一种基于FMECA和本体的设备故障诊断方法与流程

一种基于fmeca和本体的设备故障诊断方法
技术领域
1.本发明属于工业物联网中的故障诊断和信息技术领域，具体涉及一种基于fmeca和本体的设备故障诊断方法。


背景技术：

2.故障模式、影响及危害性分析(fmeca)是一种提取设备故障诊断领域知识的分析方法，针对设备可能存在的故障，根据对故障模式的分析，确定每种故障模式对设备工作的影响，并按故障模式的严重度及其发生概率确定其危害性，包含fmea和ca两部分。本体作为一种具有良好知识表达、共享和推理能力的语义模型，被广泛应用于计算机科学和人工智能领域。在工业设备故障诊断领域中，可以通过本体将设备故障诊断领域知识集成，通过类、实例、属性、公理等元素建立完整的设备故障诊断本体，并可以结合规则推理、案例推理等方法实现故障诊断的效果。基于本体的故障诊断方法准确性主要依赖于设备故障诊断领域知识和本体模型，目前仍存在一些问题：
3.1)设备中发生的故障可能存在影响性和传播性，且不同故障的发生频率、检测难度和危害程度均存在差异，一般基于本体的故障诊断方法未考虑该部分知识，可能导致故障诊断结果不准确。
4.2)设备中可能存在多故障同时发生的情况，由于故障间可能存在影响关系，当多故障导致产生同一故障现象时，很难准确诊断出故障原因。


技术实现要素：

5.为提高基于本体的故障诊断方法准确性，改善多故障情况下诊断难度大的问题，本发明提供一种基于fmeca和本体的设备故障诊断方法，针对工业设备提出一种fmeca中风险优先级数(rpn)计算策略，基于fmeca所提取的知识构建故障诊断本体，并基于所构建本体对案例推理(cbr)和规则推理(rbr)进行优化，通过以上两种推理方法实现故障诊断，本发明的技术方案如下：一种基于fmeca和本体的设备故障诊断方法，所述方法包括以下步骤：
6.1)将设备发生故障时产生的故障现象，以及发生故障时各部件的工作参数值作为输入数据；
7.2)调用cbr模块，依据1)中的输入数据进行计算，若返回的故障诊断结果正确，则根据案例库更新策略对历史故障案例库进行更新，并结束故障诊断流程；
8.3)若2)中不返回故障诊断结果，则调用rbr模块，若返回的故障诊断结果正确，则根据案例库更新策略对历史故障案例库进行更新，并结束故障诊断流程，若返回的故障诊断结果错误，则进行人工诊断，根据专家成功的故障诊断结果，对故障诊断本体和历史故障案例库进行修改和更新。
9.进一步地，所述方法还包括故障诊断领域知识提取步骤，具体包括：
10.1)针对待诊断设备，首先对设备结构和功能流程进行分析；
11.2)其次对发生于整体级设备上的故障现象、发生于其他各层级设备上的故障模式以及相应的维护措施进行总结，并对故障现象和故障模式间的影响关系进行分析；
12.3)最后根据历史故障案例，对每次故障模式的rpn进行分析和定义，传统rpn计算方法如公式(1)所示。
13.rpn＝s
×o×dꢀꢀꢀ
(1)
14.其中，s代表严重程度，o代表发生频率，d代表可检测度，每种指标范围为1-10。对于故障诊断方法，可检测度对诊断结果的影响较小。在传统rpn基础上，改进的rpn计算方法如公式(2)如下：
15.rpn＝λ1s
×
λ2o
×
λ3q
×
λ4c
ꢀꢀꢀ
(2)
16.其中s和o仍分别代表严重程度和发生频率，q代表信息质量，c代表影响程度，λi代表各指标的权重，信息质量根据所收集专家建议、故障记录、历史故障案例的数量和可信程度进行评估；影响程度根据故障模式最终所导致故障现象的严重性进行评估。
17.进一步地，所述方法还包括故障诊断本体构建，包括首先基于提取的故障诊断知识，列举故障诊断本体中所需术语，其次，将设备结构、故障现象、故障模式、工作参数、维修措施以类的形式进行定义，并定义各类中的层次关系，之后将设备、故障、工作参数、维修建议之间的关系，以属性的形式进行定义，最后再各类中创建实例，并根据各实例间关系，将实例通过属性进行连接。
18.进一步地，所述1)中，对于一般的工业设备，其结构可划分为整体设备级别、系统级别、组件级别和部件级别。将被诊断设备中各层级结构对应的设备进行总结，并根据设备结构，对设备的工作流程进行分析，并总结各层级设备出现故障时，对同层级设备或高层级设备可能出现的影响。
19.进一步地，所述2)中之后对用于故障诊断的工作参数，及其数值范围进行分析，每种工作参数一般包含过高、正常和过低三种状态，每种状态根据设备说明书和历史故障案例通过进行数值范围定义。
20.进一步地，cbr模块将待诊断故障案例和历史故障案例库中案例进行相似度计算，将符合条件的最高相似度案例中故障原因作为诊断结果。
21.进一步地，首先根据故障诊断本体中的故障模式类和工作参数类，选择对应的特征索引，并根据历史故障记录以及选择的特征索引构建历史故障案例库。
22.进一步地，其次根据故障诊断本体中定义的实例间关系，设计相应的案例匹配算法，计算第i个历史故障案例和当前待诊断情况的相似度，如下式：
[0023][0024]
其中，i是历史故障案例库中案例的序列号，sim(ci)是待诊断故障情况与第i个案例之间的相似度值，j是特征索引的序号，m表示所有特征索引的编号，wj是第j个特征索引的权重，sim(c
ij
)是第i个案例与要待诊断故障情况中第j个特征之间的相似度值。sim(c
ij
)的计算方法分为故障现象和工作参数两部分。对于故障现象部分，假设描述故障现象的特征索引序号为1，如果待诊断故障情况的故障现象与第i个故障案例相同，则sim(c
i1
)等于1，否则sim(c
i1
)等于0。对于工作参数部分，假设工作参数的特征索引序号为2，sim(c
i2
)计算方法如下式：
[0025][0026]
其中mk代表第k个工作参数的权重，值一般由领域专家或根据经验直接设定，n代表选择工作参数的数量，sim(fk)代表第i个故障案例和待诊断故障情况之间第k个工作参数的相似度值，计算方法如下式：
[0027][0028]
mk代表第k个工作参数的权重，pk表示待诊断故障情况的第k个工作参数值，lk表示第i个故障案例的第k个工作参数值。
[0029]
根据故障诊断本体中所定义的实例间关系，导致每种故障现象产生的工作参数均通过属性进行连接，对于每种故障现象，在公式(4)的计算中，将和其通过属性连接的工作参数中设置较高权重(即mk)。
[0030]
进一步地，最后设计合理的实现历史故障案例库的更新功能的案例库更新策略。
[0031]
进一步地，rbr模块根据待诊断故障案例中工作参数值，和故障诊断本体中根据数据属性定义的各部件工作参数实例数值范围进行比较，匹配对应的工作参数实例，之后根据故障现象和工作参数参数实例，通过构建的故障诊断规则库以及定义的查询语句，对故障原因进行推理和查询。
[0032]
相对于现有技术，本发明的有益效果为：本发明提供一种基于fmeca和本体的设备故障诊断方法，将fmeca所提取的故障诊断领域知识应用于故障诊断本体构建，根据fmeca中所提取故障间关系，对cbr中案例检索部分的计算方法进行优化，并基于所构建本体构建rbr中的故障诊断规则，提高故障诊断的准确性；改进fmeca中的rpn计算方法，在多故障情况下以rpn为依据，提供诊断结果和维护措施，提高多故障情况下的故障诊断准确性。
附图说明
[0033]
图1为本发明中故障诊断本体包含的部分类和属性示意图。
[0034]
图2为本发明所述的故障诊断方法流程图。
具体实施方式
[0035]
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
[0036]
实施例：首先，对故障诊断领域知识提取，具体包括：结合fmeca的分析思想，提取设备的故障诊断领域知识，作为构建故障诊断本体的基础。针对待诊断设备，首先对设备结构和功能流程进行分析。对于一般的工业设备，其结构可划分为整体设备级别、系统级别、组件级别和部件级别。将被诊断设备中各层级结构对应的设备进行总结，并根据设备结构，对设备的工作流程进行分析，并总结各层级设备出现故障时，对同层级设备或高层级设备可能出现的影响。
[0037]
其次对发生于整体级设备上的故障现象、发生于其他各层级设备上的故障模式以及相应的维护措施进行总结，并对故障现象和故障模式间的影响关系进行分析。之后对用
于故障诊断的工作参数，及其数值范围进行分析，每种工作参数一般包含过高、正常和过低三种状态，每种状态根据设备说明书和历史故障案例通过进行数值范围定义。
[0038]
最后根据历史故障案例，对每种故障模式的rpn进行分析和定义。传统rpn计算方法如公式(1)所示。
[0039]
rpn＝s
×o×dꢀꢀꢀ
(1)
[0040]
其中，s代表严重程度，0代表发生频率，d代表可检测度，每种指标范围为1-10。对于故障诊断方法，可检测度对诊断结果的影响较小。在传统rpn基础上，改进rpn计算方法如公式(2)所示。
[0041]
rpn＝λ1s
×
λ2o
×
λ3q
×
λ4c
ꢀꢀꢀ
(2)
[0042]
其中s和o仍分别代表严重程度和发生频率，q代表信息质量，c代表影响程度，λi代表各指标的权重。信息质量根据所收集专家建议、故障记录、历史故障案例的数量和可信程度进行评估；影响程度根据故障模式最终所导致故障现象的严重性进行评估。
[0043]
然后基于对待诊断设备进行fmeca所提取的故障诊断知识，以“七步法”作为方法论指导，构建故障诊断本体。
[0044]
首先基于提取的故障诊断知识，列举故障诊断本体中所需术语；其次，将设备结构、故障现象、故障模式、工作参数、维修措施以类的形式进行定义，并定义各类中的层次关系；之后将设备、故障、工作参数、维修建议之间的关系，以属性的形式进行定义；最后在各类中创建实例，并根据各实例间关系，将实例通过属性进行连接。
[0045]
构建完成后，对所构建故障诊断本体进行验证，确保其一致性和合理性。故障诊断本体包含的部分类和属性如图1所示，其中equipment代表设备结构类，其子类device代表整体设备类，system代表系统类，assembly代表组件类，part代表部件类；parameter代表工作参数类；fault_mode类代表故障模式类，其子类fault_cause代表故障原因类，fault_effect代表故障影响类；故障原因类的子类fault_phenomenon代表故障现象类，system_cause代表系统级故障原因，assembly_cause代表组件级故障原因，part_cause代表部件级故障原因；故障影响类的子类local_effect代表同层级故障影响，higherlevel_effect代表高层级故障影响。
[0046]
基于所构建故障诊断本体，结合cbr和rbr实现故障诊断方法，方法流程如图2所示。
[0047]
将设备发生故障时产生的故障现象，以及发生故障时各部件的工作参数作值为输入，调用cbr模块，若返回的故障诊断结果正确，则根据案例库更新策略对历史故障案例库进行更新，并结束故障诊断流程；
[0048]
若不返回故障诊断结果，则调用rbr模块，若返回的故障诊断结果正确，则根据案例库更新策略对历史故障案例库进行更新，并结束故障诊断流程。若返回的故障诊断结果错误，则需派该设备领域的故障诊断专家进行人工检测，根据专家成功的故障诊断结果，对故障诊断本体和历史故障案例库进行修改和更新。
[0049]
cbr模块将待诊断故障案例和历史故障案例库中案例进行相似度计算，将符合条件的最高相似度案例中故障原因作为诊断结果。该部分首先根据故障诊断本体中的故障模式类和工作参数类，选择对应的特征索引，并根据历史故障记录以及选择的特征索引构建历史故障案例库。
[0050]
其次根据故障诊断本体中定义的实例间关系，设计相应的案例匹配算法，案例匹配算法中计算公式如下。其中公式(3)用于计算第i个历史故障案例和当前待诊断情况的相似度，公式(4)用于计算第i个历史故障案例和当前待诊断情况中各工作参数的相似度，公式(5)用于计算第i个历史故障案例和当前待诊断情况中第k个工作参数的相似度。
[0051][0052][0053][0054]
根据故障诊断本体中所定义的实例间关系，导致每种故障现象产生的工作参数均通过属性进行连接，对于每种故障现象，在公式(4)的计算中，将和其通过属性连接的工作参数中设置较高权重(即mk)。
[0055]
最后设计合理的案例库更新策略，实现历史故障案例库的更新功能。
[0056]
rbr模块根据待诊断故障案例中工作参数值，和故障诊断本体中根据数据属性定义的各部件工作参数实例数值范围进行比较，匹配对应的工作参数实例；之后根据故障现象和工作参数参数实例，通过构建的故障诊断规则库以及定义的查询语句，对故障原因进行推理和查询。
[0057]
根据所构建故障诊断本体，构建故障诊断规则库，主要诊断规则如表1所示。
[0058]
表1主要故障诊断规则
[0059][0060]
根据诊断规则构建的查询语句，查询逻辑如下：首先根据输入的故障现象和工作参数实例，通过规则2查询系统级别故障原因，若没有查询结果则返回查询失败；其次根据规则2的查询结果和工作参数实例，通过规则3查询组件级别故障原因，若没有查询结果，则返回通过规则2得到的查询结果；之后根据规则3查询结果和工作参数实例，通过规则4查询部件级别故障原因，若没有查询结果，则返回通过规则2、3得到的查询结果；最后根据规则2查询结果和工作参数实例，通过规则5查询是否存在其他故障模式，对当前系统级别故障原因有同层级影响，若没有查询结果，则返回通过规则2-4得到的查询结果并中止查询，若有查询结果，则根据该查询结果，通过上述规则3、4的查询逻辑，再次进行查询,将两次查询结果返回，以rpn值较高的结果对应的维护措施对故障进行处理，若处理后设备仍未正常运作，则再次以rpn值较低的结果对应的维护措施对故障进行处理。将对应的查询结果和维修措施，根据案例更新策略添加至历史故障案例库中。
[0061]
需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均落入本发明权利要求书的保护范围之内。