[发明专利]一种协同案例推理与语义模型推理的设备故障诊断方法

说明书

本发明公开了一种协同案例推理与语义模型推理的设备故障诊断方法，包括如下步骤：S1收集案例，构建案例库；S2结合模糊逻辑和FMEA分析法提取的知识，以模糊本体开发方法论流程构建故障诊断本体模型；S3在本体模型中获得的知识基础上，结合专家经验生成相应的SWRL规则，对生成的SWRL规则进行冲突检测后构成故障诊断规则库。S4根据以上构建的故障诊断本体模型、规则库和案例库进行故障检测。本发明在CBR与RBR结合的基础上，通过将模糊逻辑和FMEA分析法提取的知识融合到本体模型的构建中，提高了本体模型的完整性，对于不确定知识的定义更为合理；同时利用了浅层知识和深层知识构建了诊断规则，提高了规则库的完整性和准确性，从而提高了诊断框架的推理性。

技术领域

本发明涉及一种协同案例推理与语义模型推理的设备故障诊断方法，属于工业物联网中的故障诊断和信息技术领域。

背景技术

基于语义模型的故障诊断方法在工业物联网背景中应用范围十分广泛。其中本体模型可以对知识集成，共享和重用，克服了数据异构性问题，可根据模型生成诊断规则，并可以与基于案例的推理（CBR）结合，从而提高诊断效率。根据工作模式，设备可分为不同级别（如设备，系统，组件，零件），某级别发生的故障可能会影响到其他级别的工作模式。对于此类信息，故障模式及影响分析（FMEA）是一种有效的提取方法。由于FMEA具有知识难以获取，且存在表达方式不一致的问题，将提取的知识融入本体模型中是有效的解决方法，但是仍存在一些问题：

1）基于本体模型的故障诊断准确率依赖于模型的完整程度，以及生成规则的合理性，需要专家经验分析（浅层知识）以及诊断对象结构和数据（深层知识）的支持；

2）根据本体模型生成的刚性规则在推理过程中可能出现推理结果不准确的问题。

发明内容

为了提高故障诊断本体模型的完整程度，完善诊断规则，改善刚性规则带来的问题，提高推理结果和诊断的准确性，本发明提供一种协同案例推理与语义模型推理的设备故障诊断方法，融入了模糊逻辑和FMEA分析提取的知识，以本体形式构建了故障诊断语义模型，将CBR结合到了模型中以提高诊断效率。

本发明中主要采用的技术方案为：

一种协同案例推理与语义模型推理的设备故障诊断方法，包括如下步骤：

S1收集案例，构建案例库；

S2结合模糊逻辑和FMEA分析法提取的知识，以模糊本体开发方法论流程构建故障诊断本体模型；

S3在本体模型中获得的知识基础上，结合专家经验生成相应的SWRL规则，对生成的SWRL规则进行冲突检测后构成故障诊断规则库；

S4根据以上构建的故障诊断本体模型、规则库和案例库进行故障检测，其检测流程分为CBR模块和RBR模块，其中，所述CBR模块包括本体模型和案例库，通过重用历史案例的经验进行故障诊断，所述RBR模块包括本体模型和规则库，用于在CBR模块失效时，即当案例匹配相似度低于阈值，通过SWRL规则推理来进行故障诊断。

优选地，所述步骤S2的故障诊断本体模型构建中，结合了模糊逻辑和FMEA分析法，采用模糊本体开发方法论流程来开发本体，具体步骤如下：

S2-1：利用FMEA分析法获得诊断对象中同级别或不同级别设备和组件间的关系；

S2-2：对于具有不确定性的部分，模糊本体开发方法论流程中对其模糊需求程度进行定义，将以上知识融入故障诊断本体模型以提高其类和属性的关系完整程度。

优选地，所述步骤S4中，故障检测的具体过程如下：

S4-1：选取新案例中的参数特征；