故障診斷專家系統研究的現狀與展望

摘要：該文介紹了專家系統在故障診斷領域的應用情況，闡述了國內外故障診斷專家系統的發展現狀，針對目前研究比較成熟的故障診斷專家系統模型進行了分析，并指出了各自技術的特點和局限性。最后結合新技術的發展和應用對故障診斷專家系統的發展趨勢進行了展望。
關鍵詞：專家系統，故障診斷，機器學習，知識發現
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
故障診斷專家系統是將人類在故障診斷方面的多位專家具有的知識、經驗、推理、技能綜合后編制成的大型計算機程序，它可以利用計算機系統幫助人們分析解決只能用語言描述、思維推理的復雜問題，擴展計算機系統原有的工作范圍，使計算機系統有了思維能力，能夠與決策者進行“對話”，并應用推理方式提供決策建議。
專家系統在故障診斷領域的應用非常廣泛，長期以來，在航空、航天、電力、機械、化工、船舶等許多領域，故障檢測與診斷技術與專家系統相結合，使工程的安全性與可靠性得到保證。故障診斷專家系統除了具備專家系統的一般結構外，還具有自己的特殊性。
它具有如下特點。
????? (1) 知識可以從類似機器和工作實際、診斷實例中獲取，即知識來源比較規范。
????? (2) 診斷對象多為復雜的、大型的動態系統，這種系統的大部分故障是隨機的，普通人很難判斷，這時就需要通過討論或請專家來進行診斷。但對于一些新型機器，可能無處獲得診斷知識；或者對于非定型生產的機器，由于其工作特性和常用機器相比差異很大，知識獲取也十分困難。
????? 而專家系統恰恰適用于復雜的、知識來源規范的大型動態系統，它可以匯集眾多專家的知識，進行分析、比較、推理，最終得出正確的結論。現場技術人員可以充分利用各種信息和癥兆，在計算機系統的幫助下有效地解決工程實際問題，這也是故障診斷專家系統近年來成為熱門研究課題的原因。
?
2 國內外的發展及應用
故障診斷專家系統的發展起始于20世紀70年代末,雖然時間不長，但在電路與數字電子設備、機電設備等各個領域已取得了令人矚目的成就，已成為當今世界研究的熱點之一。
在專家系統己有較深厚基礎的國家中，機械、電子設備的故障診斷專家系統已基本完成了研究和試驗的階段，開始進入廣泛應用。在電路和數字電子設備方面, 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；美國海軍人工智能中心開發了用于診斷電子設備故障的IN- ATE 系統；波音航空公司研制了診斷微波模擬接口MSI 的IMA 系統；意大利米蘭工業大學研制用于汽車啟動器電路故障診斷的系統。
國內在故障診斷專家系統方面起步稍晚，20世紀80年代開始，國內部分高校和科研機構首先在汽車故障診斷領域對專家系統進行了研究，發表了一系列的研究文獻，部分文獻已經達到國外同等水平，隨后在其他電子設備領域和電力應用領域相繼進行了故障診斷專家系統的研究，并取得了一定的研究成果，有一些系統已投入了實際運行。具有代表性的專家系統有華中科技大學研制的用于汽輪機組工況監測和故障診斷的智能系統DEST; 哈爾濱工業大學和上海發電設備成套設計研究所聯合研制的汽輪發電機組故障診斷專家系統MMMD- 2 ; 清華大學研制的用于鍋爐設備故障診斷的專家系統等等。都能夠比較成功地進行復雜系統的故障診斷，這表明我國的故障診斷己經進入專家系統故障技術時代。

3故障診斷專家系統的研究現狀
目前已研究的故障診斷專家系統模型有：基于規則的診斷專家系統、基于實例的診斷專家系統、基于行為的診斷專家系統、基于模糊邏輯的診斷專家系統和基于人工神經網絡的診斷專家系統。這些診斷專家系統的優缺點及技術要點如下。
3.1基于規則的診斷專家系統
基于規則的診斷方法是根據以往專家診斷的經驗，將其歸納成規則，通過啟發式經驗知識進行故障診斷，適合于具有豐富經驗的專業領域故障診斷。基于規則的診斷具有知識表述直觀、形式統一、易理解和解釋方便等優點，診斷知識的獲取依賴于領域專家。但復雜系統所觀測到的癥狀與所對應診斷之間的聯系是相當復雜的，通過歸納專家經驗來獲取規則，有相當難度，且一致性難以保證。
盡管基于規則的診斷專家系統獲得了一定的成功，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、知識臺階窄以及控制策略不靈活等缺點。對大型規則庫來說，容易產生規則匹配沖突、組合爆炸等問題，而且系統缺乏自學習能力，不適用于復雜系統或經驗不足系統的故障診斷。對于大型的診斷對象，其求解過程搜索空間大，速度慢，難以實現實時在線診斷要求。基于規則的方法對于診斷結論除了重復被采用的規則外，無法作出進一步解釋，通常只能診斷單個故障，難以診斷多重故障。

3.2?基于實例的診斷專家系統
基于實例推理（Case-based reasoning，簡稱CBR）是近年來人工智能領域興起的一種診斷推理技術，是類比推理的一個獨立子類，符合人類的認知心理[1]。簡單的說，基于實例推理的依據就是相似的問題有相似的解。基于實例的診斷專家系統具有諸多優點：無須顯式領域知識；無須規則提取，降低知識獲取難度；開放體系，增量式學習，實例庫的覆蓋度隨系統的不斷使用而組建增加。基于案例的診斷方法適用于領域定理難以表示成規則形式，而是容易表示成案例形式并且已積累豐富案例的領域（如醫學診斷）。
基于實例推理的關鍵是建立一個有效的檢索機制與實例組織方式。實例匹配不僅要考慮表面特征的相似性，而且結構相似性和深層特征有時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。基于實例推理面臨的另一個問題是診斷實例能否覆蓋所有解空間，因為覆蓋度小會導致搜索時可能漏掉最優解，造成誤診或漏診。
基于實例的診斷方法難點還在于實例特征的選擇、權重分配以及處理實例修訂時的一致性檢驗（特征便量減的約束關系）等問題。傳統的基于實例的診斷方法難以表示實例間的聯系；對于大型實例庫實例檢索十分費時，并且難以決定應選擇哪些癥狀及它們的權重。同時基于實例的診斷方法難以處理實例修訂時的一致性檢驗（特征變量間的約束關系），難以對診斷結果加以解釋。

3.3?基于模糊理論的診斷專家系統
模糊診斷的實質是引入隸屬函數概念，模糊邏輯以其較強的結構性知識表達能力，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系矩陣R，在建立故障與征兆模糊關系方程，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則庫，再進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系較難確定，且系統的診斷能力依賴模糊知識庫，學習能力差，容易發生漏診或誤診。由于模糊語言變量是用隸屬函數表示的，實現語言變量與隸屬函數之間的轉換是一個難點。

3.4?基于行為的診斷專家系統
基于行為（Behavior-based）的診斷專家系統是一種動態、模塊化的診斷系統[2]。系統的行為就是指系統從一個狀態轉移到另一個狀態的過程，一個狀態的出現是系統行為動作的結果，而狀態則描述了系統的行為。通常基于行為的診斷專家系統采用神經網絡（NN）模塊化單元，以確保系統與診斷對象的實時交互。這種神經網絡模塊化單元不同于一般基于人工神經網絡的診斷系統，它是一種相對獨立而且能夠動態構建故障診斷子神經網絡模塊單元的變結構單元。該方法可實現實時在線監控診斷。
基于行為的診斷專家系統的突出優點是在缺乏先驗診斷知識的情況下，通過與診斷對象系統行為進行交互作用，逐步學習進化，最終構成一個完善的診斷系統。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開發的規模和知識獲取困難問題。
基于行為的故障診斷強調依據實際設備的運行行為建立診斷系統，但并不排斥已經經過實踐檢驗的正確知識和經驗，可以將其作為建立系統的重要輔助資源。可以根據已有的知識建立起一個具有初級智能的診斷系統，然后通過與實際設備行為的交互作用，逐步學習進化為具有高級智能的診斷系統。這樣事先可以不必考慮設備整個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開發的規模和困難。
開發基于行為的診斷專家系統關鍵問題是：故障行為征兆（語義征兆、圖形征兆）的自動獲取難度較大；新故障自動識別和分類，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。

3.5?基于人工神經網絡的診斷專家系統
人工神經網絡（Artificial neural network，簡稱ANN）具有較好的容錯性、響應快、強大的學習能力、自適應能力和非線性逼近能力等，被廣泛應用于故障診斷領域。基于神經網絡的故障診斷專家系統有兩種形式：一種是使用神經網絡來構造專家系統，變基于符號的推理為基于數字運算的推理，提高系統效率，解決自學習問題；另一種是把神經網絡作為知識源的表示和處理模式，并與其它推理機制相融合，實現多模式推理[5]。
?基于神經網絡的診斷專家系統是一類新的知識表達體系，不同于傳統診斷專家系統的高層邏輯模型，是一種低層數值模型。其分布式聯結機制，實現知識表示、存儲和推理三者融為一體，在知識獲取、并行推理和自適應學習等方面顯示出明顯的優越性，一定程度上克服了傳統診斷專家系統存在的知識獲取困難、推理速度慢、知識存儲容量與系統運行速度的矛盾及知識的窄臺階效應等問題。
然而，神經網絡專家系統也存在固有的弱點。首先，系統性能受到所選擇的訓練樣本集的限制，訓練樣本集選擇不當，特別是在訓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，神經網絡沒有能力解釋自己的推理過程和推理依據及其存儲知識的意義；再次，神經網絡利用知識和表達知識的方式單一，通常的神經網絡只能采用數值化的知識；最后，也是最根本的一點是神經網絡只能模擬人類感覺層次上的智能活動，在模擬人類復雜層次的思維方面，如基于目標的管理、綜合判斷與因果分析等方面還遠遠不及傳統的專家系統。因此，人們正試圖研究符號推理與數值推理相結合的集成式智能診斷系統，以期能更好地模擬人類的思維過程。
目前，國內外對基于神經網絡的故障診斷研究多集中于BP網絡，盡管提出了一些改進算法，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，訓練樣本的致密性、遍歷性和相容性問題，對網絡的診斷影響很大；其次，基于神經網絡的診斷知識單一，只能進行數值化計算，忽視了領域專家在長期實踐中積累的經驗知識；再次，神經推理過程難以解釋。BP算法一個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，不具備增量學習功能。目前，通過將模糊算法、神經網絡和遺傳算法三個領域綜合在一起，利用模糊理論來處理診斷領域的模糊性問題，利用遺傳算法來優化網絡結構和隸屬函數，有力的促進了不同研究領域之間的交叉滲透和共同發展。

4 故障診斷專家系統的研究熱點及發展趨勢
4.1機器學習方法的應用
???? 診斷系統的核心問題是它的學習能力問題，知識的自動獲取一直是故障診斷專家系統的難點，解決知識獲取的途徑是機器學習，即讓機器能夠在實際工作中不斷地總結成功和失敗的經驗教訓，對知識庫中的診斷知識進行調整和修改，以豐富和完善系統知識。機器學習是提高診斷專家系統的主要途徑，也是提高診斷系統智能性的重要標志。
?隨著神經網絡隱節點和反向傳播算法及連接機制學習蓬勃發展，傳統的符號學習與連接機制已經逐步被取代。基于生物發育進化論的進化學習系統和遺傳算法，因吸取了歸納學習與連接機制學習的長處而受到重視。基于行為主義的強化學習系統因發展新算法的應用連接機制，學習遺傳算法的新成就發展也十分迅速。數據挖掘研究的蓬勃發展，為從計算機數據庫和計算機網絡提取有用信息和知識提供了新的方法，已經取得了許多有價值的研究和應用成果。
因此，發展和完善現有的機器學習方法，探索新的學習方法， 建立實用的機器學習系統，特別是多種學習方法協同工作的診斷系統，將是今后研究的一個重要方向。
4.2知識發現、數據挖掘技術的應用
診斷專家系統能夠正確診斷錯誤的關鍵是知識獲取技術和推理技術。知識獲取技術運用的好壞直接決定了故障診斷專家系統是否具有知識獲取的“瓶頸”問題；而在現有的成熟專家系統的推理技術中，絕大多數推理技術的應用還停留在針對某一特定運行狀態異常診斷方面，離全方位運行狀態異常診斷的應用還有差距。
知識發現（KDD）技術是隨著數據庫技術和人工智能技術的發展而出現并發展起來的,是近幾年興起的一個極有發展前途又有廣泛應用前景的新領域,其研究的主要目標是采用有效的算法,從大量現有數據集合中發現并找出最初未知的、最終可理解的有用知識。綜合各領域的具體應用,KDD的功能可概括為預測、特征提取、模式和規則發現、異常情況探測、建模等。數據挖掘和知識發現的方法主要建立在人工智能、計算智能、統計分析等理論和方法的基礎上,具體技術有神經網絡技術、粗糙集、決策樹、關聯規則、遺傳算法等。將知識發現和數據挖掘技術運用于故障診斷專家系統中可以彌補診斷專家系統關鍵技術中存在的問題：
在知識獲取技術方面，基于數據挖掘的知識獲取并不需知識工程師從領域專家的經驗中提取規則，它只是對領域專家提供的故障實例進行學習，自動從領域專家的故障實例中獲得知識， 知識也是隱含地分布存儲在數據挖掘器中，只有在應用時，這些知識才以統一格式的規則形式被提取出來。這種知識的獲取方式是自動的，不需要知識工程師和領域專家之間的直接對話，避免了在對話過程中導致診斷規則出現不一致的一切因素，這在一定程度上緩解或克服了傳統故障診斷專家系統中存在的知識獲取“瓶頸”問題。
在推理技術方面，數據挖掘技術是以數據庫系統、數據倉庫統計學等為基礎的。而數據倉庫主要特點就是：它是面向主題的、庫中的數據是多維的。也就是說，庫中的每一維度可以對應設備運行時的一個狀態參數，不同的運行狀態參數就存放在不同的維度空間里。數據挖掘器在推理時可以根據不同需要而將不同維度里的運行狀態參數綜合起來一起分析計算，即：運用數據挖掘算法來進行全方位推理。這可以克服傳統推理機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，可以增強其推理的合理性、提高其推斷結果的可靠性。
數據挖掘是當今智能系統理論和技術的重要研究內容,它能從大量數據中挖掘和學習有價值和隱含的知識,因而近年來得到國內外的極大重視。結合了數據挖掘算法的基本思想,將其改進使之適合應用于專家系統的推理機制,從而很大程度地改善了推理機制的性能和效率。因此，知識發現和數據挖掘技術將是專家系統發展的又一趨勢[6]。
4.3 Agent技術的應用
?? 在當今信息化和網絡化的時代，診斷專家系統的實時性仍然有很多不足之處，對很多復雜的問題和現象難以作出有效的判斷。這主要表現在系統對不完全信息處理很差，對實時動態環境的適應性不強；在知識獲取嚴格性，診斷推理嚴密性等方面，保證系統診斷有效性的同時，也帶來了領域局限性的一系列問題。面向代理的技術，即Agent技術就是完成這一使命的全新技術。
??? Agent是指駐留在某一環境下能持續自主地發揮作用，滿足反應性，社會性，主動性等特征的計算實體[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器人。因此利用Agent的自主性，構造虛擬專家，可以實現大型診斷系統的自主管理和知識備份。Agent技術的診斷系統可以實現實時技術和智能技術融合，并體現出優越的性能和特性。Agent的模型一般分為反應型，認知型或混合型三種。各種Agent組成一個“智能體社會”，可以實現復雜條件下的問題求解和故障診斷。而多Agent系統的組織結構形式以及各個Agent的協作與協調是其中的關鍵技術。
當特定領域的專家系統處于某一復雜問題的求解中，通常可以當作一個Agent來看待，但是實際上兩者有較大的區別，在一個大型的診斷系統中，從系統功能分解理論出發，可以把系統診斷分解成幾個子系統，如果只用單純的專家系統或者Agent模塊診斷都有很大的局限性。要實現各個模塊的協商和協作，在專家系統之間很難實現，而由多個Agent 就可以傳遞各個模塊的協作，但只采用Agent技術，又難以保證任務執行的速度。因此采用集成專家系統和多Agent技術是一種比較不錯的方法[10]。
集成專家系統和多個Agent的系統主要由完成特定功能的專家系統和Agent模塊組成，專家系統模塊利用經驗歷史知識和診斷對象當前運行狀態信息以嚴格高效的邏輯推理來實現特定領域的故障診斷。Agent模塊則主要利用Agent間的合作來實現動態不完全信息等條件的故障診斷，從而提高系統對環境的適應能力。這樣能夠充分彌補兩者各自的不足，增強診斷系統故障診斷的能力，整體上提高診斷的實時和準確性。這種技術正在研究并應用于載人飛行器故障診斷中。
4.4 新型故障診斷系統發展趨勢
4.4.1 從單一模型的診斷系統到多模型診斷系統
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系，其領域知識可用對象模型、經驗規則、神經網模型、案例等來表示。基于對象模型、基于經驗規則、基于神經網模型、基于案例的診斷方法各有其優勢和特點，但它們各自也存在著局限性。對于實際對象的故障診斷，如用單一的知識表示方法，有時難以完整表示對象的故障診斷領域知識。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域知識。集成基于對象模型、基于經驗規則、基于神經網模型、基于案例的集成型診斷方法能綜合各診斷方法的特點，克服各診斷方法的局限性，從而提高了診斷系統的智能性和診斷效率。集成型的故障診斷系統還能有效地處理真值維護、結論解釋、機器學習[8]。
4.4.2 從單機模型到分布式網絡診斷系統
現有的設備診斷系統大部分都是面向單臺、單機或單類設備的，可擴充性、靈活性、通用性較差，各診斷系統之間相互獨立，即使是不同開發單位研制的針對同類設備的異構診斷系統之間也不能進行有效的信息交流和共享，造成了巨大的資源浪費。現在很多大型成套設備或機構由遠程分布的不同類子系統組成，相應其診斷系統中的系統級診斷系統和各子診斷系統也要進行診斷信息的傳輸交流。同時，由于故障源的不確定性和時發性，導致異地診斷和遠程診斷的需求不斷增加。
隨著網絡的普及，通過局域網，因特網來傳輸診斷信息成為一種趨勢，網絡架構下的集成故障診斷系統成為新的研究熱點，因此，建立遠程分布式全系統智能診斷系統，可以實現異地多專家對同一設備的協同診斷以及多臺設備共享同一診斷系統，提高診斷的準確率和效率，同時也有利于診斷案例的積累，以彌補單個診斷系統領域知識的不足，提高診斷的智能化水平，促進診斷學的綜合發展[7]。
4.4.3 從單一專家系統到協同式專家系統
當前的絕大多數診斷專家系統，在規定的診斷領域內是一個“專家”，但是一旦越出該診斷范圍，系統就可能無法工作，限制了系統的適用性。由于診斷的領域過窄，就很難獲得滿意的應用。
協同式專家系統是克服一般專家系統的局限性的一個重要途徑。也被稱作是“群專家系統”，由若干個相近領域或一個領域的多個方面的分專家系統組成, 這些分專家系統分別發揮其自身的特長, 解決某一方面的問題, 同時又相互協作。聯合協作多專家系統的特點是： 每一個專家系統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作專家的長處, 從而知道何時和怎樣傳遞問題。其設計思想是：相應于問題狀態空間, 生成一個協作求解的主專家集, 再根據每一位主專家在問題求解中的當前狀況, 動態形成一個支持該主專家的輔助專家集。這種系統有時與分布式專家系統有些共性，因為他們都可能涉及多個子專家系統。但是這種系統更強調子系統之間的協同合作，而不著重于處理的分布和知識的分布。