[發明專利]一種協同案例推理與語義模型推理的設備故障診斷方法

在審

• 申請號: 202010553423.1
• 申請日: 2020-06-17
• 公開（公告）號: CN111931936A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 劉立;劉子文;韓光潔
• 申請（專利權）人: 河海大學常州校區
• 主分類號: G06N5/04
• 分類號: G06N5/04;G06N5/02;G06F40/30
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 丁濤

本發明公開了一種協同案例推理與語義模型推理的設備故障診斷方法，包括如下步驟：S1收集案例，構建案例庫；S2結合模糊邏輯和FMEA分析法提取的知識，以模糊本體開發方法論流程構建故障診斷本體模型；S3在本體模型中獲得的知識基礎上，結合專家經驗生成相應的SWRL規則，對生成的SWRL規則進行沖突檢測后構成故障診斷規則庫。S4根據以上構建的故障診斷本體模型、規則庫和案例庫進行故障檢測。本發明在CBR與RBR結合的基礎上，通過將模糊邏輯和FMEA分析法提取的知識融合到本體模型的構建中，提高了本體模型的完整性，對于不確定知識的定義更為合理；同時利用了淺層知識和深層知識構建了診斷規則，提高了規則庫的完整性和準確性，從而提高了診斷框架的推理性。

技術領域

本發明涉及一種協同案例推理與語義模型推理的設備故障診斷方法，屬于工業物聯網中的故障診斷和信息技術領域。

背景技術

基于語義模型的故障診斷方法在工業物聯網背景中應用范圍十分廣泛。其中本體模型可以對知識集成，共享和重用，克服了數據異構性問題，可根據模型生成診斷規則，并可以與基于案例的推理（CBR）結合，從而提高診斷效率。根據工作模式，設備可分為不同級別（如設備，系統，組件，零件），某級別發生的故障可能會影響到其他級別的工作模式。對于此類信息，故障模式及影響分析（FMEA）是一種有效的提取方法。由于FMEA具有知識難以獲取，且存在表達方式不一致的問題，將提取的知識融入本體模型中是有效的解決方法，但是仍存在一些問題：

1）基于本體模型的故障診斷準確率依賴于模型的完整程度，以及生成規則的合理性，需要專家經驗分析（淺層知識）以及診斷對象結構和數據（深層知識）的支持；

2）根據本體模型生成的剛性規則在推理過程中可能出現推理結果不準確的問題。

發明內容

為了提高故障診斷本體模型的完整程度，完善診斷規則，改善剛性規則帶來的問題，提高推理結果和診斷的準確性，本發明提供一種協同案例推理與語義模型推理的設備故障診斷方法，融入了模糊邏輯和FMEA分析提取的知識，以本體形式構建了故障診斷語義模型，將CBR結合到了模型中以提高診斷效率。

本發明中主要采用的技術方案為：

一種協同案例推理與語義模型推理的設備故障診斷方法，包括如下步驟：

S1收集案例，構建案例庫；

S2結合模糊邏輯和FMEA分析法提取的知識，以模糊本體開發方法論流程構建故障診斷本體模型；

S3在本體模型中獲得的知識基礎上，結合專家經驗生成相應的SWRL規則，對生成的SWRL規則進行沖突檢測后構成故障診斷規則庫；

S4根據以上構建的故障診斷本體模型、規則庫和案例庫進行故障檢測，其檢測流程分為CBR模塊和RBR模塊，其中，所述CBR模塊包括本體模型和案例庫，通過重用歷史案例的經驗進行故障診斷，所述RBR模塊包括本體模型和規則庫，用于在CBR模塊失效時，即當案例匹配相似度低于閾值，通過SWRL規則推理來進行故障診斷。

優選地，所述步驟S2的故障診斷本體模型構建中，結合了模糊邏輯和FMEA分析法，采用模糊本體開發方法論流程來開發本體，具體步驟如下：

S2-1：利用FMEA分析法獲得診斷對象中同級別或不同級別設備和組件間的關系；

S2-2：對于具有不確定性的部分，模糊本體開發方法論流程中對其模糊需求程度進行定義，將以上知識融入故障診斷本體模型以提高其類和屬性的關系完整程度。

優選地，所述步驟S4中，故障檢測的具體過程如下：

S4-1：選取新案例中的參數特征；