面向柔性制造環境的多模型

引言 
         柔性制造設備結構復雜、造價高，一旦發生故障而停產、停工，造成的經濟損失和社會影響將是過去低生產水平時的幾十倍、幾百倍。為確保柔性制造設備安全有效地運行，提高其安全運轉率和無故障生產時間，必須加強設備運行管理，增強柔性制造設備的狀態監控和故障診斷。而第一代診斷專家系統解決問題的知識主要是維修專家個人的經驗知識。這類診斷專家系統在運行中已顯露出若干共同存在的缺點，如知識獲取困難、知識的完備性和一致性難以維護、解釋能力差、缺乏柔性等。為了克服第一代專家系統的不足，知識工程領域引入了“深知識”的概念，所謂深知識就是關于對象行為、結構、功能方面的知識�；�于深知識的診斷推理，又稱為基于模型的診斷推理^[1]。這類診斷系統具有如下優點^[2]：(1)即使當啟發式推理失敗時，模型也可以繼續進行滿意的診斷推理；(2)當啟發式知識太復雜或要求昂貴的、耗時的測試時，模型卻仍然可以保持較高的診斷效率；(3)基于模型的推理支持比啟發式推理更簡潔、更圓滿；(4)基于模型的診斷系統具有柔性，當對象的結構調整或重構時，以前的模型可以繼承下來；(5)基于模型的診斷系統可以獲得高度的完備性和魯棒性。同時，基于多模型的診斷系統，可根據當前的推理情況，選取更合適的模型，從而改善推理效果，有效地提高故障診斷率和準確性，保證設備安全、可靠地運行。
1  基于多模型的診斷系統結構
          基于模型的診斷方法的一般思路是首先建立診斷對象的結構或功能模型，然后利用該模型對診斷對象的行為進行仿真，從而找出診斷對象發生故障的部件。故障診斷可劃分為兩個階段：故障隔離(failuresourcelocation)階段和故障原因識別(failure cause identification)階段，本文結合柔性制造設備，提出了一種針對柔性制造設備診斷問題的多模型診斷方法：在進行故障隔離和故障原因識別前，首先進行元知識的推理。元知識推理是根據設備控制器的狀態信號分布及其它故障征兆，確定發生故障的模塊。接著利用基于狀態轉移圖(state transition diagrams，簡STDs)的行為模型進行診斷，確定故障源的大致范圍；然后在故障原因識別階段，利用擴展故障樹模型，進行故障原因識別。這種多模型診斷方法，集元知識推理、行為知識推理和故障樹知識理于一體，提高了柔性制造設備故障診斷系統的性能，有效地保證了系統診斷的準確性。
           在柔性制造設備故障診斷系統中，為了對柔性制造設備的各種可能故障進行隔離和原因識別，必須具備一個綜合知識庫和一個綜合推理機，其次，診斷信息的獲取模塊也是必不可少的。為了方便知識獲取和對診斷知識進行管理，系統中還包含有一個知識獲取與管理子系統，以提供系統得出結論的依據、步驟，增加推理的透明性。此外，在高檔次數控系統中，含有一些NC和PLC自診斷信息。這些自診斷信息對NC系統和PLC系統的主要硬件故障及程序軟件故障作出報警，一般以報警號形式顯示出來，并在操作面板上給出一個非常簡單的提示信息。為方便用戶操作，系
統提供一個故障咨詢子系統，此子系統既可在線運行，又可離線由用戶輸入報警號進行咨詢，向用戶提供中文環境且內容更豐富的報警原因和維修提示等內容：
            基于模型的診斷系統既可以在線實時獲取設備控制器信息，進行在線診斷，又可以根據設備運行的歷史數據文件進行離線診斷。系統總體結構如圖1所示，由診斷信息獲取模塊、報警咨詢模塊、知識獲取與管理子系統、診斷推理模塊、診斷解釋模塊以及知識庫和任務管理模塊等組成。下面分別介紹系統的主要模塊。
1.1  任務管理模塊
            任務管理模塊是整個系統的管理與控制核心，它由菜單驅動的一系列過程所組成，用來管理、調度、協調各個功能子系統或模塊的工作，調用有關的功能子系統和為用戶提供良好的人機交互環境。它本身不參與實現系統的具體功能，它與各功能子系統或功能模塊間不存在數據流，只有控制或狀態流，因此，也可將其稱之為元系統。
1.2  診斷信息獲取模塊及動態數據庫
             診斷信息獲取模塊的功能是獲取診斷對象的有關診斷信息。對于一個診斷來說，獲取的診斷信息越豐富，診斷的效果也就越好。柔性制造設備故障診斷問題有三大診斷信息來源： PLC的輸入／輸出及標志信息(在西門子系列PLC中一般稱之為E信號、 A信號、 M信號)、 NC和PLC自診斷信息，以及狀態監測系統經綜合評判給出的決策結果信息。這些診斷信號獲取后被送往計算機中一個稱之為“動態數據庫”的內存區中組織起來。這些數據或信號可表示為：
            Em.n——設備PLC輸入信號，m為信號的地址，Em為一個字節，n為這個信號字節的位數，Em． n即表示字Em的第n位(以下同)。 m的范圍為0—127， n為0—7。     Am．n——設備PLC輸出信號， m、 n的范圍同E信號。     Mm.n——設備功能控制產生的中間信號， m為0—255， n同E信號。     Sm——狀態監測的模糊綜合決策結果信號，m的范圍根據決策結果信號的多少而定，S1對應第一個信號， S2對應第二個信號，依此類推。
這些信號或數據的狀態非0即1，用二值函數s(xi)描述為：    s(xⁱ)＝O   當信號xi所表示的動作或事件不發生時，  s(x_i)＝ l  當信號xi所表示的動作或事件發生時， 具體地說，對于設備PLC內部的E和A，狀態為0或1儀表示設備當前運行的狀態或位置等；對于M信號，其中部分是控制程序運行的中間、標志信號，部分是設備自診斷的結果信號(0表示無故障，1表示設備有異常)；對于狀態監測結果信號，狀態為0表示該信號所表示的區域無故障或狀態正常，狀態為1則表示有故障或狀態異常。
           柔性制造設備的基于模型的故障診斷系統主要用到兩種推理機制：基于設備行為知識的推理和基于擴展故障樹的推理。一般來說，柔性制造設備運行處于異常時，設備內部控制器所具有基本監控模塊會采取保護性措施：強迫設備停機或發出自診斷報警信息。當然這種自診斷報警信息(通常以報警號形式出現在操作、面板上)非常粗略，有的設備控制器(如FFS—1500—2FMS中的加工中心、柔性制造單元中的控制器)甚至只能給出紅燈報警(數控報警)和黃燈報警(PLC報警)信息。這時啟動故障診斷系統，先進行基于設備行為知識的推理，進行故障源定位；然后進行基于擴展故障樹的推理，確定發生故障的根本原因，最后給出診斷結論、維修提示，形成診斷報告。具體的推理流程由綜合推理機的控制策略加以引導。
          圖2是綜合推理機的結構示意圖，動態數據庫中除了組織有診斷信息外，還用來記錄與控制和診斷相關的中間結果、最后結論、推理軌跡等綜合數據。由于元知識主要用來確定發生故障的子系統或模塊，所以在圖2中未列出元推理機。
1.3  知識獲取與管理子系統
            基于模型診斷系統的診斷知識主要分為兩大類：基于設備行為的深知識和基于擴展故障樹的深知識。狀態轉移圖模型用來組織設備的行為知識，擴展故障樹模型用來組織故障原因識別方面的知識。這兩種模型都是處于知識源和知識內部編碼中間的知識組織與表示形式。對于擴展故障樹模型，知識獲取與管理子系統提供了一個故障樹編輯繪制軟件。用戶根據數據錄入模板輸入相關數據，該軟件自動繪制故障樹。對于狀態轉移圖模型，知識獲取與管理于系統提供了一個知識錄入模板。用戶根據模板的提示和狀態轉移圖模型的結構，輸入相關數據，該子系統即可完成這種從知識外部模型到知識內部編碼的轉換。對于制造設備診斷問題中常用到的產生式規則形式的知識，該子系統提供了一些包括對產生式的規則知識編輯、檢索、檢驗等在內的操作。知識的編輯采用分塊編輯的方法，即每個知識模塊作為一個知識庫，它包括知識填充、插入、修改和刪除等功能；知識的檢索也是分塊進行的，必須事先裝載要檢索的知識所在的知識庫，然后根據輸入的知識編號或按順序檢索。知識的校驗包括格式校驗、一致性校驗和冗余校驗。
            該子系統還提供知識庫文件操作功能，包括庫文件的建立、文件裝載、文件存儲、打印等操作。
l.4  診斷解釋模塊
             診斷解釋模塊提供兩方面的功能：診斷報告生成和診斷過程解釋。診斷報告中包括診斷時間、故障現象、故障部位、故障原因以及維修提示。診斷過程解釋為聞戶(專家)提供關于推理過程的解釋以及求解問題的推理軌跡。因此，這一功能也可以幫助知識工程師檢驗系統求解方法的合理性。
1.5  報警咨詢模塊
             機床面板上提示的報警提示有兩種：一是英文提示，操作、維修工人不易看懂；二是中文提示。內容非常簡單，有的系統甚至只顯示報警號，沒有給出提示內容。因此在本系統中，結合NC、PlC自診斷報警內容，在大量閱讀PLC程序代碼的基礎上，開發了一個功能強的咨詢模塊、它既可以在線通訊獲取PLC標志信號，進行在線故障咨詢，也可以離線由用戶輸入報警號分別咨詢NC、和PLC報警。在NC報警提示中，不僅給了故障原因、維修提示，還顯示出消除NC報警的清除鍵。
2  基于多模型的診斷系統的實現技術
2.1  診斷知識庫
             由于柔性制造設備的功能模塊多，診斷知識庫中的知識量也大，診斷時，如不加選擇地對所有存在的知識庫進行搜索，勢必花費大量時間，滿足不了診斷的實時性要求。因此還必須有一個借助一種元知識在設備發生故障后找到發生故障的功能模塊，從而找到相關的知識庫。元知識的運用，既降低了微機內存的要求，又提高了推理效率。元知識表示為
             IF[條件]Λ[條件2]Λ…
              THEN[故障模塊][行為知識庫名]
          根據功能分析方法，我們可以將柔性制造設備劃分為不同的功能子系統或功能模塊，如主部模塊、各進給軸模塊、刀具交換模塊、運輸于系統等等。這些功能子系統或模塊的功能具有相對的獨立性，其運動循環具有一定的周期性，雖然其運動周期不一定恒定。這種劃分為我們分析柔性制造設備的行為特性提供了便利：某一功能模塊的運動(由 PLC程序代碼控制)可以看成是一個離散的動作序列，每一個動作被定義為從一個狀態向另一個狀態的轉變。在柔性制造設備中，每一個動作被執行前必須滿足一定的條件。有的設備有檢測裝置，若沒有，則會設置一定的標志信號。據此，我們可以用狀態轉移圖模型來組織設備功能模塊的行為知識。行為知識在計算機內部用框架表示形式來表示，每一功能模塊的行為知識用一個框架知識庫來組織。在這種框架表示法中框架名是一個框架的標識符；步序名槽可以是一個有意義的描述本步序起始狀態的字符串；步序邏輯條件槽是一個布爾表達式，描述本步序狀態轉移所必須滿足的邏輯條件；狀態檢測槽也是一個布爾表達式，描述本步序正確結束時的信號狀態所滿足的約束條件；動作時間槽指該步序執行所需要的最大時間，若
超過該值，檢測信號表達式仍未滿足，則說明該步序已出現故障；下一步序名槽用來表示緊接著的下一步序塊的編號，因為在順控器中動作并不總是按順序執行。顯然，這種知識表示可以圓滿地表示每一步序執行所需的邏輯條件、步序正確執行后的標識信號以及動作執行的順序。
         設備行為知識的推理可以進行故障隔離。故障隔離可以將發生故障或失效的部件或元件找出來。但部件或元件的失效往往不是導致故障發生的根本原因，而是由其它相關部件、元件的失效所造成。例如。主軸驅動電動機過流，保險絲融斷，是導致主軸不轉的故障源，但它卻不是導致主軸不轉的真正原因。因此，不找到真正的故障原因，就糾正故障源是不會有什么效果的。正因為如此，我們必須進行故障診斷的第二階段：故障原因識別。在故障原因識別階段，所聞的知識是擴展故障樹知識。
          在我們定義的擴展故障樹知識表示法中，故障樹的每一個結點破表示為一個框架，其槽值有： 父槽、子槽、類型槽、事件槽、事件貢獻因子槽、事件重要度槽等等。其中，父槽值等于該框架所代表節點的父節點框架名：子槽值是該框架所代表節點的所有子節點框架名的集合，子節點框架名之間用逗號隔開；類型槽是指該框架所代表節點與其子節點之間的連接關系，如OR門、AND門，如果該框架所代表節點的是葉節點(即底事件)，則其類型槽值為“葉節點”；事件槽描述該框架節點所代表的故障事件；事件貢獻因子槽值、事件重要度槽值分別等于該框架節點事件的貢獻因子大小和重要度值。圖4給出了基于多模型診斷系統中的一個擴展故障樹中一些結點的框架知識表示。將擴展故障樹模型用框架知識形式表示為一系列框架，填進知識庫。在這種知識表示中，每個框架的槽個數是一定的，而且槽值的含義一定，框架的父槽值與子槽值能較好地描述故障知識的層次性，所以這種知識表示具有簡明、清晰、結構性好等特點。
2.2  診斷推理技術
            當柔性制造設備發生故障時，設備控制器一定發出相應的報警信號。這時啟動基于模型的診斷系統，首先通過一個通信程序，讀取PLC輸入／輸出信號、標志信息及自診斷信息，將其送入診斷系統的動態數據庫中，接著進行元知識推理。元知識推理是根據動態數據庫中的初始數據和元知識來搜索發生故障的設備功能模塊；搜索成功后，就將相應的功能模塊行為知識庫裝進計算機內存，并釋放元知識鏈所占內存。緊接著進行基于設備行為知識的推理，設備行為知識在計算機內部用框架形式表示：基于行為知識的推理，可以將故障確定到某一故障事件(即是故障原因識別階段的故障樹的頂事件)。然后，進行基于擴展故障樹的推理，尋找發生故障的基本原因，并給出維修提示�；�于擴展故障樹的推理，是一種從樹頂事件搜索至樹葉節點的推理方式，在這個過程中，可以利用擴展故障樹的事件重要度、事件發生的相關貢獻因子等有用參數，優化搜索路徑�；�于擴展故障樹知識的推理采用了一種不精確知識管理算法E31。
    由于采用了元知識控制策略，可以提高復雜診斷問題的診斷效率。這里采用的是一種混合推理方式：先進行元知識推理，接著進行行為知識推理，然后進行擴展故障樹樹形知識推理。
4  結束語
              面向柔性制造環境的多模型故障診斷系統是以鄭州紡織機械廠從德國引進的 FFS—1500—2FMS和SATURN鏜銑加工中心為研究對象和實驗驗證對象，并考慮其它柔性制造設備的共同特性而研究開發的。系統中包括知識庫管理子系統以及基于故障樹的輔助知識獲取工具，因此，系統可以作為一個基于模型的診斷系統開發工具來使用，應用于柔性制造設備故障診斷領域。目前，基于多模型的故障診斷系統已在鄭州紡織機械廠FFS-1500-2FMS和SATURN加工中心上運行，大大提高了診斷故障的效率和準確度，有效地縮短了診斷故障的周期。