引言

柔性制造设备结构复杂、造价高，一旦发生故障而停产、停工，造成的经济损失和社会影响将是过往低生产水平时的几十倍、几百倍。为确保柔性制造设备安全有效地运行，进步其安全运转率和无故障生产时间，必须加强设备运行治理，增强柔性制造设备的状态监控和故障诊断。而第一代诊断专家系统解决题目的知识主要是维修专家个人的经验知识。这类诊断专家系统在运行中已显露出若干共同存在的缺点，如知识获取困难、知识的完备性和一致性难以维护、解释能力差、缺乏柔性等。为了克服第一代专家系统的不足，知识工程领域引进了“深知识”的概念，所谓深知识就是关于对象行为、结构、功能方面的知识。基于深知识的诊断推理，又称为基于模型的诊断推理 [1] 。这类诊断系统具有如下优点 [2] ：(1)即使当启发式推理失败时，模型也可以继续进行满足的诊断推理；(2)当启发式知识太复杂或要求昂贵的、耗时的测试时，模型却仍然可以保持较高的诊断效率；(3)基于模型的推理支持比启发式推理更简洁、更圆满；(4)基于模型的诊断系统具有柔性，当对象的结构调整或重构时，以前的模型可以继续下来；(5)基于模型的诊断系统可以获得高度的完备性和鲁棒性。同时，基于多模型的诊断系统，可根据当前的推理情况，选取更合适的模型，从而改善推理效果，有效地进步故障诊断率和正确性，保证设备安全、可靠地运行， 

1 基于多模型的诊断系统结构 

基于模型的诊断方法的一般思路是首先建立诊断对象的结构或功能模型，然后利用该模型对诊断对象的行为进行仿真，从而找出诊断对象发生故障的部件。故障诊断可划分为两个阶段：故障隔离(failuresourcelocation)阶段和故障原因识别(failure cause identification)阶段，本文结合柔性制造设备，提出了一种针对柔性制造设备诊断题目的多模型诊断方法：在进行故障隔离和故障原因识别前，首先进行元知识的推理。元知识推理是根据设备控制器的状态信号分布及其它故障征兆，确定发生故障的模块。接着利用基于状态转移图(state transition diagrams，简STDs)的行为模型进行诊断，确定故障源的大致范围；然后在故障原因识别阶段，利用扩展故障树模型，进行故障原因识别。这种多模型诊断方法，集元知识推理、行为知识推理和故障树知识理于一体，进步了柔性制造设备故障诊断系统的性能，有效地保证了系统诊断的正确性。

在柔性制造设备故障诊断系统中，为了对柔性制造设备的各种可能故障进行隔离和原因识别，必须具备一个综合知识库和一个综合推理机，其次，诊断信息的获取模块也是必不可少的。为了方便知识获取和对诊断知识进行治理，系统中还包含有一个知识获取与治理子系统，以提供系统得出结论的依据、步骤，增加推理的透明性。此外，在高档次数控系统中，含有一些NC和PLC自诊断信息。这些自诊断信息对NC系统和PLC系统的主要硬件故障及程序软件故障作出报警，一般以报警号形式显示出来，并在操纵面板上给出一个非常简单的提示信息。为方便用户操纵，系统提供一个故障咨询子系统，此子系统既可在线运行，又可离线由用户输进报警号进行咨询，向用户提供中文环境且内容更丰富的报警原因和维修提示等内容：

基于模型的诊断系统既可以在线实时获取设备控制器信息，进行在线诊断，又可以根据设备运行的历史数据文件进行离线诊断。系统总体结构如图1所示，由诊断信息获取模块、报警咨询模块、知识获取与治理子系统、诊断推理模块、诊断解释模块以及知识库和任务治理模块等组成。下面分别介绍系统的主要模块。

1.1 任务治理模块

任务治理模块是整个系统的治理与控制核心，它由菜单驱动的一系列过程所组成，用来治理、调度、协调各个功能子系统或模块的工作，调用有关的功能子系统和为用户提供良好的人机交互环境。它本身不参与实现系统的具体功能，它与各功能子系统或功能模块间不存在数据流，只有控制或状态流，因此，也可将其称之为元系统。1.2 诊断信息获取模块及动态数据库诊断信息获取模块的功能是获取诊断对象的有关诊断信息。对于一个诊断来说，获取的诊断信息越丰富，诊断的效果也就越好。柔性制造设备故障诊断题目有三大诊断信息来源： PLC的输进／输出及标志信息(在西门子系列PLC中一般称之为E信号、 A信号、 M信号)、 NC和PLC自诊断信息，以及状态监测系统经综合评判给出的决策结果信息。这些诊断信号获取后被送往计算机中一个称之为“动态数据库”的内存区中组织起来。这些数据或信号可表示为：Em.n——设备PLC输进信号，m为信号的地址，Em为一个字节，n为这个信号字节的位数，Em．n即表示字Em的第n位(以下同)。m的范围为0—127， n为0—7。Am．n——设备PLC输出信号，m、n的范围同E信号。Mm.n——设备功能控制产生的中间信号，m为0—255，n同E信号。Sm——状态监测的模糊综合决策结果信号，m的范围根据决策结果信号的多少而定，S1对应第一个信号，S2对应第二个信号，依此类推。
这些信号或数据的状态非0即1，用二值函数s(xi)描述为：s(x i )＝O 当信号xi所表示的动作或事件不发生时

s(x i )＝ l 当信号xi所表示的动作或事件发生时

具体地说，对于设备PLC内部的E和A，状态为0或1仪表示设备当前运行的状态或位置等；对于M信号，其中部分是控制程序运行的中间、标志信号，部分是设备自诊断的结果信号(0表示无故障，1表示设备有异常)；对于状态监测结果信号，状态为0表示该信号所表示的区域无故障或状态正常，状态为1则表示有故障或状态异常。

柔性制造设备的基于模型的故障诊断系统主要用到两种推理机制：基于设备行为知识的推理和基于扩展故障树的推理。一般来说，柔性制造设备运行处于异常时，设备内部控制器所具有基本监控模块会采取保护性措施：强迫设备停机或发出自诊断报警信息。当然这种自诊断报警信息(通常以报警号形式出现在操纵、面板上)非常粗略，有的设备控制器(如FFS—1500—2FMS中的加工中心、柔性制造单元中的控制器)甚至只能给出红灯报警(数控报警)和黄灯报警(PLC报警)信息。这时启动故障诊断系统，先进行基于设备行为知识的推理，进行故障源定位；然后进行基于扩展故障树的推理，确定发生故障的根本原因，最后给出诊断结论、维修提示，形成诊断报告。具体的推理流程由综合推理机的控制策略加以引导。

图2是综合推理机的结构示意图，动态数据库中除了组织有诊断信息外，还用来记录与控制和诊断相关的中间结果、最后结论、推理轨迹等综合数据。由于元知识主要用来确定发生故障的子系统或模块，所以在图2中未列出元推理机。1.3 知识获取与治理子系统基于模型诊断系统的诊断知识主要分为两大类：基于设备行为的深知识和基于扩展故障树的深知识。状态转移图模型用来组织设备的行为知识，扩展故障树模型用来组织故障原因识别方面的知识。这两种模型都是处于知识源和知识内部编码中间的知识组织与表示形式。对于扩展故障树模型，知识获取与治理子系统提供了一个故障树编辑绘制软件。用户根据数据录进模板输进相关数据，该软件自动绘制故障树。对于状态转移图模型，知识获取与治理于系统提供了一个知识录进模板。用户根据模板的提示和状态转移图模型的结构，输进相关数据，该子系统即可完成这种从知识外部模型到知识内部编码的转换。对于制造设备诊断题目中常用到的产生式规则形式的知识，该子系统提供了一些包括对产生式的规则知识编辑、检索、检验等在内的操纵。知识的编辑采用分块编辑的方法，即每个知识模块作为一个知识库，它包括知识填充、插进、修改和删除等功能；知识的检索也是分块进行的，必须事先装载要检索的知识所在的知识库，然后根据输进的知识编号或按顺序检索。知识的校验包括格式校验、一致性校验和冗余校验。该子系统还提供知识库文件操纵功能，包括库文件的建立、文件装载、文件存储、打印等操纵。l.4 诊断解释模块诊断解释模块提供两方面的功能：诊断报告天生和诊断过程解释。诊断报告中包括诊断时间、故障现象、故障部位、故障原因以及维修提示。诊断过程解释为闻户(专家)提供关于推理过程的解释以及求解题目的推理轨迹。因此，这一功能也可以帮助知识工程师检验系统求解方法的公道性。1.5 报警咨询模块机床面板上提示的报警提示有两种：一是英文提示，操纵、维修工人不易看懂；二是中文提示。内容非常简单，有的系统甚至只显示报警号，没有给出提示内容。因此在本系统中，结合NC、PlC自诊断报警内容，在大量阅读PLC程序代码的基础上，开发了一个功能强的咨询模块、它既可以在线通讯获取PLC标志信号，进行在线故障咨询，也可以离线由用户输进报警号分别咨询NC、和PLC报警。在NC报警提示中，不仅给了故障原因、维修提示，还显示出消除NC报警的清除键。2 基于多模型的诊断系统的实现技术2.1 诊断知识库

由于柔性制造设备的功能模块多，诊断知识库中的知识量也大，诊断时，如不加选择地对所有存在的知识库进行搜索，势必花费大量时间，满足不了诊断的实时性要求。因此还必须有一个借助一种元知识在设备发生故障后找到发生故障的功能模块，从而找到相关的知识库。元知识的运用，既降低了微机内存的要求，又进步了推理效率。元知识表示为 

IF[条件]Λ[条件2]Λ… 
THEN[故障模块][行为知识库名]

根据功能分析方法，我们可以将柔性制造设备划分为不同的功能子系统或功能模块，如主部模块、各进给轴模块、刀具交换模块、运输于系统等等。这些功能子系统或模块的功能具有相对的独立性，其运动循环具有一定的周期性，固然其运动周期不一定恒定。这种划分为我们分析柔性制造设备的行为特性提供了便利：某一功能模块的运动(由 PLC程序代码控制)可以看成是一个离散的动作序列，每一个动作被定义为从一个状态向另一个状态的转变。在柔性制造设备中，每一个动作被执行前必须满足一定的条件。有的设备有检测装置，若没有，则会设置一定的标志信号。据此，我们可以用状态转移图模型来组织设备功能模块的行为知识。行为知识在计算机内部用框架表示形式来表示，每一功能模块的行为知识用一个框架知识库来组织。在这种框架表示法中框架名是一个框架的标识符；步序名槽可以是一个有意义的描述本步序起始状态的字符串；步序逻辑条件槽是一个布尔表达式，描述本步序状态转移所必须满足的逻辑条件；状态检测槽也是一个布尔表达式，描述本步序正确结束时的信号状态所满足的约束条件；动作时间槽指该步序执行所需要的最大时间，若 
超过该值，检测信号表达式仍未满足，则说明该步序已出现故障；下一步序名槽用来表示紧接着的下一步序块的编号，由于在顺控器中动作并不总是按顺序执行。显然，这种知识表示可以圆满地表示每一步序执行所需的逻辑条件、步序正确执行后的标识信号以及动作执行的顺序。图3是1(B—NG加工中心刀具交换动作中SB30和SB31的框架知识表示。

设备行为知识的推理可以进行故障隔离。故障隔离可以将发生故障或失效的部件或元件找出来。但部件或元件的失效往往不是导致故障发生的根本原因，而是由其它相关部件、元件的失效所造成。例如。主轴驱动电动机过流，保险丝融断，是导致主轴不转的故障源，但它却不是导致主轴不转的真正原因。因此，不找到真正的故障原因，就纠正故障源是不会有什么效果的。正由于如此，我们必须进行故障诊断的第二阶段：故障原因识别。在故障原因识别阶段，所闻的知识是扩展故障树知识。 
在我们定义的扩展故障树知识表示法中，故障树的每一个结点破表示为一个框架，其槽值有： 父槽、子槽、类型槽、事件槽、事件贡献因子槽、事件重要度槽等等。其中，父槽值即是该框架所代表节点的父节点框架名：子槽值是该框架所代表节点的所有子节点框架名的集合，子节点框架名之间用逗号隔开；类型槽是指该框架所代表节点与其子节点之间的连接关系，如OR门、AND门，假如该框架所代表节点的是叶节点(即底事件)，则其类型槽值为“叶节点”；事件槽描述该框架节点所代表的故障事件；事件贡献因子槽值、事件重要度槽值分别即是该框架节点事件的贡献因子大小和重要度值。图4给出了基于多模型诊断系统中的一个扩展故障树中一些结点的框架知识表示。将扩展故障树模型用框架知识形式表示为一系列框架，填进知识库。在这种知识表示中，每个框架的槽个数是一定的，而且槽值的含义一定，框架的父槽值与子槽值能较好地描述故障知识的层次性，所以这种知识表示具有简明、清楚、结构性好等特点。

2.2 诊断推理技术 

当柔性制造设备发生故障时，设备控制器一定发出相应的报警信号。这时启动基于模型的诊断系统，首先通过一个通讯程序，读取PLC输进／输出信号、标志信息及自诊断信息，将其送进诊断系统的动态数据库中，接着进行元知识推理。元知识推理是根据动态数据库中的初始数据和元知识来搜索发生故障的设备功能模块；搜索成功后，就将相应的功能模块行为知识库装进计算机内存，并开释元知识链所占内存。紧接着进行基于设备行为知识的推理，设备行为知识在计算机内部用框架形式表示：基于行为知识的推理，可以将故障确定到某一故障事件(即是故障原因识别阶段的故障树的顶事件)。然后，进行基于扩展故障树的推理，寻找发生故障的基本原因，并给出维修提示。基于扩展故障树的推理，是一种从树顶事件搜索至树叶节点的推理方式，在这个过程中，可以利用扩展故障树的事件重要度、事件发生的相关贡献因子等有用参数，优化搜索路径。基于扩展故障树知识的推理采用了一种不精确知识治理算法E31。 
由于采用了元知识控制策略，可以进步复杂诊断题目的诊断效率。这里采用的是一种混合推理方式：先进行元知识推理，接着进行行为知识推理，然后进行扩展故障树树形知识推理。 

3 结束语 

面向柔性制造环境的多模型故障诊断系统是以郑州纺织机械厂从德国引进的 FFS—1500—2FMS和SATURN镗铣加工中心为研究对象和实验验证对象，并考虑其它柔性制造设备的共同特性而研究开发的。系统中包括知识库治理子系统以及基于故障树的辅助知识获取工具，因此，系统可以作为一个基于模型的诊断系统开发工具来使用，应用于柔性制造设备故障诊断领域。目前，基于多模型的故障诊断系统已在郑州纺织机械厂FFS-1500-2FMS和SATURN加工中心上运行，大大进步了诊断故障的效率和正确度，有效地缩短了诊断故障的周期。