基于故障树分析法的挖掘机故障诊断知识库设计

段壮志，张宗强，张成海

（工程兵学院军事教学系，徐州221004）

机械设备故障诊断过程中，知识库设计是一项复杂而又关键的重要工作，设计的准确性与完善度直接关系到整个故障诊断系统的精确度。基于故障树的知识库设计包括故障树模型的构建、知识表示方法的选择、知识获取方式的确定、知识库的物理结构设计以及知识库与其他模块的接口设计。这里以挖掘机故障诊断为例介绍基于故障树分析法的机械设备故障诊断知识库设计方法。

1 故障诊断模型建立

1.1 故障树模型建立

故障树分析的过程是一个对系统深入认识的过程，它要求分析人员把握系统的内在联系，弄清各种潜在因素对故障发生影响的途径和程度，以便在分析过程中发现问题，找出零部件故障与系统的逻辑关系，以确定系统的薄弱环节。因而，建树的步骤是：首先广泛收集并分析有关技术资料，其次选择顶事件，最后建立并简化故障树。在对挖掘机故障分析的基础上，建立挖掘机系统（整机）故障树模型与子系统故障树模型。

1.1.1 挖掘机系统（整机）诊断模型

针对挖掘机系统（整机）的故障分析建立故障模型（图1），该模型分为3个层次。顶层为主系统，即挖掘机系统；第2层为8个子系统，这两层属于功能分类层次。第3层则为各个子系统的故障原因分类层，其输出结果即为各子系统的故障原因。

图1 挖掘机故障诊断系统的层次分析模型

1.1.2 挖掘机子系统故障树模型

在对挖掘机各子系统故障分析的基础上，建立挖掘机各子系统故障树模型［1］。限于篇幅，这里以挖掘机液压系统中液压缸达不到预定的速度为例建立故障树子系统模型（图2）。

图2 液压缸达不到预定速度故障树模型

1.2 故障诊断流程

确定挖掘机故障诊断模型后，根据故障树模型以诊断流程图的形式确定故障诊断流程。绘制故障诊断流程图时，应首先确定各子系统的诊断次序。确定诊断次序时应综合考虑2个因素：诊断原则和故障率。

诊断原则是 “先易后难、先简后繁”。对于容易检查和易于采取检测措施的系统应优先诊断。对于诊断程序简单的系统，应优先诊断。根据挖掘机故障诊断专业知识和经验数据，确定各系统的故障率大小。从大到小排序，应优先诊断故障率大的系统。

根据2个因素对系统进行排序，综合考虑2个因素的排序结果，最后确定诊断次序。如果2个序列发生冲突，应考虑维修效率、维修条件和经济性等因素，然后确定可行的诊断次序。根据以上原则和诊断分析过程，可以确定诊断流程图（图3）。

图3 液压缸达不到预定速度诊断流程图

2 知识库设计应解决的问题

根据知识库的建构原则，这里着重解决以下问题：确定知识的获取方式、选择适合于表达当前知识的表示形式、知识库的物理结构设计和知识库与其他模块的接口设计［2］。

2.1 知识的获取

知识的获取是指在建立知识库的过程中添加知识、在知识库使用过程中对知识库的更新。

故障树分析技术具有标准的知识结构。根据故障树进行故障分析的过程是：由用户依据故障树不断地进行检测获得新的知识，然后再根据新的知识进行分析并决定下一步操作内容。如此反复直到找到故障原因或故障部位。这个过程实质上是故障树与用户之间的交互过程。因此，在基于故障树知识的诊断系统中可以用交互式学习法。具体过程是：系统在诊断过程中，通过对话的形式，要求用户输入新的知识或某些已有的知识进行验证。利用可视化编程技术，交互式学习方法易于编程实现，而且具有友好的界面。

2.2 知识表示方法的选取

所谓的知识表示就是一种描述，一种计算机可接受的对人类智能行为的描述。

在选择知识表示模式时，应从充分利用领域知识、有利于对知识的利用、具有合适的数据结构、便于理解和实现几方面进行考虑。故障树知识集因果关系知识与故障诊断知识于一体，因此采用产生式表示法。对于基于故障树知识的诊断系统，在选择知识表示方法时，还应考虑故障树在计算机中的形式化问题。

2.3 知识库的接口设计

对于知识库外挂的系统，系统的性能很大程度上受到知识库接口性能的影响。因此，知识库接口设计是知识库设计的一个重要方面。本文知识库是采用了数据库技术，因此知识库的接口实质上是数据库与开发程序的接口问题，主要是数据库管理系统的问题。

3 基于故障树的知识库设计

3.1 知识库设计中数据库技术的应用

对于故障诊断系统来说，知识库一般比较庞大，因此，可以借鉴数据库关于信息存储、共享、并发控制和故障恢复技术，改善诊断系统的性能。如数据库的基本范例（输入、检索、更新等）可作为新的知识库范例，数据库的基本目标（共享性、独立性、分布性）可作为新的知识库基本目标［3］。

把数据库技术引入到知识系统的开发，一种比较有效的方法是：把智能技术引入到已有的数据库系统，特别是关系数据库系统中，从而建立知识库。

图4是基于面向对象的关系数据库系统的总体结构。从图中可以看出，它直接把数据库和数据库管理系统作为知识库的组成部分。用数据表对象（Table）来表示知识，用数据库管理系统来管理知识的存储、编辑、删改、更新查询和安全保护等工作。这种知识系统的设计方法容易实现，对知识的管理也可以达到很高的水平。

图4 知识库的总体结构

3.2 知识库的组织

知识库的组织对推理有较大的影响，特别是当知识库的规模庞大时，如果组织不好就会产生“组合爆炸”现象，使推理效率迅速下降。其次，推理过程中如果从头到尾地搜索，也缺乏针对性，因为某一故障可能仅涉及其中的一部分知识，因此知识库需要较好地组织，这样既便于维护，又不至于推理效率下降。知识库内容的物理组织依赖于知识的逻辑表示形式。

3.3 知识的表示

知识表示采用的是产生式（production rules）表示法。产生式表示法又称为规则表示法。产生式通常用于表示具有因果关系的知识，其基本形式是

P→Q或者IF PTHENQ

其中，P代表条件，如前提、状态、原因等；Q代表结果，如结论、动作、后果等。其意思是：如果前提P被满足，则可推出结论Q或执行Q所规定的动作。

上述规则的语义模型［4］如图5所示。

图5 规则的语义模型

该语义模型是用关系数据库理论设计出规则的物理存储形式后得出的。规则标识名是指规则的标识，它可以是字符串，也可以是数字编码。

3.4 知识库的结构

3.4.1 事实数据库

事实数据库存储了规则前提、结论等事实的自然描述形式。为了系统处理方便，对这些自然形式的事实进行编码。编码实际上就代替这些事实，系统对编码的访问和处理实质就是对事实的访问和处理。基于挖掘机液压系统的液压缸达不到预定速度故障树模型（图2）设计出的事实数据库结构如图6所示。

图6 事实数据库

FactID——字符串型，存储事实的编码；它由代表“Fact”的字母“F”和代表事实序号的数字组成。

Fact——字符串型，存储与FactID对应事实的自然描述形式。

3.4.2 规则数据库

以规则语义模型为依据，并结合诊断推理的需要，设计出规则前件数据库（图7）和规则后件数据库（图8）。规则前件数据库存储规则的所有前提；规则后件数据库存储规则的结论。

图7 规则前件数据库示例

8 规则后件数据库示例

3.4.3 故障树数据库

从故障树的顶事件至每一个底事件形成了故障分析支路。系统采用单向链表结构来表示这些支路，并用数据库的形式实现，基于挖掘机液压系统的液压缸达不到预定速度故障树模型（图2）设计出的故障树数据库结构如图9所示。

为了在诊断流程中区别需要反馈信息和不需要反馈信息的节点，将节点分为3类：提问节点、操作节点和述实节点。它们的属性值分别为“提问”、“操作”和“事实”。在提问节点，系统会用提问的形式提示用户进行操作；在操作节点，系统只向用户提示操作步骤；述实节点只代表一定的事实，进入述实节点，系统会向用户显示该事实。

图9 故障树数据库

3.4.4 数据库之间的关联

首先，事实数据库、规则数据库通过字段FactID联系。通过FactID可以从事实数据库中获得对应的自然语言描述形式（即FACT字段），在推理过程中，对FactID的处理就相当于对自然语言的处理。

其次故障树数据库通过FACT字段与字典数据库联系，然后通过FactID与规则数据库联系。

最后，规则前件数据库与规则后件数据库通过RuleID字段发生联系。通过规则前件中的RuleID可以在规则后件中找到对应的规则。

在诊断过程中，系统从故障树节点获得节点事实后，系统依据该事实的自然描述形式在事实数据库中获得相应的FactID，然后将FactID送到推理机进行推理。由此将故障树数据库、事实数据库、规则数据库有机的联系起来。

4 知识库的建立

依据上述的知识库设计思想，收集并分析故障诊断的故障树分析数据、挖掘机零部件故障模式及原因分析数据等资料，绘制故障树及诊断程序图，用产生式规则表示知识，对知识进行合理的组织，将故障树形式转换成数据库的形式，同时从中获取规则知识，综合成熟的数据库技术将上述数据生成知识库。

5 结语

知识库建立后，通过VB语言及Access等软件开发与人机交互技术，即可实现对挖掘机系统故障进行诊断。比如，以诊断“液压缸达不到预定速度”为例，用户在人机交互界面的复选框中选择“液压缸达不到预定速度”，后台程序从事实数据库中选取相关指令，接着从规则后件数据库中调用相应规则，然后在前件数据库中找到对应指令，根据诊断过程中用户的选择，最终即可得出该故障的诊断结果。

［1］李贵男，段壮志，涂建刚.基于模糊损伤树的设备损伤定位研究［J］.长春工程学院学报：自然科学版，2008，9（2）：72－74.

［2］成曙，张振仁，李晓建.汽车电气设备故障诊断专家系统的设计与实现［J］.工业仪表与自动化装置，2004（2）：21－23.

［3］黎洪生，黄玉娟，樊金荣.基于数据库的故障诊断知识库的创建［J］.计算机辅助工程，2002，12（2）：24－27.

［4］吴今培，肖健华.智能故障诊断与专家系统［M］.北京：科学出版社，1997：75－77.