提升機(jī)故障診斷不確定性推理方法

李娟莉,楊兆建

(太原理工大學(xué)機(jī)械工程學(xué)院,山西太原 030024)

提升機(jī)故障診斷不確定性推理方法

李娟莉,楊兆建

(太原理工大學(xué)機(jī)械工程學(xué)院,山西太原 030024)

針對提升機(jī)故障診斷過程中的若干不確定性問題,提出一種新的基于本體和貝葉斯網(wǎng)絡(luò)的故障診斷不確定性知識融合推理方法。該方法對本體貝葉斯網(wǎng)絡(luò)進(jìn)行了形式化的定義,運(yùn)用OWL本體語言擴(kuò)展了本體對領(lǐng)域知識的不確定性表示,通過一系列的翻譯規(guī)則和程序,實(shí)現(xiàn)了本體結(jié)構(gòu)到貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的轉(zhuǎn)換;然后建立了基于本體和貝葉斯網(wǎng)絡(luò)的融合推理模型,利用本體推理完成對故障診斷本體知識的語法檢查、語義一致性的驗(yàn)證以及本體的解析,采用基于啟發(fā)式搜索樹的貝葉斯網(wǎng)絡(luò)進(jìn)行不確定性推理,并在貝葉斯網(wǎng)絡(luò)可視化推理平臺Netica上進(jìn)行了驗(yàn)證。礦井提升機(jī)制動系統(tǒng)故障診斷實(shí)例表明,該融合推理模型具有較好的故障識別效果,處理所得的診斷結(jié)果具有較高的可信度。

貝葉斯網(wǎng)絡(luò);本體;提升機(jī);故障診斷;不確定性推理

提升機(jī)在運(yùn)行過程中,由于其自身結(jié)構(gòu)的復(fù)雜性、運(yùn)行條件的特殊性和其它各種因素的影響,不可避免地發(fā)生各類故障,甚至是多發(fā)關(guān)聯(lián)故障。目前很多提升機(jī)故障診斷系統(tǒng)在實(shí)際中得到了應(yīng)用,并在設(shè)備技術(shù)維護(hù)中發(fā)揮了重要的作用,但現(xiàn)有的很多系統(tǒng)仍然面臨著一些問題,如對提升機(jī)故障診斷概念、診斷問題描述、診斷知識的處理等方面沒有統(tǒng)一的描述,在知識的表示、獲取和更新方面沒有形成統(tǒng)一的認(rèn)識和規(guī)范,不能完全適應(yīng)系統(tǒng)診斷推理的需求,且系統(tǒng)的異構(gòu)性使相互之間缺乏共同的理解。因此,提升機(jī)故障知識庫的構(gòu)建和故障知識的描述問題有待進(jìn)一步的研究。在人工智能研究領(lǐng)域,本體能夠以一種明確的、形式化的方式來表示領(lǐng)域知識,提高異構(gòu)系統(tǒng)間相互交流學(xué)習(xí)的能力,已經(jīng)成為知識工程領(lǐng)域中一種有效的理論指導(dǎo)和實(shí)踐工具。鑒于此,國內(nèi)外不少學(xué)者開始將本體理論應(yīng)用于故障診斷,并進(jìn)行了進(jìn)一步的探索[1－3]。

雖然本體作為一種能在語義和知識層次上描述知識的建模工具,提供了共享概念模型形式化的規(guī)范說明,為知識的共享和使用奠定了基礎(chǔ),但本體不能表示實(shí)際應(yīng)用中存在的不確定信息,也不能支持模糊信息的推理。為了解決這一問題,國內(nèi)外眾多學(xué)者在本體語言O(shè)WL的概率擴(kuò)展和模糊擴(kuò)展方面進(jìn)行了諸多研究,從而使本體能表示不確定知識,并進(jìn)行有效推理。在不確定性推理方面,貝葉斯網(wǎng)絡(luò)推理是目前最有效的方法之一,它是一種概率推理方法,能解決數(shù)據(jù)間不一致甚至相互獨(dú)立的問題,使推理結(jié)果更為準(zhǔn)確可信[4]。因此近年來,對Web本體語言的概率擴(kuò)展研究,主要集中在把Web本體語言和貝葉斯網(wǎng)絡(luò)相結(jié)合的方面。Costa在文獻(xiàn)[5]中提出了基于多本體貝葉斯網(wǎng)絡(luò)的OWL概率擴(kuò)展語言(PROWL);Ding等在文獻(xiàn)[6]中提出了一種基于標(biāo)準(zhǔn)的貝葉斯網(wǎng)絡(luò)的OWL概率擴(kuò)展語言Bayesowl,為OWL本體直接轉(zhuǎn)換為貝葉斯網(wǎng)絡(luò)提供了一系列的規(guī)則和流程,它支持本體內(nèi)部、本體之間的推理,也支持貝葉斯網(wǎng)絡(luò)推理;Volker和Hsuehleng在文獻(xiàn)[7]中研究了對描述邏輯的擴(kuò)展方法,該方法利用了概率和對OWL的依賴關(guān)系注釋來表示貝葉斯網(wǎng)絡(luò)中的不確定性信息。從以上研究可以看出,對本體進(jìn)行概率擴(kuò)展可以支持本體在不確定性知識上的表示與推理,為故障本體診斷方法的實(shí)現(xiàn)提供了依據(jù)。

本文主要通過增加本體語義,對Web本體語言進(jìn)行概率擴(kuò)展,制定了一系列的翻譯規(guī)則和程序完成故障診斷知識本體到貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)轉(zhuǎn)換,為不確定性推理提供診斷基礎(chǔ),然后設(shè)計(jì)基于概率約束的不確定性推理框架,制定詳細(xì)的推理任務(wù),并用實(shí)例進(jìn)行驗(yàn)證,從而實(shí)現(xiàn)對礦井提升機(jī)故障診斷知識的不確定性推理研究。

1 貝葉斯網(wǎng)絡(luò)模型與本體模型

1.1 本體貝葉斯網(wǎng)絡(luò)形式化定義

從直觀上講,貝葉斯網(wǎng)絡(luò)是一個有向無環(huán)圖(directed acyclic graph,DAG),表現(xiàn)為一個賦值的因果關(guān)系網(wǎng)絡(luò)圖,網(wǎng)絡(luò)中的每一個節(jié)點(diǎn)表示一個變量,各變量之間的弧表示事件發(fā)生的直接因果關(guān)系。貝葉斯網(wǎng)絡(luò)應(yīng)用于故障診斷,是把故障現(xiàn)象和故障原因作為網(wǎng)絡(luò)節(jié)點(diǎn),獲得的征兆作為證據(jù),通過歷史數(shù)據(jù)的信息和診斷規(guī)則知識加以處理,根據(jù)節(jié)點(diǎn)間的因果關(guān)系和概率值可以推理出各種原因發(fā)生的后驗(yàn)概率,從而診斷推理出正確的結(jié)論[8]。為了將貝葉斯網(wǎng)絡(luò)與本體知識有機(jī)結(jié)合,對其網(wǎng)絡(luò)模型做形式化的定義。

定義1 貝葉斯網(wǎng)絡(luò)模型的形式化定義為BN= {〈N,E〉,θ},其中,N為節(jié)點(diǎn)的集合,N中的每個節(jié)點(diǎn)都代表一個隨機(jī)變量,因此每個節(jié)點(diǎn)都有一個概率分布;E為邊的集合,這些邊用來表示節(jié)點(diǎn)之間的影響關(guān)系;θ為一個條件概率表,用來指明節(jié)點(diǎn)之間的因果概率關(guān)系。

定義2 故障診斷本體O=(C,AC,R,AR,H,I, X),其中,C表示故障診斷概念集;AC表示每個概念的屬性集;R表示概念之間的關(guān)系集;AR表示每個關(guān)系的屬性集;H表示概念層次;I表示實(shí)例集;X表示公理集。

定義3 將上述兩個定義有機(jī)結(jié)合,轉(zhuǎn)換后的貝葉斯網(wǎng)絡(luò)模型的可以形式化地表示為OBN={〈N, E〉,AC,X,I,θST},其中,概念節(jié)點(diǎn)集合N和邊集合E組成貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)框架;AC表示概念節(jié)點(diǎn)的屬性集合;X表示貝葉斯網(wǎng)絡(luò)模型的公理集合;I表示概念節(jié)點(diǎn)的實(shí)例集合;θST表示概念節(jié)點(diǎn)的概率表集合。為方便描述,本文將轉(zhuǎn)換后的貝葉斯網(wǎng)絡(luò)模型稱之為本體貝葉斯網(wǎng)絡(luò)模型OBN。

1.2 本體模型的概率擴(kuò)展

本體描述語言O(shè)WL作為一種知識表示方法,能夠?qū)μ囟I(lǐng)域的概念、術(shù)語及關(guān)系進(jìn)行明確化、形式化的描述。概念的明確表示,使得本體推理結(jié)果也很明確,為了進(jìn)行不確定性推理,需要對本體模型進(jìn)行概率的擴(kuò)展。

首先,對本體語言O(shè)WL增加額外的概率標(biāo)注,在已構(gòu)建好的本體中,將每個概念的概率信息以屬性的方式附加到OWL本體中。根據(jù)貝葉斯網(wǎng)絡(luò)的要求,這些概率信息包括先驗(yàn)概率、條件概率和后驗(yàn)概率等。先驗(yàn)概率是由以往的數(shù)據(jù)分析得到的,在無歷史資料或歷史資料不全的時候,憑主觀經(jīng)驗(yàn)來判斷取得概率,用P(A)表示在沒有訓(xùn)練數(shù)據(jù)前假設(shè)A擁有的初始概率,稱為A的先驗(yàn)概率;在發(fā)生A的條件下,發(fā)生B的概率,稱為條件概率,記做P(B|A)。機(jī)器學(xué)習(xí)中,關(guān)心的是P(A|B),即給定B時A成立的概率,稱為A的后驗(yàn)概率,貝葉斯數(shù)據(jù)分析就是先驗(yàn)分布在經(jīng)過了數(shù)據(jù)所提供的證據(jù)修訂之后所形成的后驗(yàn)分布。

在提升機(jī)故障診斷本體中,先對故障本體附加對象屬性hasProb表示概念有概率屬性,數(shù)據(jù)類型屬性hasPriorPr和hasCondPr屬性來分別表示概念所具有的先驗(yàn)概率和條件概率屬性,是一個浮點(diǎn)型數(shù)據(jù)。部分OWL代碼如下所示:

2 本體模型到貝葉斯網(wǎng)絡(luò)模型的轉(zhuǎn)換

2.1 轉(zhuǎn)換規(guī)則

2.1.1 概念與概念節(jié)點(diǎn)之間的轉(zhuǎn)換

貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)的確定,依賴于已經(jīng)構(gòu)建好的本體中的類。在本體結(jié)構(gòu)轉(zhuǎn)換為貝葉斯結(jié)構(gòu)的過程中,節(jié)點(diǎn)的轉(zhuǎn)換可通過以下幾個規(guī)則[9－10]進(jìn)行:

(1)將本體模型的概念集合C轉(zhuǎn)換成OBN模型中的概念節(jié)點(diǎn)集合Nc,概念和概念節(jié)點(diǎn)之間的關(guān)系是一對一的映射關(guān)系。

(2)本體中域D定義的對象屬性p,映射到貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)Np。

(3)本體中每個類的子類,映射到貝葉斯網(wǎng)絡(luò)中為Nc的子節(jié)點(diǎn)SUB_Nc。

2.1.2 關(guān)系到邊的轉(zhuǎn)換

節(jié)點(diǎn)確定之后,就是本體結(jié)構(gòu)中的關(guān)系到貝葉斯網(wǎng)絡(luò)中邊的轉(zhuǎn)換,在本體OWL描述中,本體類之間的關(guān)系通過類公理和邏輯操作的構(gòu)造函數(shù)進(jìn)行描述,具體轉(zhuǎn)換規(guī)則如下:

(1)構(gòu)造函數(shù)“rdfs:subClassOf”。將本體模型的概念之間的上下位關(guān)系,在OWL中用標(biāo)簽＜rdfs:sub-ClassOf rdf:resource="#xxx"/＞表示上下位關(guān)系,即類與子類的關(guān)系,轉(zhuǎn)換為OBN模型中邊的集合Ec,并用兩個節(jié)點(diǎn)之間的條件概率標(biāo)識。

(2)通過對象屬性限制的兩個類C1和C2,他們之間的關(guān)系通過屬性p相關(guān)聯(lián),在轉(zhuǎn)換的OBN中,各節(jié)點(diǎn)之間的有向弧連接。

2.1.3 屬性值、實(shí)例、公理的轉(zhuǎn)換

(1)屬性值的轉(zhuǎn)換。

本體域中概念類的屬性是通過本體限制提供的約束來完成的,包括對象屬性和數(shù)據(jù)類型屬性。其中本體模型中概念之間的非上下位關(guān)系R,通過對象屬性體現(xiàn),在本體OWL文件中,用標(biāo)簽＜o(jì)wl:onProperty rdf:resource="xxx"/＞表示概念名為“xxx”的屬性,轉(zhuǎn)換成OBN概念節(jié)點(diǎn)的屬性集Ep。

(2)實(shí)例的轉(zhuǎn)換。

將本體模型中概念的實(shí)例集合I,在本體OWL文件中,用標(biāo)簽＜rdf:Description rdf:ID="xxx"＞來表示,轉(zhuǎn)換成OBN模型概念節(jié)點(diǎn)的實(shí)例集合I。

(3)公理的轉(zhuǎn)換。

將本體模型中公理的集合X轉(zhuǎn)換成OBN模型中的公理集合X,在本體模型中,任何一個完整的OWL片段都可被看作是公理,用＜o(jì)wl:xxx＞…＜/xxx＞來表示,它可被用來描述概念、屬性和實(shí)例,所以公理轉(zhuǎn)換的實(shí)現(xiàn),可以通過概念、屬性和實(shí)例的轉(zhuǎn)換規(guī)則來實(shí)現(xiàn)。

至此,完成了本體模型到OBN模型的結(jié)構(gòu)轉(zhuǎn)換,不難發(fā)現(xiàn),本體模型形式化定義中的各個元素,利用上述翻譯規(guī)則,可以分別轉(zhuǎn)換成OBN模型形式化定義中的元素,它們之間的對應(yīng)關(guān)系是:Cfa→N,Hfa→E,AC→AC,X→X,Ifa→I,Rfa→θST。這也就證明了本文提出的本體模型到貝葉斯網(wǎng)絡(luò)模型的轉(zhuǎn)換規(guī)則是完備的。

2.2 條件概率表的構(gòu)建

在本體中通過設(shè)置概率屬性來表示不確定性的知識之后,在將本體模型和貝葉斯網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)轉(zhuǎn)換時,需要把這些概率信息也進(jìn)行相應(yīng)的轉(zhuǎn)換,即建立每個節(jié)點(diǎn)的條件概率分布表(conditional probability table,CPT)。CPT表明了故障原因與故障現(xiàn)象之間的概率依賴關(guān)系,是處理故障診斷系統(tǒng)中不確定性知識的推理依據(jù)[11]。

2.2.1 先驗(yàn)概率的計(jì)算

在本文中,OBN模型的每個節(jié)點(diǎn)先驗(yàn)概率的計(jì)算方法是:用該概念節(jié)點(diǎn)所包含的實(shí)例數(shù)除以整個OBN模型所包含的實(shí)例數(shù)。這種方法的基本思想是概念的語義內(nèi)容越豐富,它所包含的實(shí)例數(shù)就越多,這樣對應(yīng)的OBN模型中概念節(jié)點(diǎn)的出現(xiàn)的概率就越大。

2.2.2 條件概率的計(jì)算

根據(jù)1.2節(jié)對先驗(yàn)概率及條件概率的定義,設(shè)試驗(yàn)E的樣本空間為S,A、B為E的事件,事件A發(fā)生的概率記為P(A),事件B發(fā)生的概率記為P(B),事件A和事件B同時出現(xiàn)的概率記為P(AB),在A已經(jīng)發(fā)生的條件下,B發(fā)生的概率稱為A發(fā)生的條件下B發(fā)生的條件概率,記為

在OBN模型中,B和A分別表示OBN模型中的子概念節(jié)點(diǎn)和父概念節(jié)點(diǎn),由于概念B是概念A(yù)的子概念,它們之間的語義包含關(guān)系為:B?A,或A∩B=B,那么P(AB)=P(B),因此OBN模型中條件概率公式可簡寫為

在得到這兩個概念節(jié)點(diǎn)的先驗(yàn)概率后,利用式(2)計(jì)算OBN中節(jié)點(diǎn)之間邊的條件概率,并形成相應(yīng)的條件概率表。

依據(jù)以上算法,完成對OBN中各節(jié)點(diǎn)條件概率的計(jì)算,并構(gòu)建相應(yīng)的條件概率表。以提升機(jī)制動系統(tǒng)中空動時間過長的故障現(xiàn)象為例,該征兆的出現(xiàn)是由制動力矩不足的原因引起的,而引起制動力矩不足的子原因又有彈簧故障(spring fault)、閘瓦故障(break shoe fault)、油缸故障(cylinder fault)、殘壓過高(high residual voltage)等。要判定具體的故障原因,需要對閘瓦位移、彈簧力、閘瓦摩擦系數(shù)、液壓站油壓、左右偏擺量、提升速度、提升加速度等進(jìn)行測量,由此構(gòu)建貝葉斯網(wǎng)絡(luò)如圖1所示。

圖1 貝葉斯網(wǎng)絡(luò)構(gòu)建Fig.1 Bayesian network construction

在樣本學(xué)習(xí)和領(lǐng)域?qū)＜覅⑴c的情況下,計(jì)算先驗(yàn)概率。假設(shè)制動力矩不足的先驗(yàn)概率是0.2,依據(jù)以上規(guī)則對各節(jié)點(diǎn)的條件概率進(jìn)行計(jì)算,并構(gòu)建條件概率,如圖2所示。

圖2 引起制動力矩不足的條件概率Fig.2 CPTs of insufficient braking torque

3 提升機(jī)故障診斷不確定性知識融合推理方法

3.1 基于本體的貝葉斯網(wǎng)絡(luò)的模型構(gòu)建

本文使用基于本體的貝葉斯網(wǎng)絡(luò)方法實(shí)現(xiàn)礦井提升機(jī)智能故障診斷系統(tǒng)中的不確定性知識的推理,實(shí)質(zhì)上結(jié)合了本體和貝葉斯網(wǎng)絡(luò)兩種推理方式。本體推理是建立在描述邏輯之上,提供了基本的描述邏輯推理服務(wù),用以完成對故障診斷知識進(jìn)行語法、語義一致性的驗(yàn)證以及本體的解析,然后通過貝葉斯網(wǎng)絡(luò)推理方法,借助Netica API貝葉斯網(wǎng)絡(luò)可視化推理平臺進(jìn)行推理,構(gòu)建集本體推理與貝葉斯網(wǎng)絡(luò)推理于一體的融合推理模型。故障診斷框架如圖3所示。

本文使用由惠普實(shí)驗(yàn)室開發(fā)的Java軟件開發(fā)工具包Jena提供的OWLAPI讀取本體信息,對語法進(jìn)行檢查;使用本體自帶的推理機(jī)Pellet和本體解析工具Jena對本體進(jìn)行語義驗(yàn)證及解析。

3.2 啟發(fā)式故障診斷搜索樹

概率推理和最大后驗(yàn)概率解釋是貝葉斯網(wǎng)絡(luò)推理的兩個基本任務(wù)[12－13]?；谒阉鞯乃惴ㄊ菍⒇惾~斯網(wǎng)絡(luò)中需要計(jì)算的節(jié)點(diǎn)變量取值看作一個狀態(tài)空間,運(yùn)用啟發(fā)式搜索在整個狀態(tài)空間中對計(jì)算結(jié)果影響較大的狀態(tài),并用這些狀態(tài)代替整個狀態(tài)空間進(jìn)行計(jì)算。在礦井提升機(jī)故障診斷領(lǐng)域,由于故障發(fā)生的概率較小,要求診斷推理的實(shí)時性強(qiáng),這種情況采用基于搜索的方法最為適用。

圖3 基于貝葉斯網(wǎng)絡(luò)和本體的故障診斷推理框架Fig.3 The inference framework of fault diagnosis based ontology and Bayesian network

在問題求解之前,首先定義狀態(tài)和狀態(tài)空間,由N個節(jié)點(diǎn)構(gòu)成的所有有向無環(huán)圖的集合,稱為貝葉斯網(wǎng)空間[14－16]。本文中啟發(fā)式搜索就是在狀態(tài)空間中對每一個搜索的節(jié)點(diǎn)進(jìn)行后驗(yàn)概率評估,選擇概率值最高的狀態(tài)節(jié)點(diǎn),再從該節(jié)點(diǎn)進(jìn)行搜索直到未考察到的葉節(jié)點(diǎn)的概率之和小于誤差限定,找到目標(biāo)狀態(tài)為止[17]。本文按照上述搜索方法,從觀察到的故障征兆集E={E1,E2,…,Em}開始,通過選擇具有最大后驗(yàn)概率P(N)的故障節(jié)點(diǎn),并對其進(jìn)行檢查,判定其運(yùn)行的狀態(tài),并將結(jié)果加入證據(jù)集中進(jìn)行下一輪的診斷,最終搜索到目標(biāo)節(jié)點(diǎn)。以節(jié)點(diǎn)的概率估計(jì)函數(shù)作為搜索的啟發(fā)函數(shù)f,算法描述如下:

(1)輸入證據(jù)集E={E1,E2,…,Em},診斷集D= {Φ}。

(2)計(jì)算每個證據(jù)先驗(yàn)概率或后驗(yàn)概率P(E)。

(3)從證據(jù)集中選擇具有最大后驗(yàn)概率的節(jié)點(diǎn)Ei。

(4)以Ei為初始狀態(tài),建立與Ei相關(guān)的故障節(jié)點(diǎn)N、故障診斷D和故障征兆E的狀態(tài)空間,計(jì)算f(Ei)。

(5)按照原貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)之間的關(guān)系,建立以Ei為初始狀態(tài)的搜索樹。

(6)啟發(fā)式搜索該搜索樹。計(jì)算所有故障節(jié)點(diǎn)的后驗(yàn)概率P(N),與f(Ei)比較,刪除多余節(jié)點(diǎn);選擇具有最大后驗(yàn)概率的故障節(jié)點(diǎn)進(jìn)行診斷推理。

(7)若找到目標(biāo)節(jié)點(diǎn),則把該節(jié)點(diǎn)加入到診斷集D中,返回該節(jié)點(diǎn)的后驗(yàn)概率。

(8)若未找到目標(biāo)節(jié)點(diǎn),則返回步驟(3),從證據(jù)集中選擇其他節(jié)點(diǎn)重復(fù)步驟。

4 礦井提升機(jī)故障診斷推理實(shí)例

以礦井提升機(jī)制動系統(tǒng)中的制動器故障為例,說明基于貝葉斯網(wǎng)絡(luò)的提升機(jī)故障診斷本體的診斷推理過程。

實(shí)例1:空行程時間過長故障原因判定。

本文使用了貝葉斯網(wǎng)絡(luò)的方法對礦井提升機(jī)故障診斷領(lǐng)域中的不確定知識進(jìn)行診斷推理,因此對于某一故障現(xiàn)象,并不需要列出導(dǎo)致它產(chǎn)生的所有故障原因,只需要選取與現(xiàn)象最相關(guān)的事件子集來代替導(dǎo)致該現(xiàn)象出現(xiàn)的完備集合進(jìn)行概率的計(jì)算。現(xiàn)如果只考慮故障現(xiàn)象與故障之間的因果關(guān)系,把故障現(xiàn)象節(jié)點(diǎn)均設(shè)為二元變量,即表示故障現(xiàn)象是否出現(xiàn),可以得到故障現(xiàn)象與故障原因關(guān)系。對其進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的轉(zhuǎn)換,得到的貝葉斯網(wǎng)絡(luò)模型部分結(jié)構(gòu)如圖4所示,圖中的每個節(jié)點(diǎn)對應(yīng)圖2中的一個條件概率。在礦井提升機(jī)故障中,制動器故障主要原因就是制動力矩過大或過小,圖4中,空行程時間超限、制動緩慢、過卷、溜車等故障現(xiàn)象彼此獨(dú)立,根據(jù)故障現(xiàn)象分析產(chǎn)生其的具體故障原因需要應(yīng)用本文的推理方法。

圖4 轉(zhuǎn)換后的貝葉基斯網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.4 The transformed Bayesian network model structure

根據(jù)已建立的貝葉斯－本體故障診斷模型,利用Norsys公司提供的接口Netica API在貝葉斯網(wǎng)絡(luò)推理平臺上進(jìn)行可視化推理,打開上述貝葉斯網(wǎng)絡(luò)模型的OWL文件或者直接錄入節(jié)點(diǎn)條件概率值,初始狀態(tài)下,依據(jù)貝葉斯網(wǎng)絡(luò)推理得到的結(jié)果如圖5所示。

圖5 貝葉斯網(wǎng)絡(luò)推理結(jié)果Fig.5 The Bayesian network inference result

由現(xiàn)場監(jiān)測得出,在整個制動過程中,出現(xiàn)了空行程時間過長(指在貼閘過程中,全松閘狀態(tài)即閘瓦間隙最大狀態(tài)到閘瓦間隙變?yōu)榱?貼閘)的過程所花費(fèi)的時間,《煤礦安全規(guī)程》規(guī)定空行程時間不得超過0.3 s)的現(xiàn)象,其它故障現(xiàn)象并未產(chǎn)生,引起空行程時間超限的直接原因是制動力矩不足,現(xiàn)加入證據(jù)及診斷規(guī)則。在實(shí)驗(yàn)前,對每個閘的彈簧預(yù)壓縮量和彈簧剛度進(jìn)行了測試和調(diào)換,使其都達(dá)到了規(guī)定標(biāo)準(zhǔn),故排除彈簧故障。由貝葉斯網(wǎng)絡(luò)推理得到的結(jié)果如圖6所示。

圖6 加入證據(jù)的貝葉斯網(wǎng)絡(luò)推理結(jié)果Fig.6 The Bayesian network inference result with evidences

由此可知,閘瓦間隙過大引起的制動力矩過小的可能性大,為了驗(yàn)證該結(jié)果的正確性,根據(jù)監(jiān)測數(shù)據(jù)做如下分析:

在提升機(jī)運(yùn)行過程中,摩擦因數(shù)在正常范圍內(nèi)(＜0.4);繪制制動油壓曲線如圖7所示,該圖表明制動過程中制動油殘壓值在正常范圍(＜0.5 MPa)內(nèi);繪制閘瓦位移曲線如圖8所示,從圖中可以看出,閘瓦間隙超限(＞2 mm),由此可判定該故障為閘瓦間隙過大引發(fā)的空行程時間超限故障,與上述推理結(jié)果完全相符,需要對閘瓦間隙進(jìn)行調(diào)整。

實(shí)例2:制動時間過長故障的原因判定。

圖7 制動油油壓曲線Fig.7 The brake oil pressure curve

圖8 閘瓦位移曲線Fig.8 Brake shoe displacement curve

在提升機(jī)運(yùn)行的過程中,根據(jù)監(jiān)測數(shù)據(jù)曲線顯示,表明出現(xiàn)了制動時間過長的故障現(xiàn)象,由本文中的推理方法,根據(jù)上述推理過程,得出其故障原因概率最大值為0.87,對應(yīng)的故障原因?yàn)橹苿右簤焊卓ǜ?下面對該診斷結(jié)論進(jìn)行驗(yàn)證。實(shí)驗(yàn)過程中,在提升機(jī)爬行階段結(jié)束后,利用制動器進(jìn)行減速的階段即由爬行速度減為零的這個過程所用時間過長,減速度值偏小,表明出現(xiàn)了制動時間過長的現(xiàn)象。從4號閘的閘瓦位移曲線(圖9)可看出在貼閘過程中,它所花費(fèi)的時間明顯大于其他各閘,并且中間有一些采樣點(diǎn)值保持不變。繪制油壓曲線如圖10所示,從圖中可以看出殘壓不高。結(jié)合圖9和圖10可得出在貼閘過程中,當(dāng)油壓不斷變化時,有一段時間4號閘的位移值不發(fā)生變化,符合卡缸故障的故障機(jī)理。

圖9 4號閘閘瓦位移曲線Fig.9 Brake shoe displacement of number 4 brake

上述兩個實(shí)例表明,本文提出的提升機(jī)故障診斷不確定性推理方法具有良好的適應(yīng)性。推理結(jié)果文件可直接保存成Hoist diagnosis.neta,供Java程序直接調(diào)用,完成提升機(jī)故障診斷系統(tǒng)的診斷推理功能。

圖10 液壓站油壓曲線Fig.10 Oil pressure of hydraulic station

5 結(jié) 論

(1)分析了本體模型與貝葉斯網(wǎng)絡(luò)的基本結(jié)構(gòu)和原理,對本體貝葉斯網(wǎng)絡(luò)OBN做了形式化的定義,然后以貝葉斯網(wǎng)絡(luò)為概率模型,對本體語言O(shè)WL的概率擴(kuò)展進(jìn)行了深入研究。

(2)制定了本體模型到貝葉斯網(wǎng)絡(luò)模型轉(zhuǎn)換的一系列翻譯規(guī)則,給出了先驗(yàn)概率、條件概率的計(jì)算方法,完成了各節(jié)點(diǎn)條件概率表的計(jì)算。

(3)建立了基于本體的貝葉斯網(wǎng)絡(luò)推理模型,對本體推理和貝葉斯推理的方法分別進(jìn)行了詳細(xì)的研究,提出了二者結(jié)合的故障診斷融合推理模式。

(4)針對礦井提升機(jī)故障診斷推理的要求,提出了基于啟發(fā)式故障搜索樹的推理策略,給出了提升機(jī)故障診斷的詳細(xì)診斷推理過程。

(5)以礦井提升機(jī)制動系統(tǒng)中的制動器故障為例,說明基于貝葉斯網(wǎng)絡(luò)的提升機(jī)故障診斷本體的診斷推理過程,并進(jìn)行了正確性的檢驗(yàn)。經(jīng)驗(yàn)證,該融合推理模型處理所得的診斷結(jié)果具有較高的可信度。

[1] Du Ning,Huang Dao.Ontlolgy-based fault diagnosis for chemical process[J].Computer Integrated Manufacturing Systems,2005, 11(4):587－591.

[2] 周安美,于德介,吳雪明,等.基于本體的大型風(fēng)力發(fā)電機(jī)組故障智能診斷研究[J].中國機(jī)械工程,2012,23(17):2075－2080.

Zhou Anmei,Yu Dejie,Wu Xueming,et al.Research on intelligent fault diagnosis for large-scale wind turbines based on ontology[J].China Mechanical Engineering,2012,23(17):2075－2080.

[3] Chen Guorong,Yan Ping,Yan Hua,et al.Empirical analysis on blast furnace fault diagnosis method based on ontology[J].Journal of Chongqing University,2012,35(5):35－39.

[4] Bi Zhongwei,Zhang Ming,Jin Feng,et al.Study on the prior information quantity and fusion technology applied in inference of rock mechanics parameters with Bayes method[J].Journal of the China Railway Society,2011,33(2):96－100.

[5] Costa P C G,Laskey K B,Laskey K J.PR-OWL:A bayesian ontology language for the semantic web[J].Lecture Notes in Computer Science,2008,5327 LNAI:88－107.

[6] Ding Z,Peng Y,Pan R.BayesOWL:Uncertainty modeling in semantic web ontologies[J].Studies in Fuzziness and Soft Computing, 2006,204:3－30.

[7] Haarslev Volker,Pai Hsuehleng,Shiri,et al.Uncertainty reasoning for ontologies with General TBoxes in description logic[J].Lecture Notes in Computer Science,2008,5327 LNAI:385－402.

[8] Zeng Yihui,E Jiaqiang,Hua Hao,et al.Fault diagnosis on cooling system of ship diesel engine based on Bayes network classifier[J].Journal of Central South University,2010,41(4):1379－1384.

[9] 楊喜權(quán),曹雪亞,國頔娜,等.基于貝葉斯網(wǎng)絡(luò)的本體不確定性推理[J].計(jì)算機(jī)應(yīng)用,2008,28(5):1170－1173.

Yang Xiquan,Cao Xueya,Guo Dina,et al.Reasearch of ontology uncertainty reasoning based on Bayesian network[J].Journal of Computer Applications,2008,28(5):1170－1173.

[10] Fenz,Stefan.An ontology-based approach for constructing Bayesian

networks[J].Data and Knowledge Engineering,2012,73:73－88.[11] Song Qijiang,Xu Minqiang,Wang Rixin.Fault diagnosis approach

based on fuzzy probability SDG model and reasoning[J].Control and Decision,2009,24(5):692－696.

[12] Dlamini,Wisdom M.A Bayesian belief network analysis of factors influencing wildfire occurrence in Swaziland[J].Environmental Modelling and Software,2010,25(2):199－208.

[13] Cai Baoping,Liu Yonghong,Fan Qian,et al.Application of Bayesian networks to reliability evaluation of software system for subsea blowout preventers[J].International Journal of Control and Automation,2013,6(1):47－60.

[14] Cheng J,Greiner R,Kelly J,et al.Learning Bayesian Net-works from data:an information-theory based approach[J].Artificial Intelligence,2002,137(1－2):43－90.

[15] Wang Fei,Liu Dayou,Wang Songxin.Research on incre-mental learning of bayesian network structure based on genetic algorithms [J].Computer Research and Development,2005,42(9):1461－1466.

[16] Melancon G,Dutour I,Bousquet-Melou M.Random generation of directed acyclic graphs[J].Electronic Notes in Discrete Mathematics,2001,16(10):202－207.

[17] Xin Junchang,Huang Jianmei,Wang Guoren,et al.An uncertain skyline query algorithm based on state space searching[J].Journal of Northeastern University,2008,31(3):338－341.

An uncertain reasoning method of hoist fault diagnosis

LI Juan-li,YANG Zhao-jian

(College of Mechanical Engineering,Taiyuan University of Technology,Taiyuan 030024,China)

Aiming to the uncertainty problem in hoist fault diagnosis process,a new fault diagnosis uncertainty knowledge reasoning method was proposed,which based on ontology and Bayesian.The method extended the uncertainty representation of ontology for domain knowledge by using OWL language,finished the conversion from ontology structure to Bayesian network through a series of translation rules and procedures;then,it constructed the fusion reasoning model based on ontology and the Bayesian network.The model checked the grammar and verified the semantic consistency of fault diagnosis ontology knowledge using ontology reasoning,and then it inferenced uncertainty by Bayesian network based on the heuristic search tree;finally it test on the Bayesian network visualization reasoning platform Netica.The mine hoist braking system fault diagnosis example shows that the fusion reasoning model has better ability of fault recognition and the diagnosis results have higher credibility.

Bayesian network;ontology;hoist;fault diagnosis;uncertain reasoning

TD444

A

0253－9993(2014)03－0586－07

李娟莉,楊兆建.提升機(jī)故障診斷不確定性推理方法[J].煤炭學(xué)報(bào),2014,39(3):586－592.

10.13225/j.cnki.jccs.2013.1179

Li Juanli,Yang Zhaojian.An uncertain reasoning method of hoist fault diagnosis[J].Journal of China Coal Society,2014,39(3):586－592.doi:10.13225/j.cnki.jccs.2013.1179

2013－08－19 責(zé)任編輯:許書閣

山西省科技重大專項(xiàng)資助項(xiàng)目(20111101040)

李娟莉(1979—),女,山西壽陽人,講師,博士。Tel:0351－6010414,E－mail:lijuanli@tyut.edu.cn。通訊作者:楊兆建(1955—),男,河北高陽人,教授,博士生導(dǎo)師。Tel:0351－6010404,E－mail:yangzhaojian@tyut.edu.cn