1、1、設備故障診斷技術的發展歷史、設備故障診斷技術的發展歷史 2、故障診斷的概念、故障診斷的概念3、故障診斷方法綜述、故障診斷方法綜述4、故障智能診斷系統的發展趨勢、故障智能診斷系統的發展趨勢 第一章第一章 概述概述 故障診斷其全名是狀態監測與故障診斷。它包含兩方面內容: 故障診斷技術是一門綜合性技術，是多學科交叉的實用性技術。理論基礎：可靠性理論、信息論、控制論和系統論技術手段：現代測試儀器和計算機診斷對象 ：系統、設備、機器、裝置、工程結構以及工藝過程等如現代控制理論、可靠性理論、數理統計、模糊集理論、信號處理、模式識別、人工智能等學科理論。特點：診斷對象廣泛、技術具體、工程應用性強以及與高

2、技術緊密結合等。一、設備故障診斷技術的歷史一、設備故障診斷技術的歷史 可分為以下四個階段可分為以下四個階段一、設備故障診斷技術的歷史一、設備故障診斷技術的歷史 可分為以下四個階段可分為以下四個階段一、設備故障診斷技術的歷史一、設備故障診斷技術的歷史 可分為以下四個階段可分為以下四個階段一、設備故障診斷技術的歷史一、設備故障診斷技術的歷史 可分為以下四個階段可分為以下四個階段一、設備故障診斷技術的歷史一、設備故障診斷技術的歷史 可分為以下四個階段可分為以下四個階段 一、設備故障診斷技術的歷史一、設備故障診斷技術的歷史故障診斷的基本思想故障診斷的基本思想表述為表述為 ：設被檢測對象全部可能發生的狀

3、態組成狀態空間S， 其可觀測特征量全體構成特征向量空間Y。包括正常狀態和故障狀態當系統處于某一狀態s時，系統具有確定的特征向量y， 即:存在映射g：S反之，一定的特征也對應確定的狀態，即:存在映射f：YY；S。 二、故障診斷的概念二、故障診斷的概念故障診斷的目的：故障診斷的目的：根據可測量的特征向量特征向量來判斷系統處于何種狀態，也就是找出映射f。 在這種情況下，故障診斷就成為 按特征向量對被測系統進行分類的問題， 或者 對特征向量進行狀態的模式識別問題 在實際情況中故障狀態具有一定的模糊性。因此，它所對應的特征向量也在一定范圍內變動，有可能一種故障狀態對應多個特征向量，或者多種故障狀態對應一

4、個特征向量二、故障診斷的概念二、故障診斷的概念故障診斷技術的任務：故障建模建模故障檢測檢測故障的分類、評價與決策分類、評價與決策故障分離與估計分離與估計就是按照先驗信息和輸入輸出關系，建立系統故障的數學模型，作為故障檢測與診斷的依據;就是判斷系統中是否發生了故障并檢測出故障發生的時刻就是在檢測出故障后確定故障的類型和位置，以區別出故障原因是執行器、傳感器和被控對象等就是判斷故障的嚴重程度，以及故障對系統的影響和發展趨勢，便于針對不同的工況采取不同的措施。二、故障診斷的概念二、故障診斷的概念評價一個故障診斷系統的性能指標主要有：早期故障檢測的靈敏度故障檢測的實時性故障定位和故障評價的準確性等。故

5、障的誤報率和漏報率二、故障診斷的概念二、故障診斷的概念故障診斷技術的研究對象:故障信息的研究故障機理研究故障診斷理論和方法的研究 主要包括診斷對象的物理和化學過程的研究。 例如對引起電氣、機械部件失效的腐蝕、蠕變、疲勞、氧化、絕緣擊穿、斷裂、磨損等物理化學原因的研究;對工藝過程、工藝特性及其各類故障特性和癥狀的研究。 作為故障診斷技術的基礎，只有研究診斷對象的故障機理才能有效地分清導致故障的主次因素 主要包括故障信號的采集、選擇、處理與分析、特征提取等過程。 例如通過傳感器采集生產設備運行中的信號(如振動、轉速)，再經過時域和頻域上的分析處理來識別設備的故障或評價設備所處狀態。研究適當的故障信

6、號檢測方法是發現故障信息的重要手段 主要包括基于邏輯、模型、推理以及人工智能等方法對故障的識別、推理、預測、分類、評價與決策等方面的研究。 根據診斷對象的可檢測故障表征進行分析和推理，識別故障并推理故障的發展趨勢以確定下一步的檢測部位，最終分析判斷故障發生的部位和產生故障的原因，并形成正確的干預決策。基于知識的方法 故故障障診診斷斷方方法法三、故障診斷方法綜述三、故障診斷方法綜述基于信號處理的方法 主要思想是在知識的層次上，以知識處理技術為基礎，實現辯證邏輯與數理邏輯的集成，符號處理與數值處理的統一，推理過程與算法過程的統一。通過在概念和處理方法上的知識化，實現設備故障診斷智能化。 主要思想是

7、:根據系統的組件與組件之間的連接，建立診斷系統模型，這種模型通常用一階邏輯語句來描述。根據系統的邏輯模型以及系統的輸入，能通過邏輯推理推導出系統在正常情況下的預期行為。觀測到的系統實際行為與系統預期行為有差異，說明系統存在故障，利用邏輯推理也能夠確定引發故障的組件集合。在實際情況中，常常難以獲得對象的精確數學模型，這就大大限制了基于解析模型診斷方法的使用范圍和效果。主要思想是:利用計算機或專用處理設備，以數值計算的方法對信號進行采集、變換、綜合、估值與識別等加工處理，以達到檢測出故障的目的。專家系統故障診斷方法 基于知識的方法 模糊故障診斷方法 故故障障診診斷斷方方法法三、故障診斷方法綜述三、

8、故障診斷方法綜述基于信號處理的方法 神經網絡故障診斷方法 數據融合故障診斷方法 小波分析法 傅里葉分析法 譜分析法和相關分析法 模糊故障診斷方法是通過研究故障與征兆(特征元素)之間的關系來判斷設備狀態。 診斷方法不需要建立精確的數學模型（一）模糊故障診斷（一）模糊故障診斷 利用模糊集合論中的隸屬函數和模糊關系矩陣的概念來解決故障與征兆之間的不確定關系，進而實現故障的檢測與診斷。 三、故障診斷方法綜述三、故障診斷方法綜述 模糊故障診斷過程（1）確定故障原因和征兆論域模糊故障診斷方法現場測取數據組成特征向量AB=RA診斷結論建立A與B的模糊關系矩陣R經驗數據統計數據實驗數據確定B對A的隸屬度A（B

9、）求解模糊關系方程故障原因論域V=B1，B2，B3，B1，B2，B3，為故障原因論域內的元素故障征兆論域U=A1，A2，A3，A1，A2，A3，為故障征兆論域內的元素 模糊故障診斷過程（2）確定兩論域中元素的隸屬度模糊故障診斷方法現場測取數據組成特征向量AB=RA診斷結論建立A與B的模糊關系矩陣R經驗數據統計數據實驗數據確定B對A的隸屬度A（B）求解模糊關系方程 即定出故障原因論域V中各元素Bi相對于某種故障特征（例如頻率特征）的隸屬度Bi，組成模糊向量B：B= B1， B2， B3，TA= A1， A2， A3，T 定出故障征兆論域U中各元素Aj相對于有故障特征的隸屬度Aj，組成模糊向量A：

10、 模糊故障診斷過程（3）建立模糊關系矩陣模糊故障診斷方法現場測取數據組成特征向量AB=RA診斷結論建立A與B的模糊關系矩陣R經驗數據統計數據實驗數據確定B對A的隸屬度A（B）求解模糊關系方程 由于故障因果之間存在模糊關系，需建立某一故障原因可能會產生哪些故障征兆，某種征兆出現可能存在哪些故障原因，彼此之間的關系程度有多大的關系矩陣。 亦即需要建立征兆參數Aj相對于故障原因Bi的隸屬度ijrij = Bi(Aj) 模糊故障診斷過程（3）建立模糊關系矩陣模糊故障診斷方法現場測取數據組成特征向量AB=RA診斷結論建立A與B的模糊關系矩陣R經驗數據統計數據實驗數據確定B對A的隸屬度A（B）求解模糊關系

11、方程 rij的取值范圍為0，1，由各個rij于構成了論域U和論域V之間的模糊關系矩陣R：nmnnnmmrrrrrrrrrrrrR,32122322211131211每一行為征兆集的隸屬度，每一列為原因集的隸屬度矩陣中每一元素的大小表明Aj和Bi之間相互關系的的密切程度。 模糊故障診斷過程（3）建立模糊關系矩陣模糊故障診斷方法現場測取數據組成特征向量AB=RA診斷結論建立A與B的模糊關系矩陣R經驗數據統計數據實驗數據確定B對A的隸屬度A（B）求解模糊關系方程 rij的取值范圍為0，1，由各個rij于構成了論域U和論域V之間的模糊關系矩陣R：nmnnnmmrrrrrrrrrrrrR,3212232

12、2211131211模糊關系矩陣是從大量分析、試驗、測試和現場實踐經驗的總和中得到。 模糊故障診斷過程（4）模糊綜合評判模糊故障診斷方法現場測取數據組成特征向量AB=RA診斷結論建立A與B的模糊關系矩陣R經驗數據統計數據實驗數據確定B對A的隸屬度A（B）求解模糊關系方程 從故障征兆論域U中各元素給出的數據Aj（組成模糊子集A隸屬度），求出故障原因論域V中的故障Bi（ 組成模糊子集B隸屬度）。通過模糊關系矩陣求解：B=R A模糊邏輯算子模糊關系矩陣如果征兆相量A和模糊關系矩陣R已知，則故障原因相量B即可由此求出。故障診斷方法故障診斷方法存在的問題：模糊故障診斷方法花費時間長規則有“組合爆炸”現象

13、發生非線性系統的診斷結果不夠理想對于復雜的診斷系統，建立正確的模糊規則和隸屬函數非常困難對于更大的模糊規則和隸屬函數集合而言，難以找出規則與規則之間的關系由時域、頻域特征空間至故障模式特征空間的映射關系存在著較強的非線性，這時隸屬函數形狀不規則，只能利用規范的隸屬函數形狀來加以處理，如用三角形、梯形或直線等規則形狀來組合予以近似代替基于故障樹的方法基于故障樹的方法 故障樹故障樹FT模型模型是一個基于被診斷對象結構、功能特征的行為模型，是定性的因果模型，以系統最不希望事件為頂事件，以可能導致頂事件發生的其他事件為中間事件和底事件，并用邏輯門表示事件之間聯系的一種倒樹狀結構。它反映了特征向量與故障

14、向量(故障原因)之間的全部邏輯關系。 例如：頂事件：系統故障，由部件A或部件B引發，而部件A的故障又是由兩個元器件1、2中的一個失效引起的，部件B的故障在兩個元器件3、4同時失效時發生根據故障搜尋方式不同，又可分為：邏輯推理診斷法邏輯推理診斷法最小割集診斷法。最小割集診斷法。 由計算機依據故障與原因的先驗知識和故障率知識自動輔助生成故障樹，并自動生成故障樹的搜索過程。基于故障樹的方法基于故障樹的方法診斷過程： 從系統的某一故障開始，沿著故障樹不斷提問“為什么出現這種現象”，而逐級構成一個遞階故障樹，通過對此故障樹的啟發式搜索，最終查出故障的根本原因。 在提問過程中，有效合理地使用系統的實時動態

15、數據將有助于診斷過程的進行。 基于故障樹的診斷方法類似于人類的思維方式，易于理解，實際中大多與其他方法結合使用。 在采集到被診斷對象的信息后，綜合運用各種規則（專家經驗），進行一系列的推理，找到故障。 專家系統故障診斷一般結構：人與專家系統打交道的橋梁和窗口，是人機信息的交接點。 對于在線監視或診斷系統，數據庫的內容是實時檢測到的工作狀態數據；對于離線診斷，數據庫內容可以是故障時檢測數據的保存，也可以是人為檢測的一些特征數據，即存放推理過程中所需要和所產生的各種信息。 存放的知識可以是系統的工作環境，系統知識(反映系統的工作機理及系統的結構知識)：規則庫則存放一組組規則，反映系統的因果關系，用

16、于故障推理。知識庫是專家領域知識的集合。 根據獲取的信息綜合運用各種規則，進行故障診斷，輸出診斷結果。是專家系統的組織控制機構。 被診斷對象知識規則庫結果人機接口數據庫推理機方法： 通過演繹推理或產生式推理來獲取診斷結果淺知識淺知識是指領域專家的經驗知識 尋找一個故障集合（一）基于淺知識的診斷方法（一）基于淺知識的診斷方法其目的使之能對一個給定的征兆征兆集合產生的原因做出最佳解釋。包括存在的和缺席的知識表達直觀形式統一優點：模塊性強（一）基于淺知識的診斷方法（一）基于淺知識的診斷方法不足：如知識集不完備，對沒有考慮到的問題系統容易陷入團境；對診斷結果的解釋能力弱等。推理速度快等方法：要求診斷對

17、象的每一個環節具有明確的輸入輸出表達關系，深知識則是指診斷對象的結構、性能和功能的知識（二）基于深知識的診斷方法 診斷時首先通過診斷對象實際輸出與期望輸出之間的不一致，生成引起這種不一致的原因集合， 然后根據診斷對象領域中的第一定律知識(具有明確科學依據的知識)及其他內部特定的約束關系，采用一定的算法，找出可能的故障源。優點：具有知識獲取方便、維護簡單、完備性強等。不足：搜索空間大，推理速度慢。（二）基于深知識的診斷方法將兩者有機地結合起來，使診斷系統的性能得到優化。（三）基于淺知識和深知識的混合診斷方法 建造智能診斷系統時，不僅要重視領域專家的經驗知識，更要注重診斷對象的結構、功能、原理等知

18、識，研究的重點是淺知識與深知識的集成表示方法和使用方法。 一般優先使用淺知識，找到診斷問題的解或者是近似解，必要時用深知識獲得診斷問題的精確解。基于淺知識和深知識相結合的診斷推理方法有：（三）基于淺知識和深知識的混合診斷方法集成診斷模型層次因果模型 基于狀態估計的方法 首先重構被診斷過程的狀態，并構成殘差序列，殘差序列中包含各種故障信息。 被診斷過程的狀態直接反映系統的運行狀態，通過估計出系統的狀態并結合適當模型則可進行故障診斷。 基于這個序列，通過構造適當的模型并采用統計檢驗法，才能把故障從中檢測出來并做進一步的分離、估計和決策。常用狀態估計的方法狀態觀測器濾波器最小二乘法方法 采用狀態估計

19、方法的前提條件過程數學模型知識(結構及參數)系統可觀測或部分可觀測方程解析應有一定精度 在許多場合下將模型線性化并假設干擾為白噪聲 基于狀態估計的方法 基于過程參數估計的方法 根據參數變化的統計特性來檢測故障的發生，而后進行故障分離、估計和分類。 建立故障與過程參數的精確聯系，因此這種方法比基于狀態估計的方法更有利于故障的分離。參數估計的首選方法最小二乘法 簡單實用與基于狀態估計的診斷方法不同，它不需要計算殘差序列 采用參數估計方法的前提條件 需要建立精確的數學模型 需要有效的參數估計方法 被控過程的充分激勵 選擇適當的過程參數 必要的統計決策方法 基于數學模型的故障診斷方法，其特點：優點：是

20、能深入系統本質的動態性質和實現實時診斷缺點：當系統模型未知、不確定或具有非線性時，不易實現。 基于過程參數估計的方法 基于案例的推理方法能通過修訂相似問題的成功結果來求解新問題。 它能通過將獲取新知識作為案例來進行學習，不需要詳細地診斷對象模型。基于案例的診斷方法主要技術包括案例表達和索引案例的檢索案例的修訂從失敗中學習等基于案例的診斷方法的原理 根據所診斷的對象特征從案例庫中檢索出與該對象的診斷問題最相似匹配的案例，然后對該案例的診斷結果進行修訂作為該對象的診斷結果。 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，而易表示成案例形式并且已經積累了豐富的案例的領域。基于案例的診斷方法局限

21、性傳統的基于案例的診斷方法難以表示案例之間的聯系； 對于大型案例庫進行檢索非常費時，并且難以決定應選擇哪些癥狀及它們的權重； 難以處理案例修訂時的一致性檢索(特征變量間的約束關系)，難以對診斷結果加以解釋。基于案例的診斷方法其核心技術是故障模式識別 獨特的容錯、聯想、推測、記億、自適應、自學習和處理復雜多模式等2、診斷領域的應用研究基于人工神經網的方法1）從模式識別的角度應用它作為分類器進行故障診斷；1、神經網絡特點：2）將神經網絡與其他診斷方法相結合的復合故障診斷方法。3、神經網絡故障診斷過程： 學習(訓練)、診斷(匹配)基于人工神經網的方法學習過程：在一定的標準模式樣本的基礎上，依據某一分

22、類規則來設計神經網絡分類器，并用標準模式訓練 診斷過程：將未知模式與訓練的分類器進行比較來診斷未知模式的故障類別。預處理：通過刪除原始數據中的無用信息得到另一類故障模式，由樣本空間映射成數據空間。在數據空間上，通過某種變換(如對模式特征矢量進行量化、壓縮和規格化等)使其有利于故障診斷。 3、神經網絡故障診斷過程： 學習(訓練)、診斷(匹配)基于人工神經網的方法將從診斷對象獲得的數據看做一組時間序列，通過對該時間序列的分段采樣，可以將輸入數據映射成樣本空間的點。這些數據可能包含故障的類型、程度和位置等信息。 但從樣本空間看，這些特征信息的分布是變化的，因此，需經合適的變換來提取有效的故障特征。

23、而所提取的這些特征對于設備的參數應具有不變性。常用的特征提取方法有： 傅里葉變換 小波變換 分形維數等。 3、神經網絡故障診斷過程： 學習(訓練)、診斷(匹配)基于人工神經網的方法網絡分類器：常用于故障診斷分類的神經網絡有： BP網絡 雙向聯想記憶(BAM)網絡 自適應共振理論 自組織網絡 B樣條網絡2、知識獲取方面基于人工神經網的方法 神經網絡的知識不需要由知識工程師進行整理、總結以及消化領域專家的知識， 只需要用領域專家解決問題的實例或范例來訓練神經網絡；3、知識表示方面 神經網絡采取隱式表示，在知識獲取的同時，自動產生的知識由網絡的結構和權值表示， 并將某一問題的若干知識表示在同一網絡中

24、，通用性強，便于實現知識的自動獲取和并行聯想推理。基于人工神經網的方法4、知識推理方面神經網絡通過神經元之間的相互作用來實現推理。5、不足基于人工神經網的方法 由于神經網絡從故障事例中學到的知識只是一些分布權重，而不是類似領域專家邏輯思維的產生式規則，因此診斷推理過程不能夠解釋，缺乏透明度。 所謂基于信號處理的方法，通常是利用信號模型信號模型，直接分析可測信號，提取特征值特征值，從而檢測出故障。 基于信號處理的方法基于信號處理的方法 如相關函數、頻譜、自回歸滑動平均、小波變換等 如方差、幅值、頻率等方法簡單，但容易出現故障的誤判和漏判。 該診斷方法是直接測量被診斷對象有關的輸出量，如果輸出超出

25、正常變化范圍，則可以認為對象已經或將要發生故障。采用傅里葉變換進行信號分析傅里葉分析的方法傅里葉分析的方法 傅里葉分析存在時域和頻域局部化的矛盾，缺乏空間局部性， 因此：因此：基于傅里葉分析的信號處理方法只能提供響應信號的統計平均結果，很難在時域和頻域中同時得到非平穩信號的全部和局部化結果，使非平穩動態信號分析難以達到令人滿意的程度。 由于：由于：傅里葉分析是以信號平穩性假設為前提的，而大多數的控制系統的故障信號往往包含在瞬態信號及時變信號中。 是一種全新的時-頻分析方法，它繼承了傅里葉分析用簡諧函數作為基函數來逼近任意信號的思想。小波分析法小波分析法 小波分析的基函數是一系列尺度可變的函數

26、具有良好的時-頻定位特性和對信號的自適應能力 能夠對各種時變信號進行有效的分解，為控制系統故障診斷提供了新的、強有力的分析手段。小波變換是80年代后期發展起來的應用數學分支小波分析法小波分析法 三種基于小波變換的故障診斷方法：利用觀測信號的奇異性進行故障診斷利用觀測信號頻率結構的變化進行故障診斷利用脈沖響應函數的小波變換進行故障診斷 優點：優點：由于基于小波變換的故障診斷方法無需研究對象的數學模型，對輸入信號的要求較低，計算量不大，可以進行在線實時故障檢測，靈敏度高，克服噪聲能力強，因此是一種很有前途的故障診斷方法。基于人工智能的故障診斷方法 是當前故障診斷技術的一個研究熱點，通過將多種故障診

27、斷方法有效地集成在一起，可以充分發揮各種方法自身的優點，提高診斷系統的能力和水平，有效地解決復雜系統和過程的診斷問題。 集成智能故障診斷技術 例如:基于范例推理、人工神經網絡和模糊邏輯的集成；基于知識推理和范例推理方法的集成；基于規則推理、因果模型和深層次知識模型方法的集成；以及人工神經網絡、模式識別等多種方法的集成 故隨智能診斷系統存在的問題 1、故障智能診斷方法具有以下優點： （1）可解決需要進行復雜推理的復雜診斷問題（2）使一般的維修人員也能掌握復雜設備的故障診斷知識（3）在某些方面比人類專家更可靠，更靈活（4）具有人機合作完成診斷任務的功能（5）便于用戶對知識庫的修改和完善。能夠模擬人

28、腦的邏輯思維過程 可以儲存和推廣領域專家寶貴的經驗和知識，更有效地發揮各種專門人才的作用 可以在任何時候、任何條件下提供高質的服務，不受外界的干擾它可以在診斷過程中實現人機交互，通過人的參與使得診斷的結果更加準確。先進的故障智能診斷系統還具有學習的功能，能夠在診斷過程中自動完善知識庫，提高系統的診斷能力 故隨智能診斷系統存在的問題 2、需進一步解決的問題 知識庫龐大 解決問題能力的局限性 深、淺知識結合能力差 自動獲取知識能力差 容錯能力差對不確定性知識的處理能力差 為了使診斷系統達到高效、實用的目標，必然需要大量的專家經驗知識，以防知識庫不完備時效率急劇下降由于受系統中知識的限制、大多數診斷

29、系統只能解決狹窄的專家知識領域以內的問題，而對其他領域的知識一無所知。 在一些系統中雖然采用了元知識控制等推理控制策略，但組合爆炸的問題仍然不可避免。 為此，某些診斷系統將領域級知識和專家經驗知識分層分塊，便于知識的管理和診斷效率的提高。 一旦出現的問題超出診斷系統知識領域的邊界，系統的工作性能就會急劇惡化，而系統本身并不能判斷什么時候或什么情況下遇到了超過系統能力的問題。如何將領域問題的基本原理與專家經驗知識結合得更好方面所做的工作還很少，使得系統不能具備與人類專家能力相似的知識或能力，影響了系統發揮更大的效能。知識獲取長期以來一直是故障智能診斷系統研制中的“瓶頸”問題 目前多數的診斷系統在

30、自動獲取知識方面表現的能力還比較差，限制了系統性能的自我完善、發展和提高。 雖然一些系統或多或少地加人了機器學習的功能，但基本上不能在運行的過程中發現和創造知識，系統的診斷能力往往僅局限于知識庫中原有的知識。目前一些研究人員已開始將人工神經網絡技術應用于各類診斷系統，以提高系統的學習能力。 故障智能診斷系統的知識大都是集中存放于知識庫，在結構上是將知識庫與推理機分開的，它們在知識表示上基本上是采用局部表達方式。 所以現有的診斷系統雖然具有一定的冗余容錯能力，但仍然達不到令人滿意的程度。一些研究者已開始利用面向對象技術來解決這一問題診斷系統中往往存在大量的不確定性信息，這些信息或是隨機的，或是模

31、糊的，或是不完全的。 如何對不確定性知識進行表達和處理，始終是診斷領域研究的熱點問題。 雖然有很多不確定性理論在實際的故障診斷專家系統中得到了較好的應用，但是這一問題仍未得到十分有效的解決，在有效、合理、使用的不確定性知識處理方面存在著巨大的研究潛力。故隨智能診斷系統存在的問題 2、需進一步解決的問題 總之，故障智能診斷系統無淪在理論上還是在系統開發方面部已取得廣很大的進步，但真正投入使用并且功能完善的系統并不多，大多數研究成果仍然停留在實驗室階段。造成這種理論與實踐脫節有兩個方面的原因： 一方面是由于理論研究所限定的條件與實際應用時的情況相差甚遠 另一方面是由于對診斷對象缺乏深刻的認識和研究

32、，而且作為人工智能技術本身也有待于進一步發展和完善。故障智能診斷系統的發展趨勢 隨著知識工程的發展以及數據庫、虛擬現實、神經網絡等技術的日新月異，必然引起故障智能診斷系統的在各個方面的不斷發展。其發展趨勢可概括為以下 多種知識表示方法的結合 經驗知識與原理知識的緊密結合 診斷系統與神經網絡的結合虛擬現實技術將得到重視和應用 故障智能診斷系統的發展趨勢 1、多種知識表示方法的結合 在一個實際的診斷系統中，往往需要多種方式的組合才能表達清楚診斷知識，這就存在著多種表達方式之間的信息傳遞、信息轉換、知識組織的維護與理解等問題，這些問題曾經一直影響著對診斷對象的描述與表達。近幾年在面向對象程序設計技術

33、的基礎上，發展起來了一種稱為面向對象的知識表示方法，為這一問題的解決提供了一條很有價值的途徑。 在面向對象的知識表示方法中，傳統的知識表示方法如規則、框架、語義網絡等可以被集中在統一的對象庫中，面且這種表示方法可以對診斷對象的結構模型進行比較好的描述，在不強求知識分解成特定知識表示結構的前提下，以對象作為知識分割實體，明顯要比按一定結構強求知識的分割來得自然、貼切。另外，知識對象的封裝特點，對于知識庫的維護和修正提供了極大的便利。隨著面向對象程序設計技術的發展，面向對象的知識表示方法一定會在故障智能診斷系統中得到廣泛的應用。故障智能診斷系統的發展趨勢 2、經驗知識與原理知識的緊密結合 為了使故障智能診斷系統具備與人類專家能力相近的知識，研制者在建造智能診斷系統時，越來越強調不僅要重視領域專家的經驗知識(淺知識)，更要注重診斷對象的結構、功能、原理等知識(深知識)，忽視任何一方面都會嚴重影響系統的診斷能力。 關于深淺知識的結合問題，目前較普