基于本體的清掃機器人智能運維知識庫構建

摘要： 為了應對清掃機器人的復雜化趨勢，降低清掃機器人的運維門檻，提出一種基于本體的清掃機器人智能運維知識庫構建方法； 通過形式化描述清掃機器人零部件的工作狀態(tài)，構建清掃機器人運維本體； 基于決策樹制定運維方案語法規(guī)則，建立清掃機器人運維本體的規(guī)則體系； 通過添加設備案例的實例數據，對清掃機器人運維本體進行推理與分析； 以清掃機器人運維本體為基礎，開發(fā)清掃機器人的在線推理應用。結果表明： 運維本體推理的決策語義邏輯合理，基于本體的清掃機器人智能運維知識庫構建方法具有一定可行性和有效性； 所開發(fā)的清掃機器人在線推理應用為無人清掃作業(yè)提供了一種高效的知識服務手段。

關鍵詞： 本體； 智能運維知識庫； 知識推理； 清掃機器人； 輔助決策

中圖分類號： TP391.1； TP311.1

文獻標志碼： A

Construction of Ontology-based Intelligent Operation and

Maintenance Knowledge Base for Cleaning Robots

Abstract： To cope with increasing complexity of cleaning robots and lower their operation and maintenance threshold， a method for constructing an ontology-based intelligent operation and maintenance knowledge base for cleaning robots was proposed. By formalizing working status of components of a cleaning robot， an operation and maintenance ontology for the cleaning robot was constructed. On the basis of decision tree， maintenance plan syntax rules were established to create a rule system for the cleaning robot’s operation and maintenance ontology. The operation and maintenance ontology was then reasoned and analyzed by adding instance data of equipment cases. On the basis of the cleaning robot’s operation and maintenance ontology， online reasoning application for the cleaning robot was developed. The results show that the decision-making semantic logic of the maintenance ontology reasoning is reasonable， and the method for constructing an ontology-based intelligent operation and maintenance knowledge base for cleaning robots is feasible and effective. The developed online reasoning application for cleaning robots provides an efficient knowledge service for unmanned cleaning operation.

Keywords： ontology; intelligent operation and maintenance knowledge base; knowledge reasoning; cleaning robot; decision support

清掃機器人智能化程度高，清掃能力強，廣泛應用于酒店清掃、 物業(yè)環(huán)衛(wèi)、 醫(yī)院清潔等場合；然而該設備存在系統(tǒng)復雜度高、 知識分散等問題，導致運維人員須要具備較高的專業(yè)知識，提高了運維管理的難度，因此亟須利用知識表示等技術構建清掃機器人智能運維知識庫。知識表示技術在構建知識庫中具有至關重要的作用，目前存在多種知識表示方法，如謂詞邏輯［1］、 產生式規(guī)則［2］、 框架［3］、 腳本［4］、 過程［5］、 面向對象［6］等。本體（ontology）是一種基于語義網絡的知識表示技術，可統(tǒng)一、 規(guī)范、 準確、 清晰地描述知識，并且概念結構層次化，邏輯推理能力較強［7］，成為人工智能領域和知識工程領域中的研究熱點［8-9］。本體通過故障預警與征兆描述等應用方式，在故障診斷領域中得到廣泛應用。例如，趙永亮等［10］以多層次知識圖譜模型為基礎，利用貝葉斯網絡檢測和診斷

故障并完成建模，實現了武器裝備的狀態(tài)變化檢測及故障判斷。張楠［11］使用主成分分析（PCA）降維與K均值聚類算法對礦井提升機的軸承故障進行聚類，并通過標記所提取的規(guī)則為礦山設備提供故障推理規(guī)則。Dendani-Hadiby等［12］利用汽輪機故障診斷方法，構建案例推理的領域本體，完成了結構化數據與非結構化數據的知識表示與知識推理。

在運維領域中， 基于本體驅動的知識庫主要應用于知識問答、 知識檢索等數據量交互程度較低的場景， 而在知識推理方面的實際應用相對較少， 因此忽略了設備使用過程中局部故障關聯與全局信息的判斷， 導致整體的系統(tǒng)性考量欠缺、 知識服務目標單一， 不利于運維人員全面掌握設備的具體信息， 因此須要進一步探索本體構建和規(guī)則建立的完善方法， 完成智能運維知識庫的構建， 提高知識和數據的利用率， 從而提高運維效率。 本文中在清掃機器人的知識表示中引入本體的概念， 提出一種基于本體的清掃機器人智能運維知識庫構建方法。 首先構建本體模式層， 然后利用決策樹定義規(guī)則體系， 完成運維本體知識表示的構建， 最終實現由本體驅動的清掃機器人運維知識在線推理應用， 從而便于運維人員快速、 全面地掌控信息， 提高運維決策效率。

1 運維本體構建

1.1 運維本體的構建流程

利用主要用于醫(yī)學領域本體構建的七步法［13］，構建清掃機器人運維本體，步驟如圖1所示。

引入類、 屬性、 實例、 關系、 公理這幾個通用本體構建元語，建立統(tǒng)一的標準化本體表示法。類的集合與類的關聯關系集合用于描述知識的概念名稱或概念關系； 對象屬性、 數據屬性集合用于描述類、 關系的特征屬性； 實例為類對應的具體對象；公理為無須證明、 不可爭議的共識，也是知識推理的基礎。

為了全面描述清掃機器人的工作情景， 本體分為8個大類， 分別為清掃策略、 設備狀態(tài)、 運維人員、 設備部件、 作業(yè)強度、 工作環(huán)境、 其他部件和故障類型， 清掃機器人運維本體類的子類共定義97個。 清掃機器人運維本體類定義如圖2所示。

1.2 面向運維的設備狀態(tài)類定義

首先定義類和類的關聯集合。例如，在設備狀態(tài)分類中，具體部件直流電機表示本體構成元語“類”，并可進一步分為邊刷電機、 滾刷電機等繼承子類。 然后通過設定等價條件Equivalent to的屬性取值， 構建清掃機器人的子類設備狀態(tài)類。 例如， 設定輪轂電機電流大于或等于8 A， 屬于輪轂電機電流過高的狀態(tài)類， 表達為“hubMotorE some xsd：integer［gt;=8］ SubClassOfhubMotorhighE”。

該清掃機器人設備狀態(tài)類的定義方法具有以下優(yōu)點：

1）類的層次關系包括子類（subclass class）、 等價（equivalent class）、 互斥（disjoint）、 交（intersection）、 并（union）。通過定義等價的限制條件可以增加類的約束，使本體構建更合理、 準確地表示邏輯關系。2）通過描述清掃機器人各部件的工作狀態(tài)， 準確定義清掃機器人的系統(tǒng)工作情景。 在后續(xù)的運維推理中，本體中無須構建額外的對象屬性， 規(guī)則中也無須對比數值，因此簡化了規(guī)則體系。例如，輪轂電機電流小于8 A的正常推理情景描述“設備（？a）^輪轂電機（？a）^左輪轂電機（？a）^運行電流是（？a，？data）^swrlb：lessThan（？data，8）-gt;設備無異?！?可以簡化為“設備狀態(tài)（？a）^輪轂電機（？a）^左輪轂電機（？a）^正常電流（？a）-gt;設備無異?！?。

完成設備狀態(tài)類的定義后，通過進一步繼承類的關系得到清掃機器人設備狀態(tài)子類，如圖3所示。

以直流電機的狀態(tài)子類為例，通過繼承得到各直流電機狀態(tài)子類，如圖4所示。

1.3 運維本體的屬性約束

以清掃機器人的部件參數為基準，參考相關國家標準和行業(yè)標準，設定等價條件Equivalent to，部分設備狀態(tài)類定義如表1所示。

對象屬性（object property）用來描述2個實體之間關系， 也稱為關系屬性。 例如， 在運維本體推理方案中， 運維人員須要清理邊刷電機異物的表達形式為“運維人員-gt;清洗異物-gt;邊刷電機”， 清洗異物為對象屬性。 部分運維本體對象屬性定義如表2所示。

數據屬性（data property）用來描述類實例與數據類型之間的關系。例如，輪轂電機溫度為30 ℃，則輪轂電機溫度與單位為數據屬性。

1.4 類的實例化

為了描述清掃機器人作業(yè)時的部件狀態(tài)，為后續(xù)的運維本體推理奠定基礎，須要通過對象屬性、數據屬性以及屬性間的相互約束關系描述類與實例的聯系。例如，描述“2022年1月1日12時30分清掃機器人的輪轂電機溫度為42 ℃，滾刷電機電流為3 A，垃圾箱剩余可用空間占比為54%”，部分運維本體實例定義如表3所示。

2 基于決策樹的運維本體規(guī)則體系

2.1 決策樹的本體學習

如果規(guī)則為簡單的閾值判斷，則當多個部件觸發(fā)閾值后會出現推理結果冗余的情況，并且無法系統(tǒng)地綜合性評估設備狀態(tài)，因此本文中選用決策樹建立清掃機器人運維本體的規(guī)則體系。

早期決策樹算法ID3算法能處理離散型特征和多類別分類問題［14］。在該算法中，從根節(jié)點到葉節(jié)點的每條路徑都可以看作if-gt;then規(guī)則的集合； 路徑上內部節(jié)點的特征對應規(guī)則的條件，葉節(jié)點對應分類的結論，便于SWRL（語義網規(guī)則語言）完成映射?；跊Q策樹的運維本體規(guī)則構建流程如下：

1）選擇信息增益最高的屬性作為決策屬性。采用參數內決策的方法形式化描述清掃機器人部件的不同狀態(tài)， 并計算信息增益，計算公式［15］為

式中： G（A， T）為特征A對原始數據集T的增益； f（·）為數據集的信息熵； s為A可能的取值個數； Ti為根據A的第i個取值劃分得到的子數據集； ·為數據集的樣本個數。設T中有m個類，則f（T）的表達式［16］為

式中pj為T中包含類j的概率。

在樣本集中， 如果有樣本單項增益表現優(yōu)秀， 則對該樣本新建分支。 本文中鋰電池使用溫度較高， 增益為1.653， 因此以鋰電池溫度狀態(tài)作為待分屬性， 并合并結果相同的集合， 作為相同子樣本集合。 圖5所示為清掃機器人部件狀態(tài)決策樹節(jié)點可視化。

2）通過決策樹的本體學習方法構建規(guī)則體系，使得規(guī)則判斷中的if判斷條件更有層次與邏輯，但是該方法存在2個不足：①較直觀的故障判斷或運維規(guī)則可以在添加完成決策樹規(guī)則后補充，例如在面對“輪轂電機電流異常且其他部件無任何異常時”的場景中，可以直接添加針對輪轂電機電流異常的運維方案。②在清掃機器人的實際使用場景中，還缺少垃圾箱等無法應用決策樹構建規(guī)則的部件。

在原有規(guī)則中，根據專家經驗與相關文獻知識填充基于決策樹的運維本體規(guī)則體系，最終得到127條運維規(guī)則。表4所示為運維本體部分SWRL規(guī)則。

3）在采用決策樹方法構建清掃機器人運維本體規(guī)則體系的同時， 還可以共享智能運維知識庫的故障知識。 例如， 在決策樹的結果中， 鋰電池溫度正常、 輪轂電機溫度異常、 輪轂電機電流異常的故障現象是由輪轂電機負載較大造成的。 利用逆向思維可以使用“由于”、“現象”等語義邏輯進行相關描述， 利用造成的結果、 導致的現象與部件異常狀態(tài)相關聯， 便于運維人員根據當前故障現象查找系統(tǒng)中的故障原因。 清掃機器人運維本體故障邏輯關系如圖6所示。

2.2 智能運維知識庫的推理流程

在完成清掃機器人的本體模式層和規(guī)則體系的構建后，以課題組自行開發(fā)的清掃機器人為應用目標，利用傳感器實例化處理采集的部件數據，約束屬性和關系，最后運行推理機HermiT，啟動SWRL推理和本體內參數決策，判斷設備的整體狀態(tài)并得到運維方案，以便運維人員識別故障并進行運維決策。清掃機器人運維本體推理方法如圖7所示。

2.3 案例分析

為了驗證運維本體構建方法與規(guī)則推理方案的有效性，利用清掃機器人運維本體中的實例庫為數據集進行案例分析。

在運維本體中添加鋰電池溫度、 鋰電池循環(huán)次數、鋰電池總電壓工作數據的實例，屬性取值分別為54 ℃、 523、 27 V。

清掃機器人運維本體故障決策案例如圖8（a）所示。 由圖可知， 根據SWRL規(guī)則推理與本體內參數決策， 鋰電池使用溫度高于決策設定的45 ℃， 循環(huán)次數大于500， 則實例數據成為異常電池溫度“abNormalBatteryTemperature”的設備狀態(tài)子類與循環(huán)次數多“highCycles”的工作強度子類，并得出鋰電池循環(huán)次數過多的結論。運維方案如下： 由于清掃機器人的鋰電池循環(huán)次數、 充電次數過多， 因此在不影響使用時運維人員必須增加檢查次數， 并且嚴格使用原廠充電器， 避免過充電， 保持規(guī)律放電， 將電量保持至總電量的20%～80%時使用， 如果影響使用則購買新的鋰電池。

清掃機器人運維本體運維決策案例如圖8（b）所示。由圖可知，鋰電池電壓實例數據為電壓低于保護電壓的設備狀態(tài)子類，因為鋰電池電壓低于保護電壓，所以鋰電池無法有效輸出且損害電池壽命。運維方案如下：清掃機器人的鋰電池電壓異常，運維人員須利用激活法或并聯法激活電池。激活法使用較高的充電電流和特殊充電算法的專用充電器激活電池，而并聯法則找一組與虧電的鋰電池型號相同的電池并聯起來激活電池。

3 運維本體的應用

3.1 推理流程

在實際工程應用中， 綜合使用網絡本體語言（OWL）的應用程序接口（API）與推理機HermiT的API操作本文中創(chuàng)建的清掃機器人運維本體， 清掃機器人本體的推理程序的流程如圖9所示。

與本體編輯軟件中使用的推理機相比，HermiT的API的調用存在以下2點區(qū)別：1）HermiT的API通過加載推理機生成器指定推理對象。 例如， 在僅推理實例的關系屬性時， 增加推斷屬性生成器“InferredPropertyAssertionGenerator”并應用， 從而實現函數節(jié)流， 提高推理效率。 部分HermiT的API推理機生成器如表5所示。2）運維本體在構建規(guī)則時須統(tǒng)一主語才能提高推理機API讀取推理結果的效率。例如，統(tǒng)一謂語與賓語為運維人員，即“運維人員-gt;緊急關閉-gt;無人清掃設備”，利用推理機創(chuàng)建加載運維人員即可判斷關系與實例是否存在緊急關閉設備，如果存在則可以得到對應的運維方案。

3.2 在線推理應用

在實際工程中，運維工程師對清掃機器人的運維管理通常具有一定的周期性；然而數據的積累可能影響運維系統(tǒng)對本體操作的效率，因此需要檢驗API操作運維本體的性能。

圖10所示為清掃機器人運維本體數據實例化時間。 通過OWL的API增加OWL的規(guī)則與事實，遷移與載入數據庫中采集的部件數據。由圖可知，當采集頻率為1 Hz時，24 h積累的數據個數為86 400，利用API進行操作的時間僅為0.37 s，因此通過API操作運維本體可以實現清掃機器人的在線運維決策，提高了運維效率。

當新增清掃機器人后，同時增加新增清掃機器人的智能運維知識庫，便于根據不同編號的新增清掃機器人進行精細化管理，改善運維系統(tǒng)的可擴展性和可維護性。清掃機器人運維系統(tǒng)的設備管理模塊如圖11所示。

選擇將要推理的機器人編號后， 可通過時間篩選數據， 用戶點擊“MongDB-gt;OWL”， 則完成數據庫至運維本體的數據遷移并實例化， 點擊“顯示推理結果”即可進行在線推理， 為運維人員提供運維方案。 清掃機器人的在線推理應用界面如圖12所示。

圖13所示為1號清掃機器人滾刷電機電流異常及對應解決方案。 由圖可知， 當滾刷電機電流異常時， 根據推理結果可得到4個滾刷電機的運維手段， 便于運維人員進行故障定位、 設備維保。

4 結論

本文中提出一種清掃機器人智能運維知識庫構建方法，首先將清掃機器人執(zhí)行清掃作業(yè)的情境抽象成本體概念，并抽象描述清掃機器人部件的狀態(tài)，然后利用決策樹構建部分運維規(guī)則，最后通過調用API，搭建知識庫的在線推理應用。通過推理案例與系統(tǒng)測試得出以下主要結論：

1）采用決策樹進行本體學習可以增強本體構建的邏輯一致性。同時，通過基于SWRL語法的決策規(guī)則構建，可以有效降低因設備結構復雜、 信息來源多樣而造成的狀態(tài)研判不確定性，并實現對設備部件全局信息的評估。

2）通過引入OWL的API和HermiT的API，為清掃機器人智能運維知識庫增添實時推理功能，具有決策快、效率高的特點，為自動化維護領域提供了新的思路。

參考文獻：

［1］ MELEKHIN V B. Model of representation and acquisition of new knowledge by an autonomous intelligent robot based on the logic of conditionally dependent predicates［J］. Journal of Computer and Systems Sciences International， 2019， 58（5）： 747.

［2］ 杜雨菲， 吳保國， 陳棟. 基于產生式規(guī)則的喬灌木識別推理算法研究［J］. 計算機工程與應用， 2020， 56（5）： 242.

［3］ PLUWAK A. The frame system as an interlingual representation for parallel texts［J］. Intercultural Pragmatics， 2021， 18（5）： 657.

［4］ SONG J G， SONG J Y， YUAN X P， et al. Graph representation-baseddeepmulti-viewsemanticsimilaritylearningmodelforrecommendation［J］. Future Internet， 2022， 14（2）： 32.

［5］ OIKONOMOU K， TARROJA B， KERN J， et al. Core process representation in power system operational models： gaps， challenges， and opportunities for multisector dynamics research［J］. Energy， 2022， 238： 122049.

［6］ 邢婭浪， 何鑫， 楊潤生. 面向對象表示法在火控系統(tǒng)故障診斷知識表示中的應用［J］. 計算機工程， 2003， 29（8）： 193.

［7］ 王姝婷， 劉曉冰， 周軍華， 等. 基于本體的復雜產品維修工程案例知識表示及重用方法［J］. 系統(tǒng)工程與電子技術， 2022， 44（2）： 557.

［8］ 王仁超， 張毅偉， 毛三軍. 水電工程施工安全隱患文本智能分類與知識挖掘［J］. 水力發(fā)電學報， 2022， 41（11）： 96.

［9］ 沈揚， 田丹， 劉昊， 等. 面向混凝土壩施工管理的知識圖譜智能構建［J］. 水力發(fā)電學報， 2022， 41（9）： 118.

［10］ 趙永亮， 于倩， 鄧博， 等. 基于知識圖譜的裝備故障診斷技術［J］. 電子設計工程， 2022， 30（9）： 125.

［11］ 張楠. 基于本體的礦山生產設備知識庫構建方法研究［D］. 徐州：中國礦業(yè)大學， 2021.

［12］ DENDANI-HADIBY N， KHADIR M T. A case based reasoning systembasedondomainontologyforfaultdiagnosisofsteam turbines［J］. International Journal of Hybrid Information Technology， 2012， 5（3）： 89.

［13］ 呂健穎， 尚福華， 曹茂俊. 課程知識本體自動構建方法研究［J］. 計算機應用與軟件， 2018， 35（8）： 55.

［14］ HAN J W， KAMBER M， PEI J. Data mining： concepts and techniques［M］. 3rd ed. San Francisco： Morgan Kaufmann， 2012.

［15］ 欒麗華， 吉根林. 決策樹分類技術研究［J］. 計算機工程， 2004， 30（9）： 94.

［16］ 朱顥東， 鐘勇. ID3算法的優(yōu)化［J］. 華中科技大學學報（自然科學版）， 2010， 38（5）： 9.