一种用于自动扶梯的故障诊断专家系统

摘要

本发明公开了一种用于自动扶梯的故障诊断专家系统，包括：推理机模块、知识库模块、知识交互模块、案例学习模块以及解释机模块；所述知识库模块，分别与推理机模块、知识交互模块、解释机模块连接；所述知识库模块包括所要解决问题领域中的案例和诊断规则；所述知识交互模块，用于获取事实值；所述推理机模块，根据获取的事实值，调用所述知识库模块中的案例或诊断规则，对故障现象进行推理，从而得出故障原因；本发明提供的一种用于自动扶梯的故障诊断专家系统，设计了一种具备案例推理和规则推理，通过将案例库中的案例转换为规则，并保存至规则库中，可以灵活组态和继承的专家系统，满足实际应用需求。

说明书

技术领域

本发明涉及自动扶梯领域，具体地说，特别涉及一种用于自动扶梯的故障诊断专家系统。

背景技术

专家系统是人工智能的一个分支，它是在20世纪60年代初期产生并发展起来的一门新兴的应用科学，而且正随着计算机技术的不断发展而日臻完善和成熟。它是一种智能的程序，通过知识与推理过程，求解需要专门知识才能求解的复杂问题。目前已经被广泛地应用于工业、医疗、农业和教育等领域。故障诊断专家系统作为专家系统在工业方面的应用，其研究得到了学术界和工程界的高度重视。

目前专家系统的模型有很多种，其中常用有基于规则的专家系统、基于案例的专家系统、基于框架的专家系统。

现有技术中，缺少一种将案例推理和规则推理灵活组态和继承的专家系统，无法满足实际应用需求。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种用于自动扶梯的故障诊断专家系统。所述技术方案如下：

一方面，提供了一种用于自动扶梯的故障诊断专家系统，包括：推理机模块、知识库模块、知识交互模块、案例学习模块以及解释机模块；

所述知识库模块，分别与推理机模块、知识交互模块、解释机模块连接；所述知识库模块包括所要解决问题领域中的案例和诊断规则；

所述知识交互模块，用于获取事实值；

所述推理机模块，根据获取的事实值，调用所述知识库模块中的案例或诊断规则，对故障现象进行推理，从而得出故障原因；

所述解释机模块，对推理过程和推理得到的确定性结论作出解释；

其中，所述推理机模块包括规则推理机模块和案例推理机模块；所述规则推理模块，采用基于规则的专家系统；所述案例推理模块，采用基于框架式知识表示的专家系统；

所述知识库模块包括规则库和案例库；所述规则库与所述规则推理模块连接，所述案例库与所述案例推理模块连接；

所述案例学习模块，用于将案例库中的案例转化为规则，并保存到规则库。

进一步地，所述规则推理模块为一种基于任务调用方式和规则激活的规则推理引擎技术，并且令推理机检查每条规则以指导对事实的寻找。

进一步地，所述案例推理模块采用基于关联和知识归纳的组合检索策略。

进一步地，所述案例推理模块根据索引策略、匹配方法和相似度计算方法快速地从案例库中寻找出与待诊断案例最相似的案例，分为两个步骤：

第一步：根据输入的待诊断案例的设备名、部件名、机组状态设备信息，从案例库中检索出该设备同类案例集；

第二步：采用最近临匹配法从设备同类案例集中检索出最相似案例；

最近邻匹配法以n维空间的观点表示案例，每个案例对应的特征向量构成为：

设V＝{a(i),a(i),…,a(i)}表示案例的特征向量，则两案例的相似度表示如下：

式中：

T表示待诊断案例；

T(i)表示案例T的第i个特征；

S表示案例库中案例；

S(i)表示案例S的第i个特征；

ω

(1)T(i)与S(i)相同时，||T(i)-S(i)||＝0；当T(i)与S(i)不同时，||T(i)-S(i)||＝1

(2)特征权重ω

根据特征的重要程度，将其分为最重要、很重要、比较重要、一般、可有可无5种等级，假设第i个特征的等级由k

相似度值越大，表示两案例越相似；相似度值越小，表示两案例差别越大；当sim(T,S)＝1时，两案例完全相同；按照上述方法求出待诊断案例与设备同类案例集中案例的相似度，找到最大相似度案例。

进一步地，所述知识库包括规则库和案例库；所述规则库和案例库共用有属性表和故障表；

所述属性表，用于保存事实值的类型信息和案例中槽值的定义；

所述故障表，用于保存设备故障的定义；

所述规则库还包括：

事实表，用于保存设备的特征条目信息；

任务表，用于保存任务信息；

规则表，用于保存专家系统中使用的所有规则；

所述案例库还包括：

案例表，用于保存专家系统中使用的所有规则；

案例明细，用于保存案例的详细槽值信息；

案例附件表，用于保存案例的附件信息。

进一步地，所述知识交互模块具备三种使用方式：全自动诊断、半自动诊断以及人机对话；

全自动诊断，在推理过程不涉及与外部人员的交互，自动获取事实值，通过状态监测平台进行赋值操作，如果无法自动获取就采取默认值；

半自动诊断，同全自动推理诊断相同的是，该功能也是集成在大型透平压缩机组状态监测平台中，自动获取的事实值通过状态监测平台进行赋值，无法获取的，自动弹出对话框进行选择操作；

人机交互，用于用户和故障诊断系统各模块之间进行信息交互。

进一步地，所述案例学习模块，还用于将私有案例转化为公有案例；

其中，所述私有案例是指直接从大型透平压缩机组监测平台录入的案例，公有案例是私有案例经过案例学习后，经过专家确认才能形成公有案例；在案例推理功能中使用的均是公有案例。

进一步地，所述私有案例转化为公有案例的过程具体为：

第一步：案例的属性特征标准化，把案例录入人员使用的一些不标准的表达式进行标准化；

第二步：专家对录入的案例进行分析，是否具有代表意义；经过确认后，就形成了公有案例。

进一步地，所述将案例库中的案例转化为规则，并保存到规则库的过程具体为：

第一步：将公有案例进行筛选操作，将相似的和直接可以区分故障的案例筛选掉；

第二步：通过寻优分类，把不同特征组合和使用的顺序归纳出来；

第三步：对转化的规则由专家确认，并最后保存到规则库。

本发明实施例提供的技术方案带来的有益效果是：

本发明提供的一种用于自动扶梯的故障诊断专家系统，设计了一种具备案例推理和规则推理，通过将案例库中的案例转换为规则，并保存至规则库中，可以灵活组态和继承的专家系统，满足实际应用需求。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中常规模式匹配的流程图；

图2是本发明实施例中寻找事实和规则的流程图；

图3是本发明实施例中专家系统运行模式的流程图；

图4是本发明实施例中专家模式规则推理模式的流程图；

图5是本发明实施例中案例推理流程图；

图6是本发明实施例中知识库组织形式的示意图；

图7是本发明实施例中全自动运行模式的流程图；

图8是本发明实施例中半自动运行模式的流程图；

图9是本发明实施例中人机对话运行模式的流程图；

图10是本发明实施例中案例学习流程图；

图11是本发明实施例中案例转化规则流程图；

图12是本发明实施例中专家系统功能图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明提供了一种用于自动扶梯的故障诊断专家系统，参见图1-12，包括：推理机模块、知识库模块、知识交互模块、案例学习模块以及解释机模块；

所述知识库模块，分别与推理机模块、知识交互模块、解释机模块连接；所述知识库模块包括所要解决问题领域中的案例和诊断规则；

所述知识交互模块，用于获取事实值；

所述推理机模块，根据获取的事实值，调用所述知识库模块中的案例或诊断规则，对故障现象进行推理，从而得出故障原因；

所述解释机模块，对推理过程和推理得到的确定性结论作出解释；

其中，所述推理机模块包括规则推理机模块和案例推理机模块；所述规则推理模块，采用基于规则的专家系统；所述案例推理模块，采用基于框架式知识表示的专家系统；

所述知识库模块包括规则库和案例库；所述规则库与所述规则推理模块连接，所述案例库与所述案例推理模块连接；

所述案例学习模块，用于将案例库中的案例转化为规则，并保存到规则库。

本实施例中，规则推理部分采用基于规则的专家系统，案例推理采用基于框架式知识表示的专家系统，案例库具备把案例提取为规则的功能。地铁关键设备故障诊断专家系统设计核心包括5个关键技术点：规则推理引擎、案例推理引擎、知识库(规则库、案例库)、知识交互和案例学习。

进一步地，所述规则推理模块为一种基于任务调用方式和规则激活的规则推理引擎技术，并且令推理机检查每条规则以指导对事实的寻找。

具体地，地铁关键设备故障诊断专家系统的规则推理引擎是在正向链推理技术上进行优化，提高推理速度和效率。正向链是指一条由问题开始搜索并得到其解答的链，由事实推出基于事实的结论。

规则推理过程是通过模式匹配来实现，如图1所示。

其中事实指机组信息、监测数据的特征指标等，规则即IF…THEN…的判断。推理机通过检查每条规则并寻找一套事实来决定规则的模式是否已满足，如果是，则将此规则记入议程中，如图2所示。在基于规则的语言中，匹配过程不断重复进行。通常，事实列表在每次执行中都会被修改，添加新的事实到事实列表或删除旧的事实。这些改变可令先前不满足条件的模式得到满足，反之亦然。匹配问题因此成了不断进行的过程。在每次循环中，随着事实的添加和删除，必须对已满足的规则集合进行维护和更新。

在实际设备故障诊断过程中，专家系统规则推理并不完全是这种运行模式，而是监测过程出现报警触发或者人为触发专家系统运行，只运行部分相关规则，根据机组类型和报警信息来选择相关的规则。如图3所示。

结合基于正向链推理技术和设备诊断专家系统的特点，提出基于任务调用方式和规则激活的规则推理引擎技术，并且令推理机检查每条规则以指导对事实的寻找。如图4所示，为专家系统推理模式。

进一步地，所述案例推理模块采用基于关联和知识归纳的组合检索策略。

具体地，根据地铁关键设备故障的特点，案例的知识组织形式采用基于框架的知识表示方法，把框架的槽作为案例的属性，槽值作为相似度来进行判断。案例推理引擎采用基于关联和知识归纳的组合检索策略。

进一步地，所述案例推理模块根据索引策略、匹配方法和相似度计算方法快速地从案例库中寻找出与待诊断案例最相似的案例，如图5所示，分为两个步骤：

第一步：根据输入的待诊断案例的设备名、部件名、机组状态设备信息，从案例库中检索出该设备同类案例集；

第二步：采用最近临匹配法从设备同类案例集中检索出最相似案例；

最近邻匹配法以n维空间的观点表示案例，每个案例对应的特征向量构成为：

设V＝{a(i),a(i),…,a(i)}表示案例的特征向量，则两案例的相似度表示如下：

式中：

T表示待诊断案例；

T(i)表示案例T的第i个特征；

S表示案例库中案例；

S(i)表示案例S的第i个特征；

ω

(1)T(i)与S(i)相同时，||T(i)-S(i)||＝0；当T(i)与S(i)不同时，||T(i)-S(i)||＝1

(2)特征权重ω

根据特征的重要程度，将其分为最重要、很重要、比较重要、一般、可有可无5种等级，假设第i个特征的等级由k

相似度值越大，表示两案例越相似；相似度值越小，表示两案例差别越大；当sim(T,S)＝1时，两案例完全相同；按照上述方法求出待诊断案例与设备同类案例集中案例的相似度，找到最大相似度案例。

进一步地，所述知识库包括规则库和案例库；所述规则库和案例库共用有属性表和故障表；

所述属性表，用于保存事实值的类型信息和案例中槽值的定义；

所述故障表，用于保存设备故障的定义；

所述规则库还包括：

事实表，用于保存设备的特征条目信息；

任务表，用于保存任务信息；

规则表，用于保存专家系统中使用的所有规则；

所述案例库还包括：

案例表，用于保存专家系统中使用的所有规则；

案例明细，用于保存案例的详细槽值信息；

案例附件表，用于保存案例的附件信息。

具体地，专家系统具备基于规则诊断和基于案例诊断两种功能，这样知识库就必然包含这两部分内容，其中故障和特征属性是共用的库。知识库的组织形式见图6。

图6中蓝色点画线所包围的区域是基于规则诊断使用的表单，黑色虚线包围的区域是基于案例诊断使用的表单。下面分别对知识库表几个重点表单的功能进行说明：

(1)属性表：保存事实值的类型信息和案例中槽值的定义。字段为：属性ID、属性名称、属性值集。在专家系统中属性与槽是对等的。对事实进行属性定义是为了提高规则推理的速度，把规则的前件运算限制为整型运算。

(2)故障表：保存设备故障的定义。字段为：故障ID、故障名称。

(3)事实表：保存设备的特征条目信息。字段为：事实ID、事实名称、属性ID(关联属性表)。

(4)任务表：保存任务信息。字段为：任务ID、任务名称、任务动作集(作用：激活规则、激活故障、事实赋值)、任务类型。任务是基于规则诊断的入口，用户或者炼化机械监测平台通过选择任务来决定什么哪些规则。

(5)规则表：保存专家系统中使用的所有规则。字段为：规则ID、规则名称、规则条件ID(关联条件表)、规则的结论ID(关联结论表)。

(6)案例表：保存案例的概要信息。字段为：案例ID、设备类型、故障ID(关联故障表)。

(7)案例明细：保存案例的详细槽值信息。字段为：案例ID(关联案例表)、属性ID(即：槽名称。关联属性表)、属性值(即：槽值)、权重。

(8)案例附件表：保存案例的附件信息。字段为：案例ID(关联案例表)、附件类型、附件大小、附件数据。附件包括波形数据、设备图片等。

进一步地，所述知识交互模块具备三种使用方式：全自动诊断、半自动诊断以及人机对话；

全自动诊断，在推理过程不涉及与外部人员的交互，自动获取事实值，通过状态监测平台进行赋值操作，如果无法自动获取就采取默认值；

半自动诊断，同全自动推理诊断相同的是，该功能也是集成在大型透平压缩机组状态监测平台中，自动获取的事实值通过状态监测平台进行赋值，无法获取的，自动弹出对话框进行选择操作；

人机交互，用于用户和故障诊断系统各模块之间进行信息交互。

具体地，专家系统的知识交互模块主要是为了完成知识的获取，即事实的赋值过程，具备三种使用方式：全自动诊断、半自动诊断、人机对话。

(1)全自动诊断

在推理过程不涉及与外部人员的交互，可以自动获取事实值，通过状态监测平台进行赋值操作，如果无法自动获取就采取默认值。如图7所示。

(2)半自动诊断

同全自动推理诊断相同的是，该功能也是集成在大型透平压缩机组状态监测平台中，可以自动获取的事实值通过状态监测平台进行赋值，无法获取的，自动弹出对话框进行选择操作。半自动推理相对于全自动推理，会提高诊断的准确度，毕竟有些与气体工艺参数以及与电器相关的数据在状态监测平台中有时无法获得。如图8所示。半自动与全自动唯一区别就是可以通过人机交互获取更多知识，进而达到更精确的诊断。

(3)人机对话

与半自动、全自动不同的是：人机对话是把专家系统单独进行使用的一种方式。除了知识获取方式外，其它完全相同。图9所示为人机对话的运行模式。

进一步地，所述案例学习模块，还用于将私有案例转化为公有案例；

其中，所述私有案例是指直接从大型透平压缩机组监测平台录入的案例，公有案例是私有案例经过案例学习后，经过专家确认才能形成公有案例；在案例推理功能中使用的均是公有案例。

进一步地，所述私有案例转化为公有案例的过程具体为：

第一步：案例的属性特征标准化，把案例录入人员使用的一些不标准的表达式进行标准化；

第二步：专家对录入的案例进行分析，是否具有代表意义；经过确认后，就形成了公有案例。

具体地，案例学习功能主要完成私有案例向公有案例的转化功能。私有案例是指直接从大型透平压缩机组监测平台录入的案例，公有案例是私有案例经过案例学习后，经过专家确认才能形成公有案例。在案例推理功能中使用的均是公有案例。

图10表示就是私有案例转化为公有案例的过程。主要经过两步操作完成：

第一步：案例的属性特征(槽值)标准化，把案例录入人员使用的一些不标准的表达式进行标准化；

第二步：专家对录入的案例进行分析，是否具有代表意义。经过确认后，就形成了公有案例。

进一步地，所述将案例库中的案例转化为规则，并保存到规则库的过程具体为：

第一步：将公有案例进行筛选操作，将相似的和直接可以区分故障的案例筛选掉；

第二步：通过寻优分类，把不同特征组合和使用的顺序归纳出来；

第三步：对转化的规则由专家确认，并最后保存到规则库。

具体地，案例转化为规则是积累知识的一个重要的途径，监测诊断平台长期运行所积累的公有案例，是专家系统规则库的一个重要补充。目前案例转化规则，必须经过专家确认后，才可以投入实际的专家诊断逻辑中。

案例转化为规则实质是一个寻优分类的过程。把公有案例中具有典型特征的案例特征值(槽值)作为规则的事实来判断。图11是案例转化为规则的流程图。

案例转化规则过程主要分为三步完成：

第一步：将公有案例进行筛选操作，将相似的和直接可以区分故障的案例筛选掉。将相似案例筛选掉是因为两个案例相似在转化过程中没有必要对其均进行处理。直接可以区分故障的案例不必经过案例转化的规则流程图，是由于可以直接各个槽值的组合作为规则的前件进行判断即可。

第二步：该步骤是个核心步骤，案例转化规则其实就是如果把案例的一个个特征形成规则前件的过程中。因为特征比较多，就需要通过寻优分类的过程，把不同特征组合和使用的顺序归纳出来。

第三步：对转化的规则由专家确认，并最后保存到规则库。

与此同时，专家系统具备外挂运行和单独两种模式。在外挂运行模式下，仅可以进行全自动专家诊断和半自动专家诊断功能。在单独运行模式下，可以进行人机对话诊断功能、规则维护、案例维护、案例转化规则、诊断过程的报告功能等。图12为专家系统的功能。

(1)规则维护功能包括规则、事实、任务和属性等增删改等。

(2)案例库维护主要负责案例库的增删改。

以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。