基于专家系统的方法优化方案

基于专家系统的故障诊断原理如图4-8所示，是在知识库和数据库支持下，综合运用各种规则，进行一系列推理，诊断出系统最终或最有可能的故障。利用专家系统对液压系统进行故障诊断，首先根据系统故障模式、故障机理及历史数据，建立相应知识库和规则库，然后利用信息处理技术提取故障特征信号或根据现场故障现象，结合规则知识库，推理液压系统故障。该方法一般适用于故障规则多、故障推理清晰及故障逻辑决策分辨率高的场合。

图4-8 基于专家系统的故障诊断原理

基于专家系统的故障诊断系统可以分为两种类型：基于故障案例的故障诊断专家系统和基于故障树的故障诊断专家系统。

1.基于案例推理的故障诊断专家系统

基于故障案例的故障诊断专家系统基于大量已经发生过的故障案例来开发，能够充分提取人类专家在故障诊断中应用的启发性知识，也能够表达诊断过程中的“灰箱”诊断实例，能够较好地继承人类专家的诊断经验，是实现知识资本继承的重要手段。

基于故障案例的故障诊断专家系统如图4-9所示，主要由知识库、推理机、解释器及人机接口组成^[10]。

知识库用于存储某领域专家提供的专门知识，包括事实、可行操作与规则等。因此，知识库中拥有的知识数量和质量成为专家系统性能和问题求解能力的关键因素。知识库的建立是建造专家系统的中心任务。

推理机使整个专家系统能够按照逻辑协调工作。推理机不是简单地搜索现成的答案，而是在一定的控制策略下针对全局数据库中的当前信息，识别和选取知识库中对当前问题求解有用的知识进行推理。

解释器能够向用户解释专家系统的行为，包括解释推理结论的正确性及输出其他候选解的原因，增强用户对求解结果的信任程度。

图4-9 基于故障案例的故障诊断专家系统

人机接口即人机交互界面，它使系统与用户对话，使用户输入必要的数据、提出问题、了解推理过程及推理结果等。系统则通过接口，要求用户回答提问；再回答用户问题，且进行必要解释。

数据库用于存储领域或问题的初始数据和推理过程中达到的中间数据、假设、目标及最终求解结果。

（1）知识的获取和知识库的建立 专家系统要表现出与人类专家相当的理解力和智能行为，关键是掌握专业领域的大量概念、事实、关系和方法，包括人类专家处理问题的各种启发性知识。故障知识库初步建立后，随着液压系统故障诊断系统在实际中的不断应用，知识库需要不断补充和完善，以日臻完善。

故障知识获取是领域专家根据液压系统现场经验不断完善知识库的过程。基于故障案例的故障诊断专家系统知识库包括三种类型：故障现象库、故障原因库和故障规则库。由专家系统知识库的设计可知，故障规则由故障现象和原因组成，如产生式知识表达方式：

IF故障现象 THEN 故障原因

知识获取也相应包含获取故障现象、故障原因和故障规则等三种知识。在知识库管理模块的协调控制下，分别从现象库和原因库中选取相应知识构成规则的前件和后件，形成一条完整的故障规则，专家系统知识库结构关系如图4-10所示。

故障规则获取流程如图4-11所示，用户分别从现象库、原因库中选择相关知识作为规则的前件和后件，专家系统对产生的新规则进行唯一性确认，如果当前故障规则在规则库中唯一存在，则执行规则添加操作，否则取消当前操作。

图4-10 专家系统知识库结构关系

图4-11 故障规则获取流程

对液压伺服系统故障原因、故障现象和故障规则进行知识表达设计见表4-2～表4-6。

表4-2 故障规则（Rule-List）

表4-3 故障条件（Rule-Pre）

表4-4 故障结论（Rule-Con）

表4-5 事实（Fact-List）

表4-6 全局数据（Global-Data）

对上述按照规则表示的知识，可以采用正向或者逆向推理。

（2）故障推理机的设计 基于规则的推理，即产生式系统是应用最早和最广泛的推理方法，也是一种简洁、通用的推理方法。但纯规则的推理对于复杂系统和知识量大的系统，就显得力不从心，在知识的表示和处理上也难以胜任。因此，可采用基于规则推理和智能推理结合的推理方法。

规则的描述方式：P→H（d）

其中，P为规则的前提，即证据（如故障现象、检测信息、使用环境、任务剖面等）；H为结论；d为结论H的可信程度（规则强度），即当条件P存在时，结论H以可信度d存在。

将规则描述为

{规则条件（故障证据），规则结论（故障模式），规则强度}

即

If

规则条件（故障证据）：E₁∩E₂…∩E_m 存在

Then

规则结论（H）成立（故障模式存在）且（可能性是）规则强度d

End(www.xing528.com)

基于规则的推理机制如图4-12所示，包括规则索引器、规则匹配器和不精确推理计算器。

1）规则索引器。规则索引器根据推理规则的推断结构，从（静态）知识库中，检索与当前推理的“故障”相关的推理规则，并在动态知识库构建该规则子集的同构规则集，为规则匹配器提供可匹配的规则。

2）规则匹配器。规则匹配器是将用户输入的相关故障证据信息，按照规则式匹配的原则，与规则集中的所有规则条件进行模式匹配，并决定哪些规则在此次推理中被引用。

3）不精确推理计算器。不精确推理计算器是应用故障诊断相关矩阵，按照Bayes方法或模糊规则进行规则匹配的推理计算，从而确定各故障原因的存在可能性（置信度、概率和隶属度）。

推理机是专家系统的求解器，它负责模拟领域专家求解问题的思维活动，推理机工作效率的高低直接影响着专家系统的性能。在推理过程中，首先主推理机提供当前的诊断推理的“故障”节点，当该节点有多个直接可能的故障原因时，启动规则推理机将该“故障”节点作为输入信息输入给规则推理机制。其次，根据当前的“故障”节点信息，规则推理机制的规则索引器从知识库中索引找出与该“故障”节点所直接原因相关的故障诊断推理规则。在动态数据库中，建立故障诊断的规则子集。再次，由用户提出输入故障证据信息，再由规则匹配器在索引的规则子集中根据用户的故障证据进行规则匹配，并将匹配上的存放在动态数据库中，其他的规则从动态数据库中清除。最后，由不精确推理计算器，根据匹配规则，进行不精确推理计算，并将各个故障原因按可能性进行排序，提供给主推理机，完成一次规则推理。

图4-12 基于规则的推理机制

推理机可以分为正向推理和反向推理两种类型。正向推理又称正向链，以数据驱动为主，其控制的基本思想是从已有信息出发、寻找可用知识，通过冲突消解选择启用知识，执行启用知识，改变求解状态，逐步求解直到问题解决或证实问题无解。如果在求解中要执行许多与问题求解无关的操作，则推理过程低效。反向推理又称反向链，以目标驱动为主，其基本思想是：先假设一个目标，然后在知识库中查找结论部分含有该目标的知识集，再查找知识集中每条知识的条件部分，如这些条件均能通过和用户对话达到满足，或能被全局数据库中的内容匹配，则该目标被证明。否则把新知识条件项作为新的子目标，递归执行上述过程，直到各“与”关系子目标全部满足或者“或”关系子目标有一个出现在知识库中，目标被求解或直至不能进一步分解而且全局数据库不能实现匹配，则假设目标为假。通常，诊断类专家系统采用反向推理，反向推理在初始目标选择盲目的情况下，效率也比较低。

针对特定的专家系统，推理方式和控制策略依赖于知识和知识的表达模式。

（3）解释器设计 解释器是实现专家系统对用户需求的概念和系统行为像领域专家一样做出通俗易懂的解释，增强系统的可接受性。同时，领域专家可以通过解释系统了解系统的运行状况，也是知识工程师进行知识库维护的主要手段，给专家系统研制和调试带来方便，另外，也可以起到对初级用户和从事该工作的新手进行培训的作用。

目前，已经应用或正在研究的解释机制实现方法有预制文本法、跟踪解释法、策略解释法、自动程序员解释法等。其中，跟踪解释法表达清晰，比较易实现。采用路径跟踪和预制文本相结合的办法，通过在推理控制过程中所记录的求解路径，根据用户输入要求解释的变量值，查询上下文数据库，取出与变量值对应的相关论据的注释部分提交给用户，在应用中较受欢迎。

以表4-3和表4-4为基础，构建专家系统知识库，建立基于规则的推理机制，建立动态的数据库管理机制，实现灵活的知识库扩充、管理和规则匹配，完成液压系统基于故障案例的故障推理和定位。

为了配合解释器的使用，构建一个跟踪推理过程的解释见表4-7，存储推理的过程和顺序，直接调用相关事实的解释字段部分即可实现结论解释。

表4-7 解释（Explannation-List）

2.基于故障树的故障诊断专家系统

故障树分析法（Fault TreeAnalysis，FTA）是一种图形演绎法，是用一定的符号表示出顶事件（系统故障）→二次事件（分系统故障）→……→底事件（部件故障）的逻辑关系，从由故障结果一步一步寻找故障原因的方法。故障树可以十分清晰地描述系统的故障内在机理、环境因素、人为因素，因此建立基于故障树的故障诊断专家系统具有很强的推理能力和开放性^[11]。

基于故障树的故障诊断专家系统的工作流程分为三步。

（1）建立系统的故障树 建立故障树的过程本身就是对系统故障层层推理的过程。故障树是由各种事件及连接事件的逻辑门构成的。在建立系统的故障树时，首先选定系统故障的一个判据作为分析目标（顶事件），当顶事件确定后，进一步找出直接导致顶事件发生的各种可能因素或因素（包括功能故障、部件不良、程序错误、人为失误及环境影响等）的组合，即中间事件（或二次事件）。在顶事件与紧连的中间事件之间，根据其故障逻辑关系，相应地画上逻辑门。然后再对每个二次事件进行类似的分析，即找出其发生的直接原因，逐次下去，最终一直到不能进行分解的基本事件为止。这样就可得到用基本符号描绘的故障树。

（2）确定故障树的所有割集 基于故障树的故障诊断推理过程是对寻找导致顶事件发生的原因或原因组合的过程，识别导致顶事件发生的所有故障模式（即最小割集）是进行故障诊断的前提。对于给定的故障树，可以通过下行法（Fussel-vesel法，由顶事件向下展开）和上行法（Semander法，由底事件向上聚合），求解全部最小割集。在求解最小割集过程中，如果所推演的割集不是最小割集，则需要进行布尔吸收操作（等幂律x·x=x和吸收律x+xy=x）。

令故障树最小割集为C₁，C₂，…，C_l，则顶事件T可表示成： (4-5)

式中，T为故障树的结构函数；x_i为第j个最小割C_j中的第i个基本事件（元件）。

（3）基于二叉树的故障诊断推理 由于故障树分析方法中，无论是部件还是系统均是二值假设（即正常和故障），因此基于故障树的故障诊断专家系统可以采用二叉树方法进行故障推理^[12]，其基本推理控制策略是：将故障树等效成一棵不完全二叉树，如图4-13所示，对该二叉树，采用“中序遍历”的递归算法，即可得到整棵故障树推理结构。

图4-13 故障树等效二叉树

故障树是一种可靠、有效的诊断工具。复杂系统的诊断故障树相当庞大，基于故障树开发故障诊断专家系统，实现通过人机交互来逐步展开故障树表达的诊断流程，在继承已有诊断经验的基础上，可显著提高诊断效率。

如图4-14～图4-18所示给出了基于故障树的故障诊断专家系统示例。首先在软件中加载一棵故障树如图4-14所示。

图4-14 由菜单方式加载一棵故障树

根据现场的故障现象，在“基于故障树的故障诊断”页面左侧故障诊断交互区中的“故障诊断入口选择”列表框中选择对应的故障事件，如图4-15所示。

图4-15 故障诊断入口选择

或者通过直接点击“基于故障树的故障诊断”页面右侧故障树显示区中对应事件方式，可起到同样的诊断入口选择效果。

选择了故障诊断入口之后，在故障树显示区，对应的事件及第一条诊断路径将会变成红色，同时在故障诊断区下端会罗列出所有与该事件相关的故障原因组合。在界面的右下端会同时显示出第一个故障原因的详细信息，如图4-15所示。

用户可通过故障诊断交互区中部的“＞＞”按钮来选择与故障现象相符合的故障原因事件。在确定了某一故障原因后，点击“确认”按钮，将会弹出如图4-16所示的提示框。

如需进一步诊断故障原因，可点击“确定”按钮。此时，“故障原因组合”列表中将会显示出造成已确认的故障原因（故障现象）的所有故障原因组合。

重复上述的故障诊断程序，最终可达故障树的底事件，此时软件将提示如下信息（图4-17）。

图4-16 故障现象确认提示

图4-17 故障诊断已达底事件提示信息

在故障诊断过程中，随着故障推理的深入，故障树显示区相应的节点及连线会变成加粗的红色，便于查看诊断流程，如图4-18所示。

图4-18 诊断流程