基于案例推理的故障诊断专家系统方法

1.本发明涉及矿井辅运设备故障诊断与安全生产领域，具体是一种基于案例推理的故障诊断专家系统方法。


背景技术：

2.专家系统作为人工智能最重要和最广泛的一个应用研究领域，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。随着矿山生产技术的发展，专家系统越来越引起矿业界的重视，将专家系统应用于煤矿安全生产方面，可以保存和利用专家的经验知识并结合有关煤矿安全生产方面的领域知识。对煤矿安全生产运行状态进行综合评判并提供辅助运输决策服务，从而实现实时分析和综合评价矿山安全等目标，它对于预防和减少煤矿安全事故、提升矿井下辅助运输效率将会起着非常积极的作用。
3.煤矿辅助运输时矿井生产系统的重要环节，负责除煤以外的所有设备及人员的运输任务，辅助运输效率影响着企业效益。目前煤矿安全生产领域的辅运设备故障诊断领域主要是针对矿井电机车、风电机组等单个设备进行故障诊断，没有针对多种辅运设备故障诊断的统一规则，存在知识获取困难，诊断设备不全面等缺点。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供了一种基于案例推理的故障诊断专家系统。
5.本发明的目的是提供一种故障诊断方法；该故障诊断方法可以根据故障现象、故障原因等判断9种矿井辅运设备的故障类型，并提供故障解决方案。该方法具有满足诊断多种设备的需求的优点。
6.本发明采用基于案例推理，基于案例推理遵循4r(retrieve检索,reuse 重用,revise修正,retain保存)原则，retrieve作为基于案例推理的核心。推理过程如图3所示：首先，根据问题特征，检索存储在案例库(知识库)中最相似的案例；其次，根据相似案例提出解决方案以适应新的环境；再次，对提出的解决方案进行有效性检查，是否需要修正；最后，对新案例进行存储。本发明实现发明目的采用一下步骤：
7.1.设计案例库，专家系统故障诊断案例库：由一个总表、一个故障细节_ 解决方案表和一个故障设备类型依赖表共3张表组成。案例库总表设计如表1所示；对案例库总表进行简化约减，删去冗余的中文字段，同时保持了案例库的完整性，故障细节_解决方案表作为后台数据库进行案例的存储与检索，结构如表2所示；故障设备类型依赖表的作用是对故障设备、故障现象、故障原因之间进行级联操作，结构如表3所示。
8.2.构建辅运设备故障案例库，根据案例库设计的各个字段，在各类文献、辅运设备故障处理的相关文档中，对矿井下运输设备故障进行收集，总结归纳出完整的案例库。
9.3.知识库构建，完成从人类知识到机器知识的转化，用1-n数字来表示不同的案例
类型及案例的特征。每种案例主要是由故障设备类型、故障现象、故障原因、故障细节、解决方案所构成，每种案例都可以用事件的特征表示。
10.4.基于灰色关联分析的推理，灰色系统理论是一种新的用来处理不确定性问题的研究方法灰色关联分析法是一种多因素统计法，通过分析因素间的影响程度或者因素对于主方法的贡献程度，计算参考序列和若干比较序列之间的关联系数和关联度，再通过比较关联度的大小关系得出各序列之间的影响程度。
11.根据故障设备类型依赖表的parent_id列，将故障诊断专家系统的各级故障进行级联，生成决策树判断故障设备与解决方案。基于决策树的规则推理实际是通过依赖案例库建立的决策树进行推理，优点是推理速度快，推理过程清晰明了，此规则是决策树和案例库的规则，可用于简单的规则推理。
12.有益效果：
13.本发明与现有技术相比，其有益效果体现在：本发明提出了基于案例推理的故障诊断专家系统方法，分别设计了案例库、知识库、案例检索方法。充分考虑了辅运设备的多样性，从故障现象等入手兼顾到故障的多元性，并采用灰色关联分析法检索相似案例，能够获得预期效果。且为每种设备构建了故障诊断决策树作为案例推理规则的一部分，可以快速提供故障针对的解决方案，能够针对为矿井辅运设备检修人员提供有价值的参考解决方案。
附图说明
14.图1是本发明实施的辅运设备故障诊断流程图
15.图2是本发明设计的专家系统总体架构图
16.图3是本发明设计的基于案例推理过程
17.图4是故障设备类型依赖表部分数据
18.图5是绞车对应的故障诊断决策树
具体实施方式
19.本发明的目的是提供一种针对矿井下辅运设备的故障诊断专家系统方法，包括：案例库设计,案例检索算法。
20.案例库包括三张表：总表、一个故障细节_解决方案表和一个故障设备类型依赖表，字段的设计如下：
21.表1 案例库总表
22.字段名称数据类型是否为空说明idint否案例编号设备码varchar[50]是故障设备编号device_typevarchar[50]是故障设备类型故障现象码表varchar[50]是故障现象编号error_phenomenonvarchar[200]是故障现象故障原因码表varchar[50]是故障原因编号error_causevarchar[200]是故障原因
error_detailvarchar[200]是故障细节solutionvarchar[500]是解决方案
[0023]
表2 故障细节_解决方案表
[0024]
字段名称数据类型是否为空说明idint否案例编号device_typevarchar[50]是故障设备类型error_phenomenonvarchar[200]是故障现象error_causevarchar[200]是故障原因error_detailvarchar[200]是故障细节solutionvarchar[500]是解决方案
[0025]
表3 故障设备类型依赖表
[0026]
字段名称数据类型是否为空说明idint否编号param_typevarchar[50]是参数类型param_keyvarchar[50]是参数键param_valuevarchar[50]是参数值parent_idint是故障父节点
[0027]
关于案例检索算法如下：
[0028]
step1：收集监测数据，共有m个标准案例，每个案例有n个特征，新查询案例为
[0029]
x0，标准案例库可以表示为序列：x1,
…
,xm[0030]
x0＝[x
01 x
02
ꢀ…ꢀ
x
0n
]
[0031][0032]
xi表示标准案例库中的第i个案例，x
0j
和x
ij
表示案例x0和xi的第j个特征。
[0033]
step2：建立灰色分析矩阵
[0034][0035]
step3：对数据在0到1之间进行归一化处理，以提高不同特征的可比性
[0036][0037]
求出归一化后的矩阵
[0038]
[0039]
step4：计算灰色关联系数，该系数实质上是曲线间几何形状的差别程度。因此曲线间差值大小，可作为关联程度的衡量尺度。表示新案例与标准案例之间的关系
[0040][0041]
其中
[0042][0043][0044][0045]
得到的灰色关联系数矩阵
[0046][0047]
step5：计算特征的权重
[0048][0049]
其中
[0050][0051]
step6:计算加权距离、新案例与标准案例之间的距离
[0052][0053]
simi＝1-di[0054]
相似度矩阵为
[0055]
sim＝[sim
1 sim2ꢀ…ꢀ
simm]
t
[0056]
step7：根据最大隶属度原则，将新案例的故障类型判断为标准案例中相似度最大的故障类型。
[0057]
step8：对相似案例进行有效性检查，判断案例是否匹配成功：若匹配成功：直接输出解决方案；若匹配失败：对案例进行修正，输出后验证解决方案，保存案例进案例库。