專利名稱：橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)及其使用方法
技術領域：
本發(fā)明涉及一種針對橡膠密煉生產(chǎn)過程中的故障監(jiān)測系統(tǒng)，以及在此基礎上建立起的具有自行判斷和處理故障的專家系統(tǒng)及其使用方法。
背景技術：
隨著國內越來越多的消費者選擇購買家用汽車，不但給汽車輪胎生產(chǎn)廠家提供了大量商機，同時也對輪胎制造工藝提出了更高的要求。
現(xiàn)有橡膠密煉技術雖可以基本滿足煉膠生產(chǎn)需求，但對于具有更高難度和復雜性的混煉生產(chǎn)，尚缺乏行之有效的工藝優(yōu)化和分析技術。橡膠密煉需要能夠在生產(chǎn)過程中的較長時間內，進行安全、可靠、無故障地運行，以取得良好的經(jīng)濟效益。然而，混煉生產(chǎn)設備和控制系統(tǒng)越復雜、越先進，其生產(chǎn)工藝控制就顯得擔負越重要，因而系統(tǒng)故障及失效所造成的后果也就越嚴重。一次故障的經(jīng)濟損失往往很大，停車一天就要造成巨大的損失。因此，只有在生產(chǎn)安全可靠的前提下，才有可能考慮優(yōu)化控制工藝，以追求更高的質量標準和效益。
現(xiàn)有密煉生產(chǎn)過程，主要靠現(xiàn)場工藝人員根據(jù)自身工作經(jīng)驗并輔以少量的現(xiàn)場試驗數(shù)據(jù)來人工監(jiān)測工藝過程是否正常、密煉機是否處于穩(wěn)定的運行狀態(tài)。對于諸如監(jiān)測投碳黑動作及膠料是否發(fā)生打滑現(xiàn)象，由于受人為主觀影響較大而無法準確判斷輸送裝置是否正常，也無法及時的發(fā)現(xiàn)或預測異?，F(xiàn)象，對故障撿出并進行修復均處于滯后狀態(tài)，而且對于故障處理過程中的數(shù)據(jù)也無法形成歷史記錄并應用到現(xiàn)場故障的分析中。

發(fā)明內容
本發(fā)明所述的橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)及其使用方法，可解決上述問題和不足，提供一種應用統(tǒng)計過程控制方法的應用系統(tǒng)。
監(jiān)測系統(tǒng)應用統(tǒng)計過程控制，依據(jù)在線選取的測量數(shù)據(jù)信息來分析判斷生產(chǎn)工況是否正常、關鍵性狀態(tài)變量和被控變量是否處于優(yōu)良區(qū)域、以及是否存在故障或其預兆存在并查找出原因和對策。上述信息數(shù)據(jù)連接并提供給專家系統(tǒng)，以進行故障分析和歷史記錄積累等。
所述的監(jiān)測系統(tǒng)監(jiān)控系統(tǒng)以數(shù)據(jù)庫形式記錄存儲數(shù)據(jù)實現(xiàn)共享，可動態(tài)了解當前最新的狀況，對于大量生產(chǎn)尤其有益。這樣可以全面掌握質量動態(tài)，質量變異報警功能，質量問題能即時發(fā)現(xiàn)。
統(tǒng)計過程控制監(jiān)測系統(tǒng)是應用x-R(均值-極差)控制模型來控制，采集混煉過程中若干批次生產(chǎn)樣本，將上述變量通過應用x-R(均值-極差)控制模型，從穩(wěn)態(tài)過程對樣本的μ與σ進行合理的估計，從而建立均值-極差的控制界限，即上界(UCL)、中界(CL)和下界(LCL)。
在監(jiān)測系統(tǒng)的基礎上，專家系統(tǒng)基于知識庫提供的模型結果進行推理的橡膠密煉智能模塊系統(tǒng)，其實現(xiàn)的主要功能是原因追溯、故障預警和自我學習，可以在運行過程中調整和增刪知識庫中記錄的內容。
專家系統(tǒng)權限設定為operator用戶級、administrator管理員級和super超級用戶級。
專家系統(tǒng)模塊包括有通過人機接口模塊相連接的添加知識模塊、推理機操作模塊、中間數(shù)據(jù)庫、知識庫、自學習模塊、以及機器詢問模塊、結果輸出模塊、異常消息輸入模塊。
其中，知識庫由規(guī)則庫，原因庫，結果庫，中間結果庫，矛盾結果庫，共計5個子庫組成。
上述專家系統(tǒng)的主要流程是從人機接口得到的信息寫入事件庫，并把信息交給推理機推理；推理機通過知識庫中的知識和不斷從人機接口得到的新信息推出一個合理的結果；結果推出后，專家系統(tǒng)會從知識庫中提取相關的信息并和結果一塊輸出，同時通過自學習修正知識庫中的內容。
專家系統(tǒng)的核心部分是推理機和知識庫。
知識庫中的知識組織方式采用產(chǎn)生式模糊規(guī)則的方法。表現(xiàn)形式為if X1 AND X2 AND X3…then Y with Cf。其中Xi表示規(guī)則原因，Yi表示規(guī)則結果，Cf表示規(guī)則置信度。
整個形式的語言描述為如果X1，X2，X3…同時發(fā)生，則Y必然發(fā)生，這條規(guī)則的可信程度為Cf。
推理機采用包括正向推理、反向推理相結合的方式。即在進行原因追溯時，采用反向推理的方式；進行故障預警時，采用正、反向混合推理模式；而在系統(tǒng)運行初始，根據(jù)用戶輸入的異常情況，采用正向推理的方法查找故障。
整個專家系統(tǒng)的推理和分析流程包括有1、原因追溯推理控制流程(反向推理模式)2、反向推理控制流程3、故障預警推理控制流程(正、反向推理模式)4、混合推理流程。


圖1是統(tǒng)計過程控制監(jiān)測流程示意圖；圖2是混煉控制專家系統(tǒng)的結構示意圖；圖3是專家系統(tǒng)的原因追溯推理模塊流程圖；圖4是專家系統(tǒng)的反向推理模塊流程圖；圖5是專家系統(tǒng)的故障預警模塊流程圖；圖6是專家系統(tǒng)的混和推理流程一的示意圖；圖7是專家系統(tǒng)的混和推理流程二的示意圖；圖8是專家系統(tǒng)的混和推理流程三的示意圖。
具體實施例方式
本發(fā)明所述的橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)及其使用方法，為實現(xiàn)對生產(chǎn)過程能夠做出可靠的評估，從而判斷過程是否失控和過程是否有能力，因而需要通過監(jiān)測系統(tǒng)來建立數(shù)據(jù)模型和收集、整理過程狀態(tài)判斷標準和尺度。
所述的監(jiān)測系統(tǒng)對生產(chǎn)過程中的過程數(shù)據(jù)，如加碳黑的時間、打滑時間，進行統(tǒng)計、分析和輸出備份，從而形成報告全過程狀態(tài)的數(shù)據(jù)曲線，能夠對異常狀態(tài)進行預警，并對異常的種類、性質進行具體地斷定和給出相應的糾正措施建議。
監(jiān)控系統(tǒng)以數(shù)據(jù)庫形式記錄存儲數(shù)據(jù)實現(xiàn)共享，可動態(tài)了解當前最新的狀況，對于大量生產(chǎn)尤其有益。這樣可以全面掌握質量動態(tài)，質量變異報警功能，質量問題能即時發(fā)現(xiàn)。
如圖1所示，統(tǒng)計過程控制監(jiān)測系統(tǒng)是應用x-R(均值-極差)控制模型來控制，其流程內容是第一步，選取并獲得控制變量數(shù)據(jù)。所選取的控制變量是影響門尼粘度值的、各投膠料動作點的溫度、時間、功率和能量數(shù)值。
第二步，建立數(shù)據(jù)模型。采集混煉過程中的20車生產(chǎn)樣本，將上述變量通過應用x-R(均值-極差)控制模型，從穩(wěn)態(tài)過程對樣本的μ與σ進行合理的估計，從而建立均值-極差的控制界限，即上界(UCL)、中界(CL)和下界(LCL)。
第三步，對過程數(shù)據(jù)進行處理、判斷并相應輸出備份。
將加碳黑點的工作點數(shù)據(jù)監(jiān)測處理，控制對每車次的加碳黑點的時間進行統(tǒng)計分析，即針對從“加碳黑”動作到“上頂栓下壓”動作的時間間隔，以確定是否能夠正常稱量。統(tǒng)計分析結果以實時輸出供用戶參考。
若檢測出異常，則將識別出的模式特征存儲到數(shù)據(jù)庫中，在“異常日志”中給予登記存儲。其中包括有發(fā)生故障時的生產(chǎn)配方、車次號、生產(chǎn)日期、混煉曲線和故障特征等內容。
將加油料點的工作點數(shù)據(jù)監(jiān)測處理，對每車次的加油料后功率達到某一標定值所對應的時間(即不是直接采用功率做為判據(jù)。空轉的功率到指定功率的時間過長則認為是打滑，故實際監(jiān)測的是功率到達標定植對應的時間)進行統(tǒng)計分析。
第四步，確定所需要的報警類型。一方面，將監(jiān)測統(tǒng)計分析結果輸出供用戶參考，同時將識別出的模式特征存儲到專家系統(tǒng)的數(shù)據(jù)庫中；另一方面，將輸出結果數(shù)據(jù)依次連接，從而形成連續(xù)的信息鏈，以做到動態(tài)更新。
對于出現(xiàn)的異常情況做為故障檢出，并在專家系統(tǒng)數(shù)據(jù)解釋庫的支持下做出有針對性的說明。
如圖2-圖8所示，專家系統(tǒng)是基于知識庫提供的模型結果進行推理的橡膠密煉智能模塊系統(tǒng)，其實現(xiàn)的主要功能是原因追溯，對已經(jīng)出現(xiàn)的生產(chǎn)故障進行分析，幫助工藝人員找到發(fā)生故障的原因和動作點數(shù)據(jù)；故障預警，當出現(xiàn)異常狀況時，可根據(jù)已有記錄的部分狀況特征，做出可能發(fā)生結果的預測；自我學習，可以在運行過程中調整和增刪知識庫中記錄的內容；專家系統(tǒng)權限設定為operator用戶級、administrator管理員級和super超級用戶級。其中，operator用戶級只面對普通操作人員，是最低權限，只能進行決策推理和一般知識錄入；administrator管理員級面對有豐富現(xiàn)場知識的工藝員(工程師)，可以進行專家知識錄入；super超級用戶級為最高權限，對象為專家系統(tǒng)的設計和維護人員，可以打開所有的數(shù)據(jù)庫，并進行增刪修改。
如圖2所示，專家系統(tǒng)模塊包括有通過人機接口模塊相連接的添加知識模塊、推理機操作模塊、中間數(shù)據(jù)庫、知識庫、自學習模塊、以及機器詢問模塊、結果輸出模塊、異常消息輸入模塊。
其中，知識庫由規(guī)則庫，原因庫，結果庫，中間結果庫，矛盾結果庫，共計5個子庫組成。
異常消息輸入模塊，可以對其他功能模塊產(chǎn)生的部分異常消息進行處理，并將此消息送入推理機進行推導。
自學習模塊，可以動態(tài)的調整規(guī)則的置信度，從而提高決策支持模塊的推理精度。
人機接口模塊，可使專家系統(tǒng)和外部交換信息，途徑有機器詢問、異常消息、添加知識以及結果輸出。
上述專家系統(tǒng)的主要流程是從人機接口得到的信息寫入事件庫，并把信息交給推理機推理；推理機通過知識庫中的知識和不斷從人機接口得到的新信息推出一個合理的結果；結果推出后，專家系統(tǒng)會從知識庫中提取相關的信息并和結果一塊輸出，同時通過自學習修正知識庫中的內容。
如圖3-圖8所示，專家系統(tǒng)的核心部分是推理機和知識庫。
知識庫中的知識組織方式采用產(chǎn)生式模糊規(guī)則的方法。表現(xiàn)形式為if X1 AND X2 AND X3…then Y with Cf。其中Xi表示規(guī)則原因，Yi表示規(guī)則結果，Cf表示規(guī)則置信度。
整個形式的語言描述為如果X1，X2，X3…同時發(fā)生，則Y必然發(fā)生，這條規(guī)則的可信程度為Cf。
推理機采用包括正向推理、反向推理相結合的方式。即在進行原因追溯時，采用反向推理的方式；進行故障預警時，采用正、反向混合推理模式；而在系統(tǒng)運行初始，根據(jù)用戶輸入的異常情況，采用正向推理的方法查找故障。
推理中因為需要不斷詢問操作人員和查詢異常庫，所以已知的異常是不斷變化的，因此所有用到的規(guī)則被加入到中間數(shù)據(jù)庫內。推理時推理機只對中間數(shù)據(jù)庫進行操作，避免了每次新異常的加入都要重新對整個知識庫進行匹配。
輸出時系統(tǒng)采用了結果閥值判斷輸出的方式。對同一個結果下的每條匹配規(guī)則，系統(tǒng)都會根據(jù)該規(guī)則的置信度(Cfi)和原因的模糊度(Fij)計算出一個規(guī)則的實際置信度(Cti)。最后根據(jù)這個結果下所有匹配規(guī)則的實際置信度計算出一個結果置信度(Cr)，如果該結果置信度大于結果閥值(Cv)則系統(tǒng)輸出結果。
自學習模塊采用“推導錯誤激發(fā)自學習”的模式。當推導正確時，不對知識庫進行任何調整；當推導出現(xiàn)錯誤時，根據(jù)推導結果和實際情況的差值，通過修改規(guī)則的Cf值提高系統(tǒng)推導精度。具體可分為三種情況(1)當原因追溯而無法找到任何原因時，系統(tǒng)提示用戶進入專家聯(lián)系頁面，并直接將相關信息發(fā)送出以求得到專家解決；(2)當原因追溯并可以找到原因、但找出的原因不足以支持故障的發(fā)生時，適當提高所激活規(guī)則的置信度；(3)當進行故障預警而預報的故障與事實不符時，適當?shù)臏p小激活規(guī)則的置信度。
整個專家系統(tǒng)的推理和分析流程包括有3、原因追溯推理控制流程(反向推理模式)第一步，故障結果輸入；第二步，查詢知識庫是否有匹配規(guī)則。若有，則將匹配規(guī)則填入中間數(shù)據(jù)庫，并退出查詢；若無，則直接進入反向推理模塊；第三步，調用反向推理模塊進行處理(如圖4所示)；第四步，將反向推理結果輸出。若有原因被推出，則將推理得出的原因記入知識庫中并退出；若無原因被推出，則直接退出。
4、反向推理控制流程第一步，查詢中間數(shù)據(jù)庫是否有未處理規(guī)則。若有，則進行以下規(guī)劃處理流程；若無，則進入自學習模塊，并驗證是否具有中間結果。具有中間結果時，返回并重新執(zhí)行；第二步，規(guī)則處理階段，將規(guī)則標記為已處理并驗證是否是故障原因屬性。若是，則輸入原因并驗證異常庫是否有記錄，對于未記錄的以未發(fā)生規(guī)則對待，以返加第一步重新執(zhí)行；若否，則直接返加第一步執(zhí)行。
第三步，推理計算階段。先后計算出規(guī)則置信度、結果置信度，并判斷結果置信度是否大于閥值。若是，則判斷是否仍有中間結果，有中間結果則返回第一步執(zhí)行，若無則直接退出推理控制流程；若結果置信度小于閥值，則直接返回第一步執(zhí)行。
3、故障預警推理控制流程(正、反向推理模式)第一步，輸入原因并判斷是否在知識庫中有相應規(guī)則。
若有，則進行中間數(shù)據(jù)庫查詢是否有此規(guī)則。若中間數(shù)據(jù)庫中有，則寫入中間數(shù)據(jù)庫并做標記、進入到下一步；若中間數(shù)據(jù)庫中并沒有，則直接進入混合推理流程。
若知識庫中此規(guī)則，則在全部查詢完畢后進入混合推理流程。
第二步，混合推理流程(如圖6-圖8所示)；第三步，推理結果輸出。對于滿意結果寫入知識庫中，對于不滿意結果進入自學習模塊處理。
5、混合推理流程第一部分，混合推理流程一。
第一步，分別計算全部規(guī)則的結果置信度。
第二步，判斷結果置信度是否大于閥值。
若結果置信度不大于閥值，則將潛在結果輸出。
若大于閥值則將置信度輸出，并將相關規(guī)則刪除。繼而依次判斷是否有中間結果。
第三步，判斷是否具有中間結果。
若有中間結果，則分別判斷是否規(guī)則結果已推出、以及中間數(shù)據(jù)庫、知識庫中是否有此規(guī)則，對于已有的規(guī)則分別進行標記；對于并不存在的規(guī)則就分別寫入中間知識庫中。
若無中間結果，則判斷是否需進一步推理。需進一步推理就直接調用并進入混和推理流程二。
第二部分，執(zhí)行混和推理流程二。
第一步，對于已處理的規(guī)則原因，包括人工錄入和來源于消息庫中的分別計算規(guī)則置信度和結果置信度。
對于未處理的規(guī)則原因直接計算規(guī)則置信度。
第二步，分析結果置信度是否大于閥值。
若不大于閥值，則直接進入混和推理流程三。
若大于閥值，則輸出結果并將相關規(guī)則刪除。繼而依次判斷是否有中間結果。
第三步，判斷是否具有中間結果。
若有中間結果，則分別判斷是否規(guī)則結果已推出、以及中間數(shù)據(jù)庫、知識庫中是否有此規(guī)則。
對于已有的規(guī)則分別進行標記；對于并不存在的規(guī)則就分別寫入中間知識庫中，同時返加混和推理流程一繼續(xù)計算。
若無中間結果，則終止推理流程。
第三部分，混和推理流程三是處理那些結果置信度不大于閥值的規(guī)則。
第一步，根據(jù)結果在知識庫中查找相關規(guī)則。
具有匹配規(guī)則的結果進一步在中間數(shù)據(jù)庫查找，并在中間數(shù)據(jù)庫添加此規(guī)則。
第二步，執(zhí)行新的規(guī)則。
若未找到匹配規(guī)則，則做為新規(guī)則寫入知識庫中，同時返加混和推理流程二繼續(xù)計算推理。否則，完成全部推理流程。
權利要求
1.一種橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)包括有建立數(shù)據(jù)模型和收集過程數(shù)據(jù)的監(jiān)測系統(tǒng)，其特征在于其專家系統(tǒng)包括通過人機接口模塊相連接的添加知識模塊、推理機操作模塊、中間數(shù)據(jù)庫、知識庫、自學習模塊、以及機器詢問模塊、結果輸出模塊、異常消息輸入模塊。
2.根據(jù)權利要求1所述的橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)，其特征在于知識庫由規(guī)則庫，原因庫，結果庫，中間結果庫，矛盾結果庫組成。
3.一種橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)的使用方法，其特征在于從人機接口得到的信息寫入事件庫，并把信息交給推理機推理；推理機通過知識庫中的知識和不斷從人機接口得到的新信息推出一個合理的結果；結果推出后，專家系統(tǒng)會從知識庫中提取相關的信息并和結果一塊輸出，同時通過自學習模塊修正、添加知識庫中的相應的規(guī)則和結果內容。
4.根據(jù)權利要求3所述的橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)的使用方法，其特征在于知識庫中采用產(chǎn)生式模糊規(guī)則的方法，其計算公式為if X1 AND X2 AND X3...then Y with Cf，其中Xi表示規(guī)則原因，Yi表示規(guī)則結果，Cf表示規(guī)則置信度。
5.根據(jù)權利要求4所述的橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)的使用方法，其特征在于原因追溯推理流程是第一步，故障結果輸入；第二步，查詢知識庫是否有匹配規(guī)則；若有，則將匹配規(guī)則填入中間數(shù)據(jù)庫，并退出查詢；若無，則直接進入反向推理模塊；第三步，調用反向推理模塊進行處理；第四步，將反向推理結果輸出；若有原因被推出，則將推理得出的原因記入知識庫中并退出；若無原因被推出，則直接退出。
6.根據(jù)權利要求4所述的橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)的使用方法，其特征在于反向推理控制流程是第一步，查詢中間數(shù)據(jù)庫是否有未處理規(guī)則；若有，則進行以下規(guī)劃處理流程；若無，則進入自學習模塊，并驗證是否具有中間結果；具有中間結果時，返回并重新執(zhí)行；第二步，規(guī)則處理階段，將規(guī)則標記為已處理并驗證是否是故障原因屬性；若是，則輸入原因并驗證異常庫是否有記錄，對于未記錄的以未發(fā)生規(guī)則對待，以返加第一步重新執(zhí)行；若否，則直接返加第一步執(zhí)行；第三步，推理計算階段；先后計算出規(guī)則置信度、結果置信度，并判斷結果置信度是否大于閥值；若是，則判斷是否仍有中間結果，有中間結果則返回第一步執(zhí)行，若無則直接退出推理控制流程；若結果置信度小于閥值，則直接返回第一步執(zhí)行。
7.根據(jù)權利要求4所述的橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)的使用方法，其特征在于其混合推理流程包括有混合推理流程一、流程二和流程三。
全文摘要
本發(fā)明所述的橡膠密煉生產(chǎn)過程的故障監(jiān)測與專家系統(tǒng)及其使用方法，提供一種應用統(tǒng)計過程控制方法的應用系統(tǒng)。監(jiān)測系統(tǒng)應用統(tǒng)計過程控制，依據(jù)在線選取的測量數(shù)據(jù)信息來分析判斷生產(chǎn)工況是否正常、關鍵性狀態(tài)變量和被控變量是否處于優(yōu)良區(qū)域、以及是否存在故障或其預兆存在并查找出原因和對策。在監(jiān)測系統(tǒng)的基礎上，專家系統(tǒng)基于知識庫提供的模型結果進行推理的橡膠密煉智能模塊系統(tǒng)，其實現(xiàn)的主要功能是原因追溯、故障預警和自我學習，可以在運行過程中調整和增刪知識庫中記錄的內容。
文檔編號B29B7/30GK1616204SQ200310105638
公開日2005年5月18日 申請日期2003年11月12日 優(yōu)先權日2003年11月12日
發(fā)明者王海清, 高彥臣, 楊殿才, 王延書, 杭柏林 申請人:青島高校軟控股份有限公司