本体驱动的机械设备诊断维护知识建模

秦大力 于德介 刘 坚

1.湖南大学汽车车身先进设计制造国家重点实验室，长沙，410082 2.湖南农业大学，长沙，410128

0 引言

随着设备维护流程与诊断对象的复杂程度不断提高，智能诊断应用对设备诊断维护的准确性、实时性及适应性提出了更高的要求［1］。诊断过程中如何有效管理并充分利用诊断维护知识，提高诊断准确度和维护决策效率，仍是智能诊断应用中一个有待解决的难题。

智能诊断的基础是底层的知识描述机制，而与之密切相关的是诊断推理模型的扩展能力。在传统的故障诊断方法中，知识获取手段较为单一，且处理机制复杂，难以合理地描述异构多源的诊断维护知识，尤其是不能有效地重用维护经验知识［2］。许多学者采用智能方法建立了诊断维护模型。Ryu等［3］结合UML和Petri网定义了面向制造过程的协同制造环境模型，但该模型不具备适应复杂生产环境的学习机制和扩展性；Garcia－Crespo等［4］建立了工业制造过程的语义表示和知识推理概念模型，但该模型对维护过程和诊断结果缺乏解释，难以形成知识的反馈。本体是一种概念知识形式化规范说明方法［5］，其应用领域主要集中在产品功能分解［6］、零件工艺设计［7］和生产过程控制［8］等方面，但这些应用模型仅针对产品或设备生命周期中的某一环节，知识表示的自动化程度和模型的自适应能力较低。

针对这些问题，本文提出一种本体驱动的诊断推理模型，这一模型首先从设备全生命周期管理的角度出发，在本体驱动的设备语义知识表示方法支持下，引导并协助维护参与者逐步抽取并描述诊断维护知识；然后利用设备状态－征兆映射与故障－征兆匹配算法实现设备特征状态空间到故障征兆空间的映射，最终完成静态维护知识与动态诊断过程的统一。某转子故障的诊断实例表明，该模型可以有效地对设备信息与维护过程进行语义抽取，实现故障自动推理与诊断，诊断结果符合设备的实际运行状况。

1 设备诊断维护建模与核心本体

制造业本体应用主要集中在产品设计领域［9］，即设备或产品的 BOL（beginning of lifetime）阶段，而关键维护要素涉及从设备制造、投产运行到报废的整个过程。维护诊断知识来源于状态监测数据和维护参与者的经验思维，需要系统全面的知识管理方法来实现诊断维护知识的表示、推理与反馈。因此，如图1所示，我们首先考虑将诊断维护任务相关信息进行过滤，建立形式化的知识概念模型；然后从多方面扩展本体驱动的维护诊断方法，完成设备运行状态与故障征兆之间的映射，并将故障征兆与故障案例库进行匹配；最后，在有效地获取、使用并存储维护语义知识的基础上，实现可靠完备的维护诊断知识建模过程。

图1 本体驱动的设备维护建模流程

1.1 核心本体

诊断维护本体建模的首要任务是厘清应用领域中的核心概念，针对诊断维护实体与行为构造出可扩展的核心本体。核心本体是定义诊断对象、诊断行为、实体关系及诊断维护方法论的顶层本体，且独立于任何特定设备或应用。核心本体包括设备域本体（EquipDomain）、过程域本体（ProcDomain）和诊断域本体（DiagDomain），这三类本体分别定义了设备实体、维护过程和诊断决策的抽象概念及其相互关系，其层次结构如表1。对核心本体所包含的基础语义进行扩展可以适应不同诊断维护应用的需求。

表1 维护语义核心本体的层次划分及作用

1.2 诊断维护语义知识的关联

诊断维护知识模型中的领域概念知识并非孤立存在的，概念之间还存在复杂的关系。图2展示了诊断维护模型中的概念及其相互关系（灰色标识的类为核心类），其中，概念和关系名称分别采用斜体与正体表示。设备（Equipment）包含若干部件（Component），两者之间表现为isPartOf关系；诊断维护过程（Process）细分为若干处理步骤（ProcessStep），主要涉及设备状态 （Condition）、故障征兆（Symptom）以及故障本身（Fault）之间的相互关系。设备状态（Condition）语义描述较为复杂，分解为三个子类：CondOf－Char、CondOfComp与ProcStepCond，分别与特征值（Characterization）、部件类及故障类相关联。设备异常状态下故障与征兆之间的对应关系由hasSym表示（其逆关系为belongTo）。表2列出了维护本体框架中主要概念关系的含义。

2 维护与诊断过程建模

建立了基本的维护语义知识模型之后，还要针对诊断维护过程的各个行为要素建模，从多个角度对维护过程的数据、功能、组织及流程进行语义抽取。我们将维护过程划分为一系列的步骤和状态变迁，重点考虑维护过程知识和语义关联的统一表达。

图2 维护本体概念及概念之间的关联

表2 维护本体框架主要概念关联的含义

2.1 诊断维护过程分解

诊断维护过程可以分解为过程执行的前提条件、动作、结果以及相关的处理过程。其中“动作”是指维护操作人员或自动化系统的行为序列单元，在满足“前提条件”的情况下作用于目标设备或测量仪器，产生维护过程的执行“结果”。这些过程的基本元素组合成诊断维护行为步骤及其逻辑环境的基本模型（图3）。图3中的矩形框表示维护过程步骤，其“前提条件”包括设备部件状态、过程状态或过程步骤状态等形式。前提条件和执行结果是一种标识过程状态的逻辑表达式，在图3中表示为椭圆。逻辑表达式的真值则由状态迁移箭头旁边的文字来标识，例如“［CondAbnormal］”表示异常状态下状态原子谓词的合取式。

图3 诊断维护过程步骤分解的基本模型

分解后的维护过程基本元素一一对应于过程域本体中的类和关联（图4），整个维护过程可以看作是一系列过程步骤（ProcessStep）实例集合，每一步骤包含多个过程步骤状态（ProcStep－Cond）。以工艺参数监测过程为例，某齿轮箱润滑油温的状态特征可表示为Characterization对象实例：

而油温异常表示为CondOfChar对象实例：

之后，异常状态映射为数值型故障征兆实例：

这样，利用分解模型获得的状态与维护过程实例完整清晰地表示出了诊断维护过程的状态特征和操作环境信息，可以直接应用于后续的故障诊断分析。

图4 诊断维护过程的本体语义描述

2.2 状态－征兆映射

设备状态空间到故障特征空间的映射关系表现为运行状态与故障征兆之间的本体映射（简称状态－征兆映射）。例如，转动轴不平衡引起的振动是旋转机械的常见多发故障，一般需要实时监测转动轴的振动频率以获取轴振动方向上的频谱特征，当设备出现异常时，这些振动特征量就表现为频谱分析中的故障征兆。状态－征兆映射主要依靠设备运行状态类（Condition）、故障征兆类（Symptom）、监测特征类（Characterization）、设备部件类（Component）以及这些类之间的相互关系来完成，下面介绍具体算法。

算法1 状态－征兆映射算法

算法1中使用Jena API和规则内建原语［10］来建立映射规则，并支持前向与反向推理。主要规则包括：

规则1 部件运行状态与故障征兆映射规则

规则2 设备特征状态与故障征兆映射规则

其中，x1与x2分别为CondOfComp与CondOf－Chara实例，s为征兆实例，cp为设备部件实例，ch为特征状态实例，l为征兆预定义列表。list－Contains和equal为Jena内建原语函数，分别实现列表搜索功能和语义相等性测试功能。

对于其他未知来源的设备异常状态，可由ProcStepCond、Fault和Symptom的语义关联反向推理获得状态－征兆映射关系，其规则如下：

规则3 维护步骤状态与故障征兆映射规则

2.3 故障－征兆匹配与知识推理

故障诊断问题的实质是根据征兆空间到故障空间的映射关系，进行故障－征兆匹配的过程。就复杂诊断对象而言，故障－征兆匹配是一种多对多的复杂映射关系，可以转换为故障征兆的置信度（belief），并以诊断案例库的形式集成到诊断域本体。实际诊断过程中，在大多数情况下很难一次性获取所有征兆信息，往往需要利用表层征兆信息进行初步分析，提出可能的故障集合；再对可能故障进行逐一审查，排除故障集当中与故障征兆不匹配的元素，逐步逼近正确的诊断结果；当全部征兆确定出现在诊断对象上，可以认为该故障就是最终的诊断解。诊断过程中使用的故障－征兆匹配约束与推理规则如表3，约束或规则采用了OWL和SWRL构造子（Constructor）［11］。

表3 故障－征兆匹配中的约束与推理规则

在故障－征兆匹配过程中，首先对征兆实例进行约束检测，然后根据征兆与故障之间的从属关系进行匹配，如果诊断案例库中所有征兆知识与待匹配的征兆实例相符，则认为匹配成功。下面给出具体算法。

算法2 故障－征兆匹配算法

3 诊断案例

以某石化企业凉水塔轴流式风机为研究对象，验证本文提出的本体驱动诊断推理模型。图5是风机减速箱外观及传感器安装位置，分别采集机壳振动、润滑油温和驱动电机电流数据，并临时设置四个水平与垂直方向实验测点。诊断开始前，先将常见故障及其征兆进行知识规范化，建立故障案例本体知识库；然后按照2.1节所述方法进行任务过程步骤分解（图6），主要步骤包括启动风机、风机状态监测、故障评估与诊断；最后将状态监测数据与故障案例导入维护诊断语义模型，得出诊断结果。

图5 风机减速箱外观及传感器安装位置

图6 风机状态监测与故障诊断流程步骤分解

表4 风机诊断试验数据及征兆匹配结果

表5 诊断经验概率值及故障类型计算结果

为了验证上述诊断结论，我们对照2号风机实时监测数据FFT频谱进行分析，2号风机额定转速为1460r／min，从图7所示的频谱图来看，机壳振动测点与实验测点均在基频（24Hz）和2倍频处出现振动过大的情形，而其他频率成分没有明显变化，尤其是1／3倍频和1／2倍频附近的振值很小，基本排除油膜振荡或摩擦的可能性，初步判定为转子出现质量不平衡故障。该设备停机检查后发现转轴锈蚀结垢情况较为严重，影响了转子的平衡状况，这也说明上述诊断维护推理模型的判定结果与实际情况相符。

图7 2号风机实时FFT频谱图

4 结束语

针对智能诊断应用中经验知识的重用、诊断推理决策自动化等问题，提出了一个本体驱动的诊断知识模型，实现了基于本体的诊断规则推理与设备运行状态评估。该模型主要将诊断经验与行为进行语义规范化，通过设备状态－故障征兆映射和故障案例－故障征兆匹配算法完成设备故障的自动化智能诊断。实例分析结果表明，该模型适用于机械设备状态监测与故障诊断过程的知识表示，能够将故障诊断经验有效地转化成可量化的评估指标，增强了故障诊断评估的合理性，为智能化故障诊断提供了一种新的思路。但该模型主要关注于诊断知识表达，在知识推理方面还比较薄弱，尤其是在语义通用性和本体映射准确度方面有待进一步研究。

［1］Manzini R，Regattieri A，Pham H.Introduction to Maintenance in Production Systems［M］.London：Springer，2010.

［2］Yu Y，Ji X，Wang D，et al.Study of the Knowledge－based Integrated Equipment Management System for Process Enterprise［J］.Advanced Materials Research，2011，201：912－919.

［3］Ryu K，Yucesan E.CPM：a Collaborative Process Modeling for Cooperative Manufacturers［J］.Advanced Engineering Informatics，2007，21（2）：231－239.

［4］Garcia－Crespo A，Ruiz－Mezcua B，Lopez J L，et al.Conceptual Model for Semantic Representation of Industrial Manufacturing Processes［J］.Computers in Industry，2010，61（7）：595－612.

［5］Guarino N.Formal Ontology，Conceptual Analysis and Knowledge Representation［J］.International Journal of Human Computer Studies，1995，43（5）：625－640.

［6］Yang S C，Patil L，Dutta D.Function Semantic Representation（FSR）：a Rule－Based Ontology for Product Functions［J］.Journal of Computing and Information Science in Engineering，2010，10（3）：031001－8.

［7］Barbau R，Krima S，Rachuri S，et al.OntoSTEP：Enriching Product Model Data Using Ontologies［J］.Computer－Aided Design，2012，44（6）：575－590.

［8］Nemeth E，Hangos K M，Lakner R.A Procedure Ontology for Advanced Diagnosis of Process Systems［J］.Journal of Intelligent ＆ Fuzzy Systems，2010，21：19－31.

［9］Goel A K，Garza A.Special Issue on Artificial Intelligence in Design［J］.Journal of Computing and Information Science in Engineering，2010，10（3）：030301－3.

［10］Reynolds D.Jena 2Inference Support［EB／OL］.［2011－12－23］.http：／／jena.sourceforge.net／inference.

［11］Fernandez－Lopez，M，Gomez－Perez A.Overview and Analysis of Methodologies for Building Ontologies［J］.Knowledge Engineering Review，2002，17（2）：129－156.