基于本體的機(jī)械故障診斷貝葉斯網(wǎng)絡(luò)

秦大力 于德介

1.湖南大學(xué)汽車(chē)車(chē)身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙，410082 2.湖南農(nóng)業(yè)大學(xué)，長(zhǎng)沙，410128

0 引言

機(jī)械設(shè)備預(yù)知維護(hù)與故障診斷是提高制造業(yè)運(yùn)營(yíng)管理水平和生產(chǎn)效率的有效手段［1］。但由于對(duì)設(shè)備維護(hù)診斷機(jī)理的認(rèn)識(shí)不充分，往往會(huì)產(chǎn)生大量不確定性因素［2］，主要表現(xiàn)在：①診斷知識(shí)的來(lái)源與結(jié)構(gòu)各異，既有實(shí)時(shí)監(jiān)測(cè)運(yùn)行數(shù)據(jù)，也有根據(jù)經(jīng)驗(yàn)得出的設(shè)備運(yùn)行狀態(tài)主觀(guān)判斷；②故障的劃分邊界比較模糊，導(dǎo)致故障征兆定義以及診斷行為建模存在一定程度的模糊性與隨意性；③復(fù)雜動(dòng)態(tài)診斷維護(hù)環(huán)境本身存在不可預(yù)知性，使得由故障征兆推斷故障成因的反向推理成為一種不確定性的過(guò)程。如何減小上述不確定性因素的影響是機(jī)械設(shè)備維護(hù)與診斷過(guò)程中亟需研究解決的重要問(wèn)題。

基于本體的智能診斷技術(shù)可以減小設(shè)備維護(hù)診斷過(guò)程中不確定性因素影響，其重要基礎(chǔ)是維護(hù)診斷知識(shí)的表示。本體已廣泛應(yīng)用于制造領(lǐng)域中的產(chǎn)品生命周期管理［3］、制造過(guò)程管理［4］、產(chǎn)品知識(shí)集成［5］等方面，而基于本體的制造過(guò)程語(yǔ)義模型通過(guò)對(duì)診斷行為、工況狀態(tài)和維護(hù)決策等進(jìn)行建模，實(shí)現(xiàn)了協(xié)同制造環(huán)境下的維護(hù)診斷知識(shí)共享［6］。但這些應(yīng)用忽略了本體自身邏輯推理的局限性，模型推理能力僅限于本體語(yǔ)義規(guī)則推理，很難進(jìn)一步對(duì)故障原因做出恰當(dāng)?shù)耐评斫忉尅?/p>

作為一種不確定性建模與推理工具，貝葉斯網(wǎng)絡(luò)（Bayesian networks，BNs）可以實(shí)現(xiàn)設(shè)備維護(hù)決策與故障機(jī)理分析過(guò)程中的診斷推理［7－8］。Gilabert等［9］利用BNs來(lái)解決預(yù)知維護(hù)過(guò)程中的不確定性，但診斷維護(hù)經(jīng)驗(yàn)以先驗(yàn)概率的形式表示，設(shè)備狀態(tài)與故障征兆之間的映射對(duì)先驗(yàn)概率依賴(lài)性很強(qiáng)。姜萬(wàn)錄等［10］引入貝葉斯參數(shù)估計(jì)算法進(jìn)行了多特征信息融合，然后通過(guò)最大后驗(yàn)概率估計(jì)值的計(jì)算進(jìn)行故障識(shí)別，但診斷結(jié)構(gòu)模型定義不清晰，診斷過(guò)程知識(shí)缺乏合理的表達(dá)形式。

本文將基于本體的維護(hù)診斷知識(shí)表示與BNs概率推理方法相結(jié)合，構(gòu)建了基于本體的故障診斷貝葉斯網(wǎng)絡(luò)（ontology－based diagnostic Bayesian networks，OntoDBN）。OntoDBN 對(duì)診斷語(yǔ)義模型進(jìn)行概率擴(kuò)展，實(shí)現(xiàn)了診斷貝葉斯網(wǎng)絡(luò)的概率推理。針對(duì)故障知識(shí)、診斷證據(jù)以及維護(hù)診斷過(guò)程的不確定性，重點(diǎn)研究了設(shè)備工況狀態(tài)識(shí)別與故障成因概率推理算法，根據(jù)算法產(chǎn)生的可能故障的概率解釋?zhuān)朴喅鱿鄳?yīng)的維修方案和決策。

1 OntoDBN的體系結(jié)構(gòu)

基于診斷知識(shí)表達(dá)、故障成因分析、因果關(guān)系推理等方面不確定性因素的分析，結(jié)合本體論與貝葉斯網(wǎng)絡(luò)，本文提出以本體語(yǔ)義為基礎(chǔ)的故障診斷貝葉斯網(wǎng)絡(luò)模型，其體系結(jié)構(gòu)如圖1所示。圖中本體語(yǔ)義模型包括狀態(tài)層、征兆層、故障層和決策層，分別對(duì)應(yīng)了從數(shù)據(jù)到智能的4個(gè)知識(shí)加工層次，涵蓋了工況識(shí)別、特征提取、模式分類(lèi)以及維護(hù)決策等基本診斷步驟所涉及的數(shù)據(jù)信息；BNs推理引擎以概率形式逐步給出各個(gè)層次的診斷實(shí)體主觀(guān)信度，構(gòu)建出完整的故障診斷貝葉斯網(wǎng)絡(luò)模型。此外，在保持診斷語(yǔ)義模型及其描述邏輯兼容性的前提下，OntoDBN對(duì)本體模型中的關(guān)鍵概念及關(guān)系進(jìn)行擴(kuò)展，以支持后續(xù)的故障概率推理。

圖1 OntoDBN的體系結(jié)構(gòu)

OntoDBN使用本體作為故障知識(shí)的表示形式，通過(guò)增加本體語(yǔ)義并添加概率信息，將帶有概率信息的故障本體轉(zhuǎn)換為貝葉斯網(wǎng)絡(luò)，以貝葉斯網(wǎng)絡(luò)作為底層推理機(jī)制，實(shí)現(xiàn)對(duì)故障診斷知識(shí)的不確定性推理研究。將本體語(yǔ)義描述和貝葉斯網(wǎng)絡(luò)概率推理相結(jié)合，既實(shí)現(xiàn)了診斷領(lǐng)域知識(shí)的形式化描述與共享，又能在一定程度上消除診斷過(guò)程中不確定性因素的影響。

2 設(shè)備維護(hù)與故障診斷本體

設(shè)備維護(hù)與故障診斷涉及設(shè)備制造、投運(yùn)到最終報(bào)廢的整個(gè)過(guò)程，關(guān)鍵維護(hù)與診斷要素隱藏于海量的生產(chǎn)環(huán)境信息流中。因此，首先要過(guò)濾這些異構(gòu)多源的信息并使信息結(jié)構(gòu)化和形式化，然后從多方面擴(kuò)展設(shè)備維護(hù)與故障診斷方法，在有效地獲取、使用并存儲(chǔ)語(yǔ)義知識(shí)的基礎(chǔ)上建立一個(gè)可靠、完備的維護(hù)診斷知識(shí)本體模型。

2.1 維護(hù)診斷本體建模

本體建模的首要任務(wù)是理清應(yīng)用領(lǐng)域中的核心概念，并針對(duì)應(yīng)用實(shí)體與行為構(gòu)造出可擴(kuò)展的語(yǔ)義模型（即核心本體）。核心本體是定義維護(hù)對(duì)象、診斷行為、實(shí)體關(guān)系及維護(hù)方法論的頂層本體，且獨(dú)立于任何特定設(shè)備或應(yīng)用。OntoDBN核心本體包括設(shè)備域本體、過(guò)程域本體和診斷域本體，見(jiàn)圖2。

（1）設(shè)備域本體用于描述維護(hù)診斷對(duì)象實(shí)體的功能、結(jié)構(gòu)和依存關(guān)系，依照類(lèi)別、設(shè)備、部件、特征4個(gè)層次對(duì)設(shè)備實(shí)體進(jìn)行信息分解，Component和Characterization為設(shè)備域本體的核心類(lèi)（圖2中使用灰色標(biāo)識(shí)的類(lèi)）。

（2）過(guò)程域本體是維護(hù)過(guò)程的知識(shí)表示，包括維護(hù)行為、工況狀態(tài)（Condion）、過(guò)程步驟（ProcessStep）及測(cè)試方法等。過(guò)程域本體一方面要與設(shè)備域本體建立聯(lián)系，另一方面還關(guān)聯(lián)到后續(xù)的診斷分析與維護(hù)決策。

（3）作為故障診斷和維護(hù)決策知識(shí)的語(yǔ)義描述，診斷域本體給出了設(shè)備動(dòng)態(tài)性能的變化規(guī)律和故障征兆的識(shí)別方法。設(shè)備故障（Fault）及其征兆（Symptom）是診斷域本體的核心概念。故障征兆本質(zhì)上是設(shè)備運(yùn)行狀態(tài)的另一種表現(xiàn)形式，可劃分為數(shù)值型征兆（NumericSym）、語(yǔ)義型征兆（DescriptiveSym）和圖形征兆（GraphicSym）三類(lèi)。

圖2 OntoDBN維護(hù)與診斷本體概念之間的關(guān)聯(lián)

2.2 維護(hù)診斷本體的概率擴(kuò)展

為了實(shí)現(xiàn)故障的概率推理，需要對(duì)OntoDBN核心本體進(jìn)行概率擴(kuò)展，在本體實(shí)例中加入概率信息。在OntoDBN核心本體模型基礎(chǔ)上，實(shí)現(xiàn)本體結(jié)構(gòu)向BNs結(jié)構(gòu)的轉(zhuǎn)換，具體包括：本體概念與BNs節(jié)點(diǎn)的轉(zhuǎn)換、本體關(guān)系與BNs有向邊的轉(zhuǎn)換、屬性值的轉(zhuǎn)換以及建立合適的CPT。診斷的本質(zhì)是故障模式識(shí)別，因此可以從設(shè)備狀態(tài)、故障征兆以及故障本身的相互關(guān)系出發(fā)，全面考慮維護(hù)診斷過(guò)程中涉及的相關(guān)因素，建立圍繞狀態(tài)、征兆、故障三者的BNs概率基本模型，見(jiàn)圖3。

圖3 維護(hù)診斷過(guò)程的BNs概率模型

故障診斷過(guò)程中，先要進(jìn)行設(shè)備異常狀態(tài)的識(shí)別（如圖3中的轉(zhuǎn)換②），識(shí)別的結(jié)果表示為故障征兆；而設(shè)備的正常運(yùn)行狀態(tài)或數(shù)據(jù)與故障征兆同樣重要，故障推理的過(guò)程可能會(huì)需要參考設(shè)備正常運(yùn)行時(shí)的狀態(tài)數(shù)據(jù)（如圖3中的有向邊①）；故障模式識(shí)別則涉及故障征兆與故障成因的概率推理（如圖3中的③）。因此，OntoDBN診斷推理可以分為兩個(gè)緊密相連的步驟：其一，使用Bayes決策方法從設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)中找出異常狀態(tài)（即故障征兆）；其二，根據(jù)設(shè)備狀態(tài)或特征值、故障征兆的概率推理出故障發(fā)生的概率。此外，診斷過(guò)程中的其他相關(guān)信息也需要以恰當(dāng)?shù)姆绞皆谠\斷知識(shí)模型中表現(xiàn)出來(lái)，如維護(hù)人員與診斷專(zhuān)家的經(jīng)驗(yàn)、設(shè)備運(yùn)行歷史狀態(tài)等。以下給出了OntoDBN故障本體及其屬性集的定義。

定義1 OntoDBN故障本體OF＝｛F，I，PF，finst｝，其中，F(xiàn)為故障類(lèi)集合，I為故障實(shí)例集合，PF為屬性集，finst為故障類(lèi)實(shí)例化函數(shù)：F→2I。

定義2 屬性集PF＝｛hasCause，hasCondition，hasSym，isObserved，hasPriorPr，has－CondPr｝。其中，hasCause表示故障原因，has－Condition表示故障發(fā)生時(shí)設(shè)備的運(yùn)行狀態(tài)，has－Sym表示故障征兆，isObserved表示故障是否被觀(guān)察到。先驗(yàn)概率與條件概率是表示BNs節(jié)點(diǎn)不確定性程度的重要特征，這里我們利用了本體實(shí)例的屬性hasPrior Pr和hasCond Pr來(lái)分別表示這兩種概率值。例如，S表示故障征兆“潤(rùn)滑油溫度超限”，F(xiàn)表示“減速箱齒輪故障”，那么P（S＝true）＝0.7可表示為

3 OntoDBN的概率推理

貝葉斯網(wǎng)絡(luò)概率推理問(wèn)題分為三類(lèi)：后驗(yàn)概率、最大后驗(yàn)假設(shè)（MAP）和最大可能解釋?zhuān)∕PE）［11］。本文選取部分觀(guān)測(cè)變量組成一個(gè)征兆集合，利用Bayes分類(lèi)器進(jìn)行工況異常狀態(tài)識(shí)別，然后采用MPE方式通過(guò)概率推理計(jì)算出某種故障發(fā)生時(shí)相關(guān)的概率分布。

3.1 異常工況狀態(tài)識(shí)別

故障診斷通常需要考慮目標(biāo)設(shè)備在異常工況狀態(tài)和正常工況狀態(tài)下的運(yùn)行趨勢(shì)，因此正確區(qū)分工況正常與異常狀態(tài)十分重要。某些情況下，由設(shè)備工況狀態(tài)可以直接判定故障的發(fā)生（如轉(zhuǎn)子出現(xiàn)斷裂情形），而大部分工況狀態(tài)需要利用各種數(shù)據(jù)采集設(shè)備獲取運(yùn)行數(shù)據(jù)，再進(jìn)行數(shù)據(jù)分析來(lái)確定該狀態(tài)是否為故障征兆。在OntoDBN本體模型中，異常工況狀態(tài)識(shí)別實(shí)質(zhì)上是設(shè)備工況狀態(tài)空間到故障特征空間的本體映射。例如，轉(zhuǎn)軸不平衡引起的振動(dòng)是旋轉(zhuǎn)機(jī)械的常見(jiàn)多發(fā)故障，一般需要實(shí)時(shí)監(jiān)測(cè)轉(zhuǎn)軸的振動(dòng)頻率以獲取軸振動(dòng)方向上的頻譜特征，當(dāng)設(shè)備出現(xiàn)異常且進(jìn)行頻譜分析時(shí)，這些振動(dòng)特征量就表現(xiàn)為故障征兆。異常工況狀態(tài)識(shí)別主要依靠設(shè)備運(yùn)行狀態(tài)類(lèi)（Condition）、監(jiān)測(cè)特征類(lèi)（Characterization）、故障征兆類(lèi)（Symptom）、設(shè)備部件類(lèi)（Component）以及這些類(lèi)之間的相互關(guān)聯(lián)關(guān)系來(lái)完成。

根據(jù)先驗(yàn)知識(shí)對(duì)工況狀態(tài)出現(xiàn)的概率（即先驗(yàn)概率）進(jìn)行估計(jì)時(shí)，若設(shè)備工況狀態(tài)空間Ωj＝（ω1，ω2，…，ωi，…，ωc），其中ωi（i＝1，2，…，c）表示狀態(tài)空間的一個(gè)模式點(diǎn)，那么正常和異常工況狀 態(tài) 可 以 分 別 用P（ω1）和P（ω2）表 示，且P（ω1）＋P（ω2）＝1。再假定x是表示工況狀態(tài)的離散隨機(jī)變量，結(jié)合工況狀態(tài)為ωi時(shí)x的概率分布函數(shù)P（x｜ωi）和Bayes公式可以得出：

設(shè)｛α1，α2，…，αk｝表示有限的k種可能判定行為集，風(fēng)險(xiǎn)函數(shù)λ（αi｜ωj）表示工況狀態(tài)為ωj時(shí)判定行為αi的風(fēng)險(xiǎn)，那么條件風(fēng)險(xiǎn)定義為

根據(jù)Bayes決策規(guī)則，異常工況狀態(tài)識(shí)別問(wèn)題就是選取合適的異常狀態(tài)判定行為αi，使得條件風(fēng)險(xiǎn)最小，即

設(shè)工況狀態(tài)特征向量x＝ （x1，x2，…，xd），為簡(jiǎn)化問(wèn)題，我們僅考慮工況狀態(tài)特征相互獨(dú)立的情形，即針對(duì)獨(dú)立的二值離散特征量進(jìn)行分類(lèi)。由于只考慮正常狀態(tài)ω1和異常狀態(tài)ω2兩類(lèi)模式，因此可以采用線(xiàn)性二分分類(lèi)器［12］來(lái)判定工況狀態(tài)，其判別函數(shù)為

其中，pi和qi分別是設(shè)備處于正常狀態(tài)ω1與異常狀態(tài)ω2時(shí)（xi＝1）的條件概率值。當(dāng)g（x）＞0時(shí)，工況狀態(tài)判為ω1；否則判為ω2。

3.2 故障診斷概率推理算法

判定目標(biāo)設(shè)備的正常與異常狀態(tài)之后，就可以采用MPE推理方式進(jìn)行故障概率分析，即根據(jù)已有證據(jù)找出所有可能的假設(shè)中后驗(yàn)概率最大的假設(shè)，即

其中，P（H｜C，S）表示在給定設(shè)備運(yùn)行狀態(tài)C和故障征兆S的條件下，故障假設(shè)子集H中故障發(fā)生的概率。3.1節(jié)給出了故障征兆的判定方法（即工況異常狀態(tài)識(shí)別），根據(jù)貝葉斯定理可知：

則式（5）可簡(jiǎn)化為

式（6）中P（H）為H中故障發(fā)生的概率，P（C｜H）和P（S｜H）為H中故障出現(xiàn)時(shí)的工況狀態(tài)和故障征兆的條件概率。設(shè)某種故障f的先驗(yàn)故障概率為P（f），且f∈ ｛0，1｝，那么：

盡管OntoDBN對(duì)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了簡(jiǎn)化，但上述精確推理過(guò)程依然是NP－h(huán)ard問(wèn)題［13］。為了降低推理的復(fù)雜度，可以在每次推理循環(huán)中選擇最有可能發(fā)生的故障（即故障信度值最大）加入故障假設(shè)子集，并刪除該故障所對(duì)應(yīng)的征兆。當(dāng)故障征兆集為空時(shí)，就認(rèn)為所有可能的故障都已加入故障假設(shè)子集中，此時(shí)退出推理循環(huán)并獲得最大可能的故障解釋。

4 應(yīng)用實(shí)例分析

為了驗(yàn)證本文提出的OntoDBN模型，選取某化工企業(yè)涼水塔風(fēng)機(jī)機(jī)組為診斷對(duì)象（圖4），并以減速器振動(dòng)位移、減速器潤(rùn)滑油溫度和電機(jī)電流作為狀態(tài)監(jiān)測(cè)特征量。為了簡(jiǎn)化研究過(guò)程，不考慮風(fēng)機(jī)的啟停升降速狀態(tài)，僅研究設(shè)備穩(wěn)定運(yùn)行過(guò)程中的故障診斷分析。

圖4 涼水塔風(fēng)機(jī)結(jié)構(gòu)與診斷維護(hù)測(cè)點(diǎn)

首先，借助Protégé本體建模工具［14］和本體描述語(yǔ)言 OWL（web ontology language）建立OntoDBN診斷本體模型，實(shí)現(xiàn)OntoDBN診斷本體的主要類(lèi)、數(shù)據(jù)屬性、對(duì)象屬性以及實(shí)例成員。本體結(jié)構(gòu)與實(shí)例存儲(chǔ)于關(guān)系數(shù)據(jù)庫(kù)中，通過(guò)Jena［15］提供的應(yīng)用編程接口進(jìn)行訪(fǎng)問(wèn)。最后，采用貝葉斯網(wǎng)絡(luò)開(kāi)發(fā)環(huán)境Ge NIe［16］實(shí)現(xiàn)故障診斷的概率推理計(jì)算。主要的推理過(guò)程包括風(fēng)機(jī)故障征兆判定和可能故障的概率計(jì)算，分析結(jié)果用來(lái)指導(dǎo)后續(xù)的設(shè)備維護(hù)決策與實(shí)施。

4.1 風(fēng)機(jī)故障征兆的判定

風(fēng)機(jī)的主要部件包括葉片、轉(zhuǎn)軸、減速器和電機(jī)，其中轉(zhuǎn)軸故障是風(fēng)機(jī)的多發(fā)故障。故障征兆的判定過(guò)程是在設(shè)備工況狀態(tài)監(jiān)測(cè)的基礎(chǔ)上，根據(jù)專(zhuān)家及現(xiàn)場(chǎng)操作人員經(jīng)驗(yàn)給出各類(lèi)故障發(fā)生的主觀(guān)信度。我們利用實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)和式（4）所給出的征兆特征判決函數(shù)，可以區(qū)分出風(fēng)機(jī)運(yùn)行過(guò)程中出現(xiàn)的故障征兆，即某種工況狀態(tài)屬于故障征兆的主觀(guān)判定。

以風(fēng)機(jī)轉(zhuǎn)軸工頻振動(dòng)為例，基頻幅值增速過(guò)快一般視為轉(zhuǎn)軸不平衡或熱彎曲故障的征兆，那么可將實(shí)時(shí)監(jiān)測(cè)到的轉(zhuǎn)軸基頻振動(dòng)幅值作為工況特征量，根據(jù)預(yù)先設(shè)定閾值和二值特征線(xiàn)性分類(lèi)器來(lái)判斷該工況特征量是否屬于故障征兆。例如，某化工企業(yè)4號(hào)涼水塔風(fēng)機(jī)轉(zhuǎn)軸的徑向振動(dòng)出現(xiàn)不斷增長(zhǎng)趨勢(shì)，需要對(duì)設(shè)備狀態(tài)進(jìn)行診斷與評(píng)估。圖5所示為4號(hào)風(fēng)機(jī)基頻幅值增速異常征兆的判定結(jié)果。根據(jù)最近15次監(jiān)測(cè)到的轉(zhuǎn)軸基頻幅值變化，計(jì)算出工況狀態(tài)ωi下幅值x的概率分布函數(shù)P（x｜ωi），再由式（1）得出條件概率P（ωi｜x），最后結(jié)合設(shè)備狀況和專(zhuān)家經(jīng)驗(yàn)劃分出風(fēng)機(jī)正常狀態(tài)ω1和異常狀態(tài)ω2。由圖5可以看出，新觀(guān)測(cè)到的證據(jù)A應(yīng)視為基頻幅值增速異常征兆。

圖5 4號(hào)風(fēng)機(jī)基頻幅值增速異常征兆的判定結(jié)果

4.2 風(fēng)機(jī)故障概率的計(jì)算

診斷對(duì)象的異常征兆判定之后，正常工況狀態(tài)和故障征兆以先驗(yàn)概率值的形式與設(shè)備故障聯(lián)系起來(lái)，結(jié)合診斷對(duì)象常見(jiàn)故障的先驗(yàn)概率就可以進(jìn)行故障概率推理計(jì)算。表1給出了風(fēng)機(jī)常見(jiàn)故障與工況狀態(tài)或征兆之間的部分概率關(guān)系。在OntoDBN故障推理過(guò)程中，先利用GeNIe建立診斷貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)并導(dǎo)入表1中的概率值，然后輸入實(shí)時(shí)狀態(tài)監(jiān)測(cè)數(shù)據(jù)作為推理證據(jù)，根據(jù)式（8）～式（10）計(jì)算出概率推理結(jié)果。除了判斷最大可能發(fā)生的故障之外，還可以利用OntoDBN模型進(jìn)行其他診斷或預(yù)測(cè)推理。例如某故障發(fā)生時(shí)，會(huì)出現(xiàn)哪些故障征兆以及這些征兆出現(xiàn)的可能性定量分析等。

表1 風(fēng)機(jī)常見(jiàn)故障的先驗(yàn)概率與條件概率（部分）%

圖6給出了4號(hào)風(fēng)機(jī)故障概率推理實(shí)例，由于篇幅原因，這里只列出了在設(shè)定證據(jù)前后“轉(zhuǎn)子不平衡”與“轉(zhuǎn)子彎曲”兩種故障的推理結(jié)果。圖6a表示在輸入推理證據(jù)前各節(jié)點(diǎn)的先驗(yàn)概率和條件概率值，圖6b則表示某次推理過(guò)程中輸入證據(jù)之后目標(biāo)節(jié)點(diǎn)的概率變化。由圖6b可以看出，在診斷BNs中輸入狀態(tài)數(shù)據(jù)后，“轉(zhuǎn)子不平衡”故障發(fā)生的概率較大（99%）。設(shè)備停機(jī)大修結(jié)果證明，設(shè)備狀況與前述診斷分析結(jié)論一致，4號(hào)風(fēng)機(jī)轉(zhuǎn)軸由于設(shè)備老化及葉片結(jié)垢等原因而出現(xiàn)了不平衡量的增大，經(jīng)過(guò)現(xiàn)場(chǎng)動(dòng)平衡校驗(yàn)后，設(shè)備運(yùn)轉(zhuǎn)恢復(fù)正常。

圖6 4號(hào)風(fēng)機(jī)故障概率計(jì)算

5 結(jié)束語(yǔ)

為了減小設(shè)備維護(hù)與故障診斷過(guò)程中不確定性因素的影響，本文設(shè)計(jì)了一種本體驅(qū)動(dòng)的診斷貝葉斯網(wǎng)絡(luò)（OntoDBN），用于智能故障診斷應(yīng)用中的知識(shí)表示與故障推理。OntoDBN包括診斷語(yǔ)義知識(shí)表示模型和故障診斷概率推理算法，用貝葉斯決策理論和概率精確推理方法對(duì)設(shè)備工況狀態(tài)、故障征兆以及故障成因進(jìn)行了定量分析。OntoDBN中的知識(shí)表示模型與概率推理算法相互關(guān)聯(lián)且相對(duì)獨(dú)立，在促進(jìn)知識(shí)共享的同時(shí)提高了故障診斷推理效率。故障診斷概率推理過(guò)程還集成了專(zhuān)家的主觀(guān)診斷經(jīng)驗(yàn)，與設(shè)備運(yùn)行狀態(tài)證據(jù)相結(jié)合，共同完成基于概率的嚴(yán)格推理過(guò)程。某涼水塔風(fēng)機(jī)的故障診斷實(shí)例分析表明，基于本體的故障診斷貝葉斯網(wǎng)絡(luò)適用性較強(qiáng)，在一定程度上消解了故障診斷過(guò)程各種不確定性因素的影響。本文所采用的精確推理算法計(jì)算復(fù)雜度高，當(dāng)診斷網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且連接稠密時(shí)難以滿(mǎn)足工程應(yīng)用要求，因此，采用近似推理算法與本體模型結(jié)合的方式展開(kāi)診斷貝葉斯網(wǎng)絡(luò)研究是今后需進(jìn)一步研究的重要問(wèn)題。

［1］Lu Bin，Durocher D B，Stemper P.Predictive Maintenance Techniques［J］.Industry Applications Magazine，IEEE，2009，15（6）：52－60.

［2］Laskey K B.Model Uncertainty：Theory and Practical Implications［J］.Systems，Man and Cybernetics，Part A：Systems and Humans，1996，26（3）：340－348.

［3］Matsokis A，Kiritsis D.An Ontology－based Approach for Product Lifecycle Management［J］.Computers in Industry，2010，61（8）：787－797.

［4］Garcia－Crespo A，Ruiz－Mezcua B，Lopez－Cuadrado J L，et al.Conceptual Model for Semantic Representation of Industrial Manufacturing Processes［J］.Computers in Industry，2010，61（7）：595－612.

［5］Yang S C，Patil L，Dutta D.Function Semantic Representation（FSR）：a Rule－Based Ontology for Product Functions［J］.Journal of Computing and Information Science in Engineering，2010，10（3）：031001－8.

［6］雷琦，劉飛，王琦峰.基于語(yǔ)義的協(xié)同制造執(zhí)行平臺(tái)集成框架研究［J］.中國(guó)機(jī)械工程，2008，19（17）：2050－2054.

Lei Qi，Liu Fei，Wang Qifeng.Semantic－based Integration Framework for Collaborative Manufacturing Execution Platform［J］.China Mechanical Engineering，2008，19（17）：2050－2054.

［7］Mc Naught K，Chan A.Bayesian Networks in Manufacturing［J］.Journal of Manufacturing Technology Management，2011，22（6）：734－747.

［8］Agre G.Diagnostic Bayesian Networks［J］.Computers and Artificial Intelligence，1996，16（1）：1－21.

［9］Gilabert E，Arnaiz A.Intelligent Automation Systems for Predictive Maintenance：a Case Study［J］.Robotics and Computer－integrated Manufacturing，2006，22（5/6）：543－549.

［10］姜萬(wàn)錄，劉思遠(yuǎn).多特征信息融合的貝葉斯網(wǎng)絡(luò)故障診斷方法研究［J］.中國(guó)機(jī)械工程，2010，21（8）：940－945.

Jiang Wanlu，Liu Siyuan.Fault Diagnosis Approach Study of Bayesian Networks Based on Multi－characteristic Information Fusion［J］.China Mechanical Engineering，2010，21（8）：940－945.

［11］Darwiche A.Bayesian Networks［J］.Communications of the ACM，2010，53（12）：80－90.

［12］Duda R O，Hart P E，Stork D G.Pattern Classification［M］.New York：John Wiley ＆Sons，2001.

［13］Cooper G F.The Computational Complexity of Probabilistic Inference Using Bayesian Belief Networks［J］.Artificial Intelligence，1990，42（2/3）：393－405.

［14］Gennari J H，Musen M A，F(xiàn)ergerson R W，et al.The Evolution of Protege：an Environment for Knowledge－based Systems Development［J］.International Journal of Human－computer Studies，2003，58（1）：89－123.

［15］Carroll J J，Dickinson I，Dollin C.Jena：Implementing the Semantic Web Recommendations［C］//Association for Computing Machinery.Proceedings of the 13th International WWW Conference on Alternate Track Papers and Posters.New York：ACM，2004：74－83.

［16］Decision Systems Laboratory.GeNIe Documentation［EB/OL］.Pittsburgh，DSL：University of Pittsburgh，［2012－02－16］.http：//genie.sis.pitt.edu/wiki/GeNIe＿Documentation.