0 引言

地震监测站供电系统是地震监测站网观测系统的重要组成部分，目前多数台站安装了智能电源，在电源出现故障及异常时，及时发现故障征兆，并进行快速分析和研判，已成为地震站网监测运维保障工作的重点内容之一。

通过查阅相关文献（李强等，2013；李延峰等，2016；赵希磊等，2017；李晓东等，2018；张广莉等，2018；陈彦平等，2018；雷功明等，2018；李松华等，2019；杨世英等，2019；李颖等；2019；胡雪琪等，2019），可知各省地震局和台站针对观测系统的各种故障做了大量研究。然而，这些实例一般是对故障维修经验的总结，过度依赖废人经验和主观判断，在观测系统出现故障时，不能及时判断故障并准确提出解决方案，在故障诊断过程中具有准确率不高、实时性较差等问题，对地震监测站网运行造成了一定影响。

近年来，人工智能技术迅速发展，基于案例推理的故障诊断技术已经成为国内外研究的热点（孔钦等，2016；王福忠等，2018），并在电力通信、轨道交通、航天测控、矿产开采等行业设备故障维修中得到广泛应用（王东等，2003；刘涌等，2017；张媛媛等，2018；陈则宇等，2019；刘芳，2019）。

本文以山西地震监测站网为例，将案例推理技术引入地震监测设备故障诊断，根据地震监测设备特点设计案例匹配算法，精确匹配参考案例，实现故障设备的快速诊断，给出解决方案，以提升地震台网设备故障诊断的准确性和实时性。

1 案例推理算法

案例推理（case-based reasoning，CBR）是利用历史案例来解决当前问题的一种方法，与基于规则的推理不同（孔钦等，2016）。传统的专家系统是基于规则进行推理的，也就是要建立大量的知识规则，按照规则推理结果，而案例推理是一种较新的推理方法，具有较强的学习能力（王福忠等，2018），能在解决新问题的同时，不断丰富案例数据库，从而提高案例推理的准确性。

案例推理包括案例的检索、复用、修正和保存4个过程。其基本思路是，在案例库中检索与目标案例类似的历史案例，若二者相似度高，则采用历史案例解决方案，若二者相似度低，不能解决新问题，则新增案例或者更新历史案例，并将新问题与对应解决方案存储至案例库（王福忠等，2018）。案例推理过程流程见图 1（李林琛等，2016）。

2 算法设计

以山西地震监测站网智能电源为例，进行设备故障诊断算法设计，主要包含故障案例库的构建、故障案例库的检索和匹配、故障案例的采用和优化、故障案例更新模块（图 2）。

故障诊断流程如下：当设备发生故障时，根据特征进行案例检索和匹配，如果得到与目标案例相类似的源案例，即采用该源案例；如果该源案例无法排除故障，则重新分析故障原因并给出新的案例，并在故障案例数据库中予以更新，获得一个新的案例，进而不断提高模型的可靠性。

2.1 故障案例库构建 2.1.1 故障案例的收集和整理

收集山西地震监测站网智能电源故障处置记录，对处置记录进行整理，提炼并补充关键词，建立一套信息完整、数据完备的地震台网设备典型故障案例库。

2.1.2 故障案例的表达

案例表示是指将问题记录转化为故障案例的过程，是构建案例库的基础。案例表示方法较多，采用故障“信息规范描述+特征属性集+属性字典”三元组合结构表示法。

2.1.3 故障案例库的创建

案例表示完成后，创建故障规范描述表、故障特征属性表和属性字典表等数据库表，以进行案例存储和管理。

2.2 故障案例的检索和匹配

利用初步检索缩小案例集的范围，按照邻近算法进行案例相似度匹配，即：基于目标故障案例的设备型号属性，对案例库进行初步检索，采用邻近算法，计算目标案例和初步检索后故障案例集之间的相似度，选取相似度最大案例作为最佳案例，采用最佳案例的成功维修策略，对目标故障进行诊断和维修。检索过程见图 3。

邻近算法的核心是，若一个样本在特征空间中k个邻近样本中的大多数为一个类型别，则该样本属于这个类别，并具有该类别上样本的特征。该方法在确定分类决策上，只依据最邻近的一个或者几个样本的类别来决定待分样本所属类别。

计算流程如下：step.1：初始化距离为最大值；step.2：计算未知样本和每个训练样本的距离；step.3：得到目前K个邻近样本中的最大距离；step.4：若小于最大距离，则将训练样本作为K-最邻近样本；step.5：重复步骤2、3、4，直至计算完成未知样本和所有训练样本的距离；step.6：统计邻近样本中每个类标号出现的次数；step.7：出现频率最大的类标号作为未知样本的类标号。

在邻近算法中，计算对象间距离，作为各个对象之间的非相似性指标，避免对象之间的匹配问题，距离一般使用欧式或者曼哈顿距离。文中采用基于欧式距离的相似度计算方法，假设源案例X = {x₁, x₃…, x_n}，x_i为其第i特征值，w_i为其权重，目标案例Y= {y₁, y₂…, y_n}，则X、Y之间的距离为

$ {\mathop{\rm DIST}\nolimits} (X, Y) = \sqrt {\sum _{i = 1}^n {{w_i}} {{\left({{x_i} - {y_i}} \right)}^2}} $

(1)

计算源案例与目标案例之间的相似度，公式如下

$ {\mathop{\rm SIM}\nolimits} (X, Y) = 1 - \sqrt {\sum _{i = 1}^n {{w_i}} {{\left({{x_i} - {y_i}} \right)}^2}} $

(2)

2.3 故障案例的优化和更新

通过案例的检索和匹配，若得到一个相似度较低的案例，则需要对案例进行适当调整（调整过程包括对目标案例的规范化描述、目标案例属性集的完善，以及对源案例属性集的进一步完善和对案例描述的修改），基于故障的实际解决情况，确定是否将该目标案例作为新案例添加到案例库中，完成案例的学习过程。

3 算法实现及验证

山西地震监测站网许多台站安装了智能电源，在对电源故障的维修过程中积累了大量历史案例，统计发现共有12种故障类型。建立山西地震监测站网智能电源故障案例库，字段包含特征属性和故障类型，特征属性E1—E11分别代表市电电压、太阳能板电压、市电状态、太阳能板状态、蓄电池电压、充电电流、第一路输出电压、第二路输出电压、第三路输出电压、第四路输出电压、第五路输出电压，故障类型0—12分别代表正常、市电无输出、太阳能板无输出、市电和太阳能均无输出、无法充电、输出端1稳压模块故障、输出端2稳压模块故障、输出端3稳压模块故障、输出端4稳压模块故障、输出端5稳压模块故障、市电输入线路断开、太阳能输入线路断开、无蓄电池或线路断开，原始数据样本集见表 1。

基于邻近算法，计算原始目标案例和源案例库中各个案例的相似度，结果见表 2，可知目标案例与源案例6的相似度为1.00。然而，由表 1可知，目标案例与源案例12相似，可见该检索结果与实际情况不相符。由此可见，通过原始数据计算目标案例与源案例的相似度，与实际结果存在偏差。这是因为，原始数据既有开关量数据，又有模拟量数据，而且数值范围不一。为此，将表 1中的原始数据样本按照表 3对特征属性数据的说明进行预处理，所得结果见表 4。基于表 4所示结果，根据邻近算法，重新计算目标案例和源案例库中各个案例的相似度，结果见表 5。由表 5可知，目标案例与源案例12的相似度为1.00，计算结果与实际情况相符。因此，目标案例12的决策方案可作为目标案例的参考方案。

4 结束语

针对山西地震监测站网智能电源的故障诊断问题，将邻近算法应用到故障分类和决策方案中。结果表明，通过将样本进行特征属性数值处理后，提高了案例检索的准确度。因此，基于案例推理的故障诊断算法在智能电源运维决策中具有较好的应用前景，下一步可考虑将该算法向地震专业设备的运维决策进行推广。