盛 林,马 波,2*,张 杨

(1.北京化工大学 机电工程学院，北京 100029;2.北京化工大学 高端机械装备健康监控与自愈化北京市重点实验室，北京 100029)

0 引 言

目前,旋转机械在现代工业生产领域已得到了广泛的应用。旋转机械一旦发生故障,将会造成很大的经济损失与社会危害[1]。

为了提高旋转机械的可靠性,对旋转机械进行故障智能诊断研究具有重要的工程意义。

目前,传统故障诊断方法一般可以分为3大类:(1)基于解析模型的故障诊断方法;(2)基于数据驱动的故障诊断方法;(3)基于知识的故障诊断方法[2]。

基于解析模型的故障诊断方法一般采用数学公式,将真实过程抽象成精确解析模型,通过计算模型输出值与实际测量值的残差来进行诊断。

刘志刚等人[3]采用了候选最小冲突集,成功将基于模型的诊断方法应用到了牵引变电站的电气设备的故障诊断中。张永强等人[4]基于ARX模型,提出了一种通过模型匹配的转子故障诊断方法。杨诚等人[5]提出了一种新的Volterra-PARAFAC预测模型,用于对滚动轴承故障进行诊断,解决了该模型用于复杂机械系统非线性特征提取时估计参数过多的问题。

但是,该诊断方法依赖于对故障过程机理的深入了解,一旦解析模型与实际情况不符,则会造成较大的诊断偏差,对于机理复杂、工况多变的旋转机械设备适用性差。

基于数据驱动的故障诊断方法针对设备监测数据进行多方面的数据分析、处理,提取设备的故障特征,对故障进行诊断。该方法是否成功运用的关键在于对故障特征的提取是否准确。

苏乃权等人[6]提出了一种基于高价值小样本的故障诊断NN模型进行故障诊断的方法,其具有特征提取准确、故障识别能力强的特点,有效地解决了旋转机械故障类型识别难的问题。廖玉波等人[7]采用了基于Fisher Score与域间最大均值差异的特征选取方法,选取了判别性能和域不变性好的特征,构建了迁移深度置信网络;采用该方法后,明显提高了旋转机械故障诊断的准确率。马波等人[8]提出了一种基于专家思维的多维度故障诊断方法,依据故障机理、故障响应特点及故障劣化规律,选择相关测点、多时间点的数据,构建了敏感参数矩阵,并生成了对应的故障矩阵和权重矩阵,进行了故障的诊断。WANG Qing-feng等人[9]提出了一种多敏感特征的滚动轴承故障诊断模型构建方法,利用了美国凯斯西储大学(CWRU)故障数据训练故障诊断模型,该方法具备较高的故障诊断精度。

上述基于数据驱动的故障诊断方法不依赖于精确的机理模型,同时将计算机强大的计算能力与故障诊断结合在一起,对设备故障诊断具有一定的普适性。但是,采用该类方法得到的诊断结果由于缺少故障知识和过程知识的支撑,其解释性受到一定的限制[10]。

基于知识的故障诊断方法具有良好的可解释性,不需要构建复杂的数学机理模型,同时还可以更新故障知识。因其具有一系列的优点,该诊断方法引起了业界科研人员的广泛关注。

张强等人[11]提出了一种基于置信度的不确定性推理方法,对汽轮发电机组故障进行了规则推理,在诊断结果不确定或无结果时,采用案例推理机制进行了推理,有效地提高了汽轮发电机组的诊断效率。尚文等人[12]采用了条件规则和故障树法相结合的诊断方法,增加了具体故障分析的条件规则,确定故障树每个分支的诊断选择,实现了对燃气轮机的快速、准确的诊断维护。YAN Chang-feng等人[13]4448建立了一种基于规则推理和案例推理的汽轮发电机组故障诊断系统,以基于规则的推理为案例推理提供支持,提高了故障诊断的效率。WAN Shan等人[14]提出了一种基于案例推理的机床维护规划系统,提高了机床维护计划的效率。

基于知识的故障诊断方法虽然无需针对旋转机械建立复杂的机理模型,且其结果的可解释性强,但是该方法仍缺乏对旋转机械故障诊断知识及其耦合知识联系进行进一步挖掘利用,且对诊断输入的准确性要求很高[15]1378,在输入征兆条件缺失的情况下,其诊断结果也会出现较大的偏差。

知识图谱概念的提出,最初是为搜索引擎服务的。随着人工智能技术的发展,知识图谱技术已在医疗领域[16]、电商领域[17]、领域知识管理[18]等方面得到了应用。许多学者针对基于知识图谱技术的智能故障诊断方法进行了研究。

许祺[19]采用深度学习技术,完成了对CNC故障诊断领域知识实体识别任务,建立了CNC故障诊断知识图谱,并结合知识图谱搜索算法,实现了故障诊断。赵倩[20]采用数据驱动的增量式本体构建技术,建立了数控设备的故障本体模型,构建出了数控设备故障领域知识图谱,提高了历史故障知识利用率和故障诊断效率。车金立等人[21]利用装备维修保障内部数据源进行了关键信息抽取,建立了装备维修保障的知识图谱,并通过对装备维修保障知识图谱的应用,证明了知识图谱能支撑维修保障、辅助决策多种应用。

上述研究结果表明:将知识图谱技术运用到故障诊断领域,能够准确、全面地对故障诊断知识及其联系进行描述,同时还能为故障诊断推理提供新的解决思路。

笔者采用基于本体的表示方法,对旋转机械故障诊断知识进行知识表示,建立旋转机械故障诊断知识图谱,并结合知识图谱推理方法,提出旋转机械的故障诊断方法,以有效地解决故障征兆缺失时诊断结果准确率低的问题。

1 理论背景

1.1 知识图谱

知识图谱本质上可以理解为一种揭示实体之间关系的语义网络,由形如“实体-关系-实体”三元组结构的数据进行相互连接组成[22]。实体是知识图谱中最基本的元素,通过两两间的关系进行连接,进而形成结构化的知识网络。

由三元组作为基本组成结构的知识图谱示意图,如图1所示。

图1 知识图谱示意图

1.2 基于本体的知识表示方法

基于本体的知识表示方法在计算机人工智能领域中,能够精确定义、表示某一领域的概念、概念属性、概念间关系以及关系属性,揭示概念之间的内在关系,使知识管理与共享更简便、灵活[23],这些本体定义描述能够被计算机理解,同时也能被领域所接受。

根据NAING MM博士提出的六元素表示法[24],可将知识本体(knowledge ontology,KO)定义为:

KO=

(1)

式中:C—不同概念的集合;R—不同关系的集合;AC—概念属性的集合;AR—关系属性的集合;I—概念实例的集合。对上述定义作进一步说明:

(1)概念定义与实例定义

概念集合可以进一步表示为:

C={Ci|Ci=C1,C2,…,Cn,i=1,2,…,n}

(2)

式中:n—本体表示模型中类概念的类别数。

概念实例集合I中,每一个实例都是本体概念的实例化表示,即:

I={It|It∈Ci,t=1,2,…,m}

(3)

式中:m—实例集合I中概念实例个数。

(2)关系定义

设Cs,Ct分别是概念集合C中的第s,t个概念,且Cs,Ct都包含于概念集合C中,对于任意的概念元素Ct,存在概念元素Cs(s≠t,且1≤s,t≤n),满足:

Cs=R(Ct)

(4)

式中:R—概念元素Cs,Ct之间的关系,记作R(Cs,Ct)。

在同一个概念集合中,使用这种映射关系R(Cs,Ct)来表示概念集合中各概念之间的基本关系,如父类与子类的继承关系。各概念实例间关系继承式(4)表示的定义,也即实例元素Is,It之间的关系可以记作R(Is,It)。

(3)属性定义

对本体表示模型中的概念属性集合作如下定义:AC={title,id}。

其中:id—本体的id属性,为一数字数值,在知识图谱中数值唯一;title—本体的名称属性,用于表示概念的名称。

对本体表示模型中的关系属性集合作如下定义:AR={type,id}。

其中:id—与概念属性中定义相同;type—关系类别属性,用于表示关系的名称。

1.3 基于关系路径的知识图谱推理方法

在基于关系路径的知识图谱推理中,主要通过实体间的多步路径来寻找它们之间的语义关系[25]。在知识图谱中,定义:

R(e)≡{e′:R(e,e′)}

(5)

式中:R—实体间的二元关系;e,e′—知识图谱中实体对;R(e,e′)—表示实体对e、e′存在关系R。

关系路径P由关系R1,R2,…,Rn组成,且对任意的整数i(1

range(Ri)≡domain(Ri+1)

(6)

式中:domain(R)—关系R的定义域;range(R)—关系R的值域。

令:

domain(R1R2…Rn)=domain(R1)

(7)

range(R1R2…Rn)=range(Rn)

(8)

着重强调路径中每个步骤关联的关系类型时,将路径P=R1R2…Rn表示为:

(9)

式中:T0—可表示为T0=dom(R1)=dom(P);T1—可表示为T1=range(R1)=dom(R2);其余节点Ti以此类推。

多级关系路径的示意图如图2所示。

图2 多级关系路径示意图

图2中,实体T0和T6间的多级关系路径可以表示为:

(10)

式中:T2—关系R1的值域range(R1);T3—关系R2的值域range(R2);T6—关系R3的值域range(R3)。

2 基于知识图谱的旋转机械故障诊断方法

采用知识图谱技术构建旋转机械的故障诊断领域知识图谱,能够对设备故障诊断知识进行全面、准确地表达,同时能有效利用故障诊断知识间的关系,解决输入征兆缺失时,难以对旋转机械的故障进行准确诊断的问题。

笔者提出的基于知识图谱的旋转机械故障诊断方法包括两部分:(1)知识图谱构建;(2)基于知识图谱进行诊断推理。其具体步骤为:首先采用基于本体的知识表示方法构建知识图谱;然后利用基于知识图谱关系路径的推理方法进行诊断推理。

2.1 知识图谱的构建

2.1.1 知识本体表示

采用基于本体的知识表示方法,可将旋转机械故障诊断领域知识本体(rotating machine fault diagnosis ontology,RMFDO)表示如下:

RMFDO=

(11)

式中:C—本体概念的集合;R—本体关系的集合:AC—概念的属性;AR—关系的属性;I—实体元素的集合。

可将旋转机械故障诊断知识分为5个不同类别的本体,本体概念集合表示为:

C={C1,C2,C3,C4,C5}

(12)

式中:C1—设备结构类本体概念;C2—测点类本体概念;C3—故障现象类本体概念;C4—故障原因类本体概念;C5—维修建议类本体概念。

RMFDO本体中不同类别概念间关系构成关系R的集合,可以表示为:

R={R1,R2,R3,R4,R5,R6}

(13)

式中:R1—设备结构类与故障原因间的关系;R2—测点类与设备结构类之间的关系;R3—维修建议类与故障原因类之间的关系;R4—故障现象类与故障原因类之间的关系;R5—测点类与故障现象类之间的关系;R6—测点类与故障现象类之间的关系。

按照本体表示模型中的定义,上述各关系表示的语义关系如下:

(1)R1=Rlocated(C4,C1)表示故障发生在某个设备结构处;

(2)R2=Rmonitor(C2,C1)表示测点监测某处设备结构;

(3)R3=Radvice(C4,C5)表示针对故障原因需要采取的维修建议;

(4)R4=Rcause(C4,C3)表示故障原因造成了某种故障现象出现;

(5)R5=Rrelative(C2,C3)表示故障现象的异常指标由该测点进行监测;

(6)R6=RhasPhe(C1,C3)某个设备结构处出现了故障现象。

在旋转机械故障诊断领域知识的本体表示模型中,AC和AR分别定义为概念属性和关系属性,直接继承本体表示模型中的定义。

实例I表示知识实体元素的集合,各实体间的关系继承概念集合间的关系集合R。

2.1.2 知识表示

旋转机械故障诊断领域知识图谱的结构关系可分为2大类:(1)本体概念层次图;(2)知识实体关系图。

该处笔者以主泵漏气阀的故障为例,展示旋转机械故障诊断领域知识图谱模式层与数据层之间的相互对应关系。

旋转机械故障诊断领域知识图谱,如图3所示。

图3 旋转机械故障诊断领域知识图谱

笔者将旋转机械故障诊断知识表示为三元组结构:<实体,关系,实体>,并采用图数据库对旋转机械故障诊断领域知识进行存储。图数据库以节点表示实体,与三元组中实体相对应;以带方向的边表示知识间的关系,与三元组中关系相对应。

旋转机械故障诊断领域知识图谱实体关系的三元组示例,如表1所示。

表1 实体关系三元组示例

表1中,实体关系的三元组在图数据库中存储后,如图4所示。

图4 知识图谱示例

2.2 基于知识图谱的诊断推理方法

笔者根据旋转机械知识图谱的图结构特点,结合基于关系路径的知识图谱推理方法,提出了基于知识图谱的旋转机械故障诊断推理方法。

其诊断推理方法流程图,如图5所示。

图5 基于知识图谱关系路径的诊断推理流程

推理方法的详细步骤如下所述:

(1)输入故障现象的集合P={p1,p2,…,pn},n为正整数;

(2)遍历故障现象集合P,是否满足P⊆G(其中G表示图谱中所有实体的集合),若满足该条件,则下一步用于推理的已知实体集合为Pd=P;若不满足上述条件,对集合P进行操作,剔除集合P中不在知识图谱G中的实体元素后,得到实体集合Pd={pi|pi∈G且pi∈P};

(5)验证关联结构实体集合S与故障现象集合Pd是否存在关系路径RhasPhe(C1,C3),也即关系Pd=range(RhasPhe(C1,C3))是否存在;

(7)取故障原因实体集合F0=Fd∪Fi,即F0为直接关联故障原因集合Fd与间接关联的故障原因集合Fi的并集,由故障原因实体集合F0根据关系路径Radvice(C4,C5),引入维修建议实体集合A0,有:A0=range(Radvice(C4,C5));

(8)对故障原因集合F0中的实体进行排序,排序方法如下:首先将直接关联原因放在间接关联原因之前;其次将直接关联原因中的各实体按照与实体集合Pd中的实体有直接关联路径的个数由多到少进行排序。排序后即得到故障原因实体集合F1,维修建议实体按照相同顺序排序得到实体集合A1;

(9)对故障原因实体集合F1与维修建议实体集合A1进行格式化,然后输出诊断结果。

3 实例验证

笔者以核电厂主泵为例,基于上述方法构建主泵故障诊断知识图谱,对该方法的可行性进行验证,对其诊断性能进行测试。

3.1 主泵故障诊断知识图谱构建

3.1.1 主泵故障诊断知识本体

(1)本体概念的建立

设备结构类C1用于描述主泵结构的概念集合。根据主泵自身的结构组成,按照自顶向下的原则,可得到主泵各子系统、组件、部件、零件等层次结构,不同层次结构间使用父子间关系“is_a”表示。

部分设备结构概念本体如表2所示。

表2 设备结构类概念本体

测点类C2用于描述监测主泵运行状态的各测点概念集合。

按照监测状态值类别的不同,可将测点分为温度测点、流量测点、压力测点等。

测点类概念本体如表3所示。

表3 测点类概念本体

故障现象类C3用于描述主泵发生故障时所表现出来征兆现象的概念集合。

按照征兆特征的不同,可将故障现象类概念进一步分为温度偏高、流量偏低等不同类别。

故障现象类概念本体如表4所示。

表4 故障现象类概念本体

故障原因类C4用于描述引发主泵故障的可能原因的概念集合。维修建议类C5用于描述针对可能的故障原因而给出的建议的概念集合。

故障原因类概念本体与维修建议类概念本体示例,如表5所示。

表5 故障原因类与维修建议类概念本体示例

(2)本体关系的建立

根据旋转机械故障诊断知识本体表示,对主泵各本体概念间关系进行表示,如表6所示。

表6 本体概念间关系示例

3.1.2 主泵故障诊断知识表示

笔者根据所建立的主泵故障诊断知识本体,获取主泵故障诊断知识,并以三元组的形式进行表达(即相同类别的概念实例放在同一个表里,表的每列代表该类实体的属性值,每行代表该类实体的实例),同时定义好实体的标签;在此基础上,再建立三元组关系表,对关系进行标识。

笔者建立主泵故障诊断知识三元组实体表和关系表后,采用图形数据库Neo4j对三元组知识进行数据存储,完成主泵的故障诊断知识图谱构建。

主泵故障诊断知识图谱中整合的实体类型,如表7所示。

表7 知识图谱实体类型及属性

实体关系类型及相关统计信息,如表8所示。

表8 知识图谱实体关系类型及属性

构建完成后的主泵知识图谱部分关系、节点可视化图,如图6所示。

图6 主泵知识图谱示例

3.2 基于知识图谱的诊断方法测试

为了对基于知识图谱的旋转机械诊断方法的诊断性能进行测试,笔者以某核电厂存储的主泵历史故障案例数据为基础[26],获取了31个征兆完整的故障案例,并在此基础上对测试用例进行了设计[15]1384。测试用例设计步骤如下:

(1)从历史案例中获取各故障与征兆现象间的对应关系,每个故障对应有n个征兆;

(2)对各故障设置缺失1个征兆、缺失2个征兆…缺失n-1个征兆的情形,对余下的征兆进行组合,即得到测试用例。

该处以主推力瓦磨损故障对测试用例设计进行说明。该故障发生时可能出现的征兆现象,即:轴承室油位异常、中油箱温度偏高、主推力瓦温度偏高。不同征兆间的关系为“与”关系,即只有在上述征兆同时出现时,才可断定主推力瓦磨损故障发生。

用于验证诊断方法的测试用例信息,如表9所示。

表9 测试用例

由于输出的故障诊断结果存在包含多个可能诊断结果的情况,笔者将正确诊断结果排在输出诊断结果前两位的,认定为诊断正确。

诊断准确率计算方式为:

(14)

式中:n—测试用例总数;N—诊断准确的测试用例数。

笔者将上述测试用例进行诊断验证,其中完整输入征兆现象的测试用例中,诊断准确的个数为25个,缺失征兆现象的测试用例中诊断准确的个数为186个。

诊断结果如表10所示。

表10 诊断推理方法验证结果

由表10可知:当输入征兆完整时,故障诊断准确率仅为80.6%,这是因为在所构建的知识图谱中,故障现象与故障原因间存在一对多的映射关系,同时存在输入一条故障现象就满足诊断所需的完整故障现象的情况。在这种情况下,笔者提出的方法会得到多条故障诊断结果,且多条诊断结果无法进一步根据已有信息进行排序。因此,反而不能得到准确的诊断结果。

3.3 方法对比

笔者将基于知识图谱的故障诊断方法与传统的基于规则的故障诊断推理方法进行对比分析,在征兆现象缺失的情况下,验证基于知识图谱的旋转机械故障诊断方法进行故障诊断的效果。

在整合的主泵故障诊断领域知识基础上,笔者对主泵故障诊断规则进行提取。主泵故障诊断规则可表示为如下形式:“IF条件1AND条件2AND…THEN结论”,多个诊断前提条件间的与、或关系使用“AND”或者“OR”进行表示[13]4444-4445;上文中提及的主推力瓦磨损故障提取后的诊断规则可表示为:“IF轴承室油位异常AND中油箱温度偏高AND主推力瓦温度偏高THEN主推力瓦磨损”。

根据整合后的主泵故障诊断知识,笔者提取出主泵故障诊断规则后,对上述202个缺失故障现象的测试用例进行诊断,诊断结果对比如表11所示(笔者提出的诊断方法为方法1,传统的基于规则的故障诊断方法为方法2)。

表11 诊断结果对比

表11中的结果表明:方法1的诊断准确率为92.1%,远高于方法2的诊断准确率;在征兆现象缺失时,笔者提出的方法的诊断效果远好于传统的基于规则的故障诊断推理方法,能够有效地解决征兆现象缺失时难以进行准确诊断的问题;

同时,结合表(10,11)中的诊断结果来看,基于知识图谱的旋转机械故障诊断方法的总体诊断准确率较高,达到90.6%。

4 结束语

在对旋转机械进行故障诊断时,为了有效地解决故障征兆缺失时,采用传统的基于规则的故障诊断推理方法,进行故障诊断时出现的结果准确率低的问题,笔者采用本体知识表示方法对旋转机械故障诊断知识进行知识表达,构建旋转机械故障诊断知识图谱,并提出了基于知识图谱的旋转机械故障诊断方法,最后,以核电厂主泵为例,对该方法的有效性进行了验证,对其诊断性能进行了测试。

研究结果表明:

(1)在旋转机械故障诊断验证中,该方法的故障诊断准确率为92.1%,远远高于传统的基于规则的故障诊断推理方法的准确率,可以有效解决以往因征兆缺失,而使故障诊断不准确的问题;

(2)该方法通过知识图谱技术对设备结构间关系加以利用,并将其融入到诊断推理中。验证结果表明:该方法的测试用例的整体准确率为90.6%,实现了对设备结构间关系的有效利用。同时,知识图谱的应用使该方法不失一般性,便于迁移运用到其他设备上,可为设备智能诊断方法提供新的思路。

在后续的工作中,笔者将在旋转机械诊断知识图谱的基础上,进一步对旋转机械故障诊断推理过程中存在的不确定性问题进行研究。