基于RBR+CBR双重推理的带式输送机驱动系统故障诊断研究*

张 宇,寇子明*,韩 聪,寇少凯

(1.太原理工大学 机械与运载工程学院,山西 太原 030024;2.矿山流体控制国家地方联合工程实验室,山西 太原 030024)

0 引 言

带式输送机是煤炭主运输系统的关键装备[1],其工作的稳定性对于煤矿的生产安全影响巨大[2]。由于煤矿井下环境特殊,带式输送机结构复杂,发生故障的种类较多且诊断困难,给煤矿的安全生产带来很大的隐患[3]。2020年2月,国家发展改革委、国家能源局等八部委联合印发了《关于加快煤矿智能化发展的指导意见》,全方位推动煤矿智能化发展[4],带式输送机的智能化是其中的重要环节。

从实际需求以及政策指引出发,开发一套用于带式输送机的故障智能诊断专家系统是工程实践的必然要求。

故障诊断专家系统的发展起始于20世纪70年代末。具有代表性的故障诊断专家系统有:美国海军人工智能中心开发的IN-ATE系统、华中科技大学研制的智能系统DEST[5]5。目前,在医疗[6]、航天[7]、船舶[8]、汽车[9]以及军工[10]等领域,针对故障诊断专家系统,学者们已经开展了广泛的研究与应用。这深刻影响着不同领域的各个行业。相信在不久的将来,故障诊断专家系统依旧会发挥巨大的作用,并且在智能化的道路上不断发展。

基于规则推理(RBR)的方法是早期专家系统的经典方法,一直被应用并不断发展,其适用于具有丰富经验的专业领域故障诊断。该方法知识表述直观、规则生成简单、推理速度快;但存在知识获取困难、规则冲突、规则库覆盖的故障模式有限等问题[5]5。

近年来,宋新扩[11]采用故障树与专家系统相结合的方式,建立了用于带式输送机的故障诊断专家系统。陆建锋等人[12]对太阳能利用系统进行了故障机理分析,建立了基于规则推理的故障诊断专家系统。杨莎莎[13]建立了直流充电桩的故障树模型,将故障树中的相关知识应用于专家系统的知识库构建和推理机设计中。

以上研究降低了基于规则推理的专家系统知识获取的难度和规则冲突的程度;但也造成了其侧重于故障原因的分析,在故障诊断中缺乏缜密的维修方案。

基于案例推理(CBR)的方法适用于易采用案例形式表达,并已积累丰富案例的领域。该方法知识获取难度低、案例库的覆盖度随系统的不断使用而逐渐增加;但其检索速度慢,案例特征选取及权重分配直接影响检索精度。

20世纪90年代,国内开始重视案例推理技术[14]的研究。2018年,方名菊[15]提出了以形式概念的方式对历史案例进行表示,建立了故障智能诊断系统,实现了对汽轮机的故障诊断目的。2022年,CHEN Meng-qi等人[16]对案例属性分类进行了研究,提出了基于树的语义相似性度量方法,建立了基于案例推理的航空发动机故障诊断专家系统。

但是,以上研究案例大多来自维修记录,对维修手段记录详细;而对故障原因的表述却只限于表象,并未深入分析。

RBR和CBR均适用于带式输送机故障诊断领域,针对二者在故障诊断中或侧重原因分析或侧重维修手段的问题,笔者对基于RBR+CBR双重推理的推理机制进行研究,并建立专家系统,对带式输送机驱动系统进行故障诊断。

1 基于带式输送机驱动系统的故障诊断专家系统构建

1.1 带式输送机驱动系统

带式输送机主要由驱动系统、输送带、托辊、制动系统和机架组成,其中,驱动系统是带式输送机的动力来源。

受到煤矿井下恶劣环境的影响,带式输送机遭受煤尘覆盖、煤块冲击的情况时有发生,进而引发电机过载、减速器漏油、滚筒停转、轴承润滑失效等问题。

单机距离长、多点驱动等因素使得人工诊断注定被淘汰,因此,亟需开发一套远程故障诊断专家系统,对驱动系统乃至整个带式输送机进行安全维护。

煤矿用带式输送机的传统驱动系统多采用异步电动机+减速装置+液力耦合器+滚筒的驱动方式[17],如图1所示。

图1 带式输送机驱动系统

1.2 故障诊断专家系统构建

一般情况下,专家系统主要包括5大部分,即知识库、推理机、人机交互界面、解释器以及数据采集端。为了方便开发并迎合实际工程应用中操作人员的习惯,笔者引用并改善了这种结构,构建了规则库与案例库,设计了基于RBR+CBR的双重推理机制,并以生成“诊断报告”的形式对推理过程进行解释。

专家系统结构组成如图2所示。

图2 专家系统结构组成

1)故障树分析法[18]。故障树是一个了解系统如何失效的逻辑框架,其用图形方式表示顶事件与子事件之间的逻辑关系,定性定量分析系统可靠性涉及的各因素,寻找导致顶事件发生的根本原因,从而实现故障源的快速查找与定位。

故障树定性分析是为了得到导致所分析故障树的顶事件发生的最小割集;然后,对故障树进行定量分析;进而得到最小割集对故障树顶事件的影响程度。

首先,根据前期调研得到的底事件发生概率,计算出故障树中顶事件发生的概率:

P(T)=P(Q1∪Q2…∪Qk)=

P[1-(1-Q1)(1-Q2)…(1-Qk)]=

(1)

其次,由顶事件发生的概率得到某一个最小割集的发生对顶事件的重要度。其中,最小割集的相对概率重要度计算方法为:

(2)

(3)

式中:T为故障树顶事件;Qj为最小割集;qi为底事件发生概率;Ig(i)为最小割集概率重要度。

2)RBR算法。RBR是人工智能领域中非常重要的一种方法,其推理过程与人类的思维方式十分贴合,主要应用在专家系统或基于知识推理的系统中。RBR适合于使用产生式规则表示,一般形式为:If P1 or P2 then Q。其中,P1或P2是触发条件,Q是结论[19]。

3)CBR算法。CBR是一种基于记忆为中心的认知模型的类比推理方法,其主要通过重用已知解决方案的历史案例,为目标案例提供解决方案[20]。

相似案例检索是CBR算法的核心,加权KNN(K-nearest neighbor)是进行相似度计算时常用的一种方法,其通过赋予属性不同的权重进行计算。

由于案例属性分为有序枚举属性和确定符号属性,在对属性进行相似度计算时,要选取不同的计算方法,对有序枚举属性采用规范化的欧式距离方法,对确定符号属性采用重叠度量方法,最后进行总体相似度计算。

有序枚举属性相似度计算方法为:

(4)

确定符号属性相似度计算方法为:

(5)

总体相似度计算方法为:

(6)

式中:X为历史案例;Xi为历史案例第i项属性值;Y为目标案例;Yi为目标案例第i项属性值;maxi为最大i项属性值;mini为最小i项属性值;n为案例特征属性的数量;ωi为第i项属性的指标权重。

2 专家系统设计

2.1 驱动系统故障树

笔者通过调研带式输送机生产厂家、查阅相关文献资料、与输送机维护人员交流以及亲自下矿安装拆卸设备等方式,总结了带式输送机驱动系统的典型故障,并对其故障机理进行梳理,建立故障树,进行了重点分析。

带式输送机驱动系统故障树如图3所示。

图3 带式输送机驱动系统故障树

2.2 故障知识库设计

知识库通常包括领域相关理论知识、专家策略知识、常识性知识,另外还有一些特殊的定理运算法则等。

高莹等人[21]从语义和知识层次2个方面对知识进行描述,为解决领域问题提供了基础。笔者使用Microsoft SQL Server 2019软件构建专家系统故障知识库,并将知识库分为规则库与案例库。

规则库以产生式表示法构建,知识来源自故障树,由前件表、规则表以及后件表,3类表组成,分别对应故障树顶事件、故障树以及故障树底事件。

其中,规则表是规则主体,由故障树信息表、子故障树表组成;前件表是触发规则主体的原因,由参数表组成;后件表是触发规则主体后的执行动作,由结论表组成。表与表之间通过设置主外键关联,形成原因—规则—结论的关系链。

规则库各表格式及关系如图4所示。

图4 规则库各表格式及关系

案例库以矩阵表示法构建,由案例表组成,其中矩阵的行代表不同的案例,矩阵的列代表同一案例的不同属性。由于实际故障案例通常是一段文字描述,有用的信息只存在于几个关键词当中,所以在录入案例库之前,需手动提取关键词。

笔者将所有关键词划分为9个属性并冠以案例编号,以此表示一个故障案例。

案例库中的案例主要从领域专家、煤矿事故以及相关的新闻、报道中获取,并通过调研太重集团向明智能装备股份有限公司,搜集到近几年带式输送机维修记录,然后进行归纳、总结。

案例表的格式如图5所示。

图5 案例表格式

笔者根据带式输送机驱动系统故障树,建成参数表1张,故障树信息表1张,子故障树表11张,结论表17张;通过整理大量故障案例,建成案例表1张,包含200条案例。

表1 相似度检索属性类型及指标权重

2.3 专家系统推理机制

专家系统的推理机制是故障诊断过程的充分体现,带式输送机是一个机电一体化的复杂系统,因此,合理高效的推理算法是专家系统的研究重点之一。笔者结合故障树与故障案例,设计了一种基于RBR+CBR的双重推理算法,从逻辑知识与启发性知识两种角度推理诊断故障。

2.3.1 规则置信度与触发条件

RBR中的每条规则都是由原因与结论直接构成,中间的推理过程是省略的,而故障树顶事件与底事件之间存在大量的中间事件,这无疑增加了推理的时间。因此,需对故障树进行定性分析,过滤掉中间事件,寻找引发故障树顶事件发生的最小割集,作为规则的结论。笔者利用下行法对驱动系统故障树进行定性分析,得到58个引起顶事件发生的最小割集:{X1}～{X58}。

此外,在进行规则推理的时候,往往不止一条规则被触发。为了有效避免规则冲突问题,需要对故障树进行定量分析,确定底事件的发生概率,以此得到顶事件的发生概率,以及最小割集的发生对顶事件的重要度;而重要度可以作为每条规则的置信度,置信度越高,规则的优先级就越高。

笔者通过在规则库设置激活阈值的方式,将故障树顶事件,即触发规则的原因数值化,将实时运行数据与规则库中的激活阈值相比较,如果大于激活阈值,则触发规则进行推理。

2.3.2 案例检索属性及指标权重

笔者从所有案例属性中找出辨识度最大的属性,将其作为相似度检索属性。此外,在进行案例检索时,也可以将案例发生的时间作为检索属性,但此项属性不列入相似度计算范围。

相似度检索属性类型及指标权重如表1所示。

2.3.3 基于RBR+CBR的双重推理算法

笔者将RBR和CBR算法相互结合,设计了基于RBR+CBR的双重推理算法。

基于RBR+CBR的推理算法(推理过程)如图6所示。

图6 基于RBR+CBR的推理算法

相较于单一的RBR算法或CBR算法,新型的推理算法既可以在无有效规则调用的情况下,利用CBR算法检索相似案例,也可以在无相似案例检索的情况下,利用RBR算法调用有效规则,二者相辅相成,互为另一种推理机制的容错对象,可提高故障诊断准确率。

另外,在专家系统经过不计其数的应用后,随着规则库与案例库的逐渐壮大,无有效规则调用或无相似案例检索的情况越来越少。绝大多数工况是由RBR和CBR算法共同推理出结果,两种结果互相验证、求同存异,以诊断报告的形式呈现,供维修人员参考。

此外,每次故障案例经过整理后,都会以新的案例保存到案例库中,实现了案例库的不断更新。

笔者利用SQL语言进行编程,将基于RBR+CBR双重推理的算法程序化,实现规则库与案例库之间的通信。

部分程序及程序运行结果如图7所示。

图7 部分程序及程序运行结果

2.4 人机交互界面设计

笔者在LabVIEW开发环境下,结合图形化编辑G语言,完成了带式输送机驱动系统故障诊断专家系统人机交互界面的设计,实现了传感器—知识库—客户端之间的串联通信。其具有良好的人机互动性能,而且可移植性强,可以生成安装包,安装到其他操作环境上。

按照其功能,专家系统人机交互界面分为8个部分,即用户登录、实时监测、阈值设定、故障诊断、故障记录、检索案例、诊断报告以及知识维护,如图8所示。

图8 专家系统功能图

故障诊断界面与规则库链接,笔者利用故障树知识对驱动系统的4个子系统、11种工况进行故障监测与诊断。

其中,减速器故障诊断界面如图9所示。

针对多点驱动的带式输送机,图9中的界面可对所有减速器进行监测,并将运行参数实时显示在波形图表上。

图9中,“温度预警”指示灯变红,代表出现“温度过高”工况,点击“诊断”按钮,推理机制运行,在右侧2个表格中显示RBR算法的诊断结果。通过点击“案例检索”按钮,用户切换至相似案例检索界面进行相似案例检索。此外,所有数据都会存储下来,方便日后的数据维护与审查。

相似案例检索界面与案例库链接,通过检索相似的案例为当前案例提供维修方案。最后,用户通过点击“报表生成”按钮,生成Word版的故障诊断报告,电子版保留存档,纸质版供维修人员参考。

相似案例检索界面如图10所示。

图10 相似案例检索界面

3 现场实验与结果分析

3.1 现场应用实验

为了验证专家系统的可行性,笔者在某矿带式输送机运行现场进行实验。

其中,部分实验现场布局如图11所示。

图11 部分实验现场布局

笔者利用各厂家传感器以及巡检机器人以定时采集运行数据,数据经PLC控制柜传输至上位机,专家系统作为上位机对实时数据进行诊断。

PLC控制柜如图12所示。

图12 PLC控制柜

笔者在电机、减速器、液力耦合器以及驱动滚筒上布置故障监测点,并针对不同设备,采集电流、电压、振动、温度、速度等数据,对驱动系统进行全面监测。

其中,利用巡检机器人对电机进行红外测温,如图13所示。

图13 电机监控与红外热成像图

3.2 实验结果分析

笔者在带式输送机运行现场进行了长达12个月的实验,利用专家系统成功地对带式输送机驱动系统进行了状态监测与故障诊断。

为了更加直观地显示专家系统的实验效果,笔者还对专家系统进行了后续的开发与调试。

笔者对实验结果进行了量化分析,分析结果如下:

专家系统的实时监测与故障预警功能,使带式输送机停机次数降低了20%左右,生产效率至少提高了15%;带式输送机维修人员工作强度下降了30%以上,相当于减少2名～3名班组人员,加快了煤矿开采无人化进程;

专家系统知识库的应用,使得故障诊断通过知识库进行原因分析,迅速锁定故障源头,故障定位平均时间由原来的2 h降到5 min左右;利用知识库中专家级别的维修建议,故障解决平均时间由原来的4 h缩短到2 h左右,极大程度地提高了故障解决能力。

专家系统在驱动系统各子系统的实验指标如表2所示。

表2 专家系统实验指标

分析表2可知:专家系统故障预警提示率超过了98%,故障原因分析准确性超过了95%,故障维修方案有效性超过了94%。

为了评估所提推理算法的优劣性,笔者通过预先设置减速器处于异常振动工况下的方式,从诊断时间(收敛性)、诊断过程(有效性)、诊断效果(准确性)3个方面,对RBR、CBR以及RBR+CBR这3种推理算法支持下的专家系统应用效果进行比较。

故障预设情况如表3所示。

表3 故障预设情况

不同推理算法应用效果对比如图14所示。

图14 不同推理算法应用效果对比

从图14(a)可以看到:RBR算法和CBR算法支持下的专家系统诊断用时2 s和2.4 s,而RBR+CBR算法支持下的专家系统平均能在1.2 s内给出诊断结果,可见该算法收敛速度更快;

从图14(b)可以看到:RBR+CBR算法支持下的专家系统诊断过程有效性与诊断效果准确性分别为94.7%和96%,均高出另外2种算法支持下的专家系统10%以上,可见该算法更具优势。

4 结束语

为了解决带式输送机故障诊断中人工诊断不及时、经验不足等问题,笔者以带式输送机驱动系统为例,对故障诊断专家系统进行了研究。

首先,在传统专家系统的结构基础上构建了故障诊断专家系统;然后,建立了驱动系统故障树,分别设计了知识库、推理机、人机交互界面;最后,在带式输送机运行现场,对专家系统的可行性进行了验证。

研究结果表明:

1)从故障机理出发,构造了驱动系统故障树,并建立了规则库,专家系统故障原因分析准确率超过了95%;从专家经验出发,整理了故障案例并建立了案例库,专家系统故障维修方案有效性超过了94%,充分证明了知识来源的准确性与可靠性,为故障诊断提供了可靠的理论支撑,拓宽了专家系统知识获取的渠道;

2)在预先设置故障的条件下,与RBR、CBR算法支持下的专家系统进行比较,笔者RBR+CBR算法支持下的专家系统诊断用时仅为1.2 s,RBR和CBR分别为2 s和2.4 s,而在诊断过程和诊断效果两方面,RBR+CBR算法的有效性和准确性更是高于其他2种算法10%以上。综上所述,该算法应用效果明显优于其他2种推理算法,为专家系统的推理机制提供了一种有效的方法。

在后续的研究中,基于丰富的专家知识,笔者拟将专家系统推广至带式输送机其他关键部位的故障诊断中去,以进一步提升该专家系统的泛化性。