摘要：隨著工業(yè)4.0和物聯(lián)網(wǎng)時代的來臨，基于經(jīng)驗和手冊的設備維修方式已不能滿足復雜設備維修的要求;而傳統(tǒng)的設備診斷系統(tǒng)往往只注重從物理傳感器采集數(shù)據(jù)，缺少引入人的經(jīng)驗，難以擁有自學習能力;以ZB45煙草包裝機為例，提出一種具有自學習能力的人機共融新型故障診斷系統(tǒng);系統(tǒng)采用貝葉斯網(wǎng)絡,實現(xiàn)對傳感器數(shù)據(jù)的自動推理;通過自然語言處理模塊與用戶交互，學習用戶的維修經(jīng)驗，并用來改進診斷效果;提出了基于凸優(yōu)化的標簽選擇方法，根據(jù)觀察到的現(xiàn)象推薦合適的標簽，以快速確定最可能的故障，實現(xiàn)快速找到報警號碼對應的故障源;生產(chǎn)現(xiàn)場的實測數(shù)據(jù)表明，所實現(xiàn)的系統(tǒng)可以有效降低萬箱故障次數(shù)，有效提高故障診斷精度，降低故障排查時間。

　　關鍵詞：人機共融;貝葉斯網(wǎng)絡;故障診斷;凸優(yōu)化;標簽選擇

　　0引言

　　常見的設備故障報警方法沒有故障診斷的功能：當傳感器測到某物理量的值出現(xiàn)過大偏差時，系統(tǒng)會顯示報警編號。用戶必須對照手冊，自行診斷導致故障的原因。隨著工業(yè)4.0和物聯(lián)網(wǎng)時代的來臨，這種基于經(jīng)驗和手冊的設備維修方式對于簡單的設備有效，但不能滿足對復雜設備的要求。

　　本文以煙草行業(yè)的ZB45型卷包機為研究對象，基于故障樹和貝葉斯推理網(wǎng)絡，旨在提出一種具有不斷自我學習的人機共融的新型故障診斷系統(tǒng)。本文研究方法的關鍵思想是要結合人的因素，進行人機共融(HumanMachineIntegration)[1]的故障診斷，并在3方面嘗試創(chuàng)新的技術方案。

　　首先，采用自然語言處理的方法，通過歷史工單和維修手冊，自動生成故障診斷用的貝葉斯網(wǎng)絡和故障搜索用的知識圖譜。對數(shù)千種故障的復雜系統(tǒng)而言，這樣不但可以大大節(jié)省人力，也可以減少人為錯誤的可能，并且可以快速處理新工單，融入知識庫。其次，基于貝葉斯網(wǎng)絡，實現(xiàn)自學習功能。當工人確定故障源后，可以點擊“故障確認”按鈕，通知算法正確的結果。

　　這樣，算法可以不斷改進診斷精度。最后，引入“人本傳感器”的新概念，讓工人點擊界面上的標簽，輸入工人所觀察到的現(xiàn)象。有效克服傳感器數(shù)量遠遠小于故障數(shù)量的問題。讓用戶做為傳感器，幫助算法盡量唯一地確定故障源，加速排錯過程。本文提出的人機共融的診斷系統(tǒng)，不但可以在人為工單數(shù)據(jù)中挖掘信息，還在日常操作中學習工人經(jīng)驗，同時借助人本傳感器提高診斷效率。通過人機緊密合作，實現(xiàn)了在工業(yè)4.0場景下，新型故障診斷系統(tǒng)的范式。

　　1ZB45型包裝機故障診斷研究現(xiàn)狀

　　1.1ZB45型包裝機及其故障診斷的必要性

　　煙草行業(yè)的ZB45型包裝機是用于煙支卷接和包裝的設備，具有結構復雜、設備貴重、小故障停機次數(shù)多、連鎖質(zhì)量波動大、次生浪費較多的特點。其內(nèi)部有約10000個零部件，約2000種故障，約1500個OPC故障報警代碼(OPC代碼)。故障和OPC代碼之間是多對多的對應關系。有約1300種可導致停機的故障沒有對應的OPC故障報警代碼。

　　ZB45包裝機在高速生產(chǎn)運行過程中，包裝機極易因各類原因產(chǎn)生短時高頻停機，根據(jù)對生產(chǎn)環(huán)境的統(tǒng)計，單班停機次數(shù)平均約為45次，會造成嚴重的生產(chǎn)效率損失。同時，包裝機的頻繁啟停會使多個關鍵工序存在加熱、升溫等不斷調(diào)整的狀態(tài)，使包裝工藝的質(zhì)量穩(wěn)定性變差，同時包裝機在每次重啟后設備都需自動提出固定數(shù)量的煙支，會造成原、輔料浪費，產(chǎn)生巨大的成本損失。

　　1.2傳統(tǒng)故障診斷方法存在的問題

　　包裝機產(chǎn)生故障的成因很多，往往會在任意時刻、任意部位產(chǎn)生不同類型的故障。以ZB45包裝機的鋁箔紙系統(tǒng)為例，可能產(chǎn)生的故障就有數(shù)十種，僅其中“鋁箔紙撕不開”這一種故障，又會有多種因素與其相關。由此可見，對包裝機的準確故障診斷難度極大。

　　在現(xiàn)階段，包裝機故障主要依靠維修人員的經(jīng)驗，對故障進行經(jīng)驗性的診斷，主要技術手段是以手工查找紙版手冊和維修記錄為主，故障診斷存在耗時長、具有主觀性的問題，極大依賴于人員經(jīng)驗，技術傳承性較差，往往會導致大量故障停機時間。特別是對于一個OPC代碼對應多個可能故障的情況。維修手冊只記錄各種故障可以導致的現(xiàn)象，并且手冊有幾千頁之多。不但查找困難，而且很多故障診斷的經(jīng)驗沒有書面記錄。

　　有經(jīng)驗的工人要根據(jù)故障代碼，結合自己的觀察，及歷史故障頻次來判斷最有可能的故障。而這種經(jīng)驗常常沒有書面記錄，動輒需要五年、十年的經(jīng)驗積累。隨著制造業(yè)信息化進程的推進，卷包機數(shù)據(jù)采集系統(tǒng)實現(xiàn)了從ZB45包裝機提取大量實時運行數(shù)據(jù)，包括運行參數(shù)、故障統(tǒng)計、臺時產(chǎn)量、物料消耗等信息，同時也建立了基于EAM系統(tǒng)相關的設備故障維修記錄，但是兩個系統(tǒng)獨立運行，缺乏有效的關聯(lián)策略來實現(xiàn)數(shù)據(jù)和信息的融合，需要對獲取的數(shù)據(jù)進行更深層次的處理和分析，從各系統(tǒng)數(shù)據(jù)進行關聯(lián)挖掘，得出有效、可固化傳承的故障診斷及設備維護類知識，并應用到生產(chǎn)過程中。

　　1.3相關技術背景

　　1.3.1常見的故障診斷方法

　　傳統(tǒng)的復雜設備故障的診斷主要包括如下方法：

　　1)故障樹：通過故障樹的方法[2][3]建立從傳感器可測的故障現(xiàn)象到故障的自動推理引擎。這種方法也常被稱做專家系統(tǒng)。不同的故障可以通過邏輯與、或、非的方式關聯(lián)，共同決定下一級故障發(fā)生與否。故障樹方法可以用系統(tǒng)可靠性分析，及單一故障情況下的故障診斷。

　　2)貝葉斯網(wǎng)絡：另一類方法是通過如貝葉斯網(wǎng)絡[2][4]的統(tǒng)計學的方法，對多個故障及其故障概率進行自動推理。這類方法需要用戶構建由故障和現(xiàn)象為節(jié)點的有向無環(huán)圖(DAG,DirectedAcyclicGraph)，并輸入條件概率表(CPT,conditionalprobabilitytable)和先驗概率以表征不同節(jié)點之間的連接關系。如果有足夠歷史數(shù)據(jù)，條件概率表和先驗概率都可以從數(shù)據(jù)中得出。這種方法比故障樹的表現(xiàn)力更強。故障樹可以轉換為貝葉斯網(wǎng)絡的形式[2]，但反之則不一定成立。

　　貝葉斯網(wǎng)絡的方法可用于大型生產(chǎn)制造系統(tǒng)[4]、樓宇空調(diào)[5]的故障診斷及故障冗余控制系統(tǒng)[6]。基本的樸素貝葉斯網(wǎng)絡假定故障之間獨立出現(xiàn)，即故障出現(xiàn)的概率不會相互影響，同時，故障出現(xiàn)的概率不隨時間而變化。動態(tài)貝葉斯網(wǎng)絡擴展了樸素貝葉斯網(wǎng)絡的時間域上的表現(xiàn)力，從而允許出現(xiàn)時變的概率分布。

　　3)觀測器：如果要通過觀測模擬量來分析故障情況，可以采用觀測器的方法，并通過在線傳感器數(shù)據(jù)估計系統(tǒng)內(nèi)部狀態(tài)。例如：卡爾曼濾波器(Kalmanfilter)或粒子群濾波器(particlefilter)是常見的基于模型的系統(tǒng)狀態(tài)觀測器。對于只有模型結構，但不了解參數(shù)的系統(tǒng)，還可以采用在線模式識別的方法，例如在線ARIMA或N4SID的算法等[7]。

　　4)數(shù)字孿生：近年來，數(shù)字孿生(digitaltwin)[8][9][10]的概念得到研究者和工業(yè)界的重視，并從3D模型延展到在線監(jiān)測應用。對于大型的工業(yè)控制系統(tǒng)，如石化企業(yè)的分布控制系統(tǒng)(DCS,distributedcontrolsystem)[10]及暖通空調(diào)系統(tǒng)[11]，想要手動建立系統(tǒng)的動力學模型是非常困難的。對這類應用，通過組合子系統(tǒng)的數(shù)字孿生而構建全系統(tǒng)的動力學模型是個更好的方案。文獻[12]提出了采用在線數(shù)字孿生的方法，對暖通空調(diào)設備進行在線故障監(jiān)督和診斷。

　　1.3.2自然語言處理技術和知識圖譜

　　近年來，以深度學習為基礎的自然語言處理得到了廣泛的工業(yè)應用。對設備故障診斷而言，設備維修工單記錄和維修手冊是故障診斷系統(tǒng)建模和分析的重要數(shù)據(jù)來源，其描述形式基本上是自然語言。然而，直接通過閱讀自然語言，手工建模的方法成本高，時間長。利用自然語言處理技術是提高故障診斷系統(tǒng)建模的有效手段。

　　早期的應用主要以針對關鍵詞的統(tǒng)計為主[13]。美國海軍采用了自然語言處理的方法對V-22魚鷹飛機的維護資料進行了系統(tǒng)的分析整理[14]。通過基于Python的NLTK自然語言處理工具包[15]進行分詞,該方法識別了維修記錄中的自然語言記號，并對核心詞進行了統(tǒng)計學分析。在此基礎上，可以對歷史上相似的故障維護工單進行聚類，并通過統(tǒng)計方法分析改進維修的手段。

　　針對煙草機械維護的自然語言處理應用還很少見。文獻[16]討論了煙草機械維護數(shù)據(jù)庫的自然語言處理方法，采用常規(guī)的TF-IDF及TextRank模型進行數(shù)據(jù)建模，然后通過權重矩陣比較實際故障記錄與故障數(shù)據(jù)庫中已有故障記錄的相似程度，由此進行對同類故障記錄的模糊查找，其本身并不直接用于故障診斷。當涉及到具體行業(yè)知識時，這種模糊查找方法效果不太理想。知識圖譜[17]是一種描述實體之間語義關系的有向圖結構。傳統(tǒng)的知識圖譜一般存于圖數(shù)據(jù)庫中，如Neo4J,Dgraph等。

　　近年來，隨著人工智能和深度學習的興起，出現(xiàn)了神經(jīng)網(wǎng)絡和知識圖譜相結合的流派。例如，DeepWalk[18]可以通過深度學習來學習網(wǎng)絡的結構。通過深度圖卷積網(wǎng)絡(DGCN,deepgraph convolutionnetwork)學習軸承的振動信號，文獻[19]提出了一種可以進行故障原因診斷的學習系統(tǒng)。開源軟件DeepGraphLibrary(DGL)[20],可以把多種網(wǎng)絡結構的數(shù)據(jù)向量化，并嵌入到神經(jīng)網(wǎng)絡中。利用已有的知識圖譜構建技術，我們通過維護手冊和工單數(shù)據(jù)構建知識圖譜，并由此生成貝葉斯網(wǎng)絡模型，用于故障診斷。

　　2人機共融的故障診斷系統(tǒng)

　　2.1人機共融的新型交互方式

　　人機共融被認為是工業(yè)4.0時代的重要場景之一[1]。關于工業(yè)機器人的人機共融[21]，及離散生產(chǎn)線的人機共融[22]已經(jīng)有一些成功經(jīng)驗。但對于故障診斷系統(tǒng)的人機共融方式還未見相關報道。我們以ZB45卷包機為實驗對象，提出一種故障診斷系統(tǒng)，旨在提高故障診斷效率、降低故障停機時間，并對故障的原因、部位與維護策略進行全面分析，進而實現(xiàn)增效、穩(wěn)質(zhì)和降本的效果。其核心思想是通過人機共融的有機合作引導工人監(jiān)督系統(tǒng)不斷學習，解決現(xiàn)有故障建模中缺乏文字描述經(jīng)驗的難點。

　　本系統(tǒng)人機共融的特點主要體現(xiàn)在：1)建立基于貝葉斯網(wǎng)絡的可擴展故障診斷架構，可以利用OPC代碼、用戶標簽選擇、傳感器信號等多模態(tài)信息，進行自動故障診斷推理;2)通過人機共融的有機合作，向用戶提供標簽，并接收反饋;學習用戶潛在經(jīng)驗，不斷提高診斷精度;3)通過自然語言處理的方法，分析歷史工單數(shù)據(jù)，自動構建推理用的貝葉斯網(wǎng)絡，減少手工建模時間。其中，機械設備的傳感器采集信號處理后產(chǎn)生各類報警信號，并利用相關事件檢測算法，觸發(fā)事件后傳送給貝葉斯網(wǎng)絡。事件監(jiān)測算法可以看作與內(nèi)置的OPC代碼報警相同，都是觸發(fā)事件的布爾量。

　　而維修人員產(chǎn)生歷史工單，經(jīng)過自然語言處理模塊進行分析，用于生成故障知識圖譜，并用于初始化貝葉斯網(wǎng)絡。工單的信息經(jīng)過自然語言處理，生成初選標簽，經(jīng)凸優(yōu)化過濾后，產(chǎn)生足夠的精選標簽，供維修人員選擇。標簽中一般包括維修人員可以看到或聽到的各種現(xiàn)象。作為對傳感器信號的有效補充，標簽可以看成另一種“人工”的傳感器。它們也可以觸發(fā)貝葉斯網(wǎng)絡的事件。

　　2.2故障樹建模

　　目前在ZB45包裝機應用中積累了維修工人師傅的大量維修記錄，但是記錄存在標準不一、記錄不全、故障重復等問題。在維修工人師傅經(jīng)驗的幫助下，從數(shù)十萬的維修數(shù)據(jù)中，清洗整理出1751條完整的故障維修記錄，并將故障現(xiàn)象和機器位置相關聯(lián)，形成故障樹，同時對每個故障所對應的故障編碼進行對應，通過這種關聯(lián)，實現(xiàn)對故障的推送。

　　3診斷系統(tǒng)的生產(chǎn)成效

　　通過對比系統(tǒng)部署前后月份的萬箱故障數(shù)據(jù)。從中可以看到，系統(tǒng)部署后一個月的故障次數(shù)為46次，萬箱故障次數(shù)為46/69296.4*10000=6.63，而部署前一個月的故障次數(shù)是64，萬箱故障次數(shù)為64/66232.2*10000=9.64，同比萬箱故障次數(shù)下降31.2%。

　　4結束語

　　面向復雜設備的故障診斷問題，本文以ZB45包裝機故障診斷為考察目標，提出了一種實現(xiàn)人機共融的故障診斷系統(tǒng)。系統(tǒng)整合了自然語言處理技術、知識圖譜技術和貝葉斯網(wǎng)絡理論，主要創(chuàng)新點如下：

　　1)通過對歷史工單的自然語言處理，自動生成知識圖譜和貝葉斯網(wǎng)絡;2)針對故障代碼(OPC代碼)少于故障源的問題，鼓勵用戶通過選擇標簽的方式來提高診斷精度。同時，利用用戶反饋，提高貝葉斯網(wǎng)絡診斷精度;3)結合自然語言處理和凸優(yōu)化的方法，提供少而精的標簽。通過對歷史工單的自然語言處理，進行標簽初選。隨后采用凸優(yōu)化算法選擇恰好足夠的標簽給用戶選擇。通過系統(tǒng)實際運行測試，證明該系統(tǒng)能有效降低設備的萬箱故障次數(shù)，有效減少故障維修時間，提高了設備故障診斷效率。

　　參考文獻：

　　[1]於志文,郭斌.人機共融智能[J].中國計算機學會通訊,2017,13(12)：64-67.

　　[2]王廣彥,馬志軍,胡起偉.基于貝葉斯網(wǎng)絡的故障樹分析[J].系統(tǒng)工程理論與實踐,2004，24(6):78-83.

　　[3]RUIJTERSE,STOELINGAM.Faulttreeanalysis:asurveyofthestate-of-the-artinmodeling,analysisandtools[J].ComputerScienceReview,2015,15:29-62.

　　[4]CARBERYCM,WOODSR,MARSHALLAH.ABayesiannetworkbasedlearningsystemformodelingfaultsinlarge-scalemanufacturing[C]//2018IEEEInternationalConferenceonIndustrialTechnology(ICIT)，2018:1357-1362.

　　[5]XIAOF,ZHAOY,WENJ,etal.BayesiannetworkbasedFDDstrategyforvariableairvolumeterminals[J].Automationinconstruction,2014,41:106-118.

　　[6]VILLEZK,VENKATASUBRAMANIANV,NARASIMHANS.Bayesianinferenceforfault-tolerantcontrol[C]//InternationalSymposiumonResilientControlSystems，IEEE,2009：51-53.

　　作者：張明琰1宋震2方世杰2