知识数据双驱动的智能装备可靠运维研究

文/牛冲丽

智能装备目前大量应用于数控机床、自动化生产线、智能控制系统等方向，是实现生产过程自动化、智能化、精密化和高效化的重要部分。智能装备出现故障将会导致停机和经济损失。为了确保智能装备健康运行，本文针对其进行了知识数据双驱动的可靠运维研究。

一、背景介绍

智能装备的使用可以打通数据割裂现状，利用领域知识。以智能装备运行数据与运维检修领域知识为驱动，构建科学、系统、周密的检修和维护作业模式，是制造行业当前的迫切需求。可靠的运维对于优化检修资源要素投入以及确保智能装备正常稳定运行都很重要。目前，智能装备的使用场景越来越广泛，使用范围越来越大，其运维问题也得到了重视。

智能装备运维检修是保证设备运行安全性与稳定性的重要手段。一方面，面对数量巨大、精细复杂的各种智能装备，设备故障模式与影响因素繁多，运维检修工作繁重，采用传统的定期检修方式无法满足差异化、精细化的运维需求。另一方面，有隐患或缺陷的设备如果继续运行，就有可能发展成故障，造成设备损坏、产线停工等较大的经济损失等。目前，运维检修过程仍然缺乏科学化、系统化、定量化的理论框架和相应实施方法论的支撑，难以综合统筹设备维修成本和可靠性等因素对现有维修体系进行基于定量分析的优化。

王春喜等人[1]对上述问题提出了预测性维护的一些主要技术要求，介绍了国内和国际上技术的发展。杨志伟等人[2]提出了一种智能装备和智能工厂的远程运维平台应用方案。在满足智能装备健康运行要求的情况下，基于运营可靠性、可维修性、可用性、安全性和维修成本等因素，提出新的适用于智能装备的运维检修理论与方法，并将其作为今后复杂智能装备运维检修策略制定的理论依据。这种运维检修模式是十分有必要的。针对以上问题，本文以可靠性维修理论为依据，以智能装备运行过程大数据分析为手段，以智能装备故障模式与影响分析领域知识为支撑，研究智能装备关键部件个性维修决策与方法，建立统筹考虑可靠性、可用性和维修成本的量化分析与优化理论框架，为智能装备健康稳定运行的运维保障水平提供理论支持。

二、知识驱动的设备智能运维

随着本体语言的发展，基于语义网络可建立智能装备运维系统调度和领域知识的解构与表示。设备智能运维知识图谱作为一种典型的纵向知识图谱，已在设备故障的数据分析与决策环节得到了应用，如使用结构化数据形式的设备缺陷文本构造知识图谱等。在数据稀疏时，基于本体语言的知识图谱的表示方法的表现力会有所下降，但相较于其他表示方法，这种方法具备更好的可视化效果和推理补全机制。

建立支持运维的故障及其影响的知识图谱，有了之前基于数据驱动的智能运维作为基础，后续将知识抽象并将其应用于智能运维。当智能装备的某个模块发生故障时，由于建立了支持运维的故障及其影响的知识图谱，各个模块之间存在联系，使得运维的成本和效率大大提高。运维领域的知识图谱，主要用于故障的诊断和定位等。在数据驱动的情况下，利用现有的人工智能等先进技术，可有效提高运维的效率和准确率。

三、数据驱动的设备智能运维

智能装备通过在线监测技术，可全面收集智能装备运行状态数据，为状态检修提供数据基础。当前处于各种制造和信息技术涌现和发展的阶段，这会推动信息技术及制造业的结合与升级，是智能制造中非常重要的一环。另外，在工业互联网与大数据技术的发展下，数据驱动的智能运维技术在工业界备受关注。这些技术大大加快了设备的智能运维发展速度，这对数据驱动的设备智能运维来说，既是机遇，也是挑战。

数据是实现智能运维的坚实基础。Zhang等人[3]通过大数据技术实现了以大数据为基础的智能运维平台。部分运维工具检测到的数据是零散的、无关联的，并且数据杂乱不统一。这些冗余数据也给数据驱动的设备运维带来了挑战。数据驱动首先要保证提取的数据是可靠的，因为业务系统越来越复杂，运维工具以及智能装备都会变得越来越复杂。缺乏可靠的数据驱动，就无法达到满意的运维效果。这就需要运维人员做到以下方面：首先，对设备的运行机理进行分析，确定在设备上所需要安装的传感器；其次，通过传感器来收集设备的运行数据，通过工业互联网将数据传输到云平台和数据库中；再次，通过机器学习的手段对监测数据进行分析和建模，实现设备运行状态的识别和诊断，并根据设备状态数据库中已经记录的数据和经验，建立起智能装备运行信息与各个状态之间的对应关系，通过各种可靠性分析和机器学习算法得出智能装备目前的健康状况；最后，根据分析得到的设备状态，向设备维护人员提供维护所需信息，如故障发生的位置、损坏程度和所需更换的零部件等。维护人员根据所提供的信息，可快速地对设备进行检修和故障排除。相比于传统的方法，运维的智能化可大大降低维护所需要的成本。

四、智能装备运维检修知识图谱构建

（1）故障诊断知识本体构建：首先通过对智能装备核心组成、故障诊断核心要素和故障诊断知识体系分析，确定故障知识的范围；其次明确故障诊断知识之间的联系；再次对其本体进行结构化建模；最后通过聚类分析对其进行评价。

（2）故障诊断知识抽取：基于已构建的本体模型，实现故障日志、失效案例和运维日志等文本数据中的知识抽取。

（3）故障诊断事件知识挖掘：研究通过对运行日志、维修日志数据的统计分析，获取故障发生的频率；通过关联分析与研究，获取不同事件与故障的关联程度。

（4）故障诊断知识的表示和融合方法：实现外部信息（如事理描述）对知识三元组的有效补充，可以增强知识的鲁棒性；研究胶囊网络嵌入模型对知识的表示方法；研究利用逻辑关系聚类半监督事理对齐模型，进行事理并列关系相似度计算、逻辑关系聚类和半监督学习事理对齐等，从而实现知识的有效融合。

（5）数据驱动的智能装备运维事件知识图谱构建方法：以智能装备运行检测数据、设备基础运行数据、设备运行检测数据、试验和检测数据、历史缺陷数据、运维检修日志数据等为对象，抽取不同的事件，分析事件之间的关联关系、因果关系，认识故障的发展脉络和发展规律；基于历史事件脉络，对后续可能发生的事件进行排序和推送，为运维决策提供理论支持。

五、基于故障诊断知识图谱的智能排故技术

（1）基于知识图谱的故障智能查询技术：通过深度文本匹配技术，对基于知识三元组训练的故障诊断知识检索构建模型。

（2）基于事理知识图谱的隐性故障原因推理技术：基于故障诊断知识三元组，研究事理关系的评分方法，对隐性故障原因进行推理。

（3）基于事理知识图谱的故障传播推理技术：基于知识图谱，研究设备结构中不同零部件的耦合机理；基于耦合机理，研究零部件故障对子系统、母系统的故障传播链条进行推理。

六、结语

随着自动化和智能化生产要求的提高，应用智能运维技术来增强智能装备的竞争力已成为制造业关注的重点。随着人工智能的发展，将人工智能应用在运维以及故障诊断等方面的案例越来越多，针对该领域的方法也逐渐增多和健全。本文从知识驱动和数据驱动相结合的角度出发，对智能装备运维检修的问题进行分析，提出知识数据双驱动的方法，为智能运维提供新的思路，充分利用知识以及数据来实现高效的计算，从而降低运维成本，提高生产效率，并且可以在许多复杂情况下，保持较高的稳定性和准确性。