基于案例推理技术的机车故障诊断系统研究

罗冰洋，黄丽婷，周廷美，莫易敏，陈 璟，魏 贝

(武汉理工大学 自动化学院，湖北 武汉430070)

随着我国国民经济的快速发展，铁路的客、货运输量也在逐步增加。有效地检测和排除机车故障，确保机车安全运行已成为铁路部门的当务之急。传统的基于信号处理的故障诊断方法虽然避开了对象的数学模型，但其只是单独的提取故障信息，很难单独完成复杂的机车故障诊断任务。笔者基于案例推理的机车故障诊断系统，仿照人类认知的过程，通过不断的学习修改来完善系统知识库为故障诊断提供参考依据。以案例为基础，大大简化了对知识的获取;通过对过去案例的结果进行复用，提高了求解新问题的效率，改善了求解的质量;通过对既有案例的修正及新案例的学习不断完善案例库，从而可以不通过专家的干预更新案例库，方便用户自行维护［1-2］。因此，在机车故障的诊断系统中，基于案例推理技术能发挥很好的作用。

1 案例推理技术

1.1 案例推理的工作过程

案例推理是人工智能领域中较新崛起的一种重要的基于知识的问题求解和学习方法，利用过去经验中的特定知识来解决新问题，其工作过程如图1 所示。

当出现了一个需要解决的问题时，首先将其表示成某种特定的形式，然后在历史的案例库中进行检索找到相似的案例建议。如果该建议无法解决当前问题，可使用专业知识对案例进行修正后继续检索直至产生一个合适的解决方案，再对该解决方案进行评价，学习并保存在案例库中，从而使案例库不断地完善，为以后输出精确的解决方案提供经验。

图1 案例推理工作过程

1.2 案例属性的获取

在机车故障专家系统中，每个案例包括很多种属性，各个属性之间不同的组合方式会得到不同的故障诊断结果。在众多的属性中，有些属性对诊断结果的影响几乎可以忽略，如果仍将这些冗余属性带入诊断过程中必然会影响诊断的效率和诊断结果的准确性。因此有必要剔除这些冗余属性，在保证诊断结果准确性的前提下，尽可能多地减少参与诊断的属性个数。

粗糙集理论的数学基础成熟，不需要先验知识，是一种处理不精确、不一致、不完整等各种不完备信息的有效工具。其基本思路就是将决策表划分为若干个子决策表，然后根据各子表的约简构造原始决策表的最小约简，从而去除包含关系，提高计算性能，有效提高系统效率。

变压器是电力机车中重要的组成部件，铁芯是变压器的磁路，其质量直接影响到变压器功能的好坏。笔者以主变压器铁芯故障为例来说明属性约简的方法。图2 为机车主变压器铁芯故障的故障树［3］。

图2 机车主变压器铁芯故障的故障树

在铁芯故障中，故障信息包括条件属性集和故障集，如果用集合表示属性集C={C1，C2，…，C10}，如表1 所示，故障集D={D1，D2，…，D7}，如表2 所示。根据决策系统的定义，可以很清晰地将铁芯的属性与故障诊断结果用二维表格的形式相对应，这种数据表被称为知识表达系统KRS［4］，如表3 所示。通过KRS 表，可以很容易地对其属性约简，消除冗余属性。

接下来按照图3 粗糙集属性约简流程对KRS表进行约简［5］。

表1 铁芯故障属性集

表2 铁芯故障故障集

表3 铁芯故障属性与故障间的KRS 表

(1)选取A1来计算任意一个等价类

将原KRS 表分为两个子KRS 表，初等范畴S1的KRS 表如表4 所示，初等范畴S2的KRS 表如表5 所示。

表4 初等范畴S1 的KRS 表

表5 初等范畴S2 的KRS 表

(2)计算等价类的所有约简。

(3)取上述简约集中基数最小的集合。

(4)对简约集Gm进行验证。

计算故障集D的正域：

计算简约集Gm的正域;

因为POSC(D)=POSGm(D)={{X1}，{X2}，{X3}，{X4}，{X5}，{X6}，{X7}}，所以简约集Gm={C2，C3，C4，C6，C7，C8，C9，C10}为原KRS 表的最小属性简约集，约简后的KRS 表如表6 所示。

表6 约简后的KRS 表

约简后的KRS 表清楚地显示出了每个故障的必要属性。原来需要用10 个属性才能对故障进行判断，而利用粗糙集方法对属性进行约简后只需其中8 个属性，Gm={C2，C3，C4，C6，C7，C8，C9，C10}，即可对铁芯的7 种故障进行诊断。然而在剩余的属性中，并不是每一个属性都对结果有决策作用，还存在一些冗余的属性可进行进一步约简［6-8］，其流程如图4 所示。

图4 一般值约简算法

一般值约简算法的核心思想是在获得最小约简属性的基础上，假设删除某属性值后，观察决策的效果是否发生变化。如果没有发生变化，说明该属性值是冗余的，可以被删除。反之则说明这部分属性值对决策有影响，不能被删除。然而，按照不同的条件属性处理顺序和决策规则顺序，会得到很多不同的最小决策表，可列出其中一种最小决策表，如表7 所示［9-10］。

表7 铁芯故障诊断的一种最小决策表

1.3 案例表示

案例表示决定着一个案例推理系统是否能较好地工作，只有对目标问题通过恰当的案例进行描述，才能获得正确的诊断结果。目前，产生式表示法已成为人工智能中应用最多的一种知识表示模式，许多成功的专家系统都是采用产生式知识表示方法。产生式的基本形式为P→Q(IFPTHENQ)，其中P是产生Q的先决条件，即如果P成立，则可得到Q的结论［11-12］。

按照铁芯故障诊断的最小决策表在专家系统中的案例表示如下：

(1)IF 磁通量饱和THEN 磁饱和;

(2)IF 散热通风通道堵塞THEN 散热不良;

(3)IF 多点接地且不存在异物THEN 芯碰壳或夹件;

(4)IF 迭片间短路THEN 迭片老化或振动;

(5)IF 在某个电压范围内放电THEN 接地不良;

(6)IF 多点接地且存在异物THEN 存在导电异物;

(7)IF 接地片熔断THEN 接地片熔断。

2 专家诊断系统设计

2.1 系统构架

该系统在. Net 4. 0 开发平台上，利用Microsoft Visual Studio 2010 软件以CJHJ 作为编程语言进行开发。系统服务器采用C/S(Client/Server)模式并使用SQL Server 2005 作为数据存储工具。

2.2 系统实例

该系统包括人员管理、知识库管理、故障查询、故障诊断和故障预测5 个大模块，其功能如图5 所示。

图5 机车故障诊断系统功能

运用该系统对主变压器铁芯故障进行模拟诊断，其运行过程如下：

首先运行程序，进入登录页面，如图6 所示，输入用户名、密码跳转至系统主页面;在主页面选择故障诊断模块则会跳转至故障诊断页面，如图7 所示。

图6 系统登录界面

图7 故障诊断界面

在故障诊断页面填写基本的故障现象之后，故障属性区域会显示相对性的故障属性。如需添加新的属性，点击添加属性按钮后，可以直接在属性列表后的新增空白行内输入新属性内容。勾选符合的属性后，单击故障查询按钮即可开始对故障进行诊断，弹出的诊断结果页面如图8 所示。

根据在诊断页面勾选的故障属性，运用上述方法求得约简后的属性，并在历史知识库中寻找类似的案例，按照符合度进行排序，将结果显示在列表中。右键单击案例行，会弹出菜单，可以在案例详情页面，查看案例详情，如图9 所示。

案例详情页面显示了该案例的详细信息，包括故障属性、处理方法、故障图像和故障视频等信息。操作者可以对信息进行编辑、修改和完善，使之更加符合实际情况，为今后的案例诊断提供更加完整的信息。

图8 故障诊断结果界面

图9 案例详情界面

3 结论

机车诊断中存在大量随外界因素干扰而变化的经验知识，很难用某个特定的模型来准确地表示出来。基于案例推理的机车诊断系统，通过对历史案例的检索来找到与当前案例相似的案例，不需要构建详细的模型就能进行故障诊断。其较高的灵活性和可操作性可以使机车诊断系统更加高效、准确，为机车的安全提供保障。

［1］王亚南. 专家系统中推理机制的研究与应用［D］.武汉：武汉理工大学图书馆，2006.

［2］龚锦红. 案例推理技术的研究与应用［J］. 科技广场，2007(3)：61 -63.

［3］汪子皓.基于二叉树的机车故障模糊诊断专家系统［D］.武汉：武汉理工大学图书馆，2008.

［4］曹长修，孙颖楷，曹龙汉，等.基于粗糙集理论的内燃机故障诊断专家系统［J］.重庆大学学报：自然科学版，2010(6)：45 -47.

［5］焦青青. 基于案例推理的机车故障诊断系统［D］.武汉：武汉理工大学图书馆，2013.

［6］陈海滨. 电力机车故障诊断专家系统的研究［D］.成都：西南交通大学图书馆，2008.

［7］周伟祝，宦婧.新的面向对象知识表示方法［J］. 计算机应用，2012(7)：16 -18.

［8］郭枫.基于规则和案例推理的配电网故障诊断研究［D］.长沙：中南大学图书馆，2011.

［9］郑佩.基于案例推理的故障诊断技术研究［D］. 武汉：华中科技大学图书馆，2008.

［10］马超，陈西宏，徐宇亮.基于支持向量机属性约简集成的模拟电路故障诊断［J］. 仪器仪表学报，2011(3)：660 -666.

［11］CHATTOPADHYAY S. A case-based reasoning system for complex medical diagnosis［J］. Expert Systems，2013(1)：12-20.

［12］YING Y L. Application of principal component regression analysis in power load forecasting for medium and long term［J］. Engineering Village，2010(10)：201 -203.