一种基于语义推理的智能设备故障诊断方法与流程

本发明涉及智能工厂内智能设备的故障诊断领域，具体涉及一种基于语义推理的智能设备故障诊断方法。

背景技术：

伴随物联网、云计算以及先进制造等相关技术的迅速发展，智能制造领域也在迅速发展。目前，建立一种基于信息物理融合系统的智能工厂是实现智能制造的主要方式。智能工厂中越来越多的制造设备具备智能性，如自动识别产品种类和数量的机械臂，精准定位的自动巡航小车(agv)等，这类具有计算处理能力的设备、器械或者机器称为智能设备。随着智能设备的出现和增加，制造产线越来越强调精确、高效、有序和智能化生产，一旦出现设备性能下降或发生故障可能会造成严重后果。不同智能设备根据其工作内容、工作频率、以及自身状况等因素可能会发生不同故障，典型故障类型包括：噪声、抖动、卡机、死机等。当设备出现故障时，如果不能快速发现设备故障类型，并定位故障发生位置，则会造成设备维修困难及停产时间过长，最终对公司收益造成较大影响。因此，建立一种有效的智能设备故障诊断方法来确保设备安全运行至关重要。

目前，设备故障诊断方式主要取决于系统报警，首先通过操作员向设备维护人员报告故障，然后需要通过仔细排查故障发生类型和位置来解决故障，从而导致生产过程的不定时关闭。随着工业大数据和云计算的兴起，设备故障诊断水平逐步提高。海量历史和实时制造数据为设备状态监控及设备故障诊断提供了原始材料。但如何有效利用这些数据并从中高效获取潜在知识是问题关键。基于机器学习的故障诊断方法虽然能从海量数据中有效获取潜在知识，但其十分依赖诊断模型准确性以及数据样本完整性。而且这些方法大多属于黑箱模型，可解释性差，不利于故障精准定位。而基于语义推理的故障诊断方法通过建立设备语义模型，关联设备实时数据，可快速实现设备故障精确诊断。

设备语义模型实质上是对客观存在的智能设备一种形式化描述，描述语言是进行语义建模和推理的基础。其中，较为典型的描述语言有用于描述三元组数据的resourcedescriptionframework(rdf)语言和便于灵活抽象建模的webontologylanguage(owl)语言。构建智能设备语义模型首先需要抽象出智能设备的概念、属性及其之间关系，然后使用建模工具进行语义模型构建。目前，采用最多的建模方式包括图形化构建方法和基于代码的构建方法。其中，图形化建模工具protégé由于具备友好的图形界面和各种灵活的插件功能受到广泛的关注和使用，用户只需要进行少量工作便可完成模型初步构建。而基于代码的构建方法中以基于java编程语言的jena开发工具包最为出名，其不仅支持语义模型的增、删、查、改，还支持语义推理功能。因此，灵活运用protégé工具和jena开发工具包对语义推理功能的实现至关重要。

技术实现要素：

本发明的目的在于克服现有智能设备故障诊断方法的缺点和不足，为智能设备提供一种基于语义推理的智能设备故障诊断方法，旨在提高故障诊断效率，缩短产线停产时间，使生产效益最大化。

本发明的目的可以通过如下技术方案实现：

一种基于语义推理的智能设备故障诊断方法，所述方法包括以下步骤：

s1、利用云平台存储和处理智能设备产生的海量制造数据，为后续的语义知识库构建和语义规则书写提供支持；

s2、利用protégé工具构建智能设备语义模型；

s3、将智能设备的实时数据映射至语义模型，形成语义知识库；

s4、自定义语义逻辑推理规则，形成自定义规则库；

s5、利用jena推理机进行故障诊断语义推理；

s6、将故障诊断结果可视化，并推荐合适解决方案。

进一步地，步骤s1中，所述智能设备产生的海量制造数据包括设备历史数据和设备实时状态数据，一方面，在云平台上利用机器学习算法分析设备历史数据背后的潜在规律，提取出有价值的信息，为语义规则书写提供支持；另一方面，利用云端分布式系统对设备实时状态数据进行快速的整合和处理，为语义知识库的构建提供原材料；另外，由于海量制造数据在云平台中是基于分布式非关系数据库进行存储和处理的，而关联语义模型需要规整的结构化数据，因此需要将处理好的数据从非关系型数据库转移至关系型数据库中。

进一步地，步骤s2中，所述利用protégé工具构建智能设备语义模型的具体过程为：首先，抽象出目标智能设备的概念、属性及其之间的关系，尤其需要将设备实际可能发生故障类型抽象成不同的故障概念，其中概念与概念、概念与属性间的关系称为对象关系，而属性及其取值范围间关系称为数据关系，对象关系根据使用方便能够进行自定义，而数据关系只能从预定义的类型中根据实际需求选择；然后，使用protégé图形化工具构建语义模型，将抽象出的概念、属性及关系按照一定的逻辑关系进行组建，完成语义模型的初步构建；最后，通过protégé工具对语义模型进行约束添加，完成智能设备语义模型的构建。典型的约束包括继承(subclassof)、互斥(disjointwith)、等价(equivalentto)等，约束添加也是直接通过点击protégé可视化插件来完成。另外，protégé还具有良好的交互性，支持语义逻辑的一致性检验。

进一步地，步骤s3中，所述将智能设备的实时数据映射至语义模型，形成语义知识库的具体过程为：一方面，利用java数据库连接工具jdbc提取出设备实时状态数据；另一方面，利用jena加载设备语义模型；然后，通过编程实现数据与模型的映射，即完成一次语义模型实例化；在设备实时状态数据不断流入的情况下，语义模型就能够关联设备实时状态，最终形成rdf三元组形式的语义知识库。

进一步地，步骤s4中，所述自定义语义逻辑推理规则，形成自定义规则库的具体过程为：首先，根据从业经验或从设备历史数据挖掘出的知识抽象出推理条件和推理结果，其中推理条件对应着规则主体，推理结果对应着规则头；然后，以rdf三元组的形式分别描述规则主体和规则头，用“->”符号分隔开；最后，在符合客观逻辑的基础上为每种故障类型定义一条或多条推理规则，形成自定义规则库。

具体地，进行语义推理的一个重要步骤就是自定义推理规则，以便能推理出更多潜在信息。实际上，在使用protégé进行语义建模过程中已经包含了最基本的通用规则，例如继承的传递性和自反性，属性的对称性和唯一性等，这些通用规则也是进行语义推理的重要基础。为了获取更多隐藏信息，根据专业经验及设备历史数据信息进行自定义逻辑规则，这也是进行设备故障诊断语义推理时最常用的规则。规则由规则主体和规则头构成，规则主体表示根据数据映射和基本逻辑判断而得出的已知知识，位于规则左边，规则头则表示推理机根据已知知识经过逻辑推理得出的结果，位于规则右边。在符合规则书写规范和客观逻辑的基础上，可以自定义数条规则。但是，随着自定义规则数量的增加，规则库与模型发生语义冲突的可能性也随之增大，此时需检测资源表示是否发生冲突，以及判断模型和规则的建立是否合理。另外，还需尽量避免通用规则与自定义规则的语义重复，以降低模型的复杂度，提高语义推理的效率。通常，智能设备故障发生类型及原因多种多样，因此需要根据故障发生类型及原因自定义添加多条逻辑推理规则，最终形成自定义规则库。

进一步地，步骤s5中，所述利用jena推理机进行故障诊断语义推理具体过程为：首先，调用jenaapi将语义推理规则与原始注册机串联起来生成推理机；然后，通过静态方法将原始语义模型和推理机绑定生成一个新的推理语义模型，其中新生成语义模型是原始语义模型语义规则的约束下，经推理机推理后生成的语义模型；最后，利用推理引擎进行智能设备故障诊断推理，通过编写简短的sparql语义推理查询命令快速完成智能设备状态检测和故障诊断过程。

进一步地，步骤s6中，所述可视化的重点不仅在于对诊断结果的智能化显示，还在于对应解决方案的推荐，具体过程为：首先，对故障诊断的可能结果按照每种故障发生可能性的大小进行降序排列显示；然后，对每种故障发生的原因进行定位，以提高后续维修的效率；最后，为每种故障类型分别预定义合适的解决方案以形成预定义故障类型及应对方案数据库，在实际过程中，按照故障具体发生的原因推荐出合适的解决方案，为维护人员提供参考；随着对设备故障发生类型及解决方法的不断深入了解，预定义故障类型及应对方案数据库也会越来越完善。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提供的基于语义推理的智能设备故障诊断方法，利用云端分布式存储解决智能设备海量数据的存储和处理问题，大量历史数据的挖掘为推理规则制定提供依据，也为设备故障精确诊断奠定了基础；同时，云端分布式系统为快速处理大量实时数据提供了重要支撑。

2、本发明提供的基于语义推理的智能设备故障诊断方法，通过领域知识对智能设备进行抽象并构建语义模型，该模型不仅具备友好的可解释性，还具有良好的增量式增长性能和普适性；同时，逻辑规则和推理机的引入提高了智能设备故障诊断的高效性、准确性和智能性。

3、本发明提供的基于语义推理的智能设备故障诊断方法，建立的语义模型与实时数据的关联不仅可以快速实现智能设备的故障诊断，还可以有效进行设备状态实时检测，大大提升了智能设备的安全性。

4、本发明提供的基于语义推理的智能设备故障诊断方法，对故障诊断结果进行智能可视化，不仅清晰展示出智能设备故障诊断结果，还从预定义故障维护策略中选择合适解决方案，有效降低了设备停机维修时长，从而保证生产效率。

附图说明

图1为本发明实施例基于语义推理的智能设备故障诊断方法的流程图。

图2为本发明实施例基于语义推理的智能设备故障诊断方法总体技术路线图。

图3为本发明实施例单个智能设备语义模型的构建方法图。

图4为本发明实施例根据agv小车实际可能发生故障类型自定义的两条逻辑推理规则示意图。

图5为本发明实施例jena推理机进行故障诊断推理的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

本实施例提供了一种基于语义推理的智能设备故障诊断方法，所述方法的流程图如图1所示，包括以下步骤：

s1、利用云平台存储和处理智能设备产生的海量制造数据，为后续的语义知识库构建和语义规则书写提供支持；

s2、利用protégé工具构建智能设备语义模型；

s3、将智能设备的实时数据映射至语义模型，形成语义知识库；

s4、自定义语义逻辑推理规则，形成自定义规则库；

s5、利用jena推理机进行故障诊断语义推理；

s6、将故障诊断结果可视化，并推荐合适解决方案。

图2为基于语义推理的智能设备故障诊断方法总体技术路线图，主要包括六个部分，分别是：智能设备实时数据传输和处理，智能设备语义模型构建，实时数据与语义模型的映射，自定义逻辑规则添加，推理机进行故障诊断推理，以及诊断结果的智能可视化。

其中，考虑到需同时兼顾智能设备数据传输实时性和数据采集完整性，本实施例在对比不同信息采集方法后，最终选择基于opc-ua统一架构的信息交互方案。海量制造数据传输并存储于云端分布式系统，通过高效并行处理方式对海量数据进行清洗和处理。由于最终与语义模型关联的数据为结构化数据，因此需通过sqoop工具将存储于非关系数据库hbase中的实时数据迁移至关系数据库mysql中。然后，使用数据库连接工具jdbc访问关系数据库，为语义知识库的构建做好准备。

图3为单个智能设备语义模型构建图，这里以智能工厂中常见的agv自动巡航小车为例。首先，对智能设备本身的概念和属性进行抽象，并定义概念与属性之间的关系(objectproperty)，以及为属性选取合适的取值范围(dataproperty)；其次，对与设备相关的其他概念进行抽象，如与智能设备相关的产品、状态等，并分别定义各自概念及其属性关系，以及概念与概念之间的关系(objectproperty)；最后，利用protégé图形界面工具对上述概念、属性及关系进行可视化建模。在完成智能设备抽象的基础上，通过少量的操作即可完成单个智能设备语义模型的构建。

图4为根据agv小车实际可能发生故障类型自定义的两条逻辑推理规则。其中，规则1表示，当检测到设备电压大于220v，工作噪音超过30db，同时转速每分钟超过1500转时，推理机很有可能推理该设备发生抖动故障；规则2表明，当检测到设备转速每分钟不足200转，功率小于1000w，同时等待时长超过300s，则推理机将大概率推理该设备发生卡机故障。根据实际需要可定义任意多条规则，但同时需注意规则与模型发生冲突的可能性，以及规则逻辑的合理性。

上述规则采用规范语言描述如表i所示，知识描述均为三元组形式。资源的抽象描述采用统一资源定位符(url)的形式，规则描述亦如此。为简化规则书写形式，可以采用前缀绑定的方式，其中前缀在文件开头需首先被申明。规则由规则主体和规则头构成，规则主体表示根据数据映射和基本逻辑判断而得出的已知知识，位于规则左边，规则头则表示推理机根据已知知识经过逻辑推理得出的结果，位于规则右边。在符合规则书写规范和客观逻辑的基础上，可以自定义数条规则形成规则库，为推理机进行逻辑推理提供依据。

表i

图5为jena推理机快速进行故障诊断推理流程图。首先载入语义模型并自定义语义规则，其次将规则与注册机绑定生成推理机，然后将原始语义模型与推理机绑定生成一个新的语义模型。同时，需要检测智能设备实时数据是否更新或发生变化，若更新则将新的数据集映射到新的语义模型上，然后利用jena推理机对新生成的rdf数据集进行故障诊断推理，若发生故障，则通过诊断结果可视化智能显示故障类型，并分析和调用合适的应对方案，为故障维护提供支持。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。