基于CBR-RBF-KG的裝填車液壓系統(tǒng)故障診斷方法研究

郝俊杰，高虹霓，王 崴，李建棟，曹 虹，宋新成

(1.空軍工程大學(xué) 防空反導(dǎo)學(xué)院，西安 710051； 2.新疆工程學(xué)院 數(shù)理學(xué)院，烏魯木齊 830023)

1 引言

液壓系統(tǒng)是地導(dǎo)某型裝填車的核心系統(tǒng)，具有工作平穩(wěn)、響應(yīng)快和可實(shí)現(xiàn)無(wú)級(jí)調(diào)速等優(yōu)點(diǎn)，是保證裝填車進(jìn)行吊裝、系統(tǒng)展開(kāi)撤收和使用操作等功能發(fā)揮的主要系統(tǒng)。隨著裝備的快速更新?lián)Q代，裝填車的功能和性能不斷提高，液壓系統(tǒng)需要實(shí)現(xiàn)的操作也日趨精準(zhǔn)，所用液壓機(jī)件更加精密、系統(tǒng)結(jié)構(gòu)更加復(fù)雜。由于工作環(huán)境相對(duì)惡劣、裝備操作比較頻繁，使得液壓系統(tǒng)的故障率極高，而一旦發(fā)生故障，將直接影響整個(gè)裝備的正常作業(yè)，甚至可能延誤戰(zhàn)機(jī)。因此，能夠快速定位、排除液壓系統(tǒng)故障對(duì)保持裝備的完好率和使用效能具有重要意義。

當(dāng)前的裝設(shè)備故障診斷方法較多[1-7]，但多用于具有周期性、連續(xù)性等特點(diǎn)的旋轉(zhuǎn)機(jī)械，并不適合非周期性、突變和離散的液壓系統(tǒng)故障。裝填車在使用維護(hù)過(guò)程中積累了大量液壓系統(tǒng)故障案例，為充分利用這些數(shù)據(jù)資源，同時(shí)提高液壓系統(tǒng)的診斷效率，本文提出一種基于案例推理的液壓系統(tǒng)故障診斷方法，采用TF-IDF關(guān)鍵詞抽取方法[8]進(jìn)行故障案例特征提取，采用RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行案例推理，采用知識(shí)圖譜進(jìn)行案例表達(dá)。

2 基于案例推理的裝備液壓系統(tǒng)故障診斷方法

基于案例推理(case-based reasoning，CBR)的方法，進(jìn)行故障診斷的思路是通過(guò)重用或修改歷史故障案例來(lái)解決新故障，它只需檢索相似的已有案例而不需要完整獲取知識(shí)的規(guī)則，不受知識(shí)獲取問(wèn)題的困擾，是故障診斷領(lǐng)域的研究熱點(diǎn)之一。

2.1 液壓系統(tǒng)故障診斷模型結(jié)構(gòu)

基于CBR的液壓系統(tǒng)故障診斷模型結(jié)構(gòu)如圖1。

圖1 故障診斷模型結(jié)構(gòu)框圖

主要分為三部分：第一是案例庫(kù)構(gòu)建，將采集到的歷史故障案例進(jìn)行預(yù)處理，分類并錄入故障庫(kù)，在使用案例庫(kù)對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的同時(shí)刪除案例庫(kù)中的重復(fù)案例，精簡(jiǎn)案例庫(kù)；第二是目標(biāo)案例故障診斷，用jieba分詞法和TF-IDF關(guān)鍵詞抽取算法對(duì)目標(biāo)案例進(jìn)行特征提取，通過(guò)RBF神經(jīng)網(wǎng)絡(luò)得出案例庫(kù)案例與目標(biāo)案例的相似度，即案例檢索，最后通過(guò)知識(shí)圖譜來(lái)展示檢索到的案例；第三是案例修正保存，通過(guò)目標(biāo)案例與歷史案例進(jìn)行對(duì)比，以相似度確定該案例是否保存，將修正后的相似案例存入案例庫(kù)。

如圖1所示，故障診斷的基本流程為：對(duì)目標(biāo)案例的故障描述信息，先進(jìn)行特征提取，得到特征詞及對(duì)應(yīng)特征詞向量；再根據(jù)詞向量對(duì)案例庫(kù)中案例聚類，找到與目標(biāo)案例同類的故障案例；之后，將同類案例的故障特征轉(zhuǎn)化為詞向量輸入RBF神經(jīng)網(wǎng)絡(luò)，得到每個(gè)同類案例與目標(biāo)案例的相似度，根據(jù)相似度來(lái)對(duì)案例進(jìn)行重用或修正，確定故障解決方案，并通過(guò)知識(shí)圖譜對(duì)確定案例進(jìn)行展示；最后，將相似度為1的案例即相同案例舍去，相似度小于1的重用案例在修正后存入案例庫(kù)。

2.2 診斷算法

2.2.1案例庫(kù)的構(gòu)建

1) 故障案例預(yù)處理

收集到的故障案例形式多樣，且對(duì)每個(gè)故障的描述沒(méi)有統(tǒng)一規(guī)范，無(wú)法直接使用。為完整、規(guī)范表達(dá)案例的故障信息，對(duì)該裝備液壓系統(tǒng)的歷史故障進(jìn)行整理、分析，將案例使用表1中的5種要素進(jìn)行描述。

表1 故障案例信息要素表

按以上定義，整個(gè)案例庫(kù)可表示為C={C1,C2,…,Cn}，每個(gè)故障案例可表示為Ci=(Ci1,Ci2,…,Ci5)，i=1,2,…,n，Ci為案例庫(kù)中的第i個(gè)案例，n為故障案例數(shù)。

2) 故障案例庫(kù)創(chuàng)建

案例庫(kù)以數(shù)據(jù)表的形式創(chuàng)建，共有4個(gè)，現(xiàn)以案例1為例進(jìn)行說(shuō)明。

案例1：海拔400 m、晝夜溫差10 ℃、溫度5 ℃、濕度58%，裝填車加油之后，發(fā)現(xiàn)油量表無(wú)顯示。原因?yàn)橛臀粋鞲衅鲹p壞，更換油位傳感器，故障現(xiàn)象消失。

故障特征存儲(chǔ)結(jié)構(gòu)表：存儲(chǔ)每個(gè)故障案例中的故障部位和故障現(xiàn)象中的特征關(guān)鍵詞，每個(gè)故障案例包含故障的多個(gè)特征，每個(gè)故障特征的存儲(chǔ)結(jié)構(gòu)如表2所示。

表2 故障特征存儲(chǔ)結(jié)構(gòu)表

故障現(xiàn)象存儲(chǔ)結(jié)構(gòu)表：存儲(chǔ)每個(gè)故障案例的運(yùn)行環(huán)境、故障部位以及故障現(xiàn)象的詳細(xì)描述，存儲(chǔ)結(jié)構(gòu)如表3所示。

表3 故障現(xiàn)象存儲(chǔ)結(jié)構(gòu)表

解決方案存儲(chǔ)結(jié)構(gòu)表：存儲(chǔ)每個(gè)故障案例的故障原因分析和故障解決方案，存儲(chǔ)結(jié)構(gòu)如表4所示。

表4 解決方案存儲(chǔ)結(jié)構(gòu)表

存儲(chǔ)結(jié)構(gòu)關(guān)系表：存儲(chǔ)每個(gè)故障案例、故障特征、故障現(xiàn)象及解決方案的對(duì)應(yīng)關(guān)系，存儲(chǔ)結(jié)構(gòu)如表5所示。

表5 存儲(chǔ)結(jié)構(gòu)關(guān)系表

故障特征表的創(chuàng)建主要是為了便于檢索案例，提高故障的檢索效率。

2.2.2故障特征提取

對(duì)故障特征的提取主要針對(duì)故障案例信息中故障部位Ci2和故障現(xiàn)象Ci3兩種故障要素，通過(guò)jieba中文分詞法及基于TF-IDF(Term Frequency-Inverse Document Frequency)的關(guān)鍵詞抽取算法來(lái)完成，特征提取完成后存入故障特征表。

特征提取過(guò)程如下：

首先構(gòu)建裝備故障常見(jiàn)特征詞庫(kù)和停用詞庫(kù)。特征詞庫(kù)用來(lái)存放裝備的一些專有名稱、專用動(dòng)作詞匯等；停用詞庫(kù)主要存儲(chǔ)一些連接詞、修飾詞等無(wú)價(jià)值的詞。然后利用jieba分詞法對(duì)案例的故障部位Ci2和故障現(xiàn)象Ci3進(jìn)行分詞。對(duì)特征詞庫(kù)中的詞，分詞法會(huì)直接輸出而不再進(jìn)行分詞。之后從分詞結(jié)果中去除停用詞庫(kù)中無(wú)價(jià)值的詞。最后使用TF-IDF算法在去除停用詞后的特征詞中抽取出可以表示該案例的關(guān)鍵詞，即獲取該案例中詞頻高且案例庫(kù)其他案例中詞頻低的特征詞[9]。

案例庫(kù)中第i個(gè)案例Ci，Ci中第j個(gè)特征詞fj的權(quán)值ij即TF-IDF值，

(1)

其中，fij是特征詞fj在案例Ci中出現(xiàn)的頻率，m是案例中包含的特征詞數(shù)，N是案例庫(kù)中案例總數(shù)，nj+1是包含特征詞fj的案例數(shù)。

使用該方法對(duì)具體案例進(jìn)行特征提取見(jiàn)表6。

表6 案例特征

2.2.3案例檢索

徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)有逼近能力好、學(xué)習(xí)速度快且理論上有全局收斂的優(yōu)點(diǎn)[10]。RBF神經(jīng)網(wǎng)絡(luò)通過(guò)案例庫(kù)中的案例進(jìn)行學(xué)習(xí)訓(xùn)練，確定網(wǎng)絡(luò)結(jié)構(gòu)，并根據(jù)模式矢量多維空間距離的非線性映射對(duì)故障現(xiàn)象進(jìn)行識(shí)別和分類，由此診斷出相應(yīng)的故障原因。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，由輸入層、隱含層、輸出層組成。

在RBF神經(jīng)網(wǎng)絡(luò)中，輸入層以故障特征向量作為輸入。隱含層由歷史案例庫(kù)中的計(jì)算單元組成，利用混合學(xué)習(xí)過(guò)程在無(wú)監(jiān)督方式下訓(xùn)練實(shí)現(xiàn)，是網(wǎng)絡(luò)結(jié)構(gòu)中最重要的一層，當(dāng)接收到輸入向量時(shí)，利用徑向基函數(shù)進(jìn)行計(jì)算。輸出層則將隱含層神經(jīng)元的表達(dá)結(jié)果進(jìn)行線性加權(quán)后進(jìn)行輸出。

圖2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

將X=[x1,x2,…,xn]T作為輸入樣本，Y=[y1,y2,…,ym]T作為輸出，隱層采用徑向?qū)ΨQ的高斯函數(shù)。

(2)

式中：ri(x)為第i個(gè)隱層節(jié)點(diǎn)的輸出；ci為第i個(gè)隱層節(jié)點(diǎn)的中心值；為第i個(gè)隱層節(jié)點(diǎn)的方差；l為隱層節(jié)點(diǎn)數(shù)。

神經(jīng)網(wǎng)絡(luò)的輸出為：

(3)

式中:ω為輸出層權(quán)值[11]。

選取l個(gè)中心做聚類，對(duì)于高斯核函數(shù)的徑向基，

(4)

(5)

式中cmax為中心點(diǎn)之間的最大距離。

2.2.4故障案例表達(dá)

故障案例的表達(dá)采用知識(shí)圖譜(knowledge graph，KG)[12-13]。與傳統(tǒng)知識(shí)表現(xiàn)形式相比，知識(shí)圖譜具有實(shí)體和概念覆蓋面廣、語(yǔ)義關(guān)系多樣、結(jié)構(gòu)友好以及質(zhì)量較高等優(yōu)勢(shì)[14]。

知識(shí)圖譜中事物的屬性以及事物之間的聯(lián)系通常以三元組的形式刻畫(huà)，簡(jiǎn)潔直觀，可以很容易找到與事物相關(guān)的知識(shí)[15]。三元組可以將每一條案例表示為Case_KG =(Subject，relation，Object )，即“實(shí)體-關(guān)系-實(shí)體”[16]。故障實(shí)體由案例編號(hào)、故障特征、故障現(xiàn)象和解決方案構(gòu)成，關(guān)系則包含故障要素、特征詞、現(xiàn)象、原因和解決方案等。

案例1通過(guò)三元組表示見(jiàn)表7。將表7中的三元組合并得到該案例的知識(shí)圖譜，如圖3所示，各結(jié)點(diǎn)表示Subject或Object，有向邊表示relation，方向表明實(shí)體是Subject還是Object，采用不同顏色來(lái)區(qū)分不同類型實(shí)體。

2.2.5案例修正保存

在故障案例檢索完成后，當(dāng)檢索到與目標(biāo)案例相同即相似度為1的源案例，則從故障案例庫(kù)直接獲取該案例的故障原因及解決方案即可，目標(biāo)案例不保存。

當(dāng)檢索到與目標(biāo)案例類似即相似度小于1的源案例，則將相似源案例的解決方案作為目標(biāo)案例的建議解，并根據(jù)實(shí)際情況進(jìn)行建議解的修正，將修正后的方案作為最終解決方案，并將該目標(biāo)案例作為一個(gè)新案例保存至案例庫(kù)。

表7 三元組表示

圖3 案例的知識(shí)圖譜

3 故障診斷實(shí)例

基于CBR-RBF-KG的裝填車液壓系統(tǒng)故障診斷方法采用基于B/S架構(gòu)的頁(yè)面，用MySQL數(shù)據(jù)庫(kù)管理故障案例庫(kù)，程序開(kāi)發(fā)和算法采用python3.8編譯，在Pycharm平臺(tái)上操作調(diào)試?，F(xiàn)以某型裝填車出現(xiàn)的故障為例進(jìn)行診斷。

故障案例：環(huán)境溫度9 ℃、濕度43%、氣壓976 hpa、海拔531 m、鹽度0.8 ppm、晝夜溫差為15 ℃的條件下，9號(hào)裝填車通過(guò)換向閥控制執(zhí)行機(jī)構(gòu)換向時(shí)，執(zhí)行機(jī)構(gòu)卡滯。

對(duì)輸入的故障現(xiàn)象進(jìn)行故障特征的智能識(shí)別提取，結(jié)果如表8所示。

表8 故障特征識(shí)別結(jié)果

故障特征詞向量化，結(jié)果如圖4所示。

圖4 特征詞向量化示意圖

故障特征聚類，結(jié)果如表9所示(展示與目標(biāo)案例相關(guān)的一類)。

表9 故障特征聚類結(jié)果

聚類后，RBF神經(jīng)網(wǎng)絡(luò)求解同類案例與目標(biāo)案例的相似度，最終根據(jù)相似度的高低依次展示相似案例(展示前二個(gè)案例)。

針對(duì)故障特征控制、執(zhí)行機(jī)構(gòu)、卡滯、換向、換向閥有3個(gè)相似案例。

案例1：

故障特征：控制 執(zhí)行機(jī)構(gòu) 卡滯 換向 換向閥 裝填車

解決方案：

[原因：換向推桿長(zhǎng)期撞擊磨損而變短，或銜鐵接觸點(diǎn)磨損，閥芯行程不足，開(kāi)孔及流量變小。

排除方法：更換推桿或電磁鐵。

故障現(xiàn)象：環(huán)境溫度9 ℃、濕度43%、氣壓976 hpa、海拔531 m、鹽度0.8 ppm、晝夜溫差為15 ℃的條件下，9號(hào)裝填車通過(guò)換向閥控制執(zhí)行機(jī)構(gòu)換向時(shí)，執(zhí)行機(jī)構(gòu)卡滯。]

相似度：1

案例2：

故障特征：沖擊和噪聲 換向 換向閥 裝填車

解決方案：

[原因:電磁換向閥推桿過(guò)長(zhǎng)或過(guò)短。

排除方法：修理或更換推桿。

故障現(xiàn)象：在溫度13 ℃、濕度54%、氣壓976 hpa、海拔531 m、鹽度0.8 ppm、晝夜溫差為9 ℃的條件下，3號(hào)裝填車換向閥換向有沖擊和噪聲。]

相似度：0.845

知識(shí)圖譜展示相似度第一的案例，如圖5所示。

圖5 案例展示

從案例展示結(jié)果可知，案例1與目標(biāo)案例相似度為1。參考案例1的解決方案，檢查換向閥的換向推桿和銜鐵接觸點(diǎn)，根據(jù)原因更換推桿或電磁鐵?，F(xiàn)場(chǎng)的實(shí)際情況是換向閥中的換向推桿長(zhǎng)期撞擊磨損后變短，導(dǎo)致閥芯行程不足，開(kāi)孔及流量變小，從而使執(zhí)行機(jī)構(gòu)壓力不足，執(zhí)行機(jī)構(gòu)卡滯。該案例為相同案例，不保存。該方法能夠?qū)ρb填車的液壓系統(tǒng)故障進(jìn)行定位與診斷，可以指導(dǎo)保障人員的維修工作。

4 結(jié)論

1) 基于CBR-RBF-KG的診斷方法可以用于非周期性、突變和離散的裝填車液壓系統(tǒng)故障，能夠有效的定位故障原因，指導(dǎo)故障排除。

2) 使用知識(shí)圖譜對(duì)案例進(jìn)行可視化描述，使案例顯示更加清晰、直觀；使用三元組的知識(shí)圖譜結(jié)構(gòu)，提升了診斷方法獲取故障特征的能力，進(jìn)而提高了故障的診斷能力。

3) 方法建立案例庫(kù)，通過(guò)案例進(jìn)行推理，能夠充分應(yīng)用裝填車的大量液壓系統(tǒng)故障數(shù)據(jù)資源。在故障診斷過(guò)程中，隨著故障案例的增加，CBR會(huì)不斷學(xué)習(xí)，診斷更加準(zhǔn)確。