基于专家系统的诊断方法

基于专家系统的诊断方法

1总结1.1模拟人脸智能的实现途径人工智能是一个新兴的边缘学科。主要研究计算机如何使用人才能够实现的智能工作。人工智能研究,目前有两种不同探索途径来实现对人脑智能的模拟:一是仿生学手段,从结构上进行模拟,达到功能模拟的目的;另一个是直接通过启发式程序模拟人脑功能,即专家系统。专家系统(ExpertSystem)是人工智能利用三大前沿(专家系统、模式识别和智能机器人)的一个分支,它大量利用专家知识和推理、模拟专家的决策能力来解决只有专家才能解决的问题。1.2基于知识的故障诊断法基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之一,也是研究最多、应用最广的一类智能诊断技术。它大致经历了两个发展阶段:基于浅知识(领域专家的经验知识)的故障诊断系统和基于深知识(诊断对象的模型知识)的故障诊断系统。a)基于浅知识的诊断方法浅知识是指领域专家的经验知识。基于浅知识的故障诊断系统通过演绎推理或产生式推理来获取诊断结果,其目的是寻找一个故障集合使之能对一个给定的征兆(包括存在的和缺席的)集合产生的原因做出最佳解释。b)基于深知识的诊断方法深知识则是指诊断对象的结构、性能和功能的知识。基于深知识的故障诊断系统要求诊断对象的每一个环节具有明确的输入输出表达关系,诊断时首先通过诊断对象实际输出与期望输出之间的不一致,生成引起这种不一致的原因集合,然后根据诊断对象领域中的第一定律知识(具有明确科学依据的知识)及其他内部特定的约束关系,采用一定的算法,找出可能的故障源。这种方法具有知识获取方便、维护简单、完备性强等优点,但搜索空间大,推理速度慢。以规则的方式描述知识指基于经验和启发性知识,这种知识易于理解。我们常用的是基于规则的专家系统。如图1所示,它由下列几部分组成:a)用户界面——用户和专家系统之间的通信方式;b)解释机——向用户解释专家系统的推理;c)工作内存——被规则所使用的所有事实的全局数据库;d)推理机——通过决定哪些规则满足事实或者目标,并自动生成规则优先级,然后按规则的优先级依次执行来推理;e)议程——由推理机创建的一个规则优先级表,当规则中的事实和工作内存中的事实相匹配时,这些规则被激活,从而被执行;f)知识获取机——为用户创建一个知识自动输入方法。当用户提供事实或信息给专家系统时,专家系统内部的工作内存提供它所要用到的、已经得出结论的知识,然后用户将收到这些专家的建议或结论,这些建议或结论是专家系统对用户询问的响应。1.3创建专家系统自1985年以来,专家系统在制冷空调领域的开发应用常有报道,尤其是在能量分析、智能设计、系统诊断、优化运行管理、建筑施工、智能监控等方面都取得了相当大的成功,充分展现了专家系统在制冷空调领域的开发应用潜力。专家系统用于制冷系统故障诊断具有巨大的经济价值和社会价值。专家系统作为一种实用工具,为人们保存、传播、使用和评价知识提供一种有效的手段。传统的知识传播过程需要多年的教育,专家系统的建选通过一些已在实践中得到验证的知识获取方法,能够通过专家的通力合作,把专门知识形式化,并且把这类知识进行编码,从而存入计算机中。专家系统不仅能存储知识,还能有效地利用知识。成功地专家系统可以代替或协助专家解决实际问题,从而计算机可以高效、准确地从事大型制冷设备的维护管理工作,这样可以大大减轻设备管理人员的工作量,也有利于专家从这些工作中解脱出来,使他们有更多的时间和精力去研究本领域中的一些有规律的实质性问题,推动制冷系统故障诊断技术的发展和完善。2模糊理论用于诊断和治疗平面冷却设备的故障2.1故障诊断的特征制冷机的性能优劣对空调系统有很大影响,需要对其状态进行实时在线检测和故障诊断。目前,国内空调制冷站中,许多制冷机在运行时仅采用单个传感器对绝对参量(如温度、压力、流量等)进行监测,每个监测的信号都被设置了域值,如果采样到的信号超过域值,系统便发出报警信号,其灵敏度完全依赖于传感器的灵敏度。而当实际发生故障时,制冷机会表现出各种特征,且无绝对域值,这就造成了报警灵敏度和误报率之间的矛盾。故障诊断中,一种故障现象可能是由多种原因引起,而一种原因发生故障可能会产生多种现象,尤其对于复杂的空调制冷系统,既有确定性的因素,又有随机的因素(环境温度等的影响),各种因素交错,使故障更具有渐变性与隐蔽性的特点。对于这种故障,可以用多种方法来描述,从中找出各种可能产生故障的全部原因,但要确定究竟何种原因,就比较困难了。经过考察发现,异常现象可通过维修人员的看(观察水、制冷剂温度表和压力表)、听(用细长金属棒或长螺丝刀在制冷机外表面诊听声音)、摸(凭手指感觉压缩机等工作情况和机器振动)等感官手段获得,并考虑到人脑的思维类似一种模糊过程,选用这一类型的故障症状。在故障诊断领域中,存在下述三个问题:a)与各种仪器设备检测待诊断机器设备参数不同,人的感觉器官对机器设备故障现象的描述常采用非精确的自然语言,这里面带有很大的模糊性;b)人类对故障的诊断推理大都不是绝对的二值逻辑,而是一种模糊推理;c)从故障诊断的根本原理上说,所谓“正常”状态本身就是一个非二值逻辑的集合,“故障”状态和“正常”状态之间也没有完全确定的界限,二者之间存在一些模糊的过渡状态。从这里可以看出,无论从现象的获得、现象到故障的推理甚至诊断的根本原理三个方面实际上都存在着模糊性。即使在某些故障诊断系统中完全实现计算机自动诊断而无需人的感觉器官辅助摄入故障现象,也只是克服了第一个问题带来的模糊性,后二个问题依然无法避免。采用经典数学的方法描述故障诊断问题时虽然也可以通过扩大(缩小)参数范围、设置特征值的方法来克服上述三个问题带来的某些困难,但终究无法描述所有的模糊问题。模糊数学的引入为描述这些模糊问题提供了有力的工具。在构造专家系统时,模糊性是所遇到的最主要的困难之一。通常贮存在专家系统知识库中的信息从事实直至规则一般都是不精确、不完全或不完全可靠的。在模糊数学进入人工智能领域之前,人们就已经采用基于概率论的常规推理方式如Bayes概率论模型、Dempster-Shafer的可信函数理论模型、MYCIN的不确定性模型等。但是这些模型在大多数情况下的作用是有限的或不能令人满意的。这主要是因为人类的大部分知识反映的是模糊性而不是随机性。2.2模糊命题的处理模糊逻辑提供了一个更为系统的、可靠的基于知识库的推理方法的基础。因此,设计基于模糊集理论的模糊专家系统将能更好地模拟人类专家的推理方法,并能正确有效地解决基于概率论的专家系统所不能解决的问题。与通常的专家系统相比,模糊专家系统具有下述四个优点:a)推理规则的前件和后件可以是模糊的。即规则的形式可以是:1)IFXisATHENYisB2)IFXisATHENYisB且CF=a其中,规则的前件“XisA”和规则的后件“YisB”均为模糊命题;a是确定因子(可信度)的值。b)推理规则的前件与事实进行部分匹配。因为大多数专家系统中的规则数相对来说是比较少的,所以有可能出现这样的情况:知识库中的事实“XisA”并不能精确地与规则“IFXisATHENYisB且CF=a”中的前件“XisA”精确地匹配。由于通常的专家系统采用二值谓词逻辑,故碰到这类问题时常采用回避态度。相反,模糊逻辑可以很自然地解决这类问题。c)规则的前件和后件中允许显式或隐式地使用模糊量词。例如规则:IFX矩阵多数元素很大THENY集中极少数元素很小且CF=0.65。d)知识库中的知识亦可以用模糊集来阐述。由于一阶谓词逻辑和基于概率的传统方法不能处理知识的模糊问题,故通常回避这一点,因而对于所得出的推理结论的可靠性是非常令人怀疑的。例如,考虑事实“X是大的”且“CF=0.3”。因为“大的”表示模糊集,故反映命题“X是大的”的确定因子就变得模糊起来。特别是,CF=0.3可能有下面两种解释:1)X是大的可信度是0.3;2)模糊事件“X是大的”的概率是0.3。为了能正确处理第二种解释,就必须引用模糊事件概率这一重要概念。而这正是模糊逻辑而不是普通概率论所能做的。3异常检查空间范围的确定在模糊专家系统中,推理的方法主要可分为两大类:一类是基于模糊产生式规则的演绎方法;另一类是一些混合方法,包括基于统计的模糊模式分类(模糊模式识别)方法等。这里采用基于模糊模式识别方法的故障诊断模型。制冷系统故障诊断所涉及的故障原因和表现症候为数不少。对这些症候进行编号,排列成1到n的顺序(n为症候总数)。设R为实数轴,考察n维欧氏空间Rn上的向量:从制冷系统故障诊断的角度看,该向量体现一个制冷系统的全部症候。再考察Rn上的模糊子集:(**)式中的xi与(*)式中的xxi(i=1,2,Λ,n)相对应,其值反映该系统第i项症候的轻重程度。这里的Xi=0表示第i项症候完全正常,Xi=1表示第i项症候已经达到损坏的地步。我们把矢量x称为症候群,把模糊子集X称为症候群空间。在进行离线专家系统应用时,以上的xxi(i=1,2,Λ,n)可以是任何可用数值或自然语言来描述的症,如“冷凝压力低”、“压缩机振动声音不正常”等。相对地xi反映症候xxi的严重程度,即对xxi的隶属度。xi的取值有两种方法:a)将区间分成几个等值区间进行离散化,xi在其上取离散值。常用的有xi构成两个等级(正常、异常)和xi[0,1/3,2/3,1]构成四个等级(阴性、阳性、双阳性、强阳性),相应地构成二级和四级症候群空间。b)不分等级,在区间上取连续值,构成无级症候群空间。当用于检测系统时,需对症候群的构成作一些变化;1)去除不易自动检测的症候,如“膨胀阀发出‘咝咝’声”等。2)症候描述的基本元素全部采用检测指标量,不采用症状描述。如“冷凝压力低”这一症候表达只取“冷凝压力”这一检测指标,而将“低”(“高”、“大”、“小”)之类程度描述另作处理。3)增加模糊程度描述算子,将症候表达为检测指标量和程度描述的函数。这样处理后,取制冷系统易测的所有物理参数(检测指标)构成检测指标集YY=(yy1,yy2,yy3,Λ,yyn),这里n为检测指标总数。可以将每种检测指标依照量值大小分为若干等级程度描述,常用的有3级(低、正常、高),5级(很低、较低、正常、较高、很高)和7级(很低、低、较低、正常、较高、高、很高)。引进模糊程度描述算子fx(x,grade),其中x表示某种检测指标,grade表示某种程度描述,则只要x与grade选取合适,总能将所有的症候(去除不易在线自动检测的症候)表达为:于是,症候向量可演变为:同理,症候群空间演变为:这里yi是yyi的某种具体数值,正如xi与xxi的关系一样。在进行正式的故障诊断之前,首先应根据现有的领域知识(包括专家知识)建立每种故障的标准模式。设这些标准模式构成故障空间Z,取症候群空间X为论域,显然Z是X的子集。同时,我们将这些标准模式看成Z上(当然也是X上)的模糊集。于是制冷系统的故障诊断问题就转化为确定X上的元素xi以多大程度隶属于Z上的哪个模糊集的问题。以A∈Z表示制冷系统中的某一故障模式,设A的症候群为:则我们所做的第一步工作就要确定ai和gi,i=1,2,Λ,n各项症候在故障模式A中的作用不尽相同,则它们的权重也就不尽相同。因此还要给A中所有症候赋予权系数:这里权系数大小可以根据专家经验以及统计资料两方面结合的方法或模糊综合评判等方法来确定,也可用人工智能的方法通过机器学习来形成。初步确定的权系数一般需要经过实验反复调整才能真正应用。在为Z中每一故障都确定好所有的ai,αi和gi之后,诊断系统的模式库就建立起来了。然后将X中任一症候群:与Z中所有故障模式一一进行匹配,即分别计算B对Z中所有模式的隶属度。当B对Z中某一故障模式的隶属度在所有这些隶属度中为最大并且大于给定的可信度阈值时,我们便认为此制冷系统发生了该模式所代表的故障。4模糊集隶属函数的形式和使用一个模糊多级模糊算子函数的确定实质上就是相应模糊集隶属函数的确定。确定模糊集隶属函数的方法很多,这里采取先建立原始隶属函数曲线,再根据该曲线的形状选取简单的隶属函数表达式。通过对制冷行业领域专家的统计调查表明,可以看出低、较低、正常、较高和高五种模糊集隶属函数服从中间型分布,很低和很高两种模糊集隶属函数分别服从偏小型和偏大型分布。这里将中间型分布按正态分布处理,偏小型和偏大型分布按降半正态分布处理。由此,七个模糊隶属函数可取如下形式:当i=4时,按正态分布处理:当i=1,2,3时,按降半正态分布处理:当i=5,6,7时,按降半正态分布(降半正态分布的另一形式,与升半正态分布不同)处理:其中ki,ai的取值与症候和故障模式有关,一般由专家经验和实验取得。模糊模式匹配的算法很多,这里采取向量空间距离算法。考虑到模糊集可以写成模糊向量的表达形式,故可设想用向量空间的广义距离来表示两个模糊集的接近程度。这个广义距离(单位化)可以取为:特别地,当p=2时,这个距离就是通常意义上的欧氏距离:由此,两个模糊集的贴近度为:为了反映各个分量的相对重要程度,引入权系数αk,上式转化为:此距离可以作为两个模糊集的贴近度,在故障诊断中可视为症状群B对故障模式A的隶属度或可信度。5模糊专家系统的中心功能模块设计5.1制冷系统参数值模糊处理的一般规则根据软件设计目标以及模糊诊断模型,需要在具体实现中确定:a)采用的制冷系统参数总数和各个参数的名称(物理意义);b)对制冷系统参数值进行模糊处理采用的模糊算子的等级数;c)每个模糊算子表达式中需要的各类参数;