基于故障樹的專家系統在起重機運行機構故障診斷中的應用

胡靜波，周前飛

(南京市特種設備安全監督檢驗研究院，江蘇 南京 210019)

0 引言

故障診斷方法自20世紀70年代以來，經過40多年的發展已有了較多的理論方法，且診斷方法逐漸偏向于基于人工智能的故障診斷方法[1-3]，常用的故障診斷方法有基于數學模型的診斷方法、基于故障樹分析的診斷方法、基于專家系統的故障診斷方法、基于神經網絡的故障診斷方法等。

基于數學模型的故障診斷方法[4-6]是一種比較成熟的方法，其特點是與原理緊密結合，非常的精確，然而對于起重機這種復雜的工程機械，往往很難建立準確的數學模型，診斷準確性得不到保證。基于故障樹分析的故障診斷方法具有直觀、簡單、思路清晰、邏輯性強等特點，通過故障樹結構圖，能夠從整體到部分的描繪出故障與各子系統之間的關系，從而可以對故障的原因做出詳細的劃分[7-8]。基于專家系統的故障診斷方法是依據某個領域專家長期積累的診斷經驗作為知識庫，通過有效的推理，將故障征兆與故障進行相應比對匹配，從而查看是否符合某種故障征兆，判斷出故障[9-10]。基于神經網絡的故障診斷方法可通過自身的不斷學習機制自動形成故障診斷的方案，把故障診斷的知識存儲于網絡的連接權當中，當周圍環境改變時，可自動調整，從而解決各種問題。

1 基于故障樹的專家系統診斷方法

起重機的運行機構主要包括起升機構、大車機構、小車機構、回轉機構、變幅機構等。各種運行機構的狀態千差萬別，出現的故障類型多種多樣，各種成熟的故障診斷方法雖各有其優勢，但在起重機運行機構故障診斷中使用單一的方法往往無法對復雜的故障進行精準診斷。

針對起重機運行機構故障的特殊性，可采用故障樹分析法和專家系統診斷法相結合的方法進行故障診斷。

1.1 故障樹分析法

故障樹模型是一個針對于所研究對象功能特征、結構的行為模型，是一種定性的因果模型，模型以研究對象最不希望事件為頂事件，以可能導致頂事件發生的其他事件為中間事件和底事件，同時采用邏輯門表示事件之間關聯的一種倒樹狀結構的邏輯圖。若假設所研究對象或其組成元件只有正常和故障兩種狀態，那么若故障樹模型具有n個底事件，若xi代表底事件i是否發生，其僅有1或0兩種狀態，同樣對于頂事件φ也有0或1兩種狀態。那么應有如下定義：

頂事件φ是否發生完全取決于底事件xi，那么就有φ=φ(x)，其中x=(x1,x2,x3...,xn)，稱φ(x)為故障樹的結構函數。

故障樹分析包括故障樹建立、故障樹定性分析和故障樹定量分析。故障樹定性分析是在建立故障樹之后尋找導致研究對象頂事件發生的所有組合，即找出故障樹所有割集。再找出所有割集之后就可以對故障樹做定量分析，進行故障定位及處理。

1.2 專家系統診斷法

專家系統就是將領域內專家長期積累的經驗知識，通過一定規則整理成計算機能夠識別的知識庫，利用計算人機交互界面獲取用戶的診斷需求，然后根據一定的推理策略，根據用戶的提問給出相應的回答并在最后給出專家的診斷結果和維修建議。

對于所要診斷的領域不同，專家系統的結構可能會有所不同，但他們的組成核心通常是不變的，一般專家系統由用戶接口、知識庫、推理機、數據庫、解釋系統和知識獲取構成，其基本架構如圖1所示。

圖1 專家系統結構

其中知識庫是由啟發性知識和事實知識構成，它是專家系統的核心，它由某一領域中若干專家長期積累的故障預警經驗匯集整理而成，在系統中向用戶提供關于故障的多個專家的經驗知識。推理機作為系統代碼實現的核心，決定著系統的診斷效率以及診斷的準確性。它通過用戶接口獲取用戶想要診斷的故障，利用專家經驗匯集成的知識庫按照一定的分析策略來求解問題，并給出結論。通常系統的知識庫與推理機是分離的，這種形式有利于知識庫的管理和推理機的擴展。

1.3 故障樹與專家系統聯系

故障樹與專家系統之間并不是完全獨立的兩個概念，他們存在著一定的聯系。故障樹的產生是為了以圖形化的方式建立故障模型用于故障分析及診斷。專家系統的建立旨在當研究對象失效后根據知識庫的知識結合多種診斷信息，通過一定的推理策略，向診斷人員提供故障發生的原因及故障應對策略。另外，知識獲取一直是困擾專家系統擴展的一個瓶頸，通過在專家系統中引入故障樹來生成專家系統診斷的知識庫，這樣便解決了專家系統知識獲取不便的問題。

2 起重機運行機構故障分析

起重機大車運行過程中常見的故障包括運行打滑和輪緣啃軌兩大類。

運行打滑的原因可能是：1) 軌道上有油污或者冰霜。2) 軌道存在同一截面軌道標準差過大。3) 操作人員啟動時過猛。

輪緣啃軌又分為車輪原因和軌道原因。車輪原因造成啃軌可歸為車輪質量不合格，當其兩邊的車輪的直徑相差過大時，在起重機運行時會出現行走偏斜，使得兩邊運行的速度不一樣，造成啃軌故障的發生。

軌道原因造成啃軌可能是起重機安裝時就未達到要求或長期使用后造成的結果。安裝時就未達到要求包括：① 軌道安裝時沒有達到平行的要求，安裝的形狀呈“八”字型。② 起重機兩邊的傳動距離安裝時相差較大，啟動后便會出現不同步。③ 大車兩邊電機驅動不同步。

長期使用后造成啃軌故障的包括：整體承載結構發生變形，導致軌道產生偏差；軌道產生疲勞損傷；在使用過程中軌道上出現細微雜物。

3 起重機運行機構故障診斷推理機制

專家系統在診斷上的效率主要由推理機的實現機制決定，知識庫的建立也是為了專家系統最后的推理服務的，所以推理機設計是專家系統診斷的核心。專家系統推理機常用的策略有正向推理、反向推理、混合推理。由于本系統所研究的對象較復雜，情況多變，采用正向推理較合理。本文采用的基于故障樹與專家系統知識庫融合的推理機模式，基于故障樹定量定性分析的方法進行推理。

專家系統在診斷過程中首先要根據故障樹節點的重要度、設備重要度來確定故障樹事件中的檢查優先級，確定好故障樹優先級后系統通過人機交互界面獲取用戶要進行檢查的頂事件，作為專家系統的輸入，通過匹配知識庫框架，如果匹配的框架是直接框架那么可以直接得出其故障原因不用再向下查找，如果匹配的框架是間接框架那么系統還要依據對應的規則向下查找，直到查找到最后的直接框架停止查找，然后輸出故障原因。

故障樹的定性分析就是通過建立好的故障樹，根據門結構函數計算出所有能夠導致頂事件發生的所有組合，這些組合就是用戶需要進行檢查的項目。

結合起重機運行機構故障的具體分析，獲得圖2簡化后的故障樹結構圖。T為該故障樹的頂事件，也即系統所不希望發生的事件。

圖2 故障樹實例

依據機構函數的定義得出頂事件T發生的概率公式。T=((x1+y1+z1)(x2+y2+z2)+g)(x3+y3+z3)

那么得出的所有最小割集集合為(x1x2x3，x1x2y3，x1x2z3，x1y2x3，x1y2y3，x1y2z3，x1z2x3，x1z2y3，x1z2z3，y1x2x3，y1x2y3，y1x2z3，y1y2x3，y1y2y3，y1y2z3，y1z2x3，y1z2y3，y1z2z3，z1x2x3，z1x2y3，z1x2z3，z1y2x3，z1y2y3，z1y2z3，z1z2x3，z1z2y3，z1z2z3，gx3，gy3，gz3)。由此可以看出稍微復雜的故障樹在確定最小割集的時候也是比較復雜的，如果底事件數量增多那么所得出的最小割集集合元素數量也是會以倍數增加，所以在進行進一步分析之前要對最小割集集合進行一次定量處理。假設底事件發生的概率如表1所示。

表1 底事件發生概率

通過底事件發生的概率可以算出頂事件及中間事件的發生概率。

P(f1)=0.362 4，P(f2)=0.362 4，P(d)=0.862 3，P(c)=0.153 6，P(t)=0.126 9。由此便得出了事件發生的概率。通過底事件的概率同樣可以算出各個各級出現的概率，依據割集出現的概率確定各級的優先級。各割集的重要度見表2。

表2 最小割集重要度

表2列出了全部30個最小割集的重要度，重要度小于0.01的事件由于其發生概率過小，所以對其的處理是以不會發生進行處理，30個最小割集在處理之后有7個割集，那么在進行診斷時依據這7個集合進行診斷，相比于之前的30個集合工作量大大減少了，對于尋找故障原因也大大提高了命中率。

由此可以得出基于故障樹的專家系統推理機的工作主要流程如下：

1) 依據建立好的故障樹進行定性分析，找出導致頂事件發生的最小割集。

2) 確定好導致頂事件發生的所有最小割集集合后，對所得到的集合進行定量分析，確定各最小割集的重要度，縮減用戶檢查范圍。通過人機交互界面獲取用戶所要診斷事件的故障樹頂事件，通過對頂事件所在的故障樹進行查找，獲得用戶所要進行檢查的所有割集，并依據重要度優先級提醒用戶進行檢查，最終找到故障原因。

4 結語

將專家系統和故障樹分析方法相結合，對起重機運行機構進行故障診斷，可有效地找出故障發生的原因并給出相應的維修策略。在本方法中，專家系統是核心，知識庫是專家系統中最重要的一部分，對于知識處理采用故障樹分析方法。在實際應用中，需要針對不同起重機的特點和各運行機構的組成部分分別制定其故障推理機制，并在實際應用中進行推理機制的驗證和修改。

參考文獻:

[1] 王道平，張義忠. 故障智能診斷系統的理論與方法[M]. 北京：冶金工業出版社，2001.

[2] 何靜，邱靜，張昌凡. 一種滑模觀測器的多故障診斷方法[J]. 動力學與控制學報，2009，7(1)：84-91.

[3] 于維倩，姜斌，劉劍慰. 一類非線性飛行控制系統魯棒故障診斷[J]. 控制工程，2011，18(1)：147-151.

[4] 王旭峰. 基于到頻譜的分析方法的滾動軸承故障診斷研究[D]. 昆明：昆明理工大學，2010.

[5] 盧艷軍，孟凡龍，李一波. 機電設備故障診斷中的模式識別技術[J]. 機械設計與制造，2009(3)：82-83.

[6] 熊銳庭. 基于模糊神經網絡的電梯故障診斷系統的研究[D]. 武漢：武漢理工大學，2009.

[7] 喬久鵬. 電梯故障檢測及診斷系統研究[D]. 哈爾濱:哈爾濱工業大學，2007.

[8] 劉曉明. 基于故障樹的神經網絡的運載火箭故障診斷關鍵技術的研究[D]. 成都：電子科技大學，2010.

[9] 蔡鵑. 控制系統的神經網絡故障診斷方法[D]. 長沙：湖南大學，2009.

[10] 徐世杰. 人工神經網絡在機械故障診斷技術中的應用[J]. 機電信息，2010(12)：40-43.