基于專家系統(tǒng)的故障診斷方法的研究與改進(jìn)

卞玉濤，李志華

（河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100）

近三十年來人工智能獲得了迅速的發(fā)展，在很多學(xué)科領(lǐng)域都獲得了廣泛應(yīng)用，并取得了豐碩成果。專家系統(tǒng)是人工智能領(lǐng)域最活躍和最廣泛的領(lǐng)域之一。自從1965年第一個(gè)專家系統(tǒng)Dendral在美國斯坦福大學(xué)問世以來，經(jīng)過40年的開發(fā)，各種專家系統(tǒng)已遍布各個(gè)專業(yè)領(lǐng)域。目前，專家系統(tǒng)得到了更廣泛的應(yīng)用，并在應(yīng)用開發(fā)中得到進(jìn)一步發(fā)展。專家系統(tǒng)在故障診斷領(lǐng)域的應(yīng)用也非常廣泛，由于大部分故障是隨機(jī)的，普通人很難判斷，這時(shí)就需要通過討論或請(qǐng)專家來進(jìn)行診斷。但對(duì)于一些新型機(jī)器，可能無處獲得診斷知識(shí)；或者對(duì)于非定型生產(chǎn)的機(jī)器，由于其工作特性和常用機(jī)器相比差異很大，知識(shí)獲取也十分困難。而專家系統(tǒng)恰恰適用于復(fù)雜的、知識(shí)來源規(guī)范的大型動(dòng)態(tài)系統(tǒng)，它可以匯集眾多專家的知識(shí)，進(jìn)行分析、比較、推理，最終得出正確的結(jié)論?，F(xiàn)場(chǎng)技術(shù)人員可以充分利用各種信息和癥兆，在計(jì)算機(jī)系統(tǒng)的幫助下有效地解決工程實(shí)際問題，這也是故障診斷專家系統(tǒng)近年來成為熱門研究課題的原因。

1 故障診斷專家系統(tǒng)簡介

故障診斷是指在一定工作環(huán)境下查明導(dǎo)致系統(tǒng)某種功能失調(diào)的原因或性質(zhì)，判斷劣化狀態(tài)發(fā)生的部位或部件，以及預(yù)測(cè)狀態(tài)劣化的發(fā)展趨勢(shì)等[1]。由于機(jī)器設(shè)備日趨復(fù)雜化、智能化及光機(jī)電一體化，傳統(tǒng)的診斷技術(shù)已經(jīng)不能適應(yīng)了，隨著人工智能技術(shù)的迅速發(fā)展，特別是知識(shí)工程、專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)在診斷領(lǐng)域中的進(jìn)一步應(yīng)用，診斷技術(shù)也日趨智能化。

智能故障診斷是在對(duì)故障信號(hào)進(jìn)行檢測(cè)和處理的基礎(chǔ)上，結(jié)合領(lǐng)域?qū)＜抑R(shí)和人工智能技術(shù)進(jìn)行診斷推理，具有對(duì)給定環(huán)境下的診斷對(duì)象進(jìn)行狀態(tài)識(shí)別和狀態(tài)預(yù)測(cè)的能力。它適用于模擬人的思維過程，解決需要進(jìn)行邏輯推理的復(fù)雜診斷問題，可以根據(jù)診斷過程的需要搜索和利用領(lǐng)域?qū)＜业闹R(shí)及經(jīng)驗(yàn)來達(dá)到診斷目的。智能故障診斷技術(shù)包括模糊技術(shù)、灰色理論、模式識(shí)別、故障樹分析、專家系統(tǒng)等。

專家系統(tǒng)（Expert System，ES）[2]是一種基于知識(shí)的計(jì)算機(jī)程序系統(tǒng)，其內(nèi)部含有大量的某個(gè)領(lǐng)域?qū)＜宜降闹R(shí)和經(jīng)驗(yàn)，它應(yīng)用人工智能（Artificial Intelligence，AI）技術(shù)，根據(jù)專家提供的知識(shí)及其推理能力，模擬人類專家做出決策的思維過程，來解決原來只有專家才能解決的復(fù)雜問題。

基于專家系統(tǒng)的故障診斷方法是將專家系統(tǒng)應(yīng)用到故障診斷中去，從而利用領(lǐng)域知識(shí)和專家經(jīng)驗(yàn)提高故障診斷的效率[3]?；趯＜蚁到y(tǒng)的方法在故障診斷領(lǐng)域的應(yīng)用非常廣泛，長期以來，航空、航天、電力、電子、機(jī)械、化工、船舶等許多領(lǐng)域，故障檢測(cè)與診斷技術(shù)與專家系統(tǒng)相結(jié)合，使工程的安全性與可靠性得到保證。如美國海軍人工智能中心開發(fā)了用于診斷電子設(shè)備故障的IN-ATE系統(tǒng)；美國空軍研制的用于飛機(jī)噴氣發(fā)動(dòng)機(jī)故障診斷專家系統(tǒng)XMAN[4]；MIT研制用于模擬電路操作并演繹出故障可能原因的EL系統(tǒng)；波音航空公司研制了診斷微波模擬接口MSI的IMA系統(tǒng)等等。

按照知識(shí)組織方式與推理機(jī)制的不同，目前已研究的故障診斷專家系統(tǒng)模型大致可分為:基于規(guī)則的診斷專家系統(tǒng)、基于模型的診斷專家系統(tǒng)、基于事例推理的診斷專家系統(tǒng)、基于模糊理論的診斷專家系統(tǒng)和基于人工神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)。

2 傳統(tǒng)的故障診斷專家系統(tǒng)

傳統(tǒng)的基于專家系統(tǒng)的故障診斷方法能夠利用專家豐富的領(lǐng)域知識(shí)、經(jīng)驗(yàn)，無需對(duì)系統(tǒng)進(jìn)行數(shù)學(xué)建模并且診斷結(jié)果易于理解，因此在很多領(lǐng)域得到了廣泛應(yīng)用且取得了不少成果，并且顯示出了相當(dāng)出色的工作能力，在某些方面達(dá)到甚至超過了人類專家的工作水平，然而這種模擬人類抽象思維的符號(hào)處理系統(tǒng)在其開發(fā)研制過程中也碰到了不少問題:

1）知識(shí)獲取和表達(dá)比較困難，這成為專家系統(tǒng)的“瓶頸”問題。

2）知識(shí)的“窄臺(tái)階效應(yīng)”。目前一般的專家系統(tǒng)只能在比較窄的專業(yè)知識(shí)領(lǐng)域內(nèi)求解專門的問題。對(duì)于相近領(lǐng)域的邊緣性問題，求解能力較差，對(duì)于其他領(lǐng)域，則是一無所知。

3）推理能力弱。專家系統(tǒng)的本質(zhì)特性是基于規(guī)則的推理思維，然而迄今的邏輯理論仍然很不完善，推理速度慢、效率低、容易出現(xiàn)“匹配沖突”、“組合爆炸”及“無窮遞歸”等問題。

4）智能水平低。專家系統(tǒng)的知識(shí)存儲(chǔ)是一一對(duì)應(yīng)的，且限定于最低速度，沒有冗余性，因而也就失去了靈活性?，F(xiàn)有的專家系統(tǒng)一般還不具備自學(xué)習(xí)能力和聯(lián)想記憶的能力，一個(gè)專家系統(tǒng)往往要包含上萬甚至數(shù)萬條規(guī)則，使得維護(hù)和管理工作十分困難。這是與知識(shí)的表示方法有關(guān)的困難。

5）實(shí)用性差。由于上面的這些嚴(yán)重缺陷，使得一些專家系統(tǒng)很難進(jìn)入實(shí)用階段。同時(shí)由于推理速度慢，導(dǎo)致一般的專家系統(tǒng)難以適應(yīng)在線工作要求，只能在離線、非實(shí)時(shí)條件下工作。

基于規(guī)則的診斷專家系統(tǒng)就是傳統(tǒng)的專家診斷系統(tǒng)，將領(lǐng)域?qū)＜业慕?jīng)驗(yàn)、知識(shí)抽象為if-then形式的規(guī)則，利用這些規(guī)則進(jìn)行推理判斷?；谝?guī)則的推理是先根據(jù)推理策略從規(guī)則庫中選擇相應(yīng)的規(guī)則，再匹配規(guī)則的前提部分，最后根據(jù)匹配結(jié)果得出診斷結(jié)論。其知識(shí)表述直觀、形式統(tǒng)一、易理解和解釋方便，適合于具有豐富經(jīng)驗(yàn)的專業(yè)領(lǐng)域故障診斷。盡管基于規(guī)則的診斷專家系統(tǒng)獲得了一定的成功，但對(duì)于復(fù)雜系統(tǒng)，所觀測(cè)到的癥狀與所對(duì)應(yīng)診斷之間的聯(lián)系是相當(dāng)復(fù)雜的，通過歸納專家經(jīng)驗(yàn)來獲取規(guī)則，有相當(dāng)?shù)碾y度，且一致性難以保證，而且只能對(duì)事先預(yù)想到的并能與規(guī)則前提相匹配的時(shí)間進(jìn)行推理，存在著知識(shí)獲取困難、知識(shí)臺(tái)階“窄”以及控制策略不靈活等缺點(diǎn)。

3 一些改進(jìn)的故障診斷專家系統(tǒng)

傳統(tǒng)的診斷專家系統(tǒng)存在著一些自身難以解決的問題，如：知識(shí)獲取的“瓶頸”問題、邏輯推理的“組合爆炸”；在自適應(yīng)、學(xué)習(xí)能力及實(shí)時(shí)性方面也有局限性。為克服這些不足，有人提出一些新的專家系統(tǒng)故障診斷方法?；赑etri網(wǎng)建立對(duì)象行為模型，結(jié)合專家系統(tǒng)的優(yōu)點(diǎn)，對(duì)電力系統(tǒng)輸電網(wǎng)絡(luò)故障進(jìn)行診斷[5]。該方法不僅有效、準(zhǔn)確、通用，還提高了故障診斷速度。文獻(xiàn)[6]把遺傳算法與專家系統(tǒng)相結(jié)合進(jìn)行故障診斷，提高了系統(tǒng)抑制噪聲的能力，同時(shí)較好地解決了推理速度和知識(shí)獲取困難的問題。同樣，在專家系統(tǒng)中引入故障樹[7]，可以避免建立繁瑣而龐大的規(guī)則庫。下面就著重介紹一些改進(jìn)的診斷專家系統(tǒng)：

1）基于事例推理的診斷專家系統(tǒng)

基于事例推理（Case-Based Reasoning，簡稱CBR）是近年來人工智能領(lǐng)域興起的一種診斷推理技術(shù)，是采用以前的事例求解當(dāng)前問題的技術(shù)。它是通過訪問事例庫中過去相似事例的處理經(jīng)驗(yàn)而獲得當(dāng)前問題解決方案的一種新的推理模式。首先獲取當(dāng)前問題信息，接著尋找最相似的以往事例。如果找到了合理的匹配，就建議使用和過去所用相同的解；如果搜索相似事例失敗，則將這個(gè)事例作為新事例。因此，基于事例的專家系統(tǒng)能夠不斷學(xué)習(xí)新的經(jīng)驗(yàn)，以增加系統(tǒng)求解問題的能力?；谑吕评淼膶＜以\斷系統(tǒng)具有諸多優(yōu)點(diǎn)：無須顯示領(lǐng)域知識(shí)；開放體系、增量式學(xué)習(xí)，事例庫的覆蓋度隨系統(tǒng)的不斷使用而組建增加；此外，在CBR系統(tǒng)中，知識(shí)是以事例的形式存儲(chǔ)的，不存在知識(shí)獲取困難的問題，所以在故障診斷、設(shè)計(jì)、規(guī)劃和法律等經(jīng)驗(yàn)知識(shí)豐富，而知識(shí)又難以形式化描述的領(lǐng)域得到了廣泛的應(yīng)用。

圖1 基于事例的專家系統(tǒng)流程圖Fig.1 Procedure of CBR-expert system

基于事例推理的專家系統(tǒng)的難點(diǎn)是，如何從事例庫中尋找與當(dāng)前問題條件最匹配的一個(gè)事例。然而，過大的事例庫會(huì)導(dǎo)致系統(tǒng)搜索時(shí)間過長，因此，往往需要進(jìn)行預(yù)處理，刪去過分相似的事例?；谑吕评砻媾R的另一個(gè)問題是事例庫能否覆蓋所有解空間，因?yàn)楦采w度小會(huì)導(dǎo)致搜索時(shí)可能漏掉最優(yōu)解，造成誤診或漏診。

2）基于模糊理論的診斷專家系統(tǒng)

模糊性是指客觀事物在狀態(tài)及其屬性方面的不分明性，其根源是在類似事物間存在一系列過渡狀態(tài)，它們互相滲透、互相貫通，使得彼此之間沒有明顯的分界線。在一定條件下，利用模糊數(shù)學(xué)的理論來分析、處理不確定性問題往往能夠得到事物的真相和本質(zhì)。在基于模糊理論的診斷專家系統(tǒng)中，其知識(shí)表示采用模糊產(chǎn)生式規(guī)則，引入模糊的概念是為了更好地模擬人類的思維與決策過程，采用模糊理論與專家系統(tǒng)相融合的方法，彌補(bǔ)了傳統(tǒng)的專家系統(tǒng)解決知識(shí)不確定性問題的不足。

模糊診斷的實(shí)質(zhì)是引入隸屬函數(shù)概念，模糊邏輯以其較強(qiáng)的結(jié)構(gòu)性知識(shí)表達(dá)能力，適合處理診斷中的不確定信息和不完整信息[8]。模糊專家系統(tǒng)的推理機(jī)的功能是基于模糊邏輯的，可以更充分地利用過程信息。在模糊推理中建立模糊隸屬度是一個(gè)重要工作，確定隸屬度的方法有對(duì)比排序法、專家評(píng)判法、模糊統(tǒng)計(jì)法、概念擴(kuò)張法等。模糊推理機(jī)將根據(jù)用戶提供的故障癥狀，從模糊知識(shí)庫中選擇與當(dāng)前模糊信息具有一定匹配程度的模糊規(guī)則，通過處理，得到帶有隸屬度的故障原因。最后根據(jù)系統(tǒng)給定的閾值，得到故障現(xiàn)象的可能原因，對(duì)知識(shí)庫中的信息進(jìn)行推理。

基于模糊理論的診斷專家系統(tǒng)的優(yōu)點(diǎn):①具有專家水平的專門知識(shí)，能表現(xiàn)專家技能和高度的技巧以及有足夠的魯棒性；②能進(jìn)行有效的推理，具有啟發(fā)性，能夠運(yùn)用人類專家的經(jīng)驗(yàn)和知識(shí)進(jìn)行啟發(fā)性的搜索、試探性的推理；③具有靈活性和透明性。然而基于模糊理論的診斷專家系統(tǒng)知識(shí)獲取困難，尤其是故障與征兆的模糊關(guān)系較難確定，且系統(tǒng)的診斷能力依賴模糊知識(shí)庫，學(xué)習(xí)能力差，容易發(fā)生漏診或誤診。由于模糊語言變量是用隸屬函數(shù)表示的，實(shí)現(xiàn)語言變量與隸屬函數(shù)之間的轉(zhuǎn)換是一個(gè)難點(diǎn)。

3）基于人工神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是大量神經(jīng)元廣泛互連而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，ANN是人類大腦神經(jīng)細(xì)胞結(jié)構(gòu)和功能的模仿，具有與人腦類似的記憶、學(xué)習(xí)、聯(lián)想等能力。在ANN中，信息處理是通過神經(jīng)元之間的相互作用來實(shí)現(xiàn)的，知識(shí)與信息的存儲(chǔ)表現(xiàn)為分布式網(wǎng)絡(luò)元件之間的關(guān)聯(lián)，網(wǎng)絡(luò)的學(xué)習(xí)和識(shí)別取決于各神經(jīng)元連接權(quán)值的動(dòng)態(tài)演化過程。ANN是大規(guī)模并行結(jié)構(gòu)，信息可以分布式存儲(chǔ)，并且具有良好的自適應(yīng)性、自組織性和容錯(cuò)性，因此ANN在故障診斷領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用。同時(shí)，實(shí)際應(yīng)用中的大多數(shù)被診斷對(duì)象往往是復(fù)雜的非線性系統(tǒng)，無法得到其精確模型，甚至無法建模，由于神經(jīng)網(wǎng)絡(luò)的構(gòu)建與訓(xùn)練不需要了解被診斷對(duì)象的精確模型，因而對(duì)于非線性被診斷對(duì)象，神經(jīng)網(wǎng)絡(luò)也具有明顯優(yōu)勢(shì)[9]。

基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)與傳統(tǒng)的診斷專家系統(tǒng)存在著本質(zhì)區(qū)別，首先知識(shí)表示從顯式變?yōu)殡[式；其次，知識(shí)不是通過人的加工，而是通過算子自動(dòng)獲取；最后，推理機(jī)制不是傳統(tǒng)的歸納推理，而是變?yōu)樵诟?jìng)爭(zhēng)層對(duì)權(quán)值的競(jìng)爭(zhēng)。與傳統(tǒng)的專家系統(tǒng)相比，基于人工神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)有以下優(yōu)勢(shì)：①固有并行性；②分布式聯(lián)想存儲(chǔ)；③較好容錯(cuò)性④自適應(yīng)能力；⑤通過實(shí)例學(xué)習(xí)能力；⑥便于硬件實(shí)現(xiàn)。

然而，基于人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)也存在固有的弱點(diǎn)：①系統(tǒng)性能受樣本集的限制，訓(xùn)練樣本集選擇不當(dāng)，特別是在訓(xùn)練樣本集很少的情形下，很難指望它具有較好的歸納推理能力；②神經(jīng)網(wǎng)絡(luò)沒有解釋能力；③對(duì)知識(shí)、輸入證據(jù)、輸出結(jié)果等要求數(shù)字化；④對(duì)解決小規(guī)模問題有優(yōu)勢(shì)，在模擬人類復(fù)雜層次的思維方面，如基于目標(biāo)的管理、綜合判斷與因果分析等方面還遠(yuǎn)遠(yuǎn)不及傳統(tǒng)的專家系統(tǒng)。因此，人們正試圖研究符號(hào)推理與數(shù)值推理結(jié)合的相結(jié)合的集成式智能診斷系統(tǒng)，以期能更好地模擬人類的思維過程。

圖2 神經(jīng)網(wǎng)絡(luò)專家診斷系統(tǒng)的集成圖Fig.2 Structure of ANN-expert system

目前較為常用的神經(jīng)網(wǎng)絡(luò)有誤差反傳網(wǎng)絡(luò)（BP）、小腦網(wǎng)絡(luò)（CMAC）、自組織特征映射網(wǎng)絡(luò)（SOM）、自適應(yīng)共振理論（ART）和徑向基網(wǎng)絡(luò)（REF）等。國內(nèi)外對(duì)基于神經(jīng)網(wǎng)絡(luò)的故障診斷研究多集中于BP網(wǎng)絡(luò)，盡管提出了一些改進(jìn)算法，以避免BP算法存在的收斂慢、振蕩和局部極小等問題，但仍然存在一些困難。BP算法一個(gè)突出問題在于對(duì)異常類故障的處理能力低，其求解能力對(duì)樣本的依賴性極大，不具備增量學(xué)習(xí)功能。目前，通過將模糊算法、神經(jīng)網(wǎng)絡(luò)和遺傳算法3個(gè)領(lǐng)域綜合在一起，利用模糊理論來處理診斷領(lǐng)域的模糊性問題，利用遺傳算法來優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和隸屬函數(shù)，有力的促進(jìn)了不同研究領(lǐng)域之間的交叉滲透和共同發(fā)展。

4）基于多種模型結(jié)合的診斷專家系統(tǒng)

接下來介紹一種將遺傳算法、神經(jīng)網(wǎng)絡(luò)和基于規(guī)則的專家系統(tǒng)相融合的一種新型的診斷專家系統(tǒng)。

遺傳算法（Genetic Algorithms，GA）是一種基于自然選擇和自然遺傳的全局優(yōu)化算法，采用從自然選擇機(jī)理中抽象出來的選擇，交叉和變異三種遺傳算子對(duì)參數(shù)編碼字符串進(jìn)行操作。由于操作是針對(duì)多個(gè)可行解構(gòu)成的群體進(jìn)行，故在其世代更替中可以并行地對(duì)參數(shù)空間的不同區(qū)域進(jìn)行搜索，并使搜索朝更有可能找到最優(yōu)的全局解方向進(jìn)行。由于GA在尋優(yōu)過程中只使用評(píng)價(jià)函數(shù)，不要求目標(biāo)函數(shù)的可微性，因此，GA算法具有全局性、并行性、快速性。較好的適應(yīng)性和魯棒性的特點(diǎn)是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的一種理想算法。

在傳統(tǒng)的故障診斷專家系統(tǒng)中，知識(shí)獲取、維護(hù)困難，推理能力弱，實(shí)時(shí)性差，這些成為制約其發(fā)展的“瓶頸”。為解決上述問題，我們將傳統(tǒng)的故障診斷專家系統(tǒng)同人工神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合起來，形成基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的故障診斷專家系統(tǒng)，提高了故障診斷專家系統(tǒng)的透明性和靈活性，增強(qiáng)其實(shí)時(shí)性和在線操作能力。

一般神經(jīng)網(wǎng)絡(luò)BP學(xué)習(xí)方法是一種建立和調(diào)整模糊推理控制系統(tǒng)的良好方法，但這種方法本質(zhì)上是一種只考慮局部區(qū)域的梯度法，缺乏全局性，有可能僅優(yōu)化到局部極值部分，其調(diào)整的收斂性依賴于初始狀態(tài)的選擇。而遺傳算法通過交叉和變異大大減少了初始狀態(tài)的影響，使搜索得到最優(yōu)化結(jié)果而不停留在局部最小處[10]。遺傳算法不僅可優(yōu)化神經(jīng)推理系統(tǒng)的參數(shù)，而且可以優(yōu)化神經(jīng)推理系統(tǒng)的結(jié)構(gòu)。 使用遺傳算法可以修正冗余的隸屬函數(shù)和網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)，以優(yōu)化模糊推理規(guī)則。為了發(fā)揮GA算法和BP算法的長處，用GA算法優(yōu)化具有全局性的參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，用BP算法調(diào)節(jié)和優(yōu)化具有局部性的參數(shù).這樣GA算法作為一種離線訓(xùn)練模糊神經(jīng)推理控制器，用BP算法作為一種在線調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的局部性參數(shù)。這樣采用GA算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可以大大提高神經(jīng)推理控制系統(tǒng)的自學(xué)習(xí)性能和魯棒性[11]。

圖3 基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的專家診斷系統(tǒng)結(jié)構(gòu)圖Fig.3 Structure of expert system based on GA&ANN

該系統(tǒng)在運(yùn)行時(shí)，模糊神經(jīng)推理控制器進(jìn)行動(dòng)態(tài)學(xué)習(xí)，優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值。系統(tǒng)中的自學(xué)習(xí)控制模塊用來調(diào)度模糊神經(jīng)推理控制器的離線學(xué)習(xí)。系統(tǒng)對(duì)被處理對(duì)象進(jìn)行全局的分析，從系統(tǒng)角度識(shí)別對(duì)象的總體狀態(tài)，使得神經(jīng)網(wǎng)絡(luò)和遺傳算法的數(shù)據(jù)處理與模式判別能力能夠進(jìn)行總體協(xié)調(diào)，同時(shí)使基于規(guī)則的專家系統(tǒng)的啟發(fā)式推理能力得到充分的發(fā)揮，并在用戶的積極參與下實(shí)現(xiàn)知識(shí)和樣本的創(chuàng)造，并且使得專家經(jīng)驗(yàn)融人到系統(tǒng)中，極大地提高了系統(tǒng)的可塑性和擴(kuò)充性。在系統(tǒng)中，調(diào)度及推理模塊對(duì)被處理對(duì)象進(jìn)行全方位的描述，進(jìn)行多重分析任務(wù)的調(diào)度，實(shí)現(xiàn)系統(tǒng)水平上的總控。系統(tǒng)也保持了傳統(tǒng)專家系統(tǒng)良好的解釋機(jī)制，使得系統(tǒng)的解釋清晰明了，易于理解。

4 故障診斷專家系統(tǒng)的發(fā)展趨勢(shì)

隨著高性能計(jì)算機(jī)與計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展，為分布式網(wǎng)絡(luò)診斷系統(tǒng)[11]和協(xié)同式專家的研究與實(shí)現(xiàn)提供了開發(fā)平臺(tái)。

分布式專家系統(tǒng)是具有分布處理特征的專家系統(tǒng)，一般來說，規(guī)模越大的專家系統(tǒng)對(duì)問題進(jìn)行推理的時(shí)間需求就越多，所以可以把一個(gè)專家系統(tǒng)的功能分解為若干個(gè)任務(wù)程序分配到多個(gè)處理機(jī)上并行工作，以縮短求解時(shí)間。隨著網(wǎng)絡(luò)的普及，通過局域網(wǎng)，因特網(wǎng)來傳輸診斷信息成為一種趨勢(shì)，網(wǎng)絡(luò)架構(gòu)下的集成故障診斷系統(tǒng)成為新的研究熱點(diǎn)，因此，建立遠(yuǎn)程分布式全系統(tǒng)智能診斷系統(tǒng)，可以實(shí)現(xiàn)異地多專家對(duì)同一設(shè)備的協(xié)同診斷以及多臺(tái)設(shè)備共享同一診斷系統(tǒng)，提高診斷的準(zhǔn)確率和效率，同時(shí)也有利于診斷案例的積累，以彌補(bǔ)單個(gè)診斷系統(tǒng)領(lǐng)域知識(shí)的不足，提高診斷的智能化水平，促進(jìn)診斷學(xué)的綜合發(fā)展。

協(xié)同式專家系統(tǒng)是能綜合若干個(gè)相鄰領(lǐng)域或一個(gè)領(lǐng)域的多個(gè)方面的分專家系統(tǒng)，互相協(xié)作共同解決一個(gè)更廣領(lǐng)域中的問題的專家系統(tǒng)，也稱為群專家系統(tǒng)[12]。這種系統(tǒng)有時(shí)與分布式專家系統(tǒng)有些共性，因?yàn)樗麄兌伎赡苌婕岸鄠€(gè)子專家系統(tǒng)。但是這種系統(tǒng)更強(qiáng)調(diào)子系統(tǒng)之間的協(xié)同合作，而不著重于處理的分布和知識(shí)的分布。

目前將分布式專家系統(tǒng)與協(xié)同式專家系統(tǒng)相結(jié)合，提出了一種分布協(xié)同式專家系統(tǒng)。分布協(xié)同式專家系統(tǒng)是邏輯上或物理上分布在不同處理節(jié)點(diǎn)上的若干專家系統(tǒng)協(xié)同求解問題的系統(tǒng)?，F(xiàn)實(shí)中，有很多復(fù)雜的任務(wù)需要一個(gè)群體來協(xié)同解決問題，當(dāng)單個(gè)專家系統(tǒng)難以有效地求解問題時(shí)，使用分布協(xié)同式專家系統(tǒng)求解是一個(gè)有效的途徑。

5 結(jié) 論

專家系統(tǒng)是從20世紀(jì)末開始的重大技術(shù)之一，是高技術(shù)的標(biāo)志。基于專家系統(tǒng)的故障診斷方法，對(duì)于解決一些復(fù)雜系統(tǒng)的故障有著不可替代的優(yōu)勢(shì)。本文重點(diǎn)分析研究了基于規(guī)則、基于事例、基于模糊理論和基于人工神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)的工作原理。這些診斷方法各有其優(yōu)勢(shì)和特點(diǎn)，但他們各自也存在著局限性。對(duì)于實(shí)際對(duì)象的故障診斷，如用單一的知識(shí)表示方法，有時(shí)難以完整表示對(duì)象的故障診斷領(lǐng)域知識(shí)。因此，集成多種知識(shí)表示方法則能更好地表示對(duì)象的故障診斷領(lǐng)域知識(shí)。集成基于經(jīng)驗(yàn)規(guī)則、基于遺傳算法、基于神經(jīng)網(wǎng)模型的集成型診斷方法能綜合各診斷方法的特點(diǎn)，克服各診斷方法的局限性，從而提高了診斷系統(tǒng)的智能性和診斷效率。最后，隨著高性能計(jì)算機(jī)與計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展，分布式網(wǎng)絡(luò)診斷系統(tǒng)和協(xié)同式專家系統(tǒng)將取得重大的發(fā)展，必將進(jìn)一步推動(dòng)科技的發(fā)展和社會(huì)的進(jìn)步。

[1]karthik B，Vasant H.Intelligent Diagnosis Systems[J].Intelligent Systems，1998，8（34）：239-290.

[2]FEIGENBAUM E A.Panel： History of AI research，1956-1961：proe.Of the 6th IJCAI[C].Tokio，1979：1103-1105.

[3]吳明強(qiáng)，李霽紅.故障診斷專家系統(tǒng)綜合智能推理技術(shù)研究[J].計(jì)算機(jī)測(cè)量與控制，2004，12（10）：932-934.WU Ming-qiang，LI Ji-hong.Study on combined intelligent inference technology for fault diagnosis expert system[J].Computer Measurement&Control，2004，12（10）：932-934.

[4]Miller L，Lewis D，Ronald De Hoff.XMAN II-a real time main-tenance training aid [C]//Aerospace and Electronics Conference，1990：1360-1364.

[5]方培培，李永麗，楊曉軍.Petri網(wǎng)與專家系統(tǒng)結(jié)合的輸電網(wǎng)絡(luò)故障診斷方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2005，17（2）:26-30.FANG Pei-pei，LI Yong-li，YANG Xiao-jun.Transmission power system fault diagnosis based on petri nets and expert system[J].Proceedings of the Chinese Society of Universities for Electric Power System and Automation，2005，17（2）:26-30.

[6]戴忠健，蘇利敏.基于遺傳算法的網(wǎng)絡(luò)故障診斷專家系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].北京理工大學(xué)學(xué)報(bào)，2005，25（1）：38-40.DAI Zhong-jian，SU Li-min.Design and realization of a network fault diagnosing expert system based on genetic algorithm[J].Transactions of Beijing Institute of Technology，2005，25（1）：38-40.

[7]余浩章，陳新華.基于故障樹的故障診斷推理新方法[J].上海海運(yùn)學(xué)院學(xué)報(bào)，2001，22（3）：65-67.YU Hao-zhang，CHEN Xin-hua.A new reasoning method for fault diagnosis based on fault tree[J].Journal of Shanghai Maritime University，2001，22（3）：65-67.

[8]Liao S H，Expert system methodologies and applications-a decade review from 1995 to 2004[J].Expert Systems with Applications，2005，28（1）：93-103.

[9]EI-Fergany A A.A hybrid fault diagnosis system using ANNs-ES techniques[C]//Proceeding of the Universities Power Engineering Conference，2001，36：1487-1493.

[10]李路，袁震東.用于神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)訓(xùn)練的遺傳算法[J].上海技術(shù)工程大學(xué)學(xué)報(bào)，2004，18（3）：1241-1244.LI Lu，YUAN Zhen-dong.Using GA to train coefficients of neuralnetwork [J].JournalofShanghaiUniversity of Engineering Science，2004，18（3）：1241-1244.

[11]毛慶華，劉哲，許文彤.航天測(cè)控設(shè)備遠(yuǎn)程診斷系統(tǒng)的研究[J].計(jì)算機(jī)測(cè)量與控制，2004，12 （6）：501-503.MAO Qing-hua，LIU Zhe，XU Wen-tong.Research on remote diagnosing systemin the aeronautics instrumentation equipment[J].Computer Measurement&Control，2004，12（6）：501-503.

[12]尹朝慶，尹皓.人工智能與專家系統(tǒng)[M].北京：中國水利水電出版社，2001.