郝俊杰，高虹霓，王 崴，李建栋，曹 虹，宋新成

(1.空军工程大学 防空反导学院，西安 710051； 2.新疆工程学院 数理学院，乌鲁木齐 830023)

1 引言

液压系统是地导某型装填车的核心系统，具有工作平稳、响应快和可实现无级调速等优点，是保证装填车进行吊装、系统展开撤收和使用操作等功能发挥的主要系统。随着装备的快速更新换代，装填车的功能和性能不断提高，液压系统需要实现的操作也日趋精准，所用液压机件更加精密、系统结构更加复杂。由于工作环境相对恶劣、装备操作比较频繁，使得液压系统的故障率极高，而一旦发生故障，将直接影响整个装备的正常作业，甚至可能延误战机。因此，能够快速定位、排除液压系统故障对保持装备的完好率和使用效能具有重要意义。

当前的装设备故障诊断方法较多[1-7]，但多用于具有周期性、连续性等特点的旋转机械，并不适合非周期性、突变和离散的液压系统故障。装填车在使用维护过程中积累了大量液压系统故障案例，为充分利用这些数据资源，同时提高液压系统的诊断效率，本文提出一种基于案例推理的液压系统故障诊断方法，采用TF-IDF关键词抽取方法[8]进行故障案例特征提取，采用RBF神经网络算法进行案例推理，采用知识图谱进行案例表达。

2 基于案例推理的装备液压系统故障诊断方法

基于案例推理(case-based reasoning，CBR)的方法，进行故障诊断的思路是通过重用或修改历史故障案例来解决新故障，它只需检索相似的已有案例而不需要完整获取知识的规则，不受知识获取问题的困扰，是故障诊断领域的研究热点之一。

2.1 液压系统故障诊断模型结构

基于CBR的液压系统故障诊断模型结构如图1。

图1 故障诊断模型结构框图

主要分为三部分：第一是案例库构建，将采集到的历史故障案例进行预处理，分类并录入故障库，在使用案例库对RBF神经网络进行训练的同时删除案例库中的重复案例，精简案例库；第二是目标案例故障诊断，用jieba分词法和TF-IDF关键词抽取算法对目标案例进行特征提取，通过RBF神经网络得出案例库案例与目标案例的相似度，即案例检索，最后通过知识图谱来展示检索到的案例；第三是案例修正保存，通过目标案例与历史案例进行对比，以相似度确定该案例是否保存，将修正后的相似案例存入案例库。

如图1所示，故障诊断的基本流程为：对目标案例的故障描述信息，先进行特征提取，得到特征词及对应特征词向量；再根据词向量对案例库中案例聚类，找到与目标案例同类的故障案例；之后，将同类案例的故障特征转化为词向量输入RBF神经网络，得到每个同类案例与目标案例的相似度，根据相似度来对案例进行重用或修正，确定故障解决方案，并通过知识图谱对确定案例进行展示；最后，将相似度为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库。

2.2 诊断算法

2.2.1案例库的构建

1) 故障案例预处理

收集到的故障案例形式多样，且对每个故障的描述没有统一规范，无法直接使用。为完整、规范表达案例的故障信息，对该装备液压系统的历史故障进行整理、分析，将案例使用表1中的5种要素进行描述。

表1 故障案例信息要素表

按以上定义，整个案例库可表示为C={C1,C2,…,Cn}，每个故障案例可表示为Ci=(Ci1,Ci2,…,Ci5)，i=1,2,…,n，Ci为案例库中的第i个案例，n为故障案例数。

2) 故障案例库创建

案例库以数据表的形式创建，共有4个，现以案例1为例进行说明。

案例1：海拔400 m、昼夜温差10 ℃、温度5 ℃、湿度58%，装填车加油之后，发现油量表无显示。原因为油位传感器损坏，更换油位传感器，故障现象消失。

故障特征存储结构表：存储每个故障案例中的故障部位和故障现象中的特征关键词，每个故障案例包含故障的多个特征，每个故障特征的存储结构如表2所示。

表2 故障特征存储结构表

故障现象存储结构表：存储每个故障案例的运行环境、故障部位以及故障现象的详细描述，存储结构如表3所示。

表3 故障现象存储结构表

解决方案存储结构表：存储每个故障案例的故障原因分析和故障解决方案，存储结构如表4所示。

表4 解决方案存储结构表

存储结构关系表：存储每个故障案例、故障特征、故障现象及解决方案的对应关系，存储结构如表5所示。

表5 存储结构关系表

故障特征表的创建主要是为了便于检索案例，提高故障的检索效率。

2.2.2故障特征提取

对故障特征的提取主要针对故障案例信息中故障部位Ci2和故障现象Ci3两种故障要素，通过jieba中文分词法及基于TF-IDF(Term Frequency-Inverse Document Frequency)的关键词抽取算法来完成，特征提取完成后存入故障特征表。

特征提取过程如下：

首先构建装备故障常见特征词库和停用词库。特征词库用来存放装备的一些专有名称、专用动作词汇等；停用词库主要存储一些连接词、修饰词等无价值的词。然后利用jieba分词法对案例的故障部位Ci2和故障现象Ci3进行分词。对特征词库中的词，分词法会直接输出而不再进行分词。之后从分词结果中去除停用词库中无价值的词。最后使用TF-IDF算法在去除停用词后的特征词中抽取出可以表示该案例的关键词，即获取该案例中词频高且案例库其他案例中词频低的特征词[9]。

案例库中第i个案例Ci，Ci中第j个特征词fj的权值ij即TF-IDF值，

(1)

其中，fij是特征词fj在案例Ci中出现的频率，m是案例中包含的特征词数，N是案例库中案例总数，nj+1是包含特征词fj的案例数。

使用该方法对具体案例进行特征提取见表6。

表6 案例特征

2.2.3案例检索

径向基函数(radial basis function，RBF)神经网络有逼近能力好、学习速度快且理论上有全局收敛的优点[10]。RBF神经网络通过案例库中的案例进行学习训练，确定网络结构，并根据模式矢量多维空间距离的非线性映射对故障现象进行识别和分类，由此诊断出相应的故障原因。RBF神经网络结构如图2所示，由输入层、隐含层、输出层组成。

在RBF神经网络中，输入层以故障特征向量作为输入。隐含层由历史案例库中的计算单元组成，利用混合学习过程在无监督方式下训练实现，是网络结构中最重要的一层，当接收到输入向量时，利用径向基函数进行计算。输出层则将隐含层神经元的表达结果进行线性加权后进行输出。

图2 RBF神经网络结构示意图

将X=[x1,x2,…,xn]T作为输入样本，Y=[y1,y2,…,ym]T作为输出，隐层采用径向对称的高斯函数。

(2)

式中：ri(x)为第i个隐层节点的输出；ci为第i个隐层节点的中心值；为第i个隐层节点的方差；l为隐层节点数。

神经网络的输出为：

(3)

式中:ω为输出层权值[11]。

选取l个中心做聚类，对于高斯核函数的径向基，

(4)

(5)

式中cmax为中心点之间的最大距离。

2.2.4故障案例表达

故障案例的表达采用知识图谱(knowledge graph，KG)[12-13]。与传统知识表现形式相比，知识图谱具有实体和概念覆盖面广、语义关系多样、结构友好以及质量较高等优势[14]。

知识图谱中事物的属性以及事物之间的联系通常以三元组的形式刻画，简洁直观，可以很容易找到与事物相关的知识[15]。三元组可以将每一条案例表示为Case_KG =(Subject，relation，Object )，即“实体-关系-实体”[16]。故障实体由案例编号、故障特征、故障现象和解决方案构成，关系则包含故障要素、特征词、现象、原因和解决方案等。

案例1通过三元组表示见表7。将表7中的三元组合并得到该案例的知识图谱，如图3所示，各结点表示Subject或Object，有向边表示relation，方向表明实体是Subject还是Object，采用不同颜色来区分不同类型实体。

2.2.5案例修正保存

在故障案例检索完成后，当检索到与目标案例相同即相似度为1的源案例，则从故障案例库直接获取该案例的故障原因及解决方案即可，目标案例不保存。

当检索到与目标案例类似即相似度小于1的源案例，则将相似源案例的解决方案作为目标案例的建议解，并根据实际情况进行建议解的修正，将修正后的方案作为最终解决方案，并将该目标案例作为一个新案例保存至案例库。

表7 三元组表示

图3 案例的知识图谱

3 故障诊断实例

基于CBR-RBF-KG的装填车液压系统故障诊断方法采用基于B/S架构的页面，用MySQL数据库管理故障案例库，程序开发和算法采用python3.8编译，在Pycharm平台上操作调试。现以某型装填车出现的故障为例进行诊断。

故障案例：环境温度9 ℃、湿度43%、气压976 hpa、海拔531 m、盐度0.8 ppm、昼夜温差为15 ℃的条件下，9号装填车通过换向阀控制执行机构换向时，执行机构卡滞。

对输入的故障现象进行故障特征的智能识别提取，结果如表8所示。

表8 故障特征识别结果

故障特征词向量化，结果如图4所示。

图4 特征词向量化示意图

故障特征聚类，结果如表9所示(展示与目标案例相关的一类)。

表9 故障特征聚类结果

聚类后，RBF神经网络求解同类案例与目标案例的相似度，最终根据相似度的高低依次展示相似案例(展示前二个案例)。

针对故障特征控制、执行机构、卡滞、换向、换向阀有3个相似案例。

案例1：

故障特征：控制 执行机构 卡滞 换向 换向阀 装填车

解决方案：

[原因：换向推杆长期撞击磨损而变短，或衔铁接触点磨损，阀芯行程不足，开孔及流量变小。

排除方法：更换推杆或电磁铁。

故障现象：环境温度9 ℃、湿度43%、气压976 hpa、海拔531 m、盐度0.8 ppm、昼夜温差为15 ℃的条件下，9号装填车通过换向阀控制执行机构换向时，执行机构卡滞。]

相似度：1

案例2：

故障特征：冲击和噪声 换向 换向阀 装填车

解决方案：

[原因:电磁换向阀推杆过长或过短。

排除方法：修理或更换推杆。

故障现象：在温度13 ℃、湿度54%、气压976 hpa、海拔531 m、盐度0.8 ppm、昼夜温差为9 ℃的条件下，3号装填车换向阀换向有冲击和噪声。]

相似度：0.845

知识图谱展示相似度第一的案例，如图5所示。

图5 案例展示

从案例展示结果可知，案例1与目标案例相似度为1。参考案例1的解决方案，检查换向阀的换向推杆和衔铁接触点，根据原因更换推杆或电磁铁。现场的实际情况是换向阀中的换向推杆长期撞击磨损后变短，导致阀芯行程不足，开孔及流量变小，从而使执行机构压力不足，执行机构卡滞。该案例为相同案例，不保存。该方法能够对装填车的液压系统故障进行定位与诊断，可以指导保障人员的维修工作。

4 结论

1) 基于CBR-RBF-KG的诊断方法可以用于非周期性、突变和离散的装填车液压系统故障，能够有效的定位故障原因，指导故障排除。

2) 使用知识图谱对案例进行可视化描述，使案例显示更加清晰、直观；使用三元组的知识图谱结构，提升了诊断方法获取故障特征的能力，进而提高了故障的诊断能力。

3) 方法建立案例库，通过案例进行推理，能够充分应用装填车的大量液压系统故障数据资源。在故障诊断过程中，随着故障案例的增加，CBR会不断学习，诊断更加准确。