故障診斷專家系統(tǒng)研究的現(xiàn)狀與展望

故障診斷專家系統(tǒng)研究的現(xiàn)狀與展望

摘要：該文介紹了專家系統(tǒng)在故障診斷領(lǐng)域的應(yīng)用情況，闡述了國內(nèi)外故障診斷專家系統(tǒng)的發(fā)展現(xiàn)狀，針對目前研究比較成熟的故障診斷專家系統(tǒng)模型進(jìn)行了分析，并指出了各自技術(shù)的特點(diǎn)和局限性。最后結(jié)合新技術(shù)的發(fā)展和應(yīng)用對故障診斷專家系統(tǒng)的發(fā)展趨勢進(jìn)行了展望。
關(guān)鍵詞：專家系統(tǒng)，故障診斷，機(jī)器學(xué)習(xí)，知識發(fā)現(xiàn)
Research and Prospect of Fault Diagnosis Expert System
Abstract: This paper introduces the application of expert system in the fault diagnosis area. It describes the current developing condition of fault diagnosis expert system, analyzes several well researched fault diagnosis expert system models and points out their features and limitations respectively. Finally by combining the developing and application of new methodologies, the prospect of fault diagnosis expert system is overlooked.
Key words: Expert system, Fault diagnosis，Machine learning, Knowledge discovering

1 引言
故障診斷專家系統(tǒng)是將人類在故障診斷方面的多位專家具有的知識、經(jīng)驗(yàn)、推理、技能綜合后編制成的大型計(jì)算機(jī)程序，它可以利用計(jì)算機(jī)系統(tǒng)幫助人們分析解決只能用語言描述、思維推理的復(fù)雜問題，擴(kuò)展計(jì)算機(jī)系統(tǒng)原有的工作范圍，使計(jì)算機(jī)系統(tǒng)有了思維能力，能夠與決策者進(jìn)行“對話”，并應(yīng)用推理方式提供決策建議。
專家系統(tǒng)在故障診斷領(lǐng)域的應(yīng)用非常廣泛，長期以來，在航空、航天、電力、機(jī)械、化工、船舶等許多領(lǐng)域，故障檢測與診斷技術(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。故障診斷專家系統(tǒng)除了具備專家系統(tǒng)的一般結(jié)構(gòu)外，還具有自己的特殊性。
它具有如下特點(diǎn)。
????? (1) 知識可以從類似機(jī)器和工作實(shí)際、診斷實(shí)例中獲取，即知識來源比較規(guī)范。
????? (2) 診斷對象多為復(fù)雜的、大型的動(dòng)態(tài)系統(tǒng)，這種系統(tǒng)的大部分故障是隨機(jī)的，普通人很難判斷，這時(shí)就需要通過討論或請專家來進(jìn)行診斷。但對于一些新型機(jī)器，可能無處獲得診斷知識；或者對于非定型生產(chǎn)的機(jī)器，由于其工作特性和常用機(jī)器相比差異很大，知識獲取也十分困難。
????? 而專家系統(tǒng)恰恰適用于復(fù)雜的、知識來源規(guī)范的大型動(dòng)態(tài)系統(tǒng)，它可以匯集眾多專家的知識，進(jìn)行分析、比較、推理，最終得出正確的結(jié)論。現(xiàn)場技術(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。
?
2 國內(nèi)外的發(fā)展及應(yīng)用
故障診斷專家系統(tǒng)的發(fā)展起始于20世紀(jì)70年代末,雖然時(shí)間不長，但在電路與數(shù)字電子設(shè)備、機(jī)電設(shè)備等各個(gè)領(lǐng)域已取得了令人矚目的成就，已成為當(dāng)今世界研究的熱點(diǎn)之一。
在專家系統(tǒng)己有較深厚基礎(chǔ)的國家中，機(jī)械、電子設(shè)備的故障診斷專家系統(tǒng)已基本完成了研究和試驗(yàn)的階段，開始進(jìn)入廣泛應(yīng)用。在電路和數(shù)字電子設(shè)備方面, 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)；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)；波音航空公司研制了診斷微波模擬接口MSI 的IMA 系統(tǒng)；意大利米蘭工業(yè)大學(xué)研制用于汽車啟動(dòng)器電路故障診斷的系統(tǒng)。
國內(nèi)在故障診斷專家系統(tǒng)方面起步稍晚，20世紀(jì)80年代開始，國內(nèi)部分高校和科研機(jī)構(gòu)首先在汽車故障診斷領(lǐng)域?qū)＜蚁到y(tǒng)進(jìn)行了研究，發(fā)表了一系列的研究文獻(xiàn)，部分文獻(xiàn)已經(jīng)達(dá)到國外同等水平，隨后在其他電子設(shè)備領(lǐng)域和電力應(yīng)用領(lǐng)域相繼進(jìn)行了故障診斷專家系統(tǒng)的研究，并取得了一定的研究成果，有一些系統(tǒng)已投入了實(shí)際運(yùn)行。具有代表性的專家系統(tǒng)有華中科技大學(xué)研制的用于汽輪機(jī)組工況監(jiān)測和故障診斷的智能系統(tǒng)DEST; 哈爾濱工業(yè)大學(xué)和上海發(fā)電設(shè)備成套設(shè)計(jì)研究所聯(lián)合研制的汽輪發(fā)電機(jī)組故障診斷專家系統(tǒng)MMMD- 2 ; 清華大學(xué)研制的用于鍋爐設(shè)備故障診斷的專家系統(tǒng)等等。都能夠比較成功地進(jìn)行復(fù)雜系統(tǒng)的故障診斷，這表明我國的故障診斷己經(jīng)進(jìn)入專家系統(tǒng)故障技術(shù)時(shí)代。

3故障診斷專家系統(tǒng)的研究現(xiàn)狀
目前已研究的故障診斷專家系統(tǒng)模型有：基于規(guī)則的診斷專家系統(tǒng)、基于實(shí)例的診斷專家系統(tǒng)、基于行為的診斷專家系統(tǒng)、基于模糊邏輯的診斷專家系統(tǒng)和基于人工神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)。這些診斷專家系統(tǒng)的優(yōu)缺點(diǎn)及技術(shù)要點(diǎn)如下。
3.1基于規(guī)則的診斷專家系統(tǒng)
基于規(guī)則的診斷方法是根據(jù)以往專家診斷的經(jīng)驗(yàn)，將其歸納成規(guī)則，通過啟發(fā)式經(jīng)驗(yàn)知識進(jìn)行故障診斷，適合于具有豐富經(jīng)驗(yàn)的專業(yè)領(lǐng)域故障診斷。基于規(guī)則的診斷具有知識表述直觀、形式統(tǒng)一、易理解和解釋方便等優(yōu)點(diǎn)，診斷知識的獲取依賴于領(lǐng)域?qū)＜?。但?fù)雜系統(tǒng)所觀測到的癥狀與所對應(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)難度，且一致性難以保證。
盡管基于規(guī)則的診斷專家系統(tǒng)獲得了一定的成功，但由于該方法屬于反演推理，因而不是一種確保唯一性的推理形式，存在著知識獲取困難、知識臺(tái)階窄以及控制策略不靈活等缺點(diǎn)。對大型規(guī)則庫來說，容易產(chǎn)生規(guī)則匹配沖突、組合爆炸等問題，而且系統(tǒng)缺乏自學(xué)習(xí)能力，不適用于復(fù)雜系統(tǒng)或經(jīng)驗(yàn)不足系統(tǒng)的故障診斷。對于大型的診斷對象，其求解過程搜索空間大，速度慢，難以實(shí)現(xiàn)實(shí)時(shí)在線診斷要求?；谝?guī)則的方法對于診斷結(jié)論除了重復(fù)被采用的規(guī)則外，無法作出進(jìn)一步解釋，通常只能診斷單個(gè)故障，難以診斷多重故障。

3.2?基于實(shí)例的診斷專家系統(tǒng)
基于實(shí)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)，是類比推理的一個(gè)獨(dú)立子類，符合人類的認(rèn)知心理[1]。簡單的說，基于實(shí)例推理的依據(jù)就是相似的問題有相似的解。基于實(shí)例的診斷專家系統(tǒng)具有諸多優(yōu)點(diǎn)：無須顯式領(lǐng)域知識；無須規(guī)則提取，降低知識獲取難度；開放體系，增量式學(xué)習(xí)，實(shí)例庫的覆蓋度隨系統(tǒng)的不斷使用而組建增加?；诎咐脑\斷方法適用于領(lǐng)域定理難以表示成規(guī)則形式，而是容易表示成案例形式并且已積累豐富案例的領(lǐng)域（如醫(yī)學(xué)診斷）。
基于實(shí)例推理的關(guān)鍵是建立一個(gè)有效的檢索機(jī)制與實(shí)例組織方式。實(shí)例匹配不僅要考慮表面特征的相似性，而且結(jié)構(gòu)相似性和深層特征有時(shí)也具有同樣不容忽視的作用。深層信息不僅能減小搜索空間，還可以增加匹配成功率?；趯?shí)例推理面臨的另一個(gè)問題是診斷實(shí)例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。
基于實(shí)例的診斷方法難點(diǎn)還在于實(shí)例特征的選擇、權(quán)重分配以及處理實(shí)例修訂時(shí)的一致性檢驗(yàn)（特征便量減的約束關(guān)系）等問題。傳統(tǒng)的基于實(shí)例的診斷方法難以表示實(shí)例間的聯(lián)系；對于大型實(shí)例庫實(shí)例檢索十分費(fèi)時(shí)，并且難以決定應(yīng)選擇哪些癥狀及它們的權(quán)重。同時(shí)基于實(shí)例的診斷方法難以處理實(shí)例修訂時(shí)的一致性檢驗(yàn)（特征變量間的約束關(guān)系），難以對診斷結(jié)果加以解釋。

3.3?基于模糊理論的診斷專家系統(tǒng)
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)性知識表達(dá)能力，適合處理診斷中的不確定信息和不完整信息[4]。
模糊故障診斷有兩種基本方法，一種是先建立征兆與故障類型之間的因果關(guān)系矩陣R，在建立故障與征兆模糊關(guān)系方程，即 ，這里F為模糊故障矢量；S為模糊征兆矢量；“ ”為模糊合成算子。另一種方法是先建立故障和征兆的模糊規(guī)則庫，再進(jìn)行模糊邏輯推理的診斷過程[9]。
模糊診斷知識獲取困難，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)。

3.4?基于行為的診斷專家系統(tǒng)
基于行為（Behavior-based）的診斷專家系統(tǒng)是一種動(dòng)態(tài)、模塊化的診斷系統(tǒng)[2]。系統(tǒng)的行為就是指系統(tǒng)從一個(gè)狀態(tài)轉(zhuǎn)移到另一個(gè)狀態(tài)的過程，一個(gè)狀態(tài)的出現(xiàn)是系統(tǒng)行為動(dòng)作的結(jié)果，而狀態(tài)則描述了系統(tǒng)的行為。通?；谛袨榈脑\斷專家系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)（NN）模塊化單元，以確保系統(tǒng)與診斷對象的實(shí)時(shí)交互。這種神經(jīng)網(wǎng)絡(luò)模塊化單元不同于一般基于人工神經(jīng)網(wǎng)絡(luò)的診斷系統(tǒng)，它是一種相對獨(dú)立而且能夠動(dòng)態(tài)構(gòu)建故障診斷子神經(jīng)網(wǎng)絡(luò)模塊單元的變結(jié)構(gòu)單元。該方法可實(shí)現(xiàn)實(shí)時(shí)在線監(jiān)控診斷。
基于行為的診斷專家系統(tǒng)的突出優(yōu)點(diǎn)是在缺乏先驗(yàn)診斷知識的情況下，通過與診斷對象系統(tǒng)行為進(jìn)行交互作用，逐步學(xué)習(xí)進(jìn)化，最終構(gòu)成一個(gè)完善的診斷系統(tǒng)。因此，不必事先給出所有故障類型，極大地減輕了故障診斷專家系統(tǒng)開發(fā)的規(guī)模和知識獲取困難問題。
基于行為的故障診斷強(qiáng)調(diào)依據(jù)實(shí)際設(shè)備的運(yùn)行行為建立診斷系統(tǒng)，但并不排斥已經(jīng)經(jīng)過實(shí)踐檢驗(yàn)的正確知識和經(jīng)驗(yàn)，可以將其作為建立系統(tǒng)的重要輔助資源?？梢愿鶕?jù)已有的知識建立起一個(gè)具有初級智能的診斷系統(tǒng)，然后通過與實(shí)際設(shè)備行為的交互作用，逐步學(xué)習(xí)進(jìn)化為具有高級智能的診斷系統(tǒng)。這樣事先可以不必考慮設(shè)備整個(gè)壽命周期中可能遇到的所有故障，從而極大地減輕了故障診斷系統(tǒng)開發(fā)的規(guī)模和困難。
開發(fā)基于行為的診斷專家系統(tǒng)關(guān)鍵問題是：故障行為征兆（語義征兆、圖形征兆）的自動(dòng)獲取難度較大；新故障自動(dòng)識別和分類，尤其是如何解決多故障情況下的診斷，是該方法的根本突破點(diǎn)。

3.5?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，簡稱ANN）具有較好的容錯(cuò)性、響應(yīng)快、強(qiáng)大的學(xué)習(xí)能力、自適應(yīng)能力和非線性逼近能力等，被廣泛應(yīng)用于故障診斷領(lǐng)域?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)有兩種形式：一種是使用神經(jīng)網(wǎng)絡(luò)來構(gòu)造專家系統(tǒng)，變基于符號的推理為基于數(shù)字運(yùn)算的推理，提高系統(tǒng)效率，解決自學(xué)習(xí)問題；另一種是把神經(jīng)網(wǎng)絡(luò)作為知識源的表示和處理模式，并與其它推理機(jī)制相融合，實(shí)現(xiàn)多模式推理[5]。
?基于神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)是一類新的知識表達(dá)體系，不同于傳統(tǒng)診斷專家系統(tǒng)的高層邏輯模型，是一種低層數(shù)值模型。其分布式聯(lián)結(jié)機(jī)制，實(shí)現(xiàn)知識表示、存儲(chǔ)和推理三者融為一體，在知識獲取、并行推理和自適應(yīng)學(xué)習(xí)等方面顯示出明顯的優(yōu)越性，一定程度上克服了傳統(tǒng)診斷專家系統(tǒng)存在的知識獲取困難、推理速度慢、知識存儲(chǔ)容量與系統(tǒng)運(yùn)行速度的矛盾及知識的窄臺(tái)階效應(yīng)等問題。
然而，神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)也存在固有的弱點(diǎn)。首先，系統(tǒng)性能受到所選擇的訓(xùn)練樣本集的限制，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；其次，神經(jīng)網(wǎng)絡(luò)沒有能力解釋自己的推理過程和推理依據(jù)及其存儲(chǔ)知識的意義；再次，神經(jīng)網(wǎng)絡(luò)利用知識和表達(dá)知識的方式單一，通常的神經(jīng)網(wǎng)絡(luò)只能采用數(shù)值化的知識；最后，也是最根本的一點(diǎn)是神經(jīng)網(wǎng)絡(luò)只能模擬人類感覺層次上的智能活動(dòng)，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推理與數(shù)值推理相結(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。
目前，國內(nèi)外對基于神經(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。首先，訓(xùn)練樣本的致密性、遍歷性和相容性問題，對網(wǎng)絡(luò)的診斷影響很大；其次，基于神經(jīng)網(wǎng)絡(luò)的診斷知識單一，只能進(jìn)行數(shù)值化計(jì)算，忽視了領(lǐng)域?qū)＜以陂L期實(shí)踐中積累的經(jīng)驗(yàn)知識；再次，神經(jīng)推理過程難以解釋。BP算法一個(gè)突出問題在于對異常類故障的處理能力低，其求解能力對樣本的依賴性極大，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)和遺傳算法三個(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 故障診斷專家系統(tǒng)的研究熱點(diǎn)及發(fā)展趨勢
4.1機(jī)器學(xué)習(xí)方法的應(yīng)用
???? 診斷系統(tǒng)的核心問題是它的學(xué)習(xí)能力問題，知識的自動(dòng)獲取一直是故障診斷專家系統(tǒng)的難點(diǎn)，解決知識獲取的途徑是機(jī)器學(xué)習(xí)，即讓機(jī)器能夠在實(shí)際工作中不斷地總結(jié)成功和失敗的經(jīng)驗(yàn)教訓(xùn)，對知識庫中的診斷知識進(jìn)行調(diào)整和修改，以豐富和完善系統(tǒng)知識。機(jī)器學(xué)習(xí)是提高診斷專家系統(tǒng)的主要途徑，也是提高診斷系統(tǒng)智能性的重要標(biāo)志。
?隨著神經(jīng)網(wǎng)絡(luò)隱節(jié)點(diǎn)和反向傳播算法及連接機(jī)制學(xué)習(xí)蓬勃發(fā)展，傳統(tǒng)的符號學(xué)習(xí)與連接機(jī)制已經(jīng)逐步被取代?；谏锇l(fā)育進(jìn)化論的進(jìn)化學(xué)習(xí)系統(tǒng)和遺傳算法，因吸取了歸納學(xué)習(xí)與連接機(jī)制學(xué)習(xí)的長處而受到重視?；谛袨橹髁x的強(qiáng)化學(xué)習(xí)系統(tǒng)因發(fā)展新算法的應(yīng)用連接機(jī)制，學(xué)習(xí)遺傳算法的新成就發(fā)展也十分迅速。數(shù)據(jù)挖掘研究的蓬勃發(fā)展，為從計(jì)算機(jī)數(shù)據(jù)庫和計(jì)算機(jī)網(wǎng)絡(luò)提取有用信息和知識提供了新的方法，已經(jīng)取得了許多有價(jià)值的研究和應(yīng)用成果。
因此，發(fā)展和完善現(xiàn)有的機(jī)器學(xué)習(xí)方法，探索新的學(xué)習(xí)方法， 建立實(shí)用的機(jī)器學(xué)習(xí)系統(tǒng)，特別是多種學(xué)習(xí)方法協(xié)同工作的診斷系統(tǒng)，將是今后研究的一個(gè)重要方向。
4.2知識發(fā)現(xiàn)、數(shù)據(jù)挖掘技術(shù)的應(yīng)用
診斷專家系統(tǒng)能夠正確診斷錯(cuò)誤的關(guān)鍵是知識獲取技術(shù)和推理技術(shù)。知識獲取技術(shù)運(yùn)用的好壞直接決定了故障診斷專家系統(tǒng)是否具有知識獲取的“瓶頸”問題；而在現(xiàn)有的成熟專家系統(tǒng)的推理技術(shù)中，絕大多數(shù)推理技術(shù)的應(yīng)用還停留在針對某一特定運(yùn)行狀態(tài)異常診斷方面，離全方位運(yùn)行狀態(tài)異常診斷的應(yīng)用還有差距。
知識發(fā)現(xiàn)（KDD）技術(shù)是隨著數(shù)據(jù)庫技術(shù)和人工智能技術(shù)的發(fā)展而出現(xiàn)并發(fā)展起來的,是近幾年興起的一個(gè)極有發(fā)展前途又有廣泛應(yīng)用前景的新領(lǐng)域,其研究的主要目標(biāo)是采用有效的算法,從大量現(xiàn)有數(shù)據(jù)集合中發(fā)現(xiàn)并找出最初未知的、最終可理解的有用知識。綜合各領(lǐng)域的具體應(yīng)用,KDD的功能可概括為預(yù)測、特征提取、模式和規(guī)則發(fā)現(xiàn)、異常情況探測、建模等。數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的方法主要建立在人工智能、計(jì)算智能、統(tǒng)計(jì)分析等理論和方法的基礎(chǔ)上,具體技術(shù)有神經(jīng)網(wǎng)絡(luò)技術(shù)、粗糙集、決策樹、關(guān)聯(lián)規(guī)則、遺傳算法等。將知識發(fā)現(xiàn)和數(shù)據(jù)挖掘技術(shù)運(yùn)用于故障診斷專家系統(tǒng)中可以彌補(bǔ)診斷專家系統(tǒng)關(guān)鍵技術(shù)中存在的問題：
在知識獲取技術(shù)方面，基于數(shù)據(jù)挖掘的知識獲取并不需知識工程師從領(lǐng)域?qū)＜业慕?jīng)驗(yàn)中提取規(guī)則，它只是對領(lǐng)域?qū)＜姨峁┑墓收蠈?shí)例進(jìn)行學(xué)習(xí)，自動(dòng)從領(lǐng)域?qū)＜业墓收蠈?shí)例中獲得知識， 知識也是隱含地分布存儲(chǔ)在數(shù)據(jù)挖掘器中，只有在應(yīng)用時(shí)，這些知識才以統(tǒng)一格式的規(guī)則形式被提取出來。這種知識的獲取方式是自動(dòng)的，不需要知識工程師和領(lǐng)域?qū)＜抑g的直接對話，避免了在對話過程中導(dǎo)致診斷規(guī)則出現(xiàn)不一致的一切因素，這在一定程度上緩解或克服了傳統(tǒng)故障診斷專家系統(tǒng)中存在的知識獲取“瓶頸”問題。
在推理技術(shù)方面，數(shù)據(jù)挖掘技術(shù)是以數(shù)據(jù)庫系統(tǒng)、數(shù)據(jù)倉庫統(tǒng)計(jì)學(xué)等為基礎(chǔ)的。而數(shù)據(jù)倉庫主要特點(diǎn)就是：它是面向主題的、庫中的數(shù)據(jù)是多維的。也就是說，庫中的每一維度可以對應(yīng)設(shè)備運(yùn)行時(shí)的一個(gè)狀態(tài)參數(shù)，不同的運(yùn)行狀態(tài)參數(shù)就存放在不同的維度空間里。數(shù)據(jù)挖掘器在推理時(shí)可以根據(jù)不同需要而將不同維度里的運(yùn)行狀態(tài)參數(shù)綜合起來一起分析計(jì)算，即：運(yùn)用數(shù)據(jù)挖掘算法來進(jìn)行全方位推理。這可以克服傳統(tǒng)推理機(jī)制具有單一方面的精確度高而忽視了其它方面影響的缺點(diǎn)，可以增強(qiáng)其推理的合理性、提高其推斷結(jié)果的可靠性。
數(shù)據(jù)挖掘是當(dāng)今智能系統(tǒng)理論和技術(shù)的重要研究內(nèi)容,它能從大量數(shù)據(jù)中挖掘和學(xué)習(xí)有價(jià)值和隱含的知識,因而近年來得到國內(nèi)外的極大重視。結(jié)合了數(shù)據(jù)挖掘算法的基本思想,將其改進(jìn)使之適合應(yīng)用于專家系統(tǒng)的推理機(jī)制,從而很大程度地改善了推理機(jī)制的性能和效率。因此，知識發(fā)現(xiàn)和數(shù)據(jù)挖掘技術(shù)將是專家系統(tǒng)發(fā)展的又一趨勢[6]。
4.3 Agent技術(shù)的應(yīng)用
?? 在當(dāng)今信息化和網(wǎng)絡(luò)化的時(shí)代，診斷專家系統(tǒng)的實(shí)時(shí)性仍然有很多不足之處，對很多復(fù)雜的問題和現(xiàn)象難以作出有效的判斷。這主要表現(xiàn)在系統(tǒng)對不完全信息處理很差，對實(shí)時(shí)動(dòng)態(tài)環(huán)境的適應(yīng)性不強(qiáng)；在知識獲取嚴(yán)格性，診斷推理嚴(yán)密性等方面，保證系統(tǒng)診斷有效性的同時(shí)，也帶來了領(lǐng)域局限性的一系列問題。面向代理的技術(shù)，即Agent技術(shù)就是完成這一使命的全新技術(shù)。
??? Agent是指駐留在某一環(huán)境下能持續(xù)自主地發(fā)揮作用，滿足反應(yīng)性，社會(huì)性，主動(dòng)性等特征的計(jì)算實(shí)體[3]。從某種意義上講，Agent可以理解為一種物理或者軟件式的機(jī)器人。因此利用Agent的自主性，構(gòu)造虛擬專家，可以實(shí)現(xiàn)大型診斷系統(tǒng)的自主管理和知識備份。Agent技術(shù)的診斷系統(tǒng)可以實(shí)現(xiàn)實(shí)時(shí)技術(shù)和智能技術(shù)融合，并體現(xiàn)出優(yōu)越的性能和特性。Agent的模型一般分為反應(yīng)型，認(rèn)知型或混合型三種。各種Agent組成一個(gè)“智能體社會(huì)”，可以實(shí)現(xiàn)復(fù)雜條件下的問題求解和故障診斷。而多Agent系統(tǒng)的組織結(jié)構(gòu)形式以及各個(gè)Agent的協(xié)作與協(xié)調(diào)是其中的關(guān)鍵技術(shù)。
當(dāng)特定領(lǐng)域的專家系統(tǒng)處于某一復(fù)雜問題的求解中，通常可以當(dāng)作一個(gè)Agent來看待，但是實(shí)際上兩者有較大的區(qū)別，在一個(gè)大型的診斷系統(tǒng)中，從系統(tǒng)功能分解理論出發(fā)，可以把系統(tǒng)診斷分解成幾個(gè)子系統(tǒng)，如果只用單純的專家系統(tǒng)或者Agent模塊診斷都有很大的局限性。要實(shí)現(xiàn)各個(gè)模塊的協(xié)商和協(xié)作，在專家系統(tǒng)之間很難實(shí)現(xiàn)，而由多個(gè)Agent 就可以傳遞各個(gè)模塊的協(xié)作，但只采用Agent技術(shù)，又難以保證任務(wù)執(zhí)行的速度。因此采用集成專家系統(tǒng)和多Agent技術(shù)是一種比較不錯(cuò)的方法[10]。
集成專家系統(tǒng)和多個(gè)Agent的系統(tǒng)主要由完成特定功能的專家系統(tǒng)和Agent模塊組成，專家系統(tǒng)模塊利用經(jīng)驗(yàn)歷史知識和診斷對象當(dāng)前運(yùn)行狀態(tài)信息以嚴(yán)格高效的邏輯推理來實(shí)現(xiàn)特定領(lǐng)域的故障診斷。Agent模塊則主要利用Agent間的合作來實(shí)現(xiàn)動(dòng)態(tài)不完全信息等條件的故障診斷，從而提高系統(tǒng)對環(huán)境的適應(yīng)能力。這樣能夠充分彌補(bǔ)兩者各自的不足，增強(qiáng)診斷系統(tǒng)故障診斷的能力，整體上提高診斷的實(shí)時(shí)和準(zhǔn)確性。這種技術(shù)正在研究并應(yīng)用于載人飛行器故障診斷中。
4.4 新型故障診斷系統(tǒng)發(fā)展趨勢
4.4.1 從單一模型的診斷系統(tǒng)到多模型診斷系統(tǒng)
這里指的模型包括知識表示的模型和推理模型，故障診斷與知識表示和推理方法有著密切的聯(lián)系，其領(lǐng)域知識可用對象模型、經(jīng)驗(yàn)規(guī)則、神經(jīng)網(wǎng)模型、案例等來表示。基于對象模型、基于經(jīng)驗(yàn)規(guī)則、基于神經(jīng)網(wǎng)模型、基于案例的診斷方法各有其優(yōu)勢和特點(diǎn)，但它們各自也存在著局限性。對于實(shí)際對象的故障診斷，如用單一的知識表示方法，有時(shí)難以完整表示對象的故障診斷領(lǐng)域知識。因此，集成多種知識表示方法則能更好地表示對象的故障診斷領(lǐng)域知識。集成基于對象模型、基于經(jīng)驗(yàn)規(guī)則、基于神經(jīng)網(wǎng)模型、基于案例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。集成型的故障診斷系統(tǒng)還能有效地處理真值維護(hù)、結(jié)論解釋、機(jī)器學(xué)習(xí)[8]。
4.4.2 從單機(jī)模型到分布式網(wǎng)絡(luò)診斷系統(tǒng)
現(xiàn)有的設(shè)備診斷系統(tǒng)大部分都是面向單臺(tái)、單機(jī)或單類設(shè)備的，可擴(kuò)充性、靈活性、通用性較差，各診斷系統(tǒng)之間相互獨(dú)立，即使是不同開發(fā)單位研制的針對同類設(shè)備的異構(gòu)診斷系統(tǒng)之間也不能進(jìn)行有效的信息交流和共享，造成了巨大的資源浪費(fèi)?，F(xiàn)在很多大型成套設(shè)備或機(jī)構(gòu)由遠(yuǎn)程分布的不同類子系統(tǒng)組成，相應(yīng)其診斷系統(tǒng)中的系統(tǒng)級診斷系統(tǒng)和各子診斷系統(tǒng)也要進(jìn)行診斷信息的傳輸交流。同時(shí)，由于故障源的不確定性和時(shí)發(fā)性，導(dǎo)致異地診斷和遠(yuǎn)程診斷的需求不斷增加。
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，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[7]。
4.4.3 從單一專家系統(tǒng)到協(xié)同式專家系統(tǒng)
當(dāng)前的絕大多數(shù)診斷專家系統(tǒng)，在規(guī)定的診斷領(lǐng)域內(nèi)是一個(gè)“專家”，但是一旦越出該診斷范圍，系統(tǒng)就可能無法工作，限制了系統(tǒng)的適用性。由于診斷的領(lǐng)域過窄，就很難獲得滿意的應(yīng)用。
協(xié)同式專家系統(tǒng)是克服一般專家系統(tǒng)的局限性的一個(gè)重要途徑。也被稱作是“群專家系統(tǒng)”，由若干個(gè)相近領(lǐng)域或一個(gè)領(lǐng)域的多個(gè)方面的分專家系統(tǒng)組成, 這些分專家系統(tǒng)分別發(fā)揮其自身的特長, 解決某一方面的問題, 同時(shí)又相互協(xié)作。聯(lián)合協(xié)作多專家系統(tǒng)的特點(diǎn)是： 每一個(gè)專家系統(tǒng)僅有一種問題求解方法, 但卻充分了解自身的局限性以及協(xié)作專家的長處, 從而知道何時(shí)和怎樣傳遞問題。其設(shè)計(jì)思想是：相應(yīng)于問題狀態(tài)空間, 生成一個(gè)協(xié)作求解的主專家集, 再根據(jù)每一位主專家在問題求解中的當(dāng)前狀況, 動(dòng)態(tài)形成一個(gè)支持該主專家的輔助專家集。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的分布。