機(jī)、人機(jī)交互界面、解釋器以及數(shù)據(jù)采集端。為了方便開發(fā)并迎合實際工程應(yīng)用中操作人員的習(xí)慣,筆者引用并改善了這種結(jié)構(gòu),構(gòu)建了規(guī)則庫與案例庫,設(shè)計了基于RBR+CBR的雙重推理機(jī)制,并以生成“診斷報告”的形式對推理過程進(jìn)行解釋。

專家系統(tǒng)結(jié)構(gòu)組成如圖2所示。

圖2 專家系統(tǒng)結(jié)構(gòu)組成

1)故障樹分析法[18]。故障樹是一個了解系統(tǒng)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(guān)系,定性定量分析系統(tǒng)可靠性涉及的各因素,尋找導(dǎo)致頂事件發(fā)生的根本原因,從而實現(xiàn)故障源的快速查找與定位。

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

首先,根據(jù)前期調(diào)研得到的底事件發(fā)生概率,計算出故障樹中頂事件發(fā)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(fā)生的概率得到某一個最小割集的發(fā)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(fā)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(lǐng)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(yīng)用在專家系統(tǒng)或基于知識推理的系統(tǒng)中。RBR適合于使用產(chǎn)生式規(guī)則表示,一般形式為:If P1 or P2 then Q。其中,P1或P2是觸發(fā)條件,Q是結(jié)論[19]。

3)CBR算法。CBR是一種基于記憶為中心的認(rèn)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(biāo)案例提供解決方案[20]。

相似案例檢索是CBR算法的核心,加權(quán)KNN(K-nearest neighbor)是進(jìn)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(quán)重進(jìn)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(jìn)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(guī)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(jìn)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(biāo)案例;Yi為目標(biāo)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(shù)量;ωi為第i項屬性的指標(biāo)權(quán)重。

2 專家系統(tǒng)設(shè)計

2.1 驅(qū)動系統(tǒng)故障樹

筆者通過調(diào)研帶式輸送機(jī)生產(chǎn)廠家、查閱相關(guān)文獻(xiàn)資料、與輸送機(jī)維護(hù)人員交流以及親自下礦安裝拆卸設(shè)備等方式,總結(jié)了帶式輸送機(jī)驅(qū)動系統(tǒng)的典型故障,并對其故障機(jī)理進(jìn)行梳理,建立故障樹,進(jìn)行了重點分析。

帶式輸送機(jī)驅(qū)動系統(tǒng)故障樹如圖3所示。

圖3 帶式輸送機(jī)驅(qū)動系統(tǒng)故障樹

2.2 故障知識庫設(shè)計

知識庫通常包括領(lǐng)域相關(guān)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(jìn)行描述,為解決領(lǐng)域問題提供了基礎(chǔ)。筆者使用Microsoft SQL Server 2019軟件構(gòu)建專家系統(tǒng)故障知識庫,并將知識庫分為規(guī)則庫與案例庫。

規(guī)則庫以產(chǎn)生式表示法構(gòu)建,知識來源自故障樹,由前件表、規(guī)則表以及后件表,3類表組成,分別對應(yīng)故障樹頂事件、故障樹以及故障樹底事件。

其中,規(guī)則表是規(guī)則主體,由故障樹信息表、子故障樹表組成;前件表是觸發(fā)規(guī)則主體的原因,由參數(shù)表組成;后件表是觸發(fā)規(guī)則主體后的執(zhí)行動作,由結(jié)論表組成。表與表之間通過設(shè)置主外鍵關(guān)聯(lián),形成原因—規(guī)則—結(jié)論的關(guān)系鏈。

規(guī)則庫各表格式及關(guān)系如圖4所示。

圖4 規(guī)則庫各表格式及關(guān)系

案例庫以矩陣表示法構(gòu)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(guān)鍵詞當(dāng)中,所以在錄入案例庫之前,需手動提取關(guān)鍵詞。

筆者將所有關(guān)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(lǐng)域?qū)＜?、煤礦事故以及相關(guān)的新聞、報道中獲取,并通過調(diào)研太重集團(tuán)向明智能裝備股份有限公司,搜集到近幾年帶式輸送機(jī)維修記錄,然后進(jìn)行歸納、總結(jié)。

案例表的格式如圖5所示。

圖5 案例表格式

筆者根據(jù)帶式輸送機(jī)驅(qū)動系統(tǒng)故障樹,建成參數(shù)表1張,故障樹信息表1張,子故障樹表11張,結(jié)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(biāo)權(quán)重

2.3 專家系統(tǒng)推理機(jī)制

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

2.3.1 規(guī)則置信度與觸發(fā)條件

RBR中的每條規(guī)則都是由原因與結(jié)論直接構(gòu)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(jìn)行定性分析,過濾掉中間事件,尋找引發(fā)故障樹頂事件發(fā)生的最小割集,作為規(guī)則的結(jié)論。筆者利用下行法對驅(qū)動系統(tǒng)故障樹進(jìn)行定性分析,得到58個引起頂事件發(fā)生的最小割集:{X1}～{X58}。

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

筆者通過在規(guī)則庫設(shè)置激活閾值的方式,將故障樹頂事件,即觸發(fā)規(guī)則的原因數(shù)值化,將實時運行數(shù)據(jù)與規(guī)則庫中的激活閾值相比較,如果大于激活閾值,則觸發(fā)規(guī)則進(jìn)行推理。

2.3.2 案例檢索屬性及指標(biāo)權(quán)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(jìn)行案例檢索時,也可以將案例發(fā)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(biāo)權(quán)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(jié)合,設(shè)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(guī)則調(diào)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(diào)用有效規(guī)則,二者相輔相成,互為另一種推理機(jī)制的容錯對象,可提高故障診斷準(zhǔn)確率。

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

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

筆者利用SQL語言進(jìn)行編程,將基于RBR+CBR雙重推理的算法程序化,實現(xiàn)規(guī)則庫與案例庫之間的通信。

部分程序及程序運行結(jié)果如圖7所示。

圖7 部分程序及程序運行結(jié)果

2.4 人機(jī)交互界面設(shè)計

筆者在LabVIEW開發(fā)環(huán)境下,結(jié)合圖形化編輯G語言,完成了帶式輸送機(jī)驅(qū)動系統(tǒng)故障診斷專家系統(tǒng)人機(jī)交互界面的設(shè)計,實現(xiàn)了傳感器—知識庫—客戶端之間的串聯(lián)通信。其具有良好的人機(jī)互動性能,而且可移植性強(qiáng),可以生成安裝包,安裝到其他操作環(huán)境上。

按照其功能,專家系統(tǒng)人機(jī)交互界面分為8個部分,即用戶登錄、實時監(jiān)測、閾值設(shè)定、故障診斷、故障記錄、檢索案例、診斷報告以及知識維護(hù),如圖8所示。

圖8 專家系統(tǒng)功能圖

故障診斷界面與規(guī)則庫鏈接,筆者利用故障樹知識對驅(qū)動系統(tǒng)的4個子系統(tǒng)、11種工況進(jìn)行故障監(jiān)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(qū)動的帶式輸送機(jī),圖9中的界面可對所有減速器進(jìn)行監(jiān)測,并將運行參數(shù)實時顯示在波形圖表上。

圖9中,“溫度預(yù)警”指示燈變紅,代表出現(xiàn)“溫度過高”工況,點擊“診斷”按鈕,推理機(jī)制運行,在右側(cè)2個表格中顯示RBR算法的診斷結(jié)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(jìn)行相似案例檢索。此外,所有數(shù)據(jù)都會存儲下來,方便日后的數(shù)據(jù)維護(hù)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(dāng)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(zhì)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(xiàn)場實驗與結(jié)果分析

3.1 現(xiàn)場應(yīng)用實驗

為了驗證專家系統(tǒng)的可行性,筆者在某礦帶式輸送機(jī)運行現(xiàn)場進(jìn)行實驗。

其中,部分實驗現(xiàn)場布局如圖11所示。

圖11 部分實驗現(xiàn)場布局

筆者利用各廠家傳感器以及巡檢機(jī)器人以定時采集運行數(shù)據(jù),數(shù)據(jù)經(jīng)PLC控制柜傳輸至上位機(jī),專家系統(tǒng)作為上位機(jī)對實時數(shù)據(jù)進(jìn)行診斷。

PLC控制柜如圖12所示。

圖12 PLC控制柜

筆者在電機(jī)、減速器、液力耦合器以及驅(qū)動滾筒上布置故障監(jiān)測點,并針對不同設(shè)備,采集電流、電壓、振動、溫度、速度等數(shù)據(jù),對驅(qū)動系統(tǒng)進(jìn)行全面監(jiān)測。

其中,利用巡檢機(jī)器人對電機(jī)進(jìn)行紅外測溫,如圖13所示。

圖13 電機(jī)監(jiān)控與紅外熱成像圖

3.2 實驗結(jié)果分析

筆者在帶式輸送機(jī)運行現(xiàn)場進(jìn)行了長達(dá)12個月的實驗,利用專家系統(tǒng)成功地對帶式輸送機(jī)驅(qū)動系統(tǒng)進(jìn)行了狀態(tài)監(jiān)測與故障診斷。

為了更加直觀地顯示專家系統(tǒng)的實驗效果,筆者還對專家系統(tǒng)進(jìn)行了后續(xù)的開發(fā)與調(diào)試。

筆者對實驗結(jié)果進(jìn)行了量化分析,分析結(jié)果如下:

專家系統(tǒng)的實時監(jiān)測與故障預(yù)警功能,使帶式輸送機(jī)停機(jī)次數(shù)降低了20%左右,生產(chǎn)效率至少提高了15%;帶式輸送機(jī)維修人員工作強(qiáng)度下降了30%以上,相當(dāng)于減少2名～3名班組人員,加快了煤礦開采無人化進(jìn)程;

專家系統(tǒng)知識庫的應(yīng)用,使得故障診斷通過知識庫進(jìn)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(tǒng)在驅(qū)動系統(tǒng)各子系統(tǒng)的實驗指標(biāo)如表2所示。

表2 專家系統(tǒng)實驗指標(biāo)

分析表2可知:專家系統(tǒng)故障預(yù)警提示率超過了98%,故障原因分析準(zhǔn)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(yōu)劣性,筆者通過預(yù)先設(shè)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(zhǔn)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(tǒng)應(yīng)用效果進(jìn)行比較。

故障預(yù)設(shè)情況如表3所示。

表3 故障預(yù)設(shè)情況

不同推理算法應(yīng)用效果對比如圖14所示。

圖14 不同推理算法應(yīng)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(tǒng)診斷用時2 s和2.4 s,而RBR+CBR算法支持下的專家系統(tǒng)平均能在1.2 s內(nèi)給出診斷結(jié)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(tǒng)診斷過程有效性與診斷效果準(zhǔn)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(tǒng)10%以上,可見該算法更具優(yōu)勢。

4 結(jié)束語

為了解決帶式輸送機(jī)故障診斷中人工診斷不及時、經(jīng)驗不足等問題,筆者以帶式輸送機(jī)驅(qū)動系統(tǒng)為例,對故障診斷專家系統(tǒng)進(jìn)行了研究。

首先,在傳統(tǒng)專家系統(tǒng)的結(jié)構(gòu)基礎(chǔ)上構(gòu)建了故障診斷專家系統(tǒng);然后,建立了驅(qū)動系統(tǒng)故障樹,分別設(shè)計了知識庫、推理機(jī)、人機(jī)交互界面;最后,在帶式輸送機(jī)運行現(xiàn)場,對專家系統(tǒng)的可行性進(jìn)行了驗證。

研究結(jié)果表明:

1)從故障機(jī)理出發(fā),構(gòu)造了驅(qū)動系統(tǒng)故障樹,并建立了規(guī)則庫,專家系統(tǒng)故障原因分析準(zhǔn)確率超過了95%;從專家經(jīng)驗出發(fā),整理了故障案例并建立了案例庫,專家系統(tǒng)故障維修方案有效性超過了94%,充分證明了知識來源的準(zhǔn)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(tǒng)知識獲取的渠道;

2)在預(yù)先設(shè)置故障的條件下,與RBR、CBR算法支持下的專家系統(tǒng)進(jìn)行比較,筆者RBR+CBR算法支持下的專家系統(tǒng)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(zhǔn)確性更是高于其他2種算法10%以上。綜上所述,該算法應(yīng)用效果明顯優(yōu)于其他2種推理算法,為專家系統(tǒng)的推理機(jī)制提供了一種有效的方法。

在后續(xù)的研究中,基于豐富的專家知識,筆者擬將專家系統(tǒng)推廣至帶式輸送機(jī)其他關(guān)鍵部位的故障診斷中去,以進(jìn)一步提升該專家系統(tǒng)的泛化性。