高速卷接機組集成故障診斷方法的研究與實現

摘要:為實現對高速香煙卷接機組故障的快速高效診斷，針對其故障知識的復雜特性，研究了RBR，CBR，ANN等推理算法的特點，提出利用樹型結構進行故障分類，利用串行混合推理進行故障定位，采用RBR，CBR和ANN相結合進行集成故障診斷的策略，確定了推理流程，完成了系統的開發，通過聯機測試進行了系統驗證。

關鍵詞:集成故障診斷;樹和二叉樹;故障分類與定位;故障診斷專家系統

中圖分類號:TP806.3文獻標識碼:A

Research and Implementation of Integrated Diagnostic Method of Fault for High-speed Cigarette-making Machine

LIU Zi-jian1#8224;， YIN Fang-chao1， WANG Xiang2

(1 State Key Laboratory of Advanced Design and Manufacture for Vehicle Body， Hunan Univ， Changsha， Hunan 410082， China;

2 Pan-Asian Technical Automotive Center CO， LTD， Shanghai， 201206，China)

Abstract:In order to implement diagnosis of faults about high-speed cigarette-making machine fleetly and effectively， in allusion to complicated characteristic of the faults， the reasoning algorithms， such as Rule-Based Reasoning(RBR)， Case-Based Reasoning(CBR)， Artificial Neural Network(ANN)were studied. The strategy that faults were classified by the tree structure， fault location in the tree structure was accomplished by serial mixed reasoning， and that the diagnostic method of faults was integrated by RBR， CBR and ANN was proposed. Thus， the reasoning process was ascertained. The expert system was developed， which was verified through online testing.

Key Words: Integrated fault diagnosis; Tree and binary tree; Classification and localization of faults; Fault diagnosis expert system

高速香煙卷接機組是復雜、精密和高度自動化包裝設備的代表，機組以很高的速度工作，發生故障時盡快找出故障原因，確定排除故障的方法可以提高設備利用率。充分利用機組提供的檢測數據，借助于專家系統進行故障診斷，是解決此類問題的有效方法[1]。

本文在分析卷接機組故障特點的基礎上，提出以樹的不同結構作為故障分類的參照，根據分類的特點設計專家系統推理方法，提出了RBR，CBR和ANN相結合的集成故障診斷推理機制，完成了高速卷接機組故障診斷專家系統研制，并通過了系統與設備的聯機測試。

1 專家系統的推理機制

專家系統通常包括知識庫、推理機、綜合數據庫、人機接口、解釋程序和知識獲取程序等部分，其中推理機是用于控制和協調整個系統工作的一組程序[2]。在故障診斷專家系統中，推理機依據輸入的機械設備故障狀態等數據，利用知識庫中的知識，按一定的推理策略去求解問題。使用不同推理策略的專家系統各有優缺點，復雜、精確、高度自動化機械裝備具有的故障因素多樣、維護方法多種的特點，使得基于單一推理策略的專家系統局限性越來越明顯，多種推理方法的集成運用成為必然選擇[3-4]。

1.1 RBR

基于規則推理作為專家系統傳統技術，是將專家診斷的知識和經驗歸納為接近于人的思維模式的規則[5]，并利用這些規則進行推理來完成系統故障的診斷。它具有簡單、易實現等特點，廣泛應用于各類專家系統的開發。RBR推理的基本過程是:根據當前事實庫中的故障現象來逐一匹配規則庫中的規則。當某一規則的全部前提都滿足時，該規則被激活，于是執行該規則的結論部分。否則匹配下一條規則，直到規則庫中所有規則都被匹配一遍為止[6]。本文運用RBR推理構建集成故障診斷專家系統的基本推理機制，并對邏輯關系明確的故障直接進行推理診斷。

1.2 CBR

基于案例的推理方法基于對人類思維模式的一種模擬:人們處理實際問題時，并不總是從頭開始對整個問題進行分析，而是先從以往的經驗中尋找解決辦法，通過借鑒過去類似情況的處理方法來解決新問題。CBR過程包含案例檢索、案例重用、案例修改、案例存儲的循環過程。首先從案例庫中檢索出與當前問題類似的以往問題的解決方案，然后以此為出發點，綜合運用領域知識和各種推理技術修改案例，直至產生能夠解決當前問題的新方案，最后將此方案作為新案例存儲到案例庫中[7]。CBR推理有速度快、便于維護、系統自學能力強等特點，本文利用CBR進行復雜故障預定位。

1.3 ANN

人工神經網絡是用計算機軟硬件模擬人腦結構和功能的人工系統，廣泛應用于智能控制、模式識別、優化計算等領域[8]。單純利用神經網絡進行故障診斷的缺陷在于難于利用經驗、訓練時間長、大型網絡的穩定性分析困難、算法的收斂性實時性難以保證、而且對遠離樣本的故障診斷結果的準確性難以保證等問題[9]。本文利用ANN可以支持并行計算、推理速度快、容錯性好等優點，采用BP神經網絡(Back-propagation NN)對CBR推理失敗的復雜故障進行重新預定位。

為減少知識冗余，本文利用CBR案例庫中的案例作為神經網絡訓練樣本，通過數據庫技術存儲神經網絡經訓練得到的網絡結構數據(網絡的權值和閾值)，采用ADO技術與神經網絡進行數據交換，有效解決了神經網絡的數據交互和知識維護問題。故障“SE跑條”(故障代碼為2538)的神經網絡樣本訓練曲線和相應的知識表分別如圖1和圖2所示。

圖1 SE跑條故障的訓練曲線

Fig.1 Training curve of the SE rod-jumping fault

圖2 SE跑條故障的神經網絡知識表

Fig.2 ANN table of the “SE rod-jumping” fault

2 樹型結構與故障分類

專家系統的知識庫包含了大量知識，且這些知識處于不斷擴充的狀態。如何對這些知識進行合理的管理和維護是專家系統有效工作的基礎。煙機同其他復雜機械一樣，設備的許多故障現象與故障原因之間并不是簡單的因果關系。也就是說，煙機的一個故障現象可能對應著多個故障原因，而一個故障原因也可能引發多個故障現象。如何對這些復雜的故障進行管理，并進行有效的診斷推理呢?本文采用將這些故障按樹型結構進行分類管理的方法。

樹型結構是一種用分支關系定義的層狀結構。二叉樹是一種特殊的樹型結構，它的特點是每一個節點至多只有兩棵子樹。在獲取了大量故障知識的基礎上，深入分析故障特點，借助于樹的概念和結構，將卷接機組的故障分為兩大類:

1)二叉樹型故障。該類故障邏輯關系清楚，層次結構明確。如故障“HCF入口堵塞”，可建立起圖3所示的二叉樹型結構。

圖3 HCF入口堵塞故障的樹型結構

Fig.3 Structure of the entrance block of HCR fault

2)一般樹型類故障。故障現象和故障原因之間的邏輯層次關系復雜是該類故障的特點。如“SE跑條”故障，故障描述見表1，可建立起圖4所示的一般樹型結構。

圖4 SE跑條故障的樹型結構

Fig.4 Structure of the SE rod-jumping fault

3 集成故障診斷策略

故障診斷專家系統中一般是單獨使用RBR， CBR或ANN方法。本文根據卷接機組故障復雜、類型多樣的特點，采用RBR，CBR和ANN相結合的集成故障診斷推理策略，避免了分別使用這些方法的局限性[10]。這一集成推理策略包含了兩個方面的思想:RBR，CBR和ANN的串行混合推理;RBR方法和混合方法的并行推理。

3.1 RBR，CBR和ANN的串行混合推理

串行混合推理方案主要用來處理一般樹型故障。此類故障的故障樹第一層與第二層之間邏輯關系復雜，而自第二層往下，則可看成是以每個第二層節點為根節點的二叉故障樹。因此，對該類故障進行診斷的關鍵是確定故障發生在哪棵子二叉樹上，即對故障進行預定位。因第一層沒有明顯的邏輯層次關系，所以很難用簡單規則來表示，而使用復雜規則將導致規則庫的建立和維護困難，推理過程復雜，效率低下。經驗證，采用基于案例的推理和基于神經網絡的推理方法可以有效解決這類問題:利用CBR和ANN相結合的方法進行故障的預定位，再利用RBR進行定位之后的推理。

CBR和ANN推理模塊主要用來確定復雜故障在故障樹中的位置，以降低RBR推理的復雜程度。由于ANN推理結果有一定的不確定性，難以直接用于故障定位。為解決這一問題，我們在ANN模塊之前增加了CBR模塊，先利用CBR進行推理。若CBR推理成功，則可以快速、準確地確定故障位置，然后進行RBR推理，完成對故障的診斷;若CBR推理失敗，則再利用ANN進行推理，得到比較準確的故障位置，然后進行RBR推理，完成故障診斷，最后完成案例的修改和學習。這樣，既充分利用了CBR推理準確、能處理特殊案例和ANN容錯性好的優點，又降低了CBR對用戶專業知識的要求，同時也提高了RBR的推理效率。

3.2 RBR方法和混合方法的并行推理

該方案是根據卷接機組故障的特點和類型提出的。根據各類故障的特點，本文提出:二叉樹型故障采用RBR方法推理，一般樹型故障采用混合推理方法，不同的故障類型采用不同的故障推理方法，兩種方法并行使用。

對于二叉樹型故障，故障現象和故障原因之間邏輯層次關系明確，容易從故障知識抽象出規則，且規則之間關系簡單，規則庫的建立和維護方便，推理效率高。診斷此類故障，只需按照二叉故障樹的邏輯關系自上而下進行搜索，當搜索到葉子節點時，即得到了故障診斷的結果。所以，本文采用RBR方法直接進行診斷推理。

對于一般樹型故障，如3.1節所分析，采用RBR，CBR和ANN的串行混合推理方式進行推理。

由上述推理策略，系統采集到故障信息后，首先對故障信息進行分析，根據不同類型的故障，采用不同的故障診斷方法，系統的故障診斷專家系統診斷推理流程如圖5所示。

圖5 系統的診斷推理流程

Fig.5 Diagnosis-reasoning process of the system

4 系統設計與驗證

根據專家系統診斷策略和推理流程，設計系統結構如圖6所示。系統主要包括人機交互界面、綜合知識庫和推理機三大部分。

圖6 系統結構圖

Fig.6 Structure of the system

4.1 系統界面

根據卷接機組現有系統軟件環境要求，本文利用Visual Basic 6.0和Access數據庫 完成了系統的設計，并通過現場聯機調試對系統進行了驗證。

系統啟動后，彈出如圖7所示的主界面。主界面主要由4個部分組成:故障信息提示區、系統狀態監視區、工具按鍵區和功能鍵區。

圖7 主界面

Fig.7 Main interface

故障信息提示區用于顯示當前故障文本和系統時間;系統狀態監視區用于監視系統當前的運行狀態、主參數，實時顯示當前故障對應的圖形信息等;工具按鈕區提供用戶登錄與注銷、用戶管理、知識庫維護及退出系統等功能;功能鍵區提供與故障診斷相關的功能，如:瀏覽當前故障列表、故障深入診斷、故障詳細信息及解釋等。

4.2 診斷實例

為驗證系統的可行性，我們將系統與卷接機組進行了現場聯機調試。系統通過TCP/IP協議與機組實現數據通信，及時獲取機組的故障信息，并對其進行診斷和處理。

測試時，人為地使 “煙槍、放射源、喇叭嘴以及V型通道不在一條直線上”，造成卷接機組“SE跑條”故障。系統檢測到產生“SE跑條”的故障信息后，進入故障庫中進行檢索，確定其為一般樹型故障，于是啟動串行混合推理機制，彈出如圖8所示的故障診斷界面。

圖8 故障診斷界面

Fig.8 Interface of fault diagnosis

用戶輸入“煙條正常”和“煙條運行有跳動”的故障現象，經CBR和ANN模塊推理確定故障發生在圖4所示故障樹左數第二棵子二叉樹上，然后利用RBR進行推理，經用戶交互操作，診斷得到正確結果，如圖9所示。

圖9 用戶添加信息及故障診斷結論

Fig.9 Adding information and conclusion of fault diagnosis

測試結果表明，系統能夠幫助用戶快速準確地對卷接機組故障進行診斷，并給出正確的診斷結果和故障處理措施。

5 結論

故障知識和推理策略是專家系統的兩大核心。本文針對卷接機組故障的特點，提出用一般樹和二叉樹進行故障分類的新方法，并對卷接機組故障進行分類;在理論分析基礎上，提出采用RBR，CBR和基于ANN推理相結合的集成故障診斷推理策略，并以此設計了專家系統的推理流程;開發了卷接機組集成故障診斷專家系統，并通過現場聯機測試。實驗證明，本文提出的故障分類和集成故障診斷方法可有效運用于故障診斷中，所開發的系統具有實用性。

參考文獻:

[1] 虞和濟，陳長征，張省，等.基于神經網絡的智能診斷[M].北京:冶金工業出版社，2000:5-45.

YU He-ji， CHEN Chang-zheng， ZHANG Sheng， et al. Intelligent diagnosis based on neural networks[M]. Beijing: Metallurgical Industry Press， 2000:5-45.(In Chinese)

[2] LEHMAN C W. A rule-based expert system for the diagnosis of convergence problems in circuit simulation[D].U.S.A.: Colorado Technical University， 2006:10-43.

[3] GIARRATANO J， RILEY G. Expert systems-principle and programming[M]. 3rd ed. Boston， MA: PWS Publishing Company ， 1998: 1-40.

[4] 武波，馬玉祥.專家系統[M].北京:北京理工大學出版社， 2001:9-22.

WU BO， MA Yu-xiang. Expert system[M]. Beijing: Beijing Institute of Technology Press， 2001:9-22.(In Chinese)

[5] 楊杰，黃欣，郭英凱.用于故障診斷的集成型智能系統[J].上海交通大學學報，1998，32(6):1-8.

YANG Jie， HUANG Xin， GUO Ying-kai. Integrated intelligent system for fault diagnosis[J]. Journal of Shanghai Jiaotong University， 1998，32(6):1-8.(In Chinese)

[6] 段軍.基于CBR，RBR，BBR集成推理在交通事故處理中的應用研究[J].包頭鋼鐵學院學報， 2006， 25(2):184-188.

DUAN Jun. Study and apply on integrated reasoning model of CBR，RBR and BBR in traffic accident handling[J]. Journal of Baotou University of Iron and Steel Technology， 2006， 25(2):184-188.(In Chinese)

[7] 徐曉華.CBD在典型零件設計中的應用[D].長沙:湖南大學，2006:10-19.

XU Xiao-hua. The application research of CBD in shaft parts design[D]. Changsa: Hunan University， 2006:10-19. (In Chinese)

[8] 韓斌.基于神經網絡的工程機械液壓故障診斷專家系統的研究與實現[D].西安:長安大學，2005:10-17.

AN Bin. Research and implementation on a neural-network-based hydraulic fault diagnosis expert system for engineering mechanism[D]. Xi’an: Chang’an University， 2005:10-17.(In Chinese)

[9] 蘇建元，孫蔚，孫薇，等.基于神經網絡和模糊邏輯的工業過程故障診斷與報警系統[J]. 動力學與控制學報， 2006:284-288.

SU Jian-yuan， SUN Wei， SUN Wei， et al. Fault diagnosis and alarm system of industrial process based on neural network and fuzzy logic[J]. Journal of Dynamics and Control， 2006:284-288.(In Chinese)

[10] PORTINALE L， TORASSO P. ADAPtER:An integrated diagnostic system combining case-based and abductive reasoning[M]//Case-based Research and Development. Berlin/Heidelberg: Springer，1992:679-692.