基于专家知识和模糊推理的大科学装置故障诊断方法

，，，

(中国工程物理研究院 计算机应用研究所，四川 绵阳 621999)

0 引言

大科学装置具有技术综合、结构复杂和系统庞大等特点，且工作在极端环境下，在成本、技术和工艺受限的情况下，系统可靠性难以大幅提升，必须通过先进的智能故障诊断技术来提升系统的可用性和可维护性[1]。然而，目前这方面的研究还相对滞后，诊断环节人工参与较多，诊断效率和准确性难以提高，影响了大科学装置的可用性和可维护性。在技术实现层面也面临不少问题，如：大科学装置系统结构复杂，故障机理不清楚，难以建立精确的数学模型；故障征兆与故障原因之间的关联关系带有较强的不确定性，难以进行确定性推理；诊断数据积累不足无法实现数据驱动和自主学习等。针对上述问题本文提出了基于专家知识和模糊推理的故障诊断方法[2-3]，充分利用系统研制和日常维护中形成的先验知识，通过模糊推理解决因果关系不确定、诊断信息不完备条件下的故障诊断问题。在知识建模方面，针对专家系统语言在诊断规则描述方面存在的专业性强，无法实现面向用户的规则录入问题，提出了基于数据库的故障诊断模糊规则的可视化建模与结构化存储方法，构建面向用户的故障诊断专家系统构建框架。

1 基本结构

模糊故障诊断专家系统围绕知识库和模糊推理引擎展开设计，其具体结构和各组件功能如下：

1)数据采集与预处理组件：该组件通过网络化控制系统提供的设备服务接口和通讯中间件自动获取与故障诊断相关的设备状态信息、传感器数据和控制软件的报错信息等，同时接收工作人员输入的与故障诊断相关的证据。这些综合信息通过清洗、筛选和特征提取，形成有效的故障征兆信息传递给模糊化组件。

2)模糊化组件：该组件对故障征兆进行模糊化处理，得到故障征兆的隶属度值。然后将故障征兆及其隶属度传递给模糊推理引擎，前者用于规则前件的匹配，后者用于规则匹配度计算。

3)模糊推理引擎：推理引擎根据实际输入的故障征兆信息和模糊隶属度，与规则库中的每一条规则进行匹配，利用模糊推理算法计算其匹配度。如果匹配度大于规则的激活阈值，则触发该规则，并将该规则对应的诊断结论从知识库中提取出来作为诊断结果输出。

4)诊断知识建模及管理组件：该组件向用户提供可视化模糊规则录入界面和规则的浏览、添加、删除、修改工具。

5)基础库：基础库包括知识库、算法库和诊断数据库，分别用于模糊规则、相关算法和过程数据的结构化存储。

图1 模糊故障诊断系统结构

2 模糊知识表述与数据库实现

知识的表示方法有产生式规则、框架、语义网、范例等多种形式，其中产生式规则由于粒度细、灵活性强，符合人的判断思维而被广泛采用。本方案也采取基于产生式规则的知识表示方式，通过引入模糊因子形成以下模糊规则[4-5]：

IFP1(λ1,W1)ANDP2(λ2,W2)AND…

ANDPn(λn,Wn)

THENR(CF,τ)

Pi为规则前件，即，故障征兆；λi为前件的隶属度，即，故障征兆的可信度0≤λi≤1；Wi为前件的权值，即，故障征兆对结论的支持度；R为规则结论，即，故障诊断结论；CF为规则可信度；τ为规则激活阈值。

诊断规则的实现方法一般有两种：第一种是通过编程语言的”IF THEN” 判定函数进行描述，但这种方法无法实现规则(知识)与程序的分离，灵活性极差；第二种也是最常用的方法，通过专家系统开发语言进行描述，将规则编写成结构化文本文件，由专家系统推理引擎进行解析和执行，这种方式虽然实现了知识与程序的分离，但规则文件编写难度极大，需要掌握专门的专家系统开发语言，且只能由知识工程师完成，用户难以建立诊断规则。因此，本方案拟采取基于数据库的规则建模方法，通过对规则标准结构的分解，将前件、结论和各种模糊因子等相关要素用数据库字段加以表示，形成表1所示的结构化模糊诊断规则。用户可以通过可视化知识建模工具方便、快捷的建立、修改、删除和浏览模糊诊断规则。由于模式匹配过程仅对规则的前件进行匹配，且规则结论包涵信息较多，为了便于处理，将规则结论分离出来作为诊断结论知识单独存储，通过结论号进行关联(如表2所示)。具体结构见表1。

3 模糊推理算法

模糊推理算法主要分为故障征兆模糊化处置，模糊故障征兆注入，模糊推理与模式匹配，诊断结果综合评判及可视化等4大步骤，具体实现过程及算法如下[2-11]：

表1 模糊规则

表2 诊断结论

1)第一步：输入向量模糊化

诊断系统采集的故障征兆信息按其特征可分为离散量和连续量两种，前者以状态位和状态字为主，一般代表某种明确的故障征兆，后者以传感器测量数据为主，需要进行预处理才能提取出故障征兆信息。对于这两种故障征兆信息需采取不同的模糊化方法。离散量信息只有两种状态，“真”则隶属度为“1”，“假”则隶属度为“0” 。连续量需要用模糊术语进行描述，并根据隶属度函数计算其隶属度值，处理结果包括故障征兆论域和隶属度(可信度)，如“轴温过高 0.8”。

为了便于论述，假设：某设备表现出n个故障征兆，可能出现的故障原因有m种，则：

故障征兆论域表示为：U={U1},U2,…,Un

故障征兆模糊向量表示为：x={x1},x2,…,xn，xi∈[0,1](1≤i≤n)

故障原因论域为：V={V1,V2,...,Vm}

故障原因模糊向量表示为：y={y1,y2,...,ym}，yj∈[0,1](1≤j≤m)

其中：xi为Ui的隶属度，yj为Vj的隶属度。

选择经典的升半梯形、梯形和降半梯形隶属度函数进行计算，则其广义表示表达式为[3]：

(1)

式中，I(x)为[a,b]上的单调递增函数，D(x)为[c,d]上的单调递减函数，其典型分布为：

图2 模糊域划分图

本方案规定数值型测量值的模糊集合为：A=[很大，较大，正常，较小，很小]，所有来自传感器的精确测量都用上述5种模糊术语表述，并附带其隶属度。

2)第二步：确定模糊关系矩阵R

根据多个专家的经验，通过综合评估确定模糊关系矩阵的值，即，确定故障征兆与故障原因的关联强度，该值对应模糊规则中子前件的权值。关系矩阵单独从一个状态原因出发进行评判，不考虑多个原因的综合影响。矩阵的元素值后期可通过诊断历史数据的统计分析结果进行自动修正。

rij∈[0,1]表示故障征兆xi与故障原因yj的关系强度(权值)，rij=0表示没有相关性。

3)第三步：模式匹配

模糊算子采用加权平均型模型则有：

Y=X°R⟺yj=∑xi.rij.(j=1,2,...,m)，

yj∈[0,1](1≤j≤m)

(2)

4)第四步：故障原因模糊综合评判

设U为故障原因的集合，则：

采用最大隶属度法有：max[yi]∈U(适合求解主要故障原因)

采用阈值法有：yi≥λi,yi∈Uλiyi(适合求解多种并发故障原因)

4 故障诊断流程

基于专家知识与模糊推理的故障诊断流程，主要分为数据采集、征兆提取与模糊处理、模式匹配、结果输出和诊断数据归档等6大环节，其中模式匹配环节还可进一步细化为规则提取、模式匹配、阈值判断和结论置信度计算等环节，具体流程如下：

图3 故障诊断流程

1)数据采集:数据采集是获取故障诊断信息的过程。故障诊断信息主要包括传感器监测数据、设备运行状态和报警信息等。传感器数据通过数据采集器获取和转换，设备运行状态信息和报警信息通过OPC(OLE for Process Control )接口从监控系统直接读取。

2)预处理:预处理是诊断信息的筛选、清洗和模糊化、归一化过程。由于采集到的原始诊断信息涵盖了装备所有设备及部组建的状态信息和监测数据，数据量大，复杂度高，在利用之前，首先需要根据专家经验进行初步筛选，提取出与某个具体故障模式可能相关的征兆信息，然后用模糊术语加以表述，同时计算出每个故障征兆对应的隶属度。将故障征兆的模糊论域和其隶属度构成的模糊向量作为故障推理的有效数据输入。

3)模糊推理:模糊推理是模糊规则的遍历与匹配过程。该过程从规则提取开始，推理引擎从规则库中逐条提取诊断规则，将实际获取的故障征兆信息与规则的前件进行匹配，利用公式(1)计算每条规则的匹配度，激活匹配度超过阈值的规则。为了提高匹配效率，规则库可以按设备类型进行分类设计，匹配时只遍历与诊断对象对应的规则库。

4)诊断结果输出:模式匹配成功后，将被激活的规则的后件作为故障诊断结论输出。如果没有匹配成功说明该故障模式没有发生或规则库不完善。由于采用阈值法，允许多个规则同时激活，因此可以诊断多种并发故障。

5)诊断数据归档:诊断数据归档是诊断结果及过程数据的结构化存储过程。诊断数据主要包括故障征兆(输入)、诊断结果(输出)、处置结果(最终结论)和时间、人员等附加信息。这些信息以故障编号作为关键字进行关联，形成结构化数据表单，用于后期的诊断规则完善和模糊因子修正，也可作为训练样本用于神经网络训练。

5 软件实现

考虑到跨平台应用，软件实现环节采用QT集成开发环境，并采取结构化设计方法，将系统划分为数据采集组件、预处理组件、模糊推理组件和可视化组件，组件之间通过通讯中间件进行信息传递，实现了分布式应用。数据采集组件依托设备厂家提供的OPC服务接口获取底层设备的状态信息和机内测试数据，然后由预处理组件进行模糊化和归一化，并通过接口函数将处理结果传递给模糊推理引擎，由模糊推理引擎完成诊断知识的搜索和匹配。可视化组件主要负责诊断结果的多维度展示，利用系统拓扑图对故障进行准确定位，利用故障树模型对故障的影响范围、关联关系和传递过程进行展示，利用数据窗口给出故障模式、故障原因和处置措施等关键信息。本文以某大型激光驱动装置光路准直系统集成测试平台为应用对象，开发了如图4所示的故障诊断专家系统原型。

图4 故障诊断专家系统原型

6 结论

本文分析了大科学装置在故障诊断方面的现状和面临的问题，提出了专家知识与模糊推理相结合的智能诊断方法和基于数据库的模糊规则可视化建模和模糊推理及模式匹配算法，并通过某大型激光驱动器光路准直系统集成测试平台进行了应用验证。结果表明该方法适用于故障原因不确定、故障机理不清晰、诊断信息不完备等复杂应用场景下的智能故障诊断问题，初步满足了准直机电系统的典型故障诊断需求。由于目前模糊关系矩阵的确定依赖于现阶段积累的有限的经验知识，在准确性方面还有进一步提高的空间。随着运行时间的延续，可通过历史诊断数据的统计分析对模糊关系矩阵进行修正，实现自学习和自优化，使诊断的准确性得到稳步提升。

本文所提供的面向用户的可视化知识建模方法，实现诊断平台与诊断知识的有效分离，提高了系统的普适性。在面向用户的系统开发方面，目前仅实现了诊断知识的可视化建模，需要在故障树可视化建模和数据采集及模糊化接口的组态化配置方面开展进一步的研究，最终形成面向用户的，支持各类故障诊断应用系统快速开发的故障诊断专家系统基础平台。