案例推理在印刷机械故障诊断中的应用
本帖最后由 wdhd 于 2016-3-14 16:40 编辑案例推理在印刷机械故障诊断中的应用
贺小辉 陈云 韩彦岭 应志雄
摘要：本文借助案例推理技术在知识获取、易于理解方面的优势，结合印刷机械设备的特点，将基于案例推理的方法引入到印刷设备的故障诊断领域，详细论述了案例推理在设备故障诊断系统中的实现过程，并给出了该方法在印刷机械设备故障诊断中的应用实例。
关键词：基于案例的推理(CBR);印刷机械;故障诊断
1.引言
现代印刷机械的结构越来越复杂，自动化程度越来越高，功能出现多样化，使得设备故障也越来越复杂化，很难建立一个完整的数学模型来描述它,随之故障诊断与排除也越来越困难。一旦设备发生故障，将影响到整个生产系统的安全和稳定运行，特别是由于印刷的特殊性，在印刷工艺上要求高，加上纸张油墨的可变因素大，所以产生故障的因素很多，有时一种故障的产生有多种原因。
当前印刷行业的维修人员主要是靠感觉和个人经验，对印刷机的故障进行诊断和排除。令他们最头痛的是印刷过程产生了故障而找不到产生故障的原因，往往为了套印不准，墨杠，重影，纸给，倒顺毛等故障，停机检修几个小时，有时为了解除一个故障甚至要花几天时间，充分说明了现在应用在印刷领域的故障诊断技术已远远不能适应现代化印刷的要求。
利用人工智能技术的故障诊断系统已经成为设备故障诊断的发展方向。目前针对印刷领域的故障智能诊断系统主要有基于规则和神经网络的系统，由于这些系统采用的故障诊断方法存在某些不足，如知识获取非常困难，系统对求解超出范围的问题无能为力，诊断推理过程比较抽象，不容易理解等。而基于案例的诊断推理需要检索的是现场发生的故障案例，大大减少了从专家那里获取知识的必要，比较容易建立;在待诊断对象的故障与案例之间不完全匹配时也能给出相似的解;诊断结果是具体的案例，比较生动丰富，能够反映故障的总体概貌，容易理解接受等。因此，本文采用案例推理技术进行故障诊断，CBR的推广可以使一般技术人员也可以对印刷机械进行故障诊断。
2. 基于案例的推理技术
基于案例的推理(case-based reasoning, CBR)是人工智能领域新崛起的一种基于知识的问题求解和学习方法，它以独特的推理风格和成功的应用，向人们展示了很强的生命力。CBR方法同人类的日常推理活动十分接近，它来自于人们的认知心理活动，不同于传统的基于知识的系统，CBR系统所依赖的知识主要是系统中储存的相关领域中以前解决问题的具体记录，例如：医院中的病例。传统的基于规则(RBR)推理方法所依赖的知识是由领域专家以规则的形式给出，而CBR推理方法则不需要从权威专家那里抽取规则这种非常繁重的工作，从而避免了知识获取的瓶颈。
2.1 案例的表示
基于案例的推理首先要研究的是，怎样把过去所解决问题的实例表示成案例的形式，以便于储存在案例库中。从问题求解的角度来看，案例应该包含对问题的整体情况的描述，还应该包含对问题的解或解决方法的描述，所以案例可以用一个有序对：<问题的描述，解的描述>来表示。
案例就是把以前处理过的问题，描述成由问题的特征集和解决方案组成的案例，储存在案例库中。case base={C1,C2……Cn}表示案例库,其中Ci=C(Fi,Si)表示案例库中的第i个案例;Fi=(fi1,fi2……fin)表示案例Ci的征兆集，fin表示案例Ci的第n个征兆;Si=(si1,si2……sin)表示案例Ci的解决方案集，sin案例Ci的第n解决方案(或者解决方案的第n个步骤)。案例它代表的是过去的经验的积累，并不是一条规则，在案例库中每个案例描述的是一种故障状态，它们是相互独立的。案例的表示如图1所示。
2.2 相似度的计算
CBR是以相似性概念为中心的，而相似性是以相似度来衡量的，通过相似度客户在可能解中寻找近似解，合适的度量方法可以快速、准确地找到所需要的案例。所以在CBR系统中，相似度的计算显得尤为重要。相似度是用0-1之间的实数来表示的，值越大表示两个案例越相似，旧案例提供的建议解就越有用。
CBR相似度的计算公式：
给定两个故障案例C1和C2，,SIM(C1,C2);两个案例之间的相似度，simj ;两个案例对应征兆间的相似度，wj ;对应特征的权重，其中∑wj=1。
2.3 基于案例的推理
基于案例的推理是通过采用解决旧问题的答案来解决新问题，最相似的案例必须要在当前的案例库中找到。案例库是基于经验的知识库，这些经验是针对特定的问题领域的。这样的案例是文档化的经验，它由问题的描述、解答和结果的描述组成。
当出现一个新故障时，我们可以把它描述成一个不知道原因和解决方案的新案例，提供给系统，系统就会在案例库里尽可能搜索与当前问题相似的历史案例与之相匹配，很多情况下系统会提供几个相似度接近的方案，这就要求系统能够消除冲突找出一个与当前问题最相似的案例。
在实际应用中，基于案例的推理可以分为四个步骤：
搜索――从案例库中搜索出与新问题最相似的案例。
重用――把系统的建议解应用于新问题，如果案例与新问题有足够的相似度，那么新问题就有望得到解决。
修正――有时建议解不能解决问题则必要对建议解进行修正。
保存――把修正过的案例添加到案例库中去。
CBR把过去处理过的问题，描述成由问题的特征集和解决方案组成的案例，储存在案例库中，当新问题到来时从案例库中检索出与之相近的旧案例。如果新问题旧与案例完全一致，则旧案例的解决方案可以用来解决新问题;否则就要对旧案例进行修改，得到新问题的解决方案。一般新案例的解决方案要保存倒案例库中去，充实案例库，实现CBR的自学习过程。
3.基于CBR的系统实现
基于CBR的故障推理是实现对设备故障诊断的重要组成部分，其系统实现的结构框架如下图所示：
3.1案例库的建立
初始案例来源于专家以往的经验，根据专家对以往处理过的问题的描述，按照案例的表示方式建立故障案例，它是用各个故障案例的特征指标值进行描述的，采用关系数据库技术来建立案例库。如果CBR服务的领域存在多年、积累了丰富的故障处理经验，这时开发故障诊断案例库是比较容易的。我们把以往的经验进行整理归类，进行系统的总结和组织，最终把经验以案例的形式表示出来储存于案例库中，大部分案例可以在开发时入库;如果我们面对的是新兴领域，在故障诊断处理方面经验缺乏，经验积累的过程就是案例的添加过程，随着经验的不断积累、案例的不断添加、案例库的不断完善，又有许多案例需要修正。
3.2故障征兆的获取
当我们遇到一个故障(问题)时，通过观察或者后台的数据采集程序我们可以获得这个新故障的大部分征兆，征兆可以是数据采集程序从设备PLC上采集过来的数据，也可以是通过观察从人工添加的数据中选择的与实际情况相符合的征兆数据。由这些征兆就可以定义我们的“新故障”(新案例)，实际上我们所谓的新问题就是一个没有解决方法的新案例。如图3所示。
3.3案例的检索
检索就是开始于一个这样的待求问题的新案例，利用案例库的索引机制，根据相似性度量方法，在某个相似程度的阀值下，在案例库中找出一组与新案例匹配较好的旧实例，并从中选择最佳的案例作为我们的建议解。
案例库中，与故障C的相似度最大、最邻近的案例(F，S)，一般我们认为它的解S是对故障C最有用的解，也是案例库中能提供的最好的解。但是CBR本来就是以相似性概念为核心的，有时候最邻近解并不能够提供可接受的解决方案，一个不是最邻近解的案例，它的解却可能是最优解，为此在案例搜索时我们可以设定一个阀值β(本系统阀值β=0.7)，如果SIM(新问题，旧案例)>β接受它们，这样就相当于把旧案例分成两部分：不可以接受的案例和可以接受的案例。
计算出相似度以后，根据预先设定的阈值，在阈值以上的旧案例作为匹配案例，按照相似度的值由大到小的顺序排列。它们的解决方案作为新问题的建议解，两个案例的相似度越高，建议解的重用性越强。验证建议解，如果建议解正确，就把新问题作为新的案例存放到案例库中;如果建议解不正确，就要对建议解进行修正。
3.4 CBR的自学习
CBR具有天生的学习功能，CBR正是通过自学习能力不断充实自己的案例库，对于新领域尤其如此。当诊断任务成功完成时，如果案例库中没有此案例就加入此新案例，增加系统对问题领域的覆盖范围。如果案例一味的增加势必导致案例库越来越庞大，所以案例学习还应该检查案例的使用频率，对那些使用频率极低的案例可以予以删除。
4. 应用实例
本文以印刷机械设备为应用背景，将基于案例的推理方法应用到设备的故障诊断领域。下面是案例推理方法在设备故障诊断过程中的应用实例。设备在一次生产过程中出现主机不能启动的现象，进入故障智能诊断系统，选择“主机不能启动”这个征兆，如果征兆是由设备PLC采集过来的话，该征兆会在征兆列表中自动选上，由于“主机不能启动”是人工添加的数据，所以需要人工选择这个征兆(如图4所示)
设备故障征兆
点击确定后，案例检索匹配后的诊断结果按照相似度的大小列表显示出来(本系统预设阈值β=0.7)，如图5所示。
点击查看可以看到该案例的故障原因以及对应的处理方法是：
根据诊断结果去处理问题，结果发现限位开关损坏，更换限位开关后即恢复正常。
5. 结束语
本文借助案例推理在有效解决存在于传统的基于规则系统中的知识获取瓶颈;案例库维护方便，不需要专家干预;能扩大解决问题范围，节省问题求解时间等方面显示出的优越性和良好的适应能力，将它应用于印刷机械设备的故障诊断领域，解决了故障诊断技术向自动化、智能化方向发展面临的问题。通过五家制造企业的应用验证，该方法为印刷设备的故障诊断推理提供了更加科学的指导，具有较高的应用价值。
页:
[1]