融合多种算法的堆垛机诊断专家系统

吕 婷,杨 涛

(1.安徽电子信息职业技术学院信息与智能系，安徽 蚌埠 233000;2.西南科技大学信息工程学院特殊环境机器人技术四川省重点试验室，四川 绵阳 621010)

0 引言

作为立体仓库的核心设备，堆垛机直接影响整个物流系统的正常运作。随着工业技术的不断发展，堆垛机设备日趋复杂化、自动化，传统的诊断技术呈现处理时间长、成本高、响应速度慢等弊端[1]。专家系统作为一个智能的计算机程序系统，可通过利用存储在计算机内部的专业知识，解决需要专家才能处理的复杂问题。将智能专家系统运用在堆垛机设备，当设备出现故障时，系统作出快速、有效的处理，是堆垛机远程故障诊断的必然趋势。

目前，诊断专家系统仍以单一的诊断技术为主，广泛使用基于规则的推理模式。基于规则的诊断专家系统具有知识变更容易、推理简单等特点，但仍存在知识获取困难等问题[2]。目前，将决策树[3]、故障树[4-5]、二叉树[6]等技术融合到基于规则的专家系统中，但仍没能有效地解决知识不完备、时变环境下应变能力不足等问题。贝叶斯网络(Bayesian network,BN)以概率为基础，具有容错性强、可进行双向推理等特点，目前已成功运用于诊断专家系统[7-8]。但是BN网络的构造和节点参数的学习等一直是瓶颈问题。如何将BN与其他诊断技术相融合，开发混合诊断专家系统来弥补单一的系统所存在的不足，是专家系统研究和开发的一个趋势。

本文以单立柱堆垛机为研究对象，设计和开发了基于集成故障树分析(fault tree analysis,FTA)和BN的混合诊断专家系统。该系统采用FTA对堆垛机进行故障建模、分析并完成规则库的建立；诊断过程采用结合规则推理和BN概率计算的混合模式。实际应用证明，该方法简单灵活，为堆垛机故障诊断提供了一种新途径。

1 系统总体结构

系统主要包括人机交互界面、知识库管理模块、故障树管理模块、BN管理模块、诊断推理模块、故障征兆识别模块和基础数据管理模块等。系统结构如图1所示。

图1 系统结构图

人机交互界面是普通用户、领域专家和系统进行交互的窗口。知识库管理模块主要负责对存储在知识库中的规则、BN节点信息进行管理。故障树管理模块主要采用FTA对堆垛机进行建模，并完成相应的分析，将分析结果以规则的形式存储在知识库中。BN管理模块主要实现对相关BN数据的管理，包括网络拓扑结构、节点参数等。基础数据管理模块主要实现诸如堆垛机系统及主要部件的基础信息、故障历史记录、操作规范手册等的管理。故障征兆识别模块负责接收来自现场PLC的运行数据，并通过解析，识别可能蕴含的故障征兆，进行故障报警。诊断推理模块是本系统的核心部分，采用基于规则推理和BN概率计算的混合方式。解释模块负责将系统诊断的结果以预制文本的形式反馈给用户。

2 知识库设计

本系统的知识库主要包括规则库和BN数据库，其中规则库是知识库的核心。规则库是规则推理的组成部分，存储的是以规则为表示形式的知识；BN数据库主要存储与BN建模有关的数据，包括节点的基本信息、概率表及节点之间的拓扑关系。限于篇幅，本文主要介绍规则库的建立。

2.1 知识的获取

鉴于FTA的分析过程是关于故障知识的形成过程，本系统主要采用基于FTA的故障知识获取方式。FTA的分析过程首先需要对分析对象进行建模，形成以人们最不希望发生的事件作为顶事件的故障树模型。

对堆垛机设备进行故障树建模后，采用下行法[9]找出引起顶事件T发生的所有最小割集Mi,i=1,2,…,n,n为最小割集个数。最小割集是对顶事件发生的最小原因解释，即知识。

2.2 知识的表示和存储

定性分析后，本系统采用形如if A then B的基于最小割集的知识表示形式，其中A为规则的前提，对应导致B发生的每个最小割集，B为结论。可解释导致B发生的原因可能不止一条，也就是在具备相同结论下前提A可能有多个，为此引入基于最小割集重要度的规则置信度。令第i个最小割集Mi的发生概率为P(Mi)，在最小割集彼此独立统计的条件下，顶事件T的发生概率P(T)可表示为：

(1)

由于构成最小割集的底事件之间是逻辑与的关系，则第i个最小割集Mi的发生概率P(Mi)等于构成该割集的所有底事件的概率乘积。在计算得到顶事件概率后，第i个最小割集Mi的重要度为：

(2)

采用规则形式对知识表示后，系统将规则存储在规则库中。本系统以SQL Server 2008为数据库服务器，规则库所涉及的表主要有故障事实表、规则表、条件表。每个表的主要字段分别有以下3种。

①故障事实表(故障事实号、事实描述、发生可能性)。

②规则表(规则号、规则名、结论事实号、规则置信度、规则使用次数)。

③条件表(规则号、条件事实号)。

3 诊断推理机制设计

诊断推理机制是专家系统的核心部分，其设计的好坏直接影响系统的诊断性能。本系统的诊断推理机制包含基于规则的推理和基于BN的概率计算两种方式。诊断推理流程如图2所示。

图2 诊断推理流程图

(1)系统的故障征兆提取模块对来自PLC的数据进行解析，识别潜在的故障征兆。采用正向推理策略，对故障事实库进行故障事实检索和匹配。将检索出的故障事实反馈给用户，给出故障报警。

(2)用户根据系统提示的故障事实，或者手动输入故障事件，启动故障诊断推理。系统先以规则库为基础，执行基于最小割集的规则检索和匹配。该过程采用人机交互的启发式方式。推理算法描述如下。

①根据目标故障事实E，检索规则库，找出所有规则结论事实为E的规则集R。

②按照规则置信度，对R进行排序，得到有序的规则集R′={ri∈R|i=1,2,…,n}，n为规则数。

③用户依次取规则集R′的规则ri，判断ri的前件事实E′是否已发生。若用户选择“是”，则执行步骤④；若用户选择“否”，则取出R′中的下一条规则，执行步骤③；若在检索完R′后用户仍旧选择“否”，则系统提示用户没有匹配到满意的规则，推理结束。

④系统判断E′的事件类型。若E′是中间事件，则将E′作为新的目标故障事实，转步骤①；若E′是底事件，则向用户输出E′的故障解释及处理办法，推理结束。

(3)除了基于规则的推理，用户还可以选择基于BN的概率计算。由于BN与FTA在结构上存在一致性，根据匹配的故障事实，系统首先生成由该事实作为顶事件的故障树;然后根据文献[10]给出的转化算法，得到相应的BN。在此基础上，用户可对BN节点的概率进行修正。

基于BN的概率推理算法描述如下。

①给定BN节点集合X={X1,X2,…,Xn},n为节点总数，给定证据节点E∈X及故障状态e，用桶消元算法[11]计算P(E=e):

(3)

式中：X/E为去除E之外的其他所有元素；Pa(E)为E的父节点集合。

使用式(3)，可求得P[Pa(E)]。

②用户选择所要查询的节点Q∈X以及状态q，用桶消元法求联合概率P(Q=q,E=e)：

(4)

③求得Q=q的后验概率：

(5)

(4)采用BN计算得到概率后，若用户需要根据诊断结论对规则库进行更新，则在知识库管理模块进行相应操作。

4 系统实现

本系统以客户端/服务器(C/S)作为系统架构模式，开发语言为C#，数据库服务器为SQL Server 2008。系统对来自现场PLC数据进行临时存储和解析。若存在故障征兆，则故障征兆识别模块识别出故障特征信息，进行故障报警。

以堆垛机的过载及松绳保护装置报警(T)为例，该装置报警时主要有过载(M1)和松绳(M2)两种故障模式。经分析后，在本系统的故障树管理模块中建立如图3所示的故障树模型。结合现场实地专家的经验和历史故障数据，给出各底事件的发生概率，如表1所示。

图3 故障树模型

事件代号事件名称故障概率T过载及松绳保护装置报警M1过载M2松绳M3货叉搁置X1货物过载0.0909X2起升受阻0.0909X3起升时货叉碰到货架0.1718X4绳缆松0.2826X5绳缆断0.0909X6捕捉器动作0.3714X7下降受阻0.0909X8起升方向加紧装置动作0.0909X9货叉未收回0.3284X10货叉搁在货架横架上0.3714

故障树模型建立后，鉴于“过载及松绳保护装置报警”包含“过载”和“松绳”两个独立事件，根据2.2节给出的方法，分别找出导致两者发生的所有最小割集，生成相应的规则，如表2所示。

若用户需要对“过载及松绳保护装置报警”进行诊断，则先启动基于规则的推理。结合第3节所阐述的推理流程，系统根据用户的选择在规则库中进行规则检索和匹配，推理过程及结果分析。基于规则的推理过程如下。

在故障类型中选择安全故障，再选择故障现象中的“过载及松绳保护装置报警”，然后开始诊断。诊断后会给出故障说明和诊断提示，用户可根据诊断提示进行以下两种选择。①由松绳引起的故障“过载及松绳保护装置发生报警”。②由捕捉器动作引起故障“松绳”。然后根据诊断的情况，给出故障解释和相应的排除办法。

除了基于规则的推理，用户还可以选择采用BN进行概率计算。结合图3和表1，得到由“过载及松绳保护装置报警”节点作为叶节点的BN，并选择该节点的故障状态(报警)作为证据。根据待选节点信息和将ID号为E0055的顶层事件过载及松绳保护装置为已选节点信息，并将E0055节点作为证据节点，计算其他节点在故障状态下的后验概率。

表2 规则生成表

5 结束语

针对目前诊断专家系统存在基于规则的推理为主、诊断模式单一等问题，本文结合堆垛机的实际运行特征，设计了基于故障树和贝叶斯网络的混合诊断专家系统。该系统采用FTA技术分析堆垛机故障，建立以规则作为知识表示形式的知识库，形成基于规则推理和BN概率计算的混合诊断机制。应用表明，集成FTA和BN的混合诊断专家系统既体现了基于规则的推理简单、高效，又充分利用了BN的容错性强的特点，有效解决了基于规则的诊断所存在的知识不完备等问题，是智能化诊断堆垛机的有效方法。

[1] 李小平,于康康.堆垛机远程故障诊断关键技术的研究[J].兰州交通大学学报,2011,30(4):15-20.

[2] ANGELI C.Online expert systems for fault diagnosis in technical processes[J].Expert Systems,2008,25(2):115-132.

[3] 曲朝阳,高宇峰,聂欣.基于决策树的网络故障诊断专家系统模型[J].计算机工程,2008,34(22):215-217.

[4] 杨盛泉,刘萍萍,李宝敏,等.基于故障树的梭式窑故障诊断专家系统[J].计算机应用研究,2008,25(11):3401-3403.

[5] LI J,GUO S B,HOU J H,et al.Design and realization of fault diagnosis system based on FTA and expert system[C]// Proceedings of the 32ndChinese Control Conference，IEEE,2013:6252-6255.

[6] BIAN M M,SHI J,WANG S P.FTA-based fault diagnose expert system for hydraulic equipments[C]// Proceedings of IEEE International Conference on Fluid Power and Mechatronics,2011:959-963.

[7] XU B G.Intelligent fault inference for rotating flexible rotors using Bayesian belief network[J].Expert Systems with Applications,2012,39(1):816-822.

[8] LI B,HAN T,KANG F Y.Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network[J].International Journal of Computer Integrated Manufacturing,2013,26(12):1161-117.

[9] 夏虹,刘永阔,谢春丽.设备故障诊断技术[M].哈尔滨:哈尔滨工业大学出版社,2009.

[10]KHAKZAD N,KHAN F,AMYOTTE P.Safety analysis in process facilities:Comparison of fault tree and Bayesian network approaches[J].Reliability Engineering and System Safety,2011,96(8):925-932.

[11]DECHTER R.Bucket elimination:A unifying framework for reasoning[J]. Artificial Intelligence,1999,113(1):41-85.