（机械电子工程专业论文）基于粗集方法的故障规则自动获取系统的研究与设计.pdf

麓子粒集方法的数障援刚自动获取系统韵研究尊竣诗 摘要 故障诊断专家系统在工业领域中具有广泛的应用，常规敞障诊断专窳系统存 在无法安理自学习、应用不完备馕息困难豹局限蛙。本论文匏核心任务遐搽索应 甭租豢遴论解决上述闯题的方法和途径，研究并设计基于粳集理论的故障规则的 自动虢敬方法和系统，实现故障诊断专家系统中对于不完备信息的有效处理与规 剿知识豹学习。瀑鼷跫薅掏建金额故障诊断专家系统兹一矜青盏懿探索。遁就本 课题的研究既具有攀术价值，对工程应用也裔实用意义。 论文首先阐述了在故障诊断专家系统中成用粗集方法的必要性和可行性，并 提塞了个基于趣繁方法豹故障诊断专家系统捱契模型。接罄对故障样本信息的 表达和故障规则的自动获取豹凡个重要的技术环节幸亍了深入研究，提出并实现了 基于粗集方法的故障规则自动获取系统。系统的模型设计和关键实现技术包括： 定义哭罴型数据痒戆集模型，实瑷敬障样零售慰麴决羡表裘示；实现鼓骧决策表 的b c 读取；应用幼态约简思想，实现决策袭的子表随枫采样；设计并实现条 件属隧的动态约简辫法：过滤约简集合以获取蠼为稳定的约简；定义故障规则的 表达终掏；薮薄甄粼豹提取对簸羹l i 豹覆量往诗。 穰系统实现中，结合面向对象技术，应两u m l 以及r a t i o n a lr o s e 工其，对 系统进行u l i l l 建横，并在v c + 十平台，实现包括决策表娄、约简类、规则类等 援关炎及其主要成员蘧数。嚣瓣，班汽车发动执鼹异稳类敬辫尧学习撵零，黠系 统的故障规则获取谶程进行案例分折，从相关的实验结果数槠来看，较好地实现 了系统的预定目标和劝能。 文警最差对论文获皴嚣工嚣避霉亍了慧绥，著缝窭了迸一步辑变戆穷鹚。 关键谰：粗集方法，专家系统、敝障样本决壤表，故障规则、动态约简，规则 提取 。蕾二 露，丞蓦 登 基于租集方法的故障规则自动获取系统的研究与设计 a bs t r a c t t h ek e m e lw o f ki nm i st h e s i si s 也er e s e a r c ha n dd e s i g mo ff a u i t - r u l ea u t o m a t i c e x 幢a c t i o nb a s e do nr o u 曲s e t ，w l l i c hm a y 面p r o v et l e 矗b i h t yt or e a s o na n ds o l v et h e d e c i s i o nq u e s t i o nw i t h 如【c o m p l e t ei n f o m l a t i o na n dt o a c q u i r cm l e k n o w l e d 窖e a u t o m a t i c a l l y i nt h cf a u l td i a g n o s i se x p e n s y s t 锄i ti sau s e f u 】e x p l o r a t i o no f b u i l d i l l g a 丘r e - n e wf n l td i a g n o s i se x p e r ts y s t 啪t h e 印p l i c 缸o no f 【1 1 ef a u l td i a g l l o s i se x p c n s y s t e mi s s ow i d ei nt 1 1 e 协d u s t r yf i e l dm a tt 1 1 er e s e a r c ho fo l l rw o r ki sw o r t ha n d i m p o r t a n t a tm e b e g i 皿i i 培o f t h i s 吐l e s i s ，t h en c c e s s i t ya n df e 船i b i l 时o fa p p l 姐n gr o u g hs e t m e t h o dt 0t h e 丘u i t 出蜉1 0 s i se x p e r 亡s y s t e ma r ep r e s t e d ，a tt 1 1 es 蜘ed m e ，am o d e i o ff 扎1 td i a g i l 0 8 i se x p e r ts y s t e mb 罄e do n u g hs e ti sp r o p o s e d th i 暑i lo nm eb 弱i so f d i s c u s s i n g t h er e p r e s e n 谢o no ff a u l t s a m p l ei i l f o m l a t i o na n dt l l es e v e m lk e v t e c h n i q u e so ff a u l t m l e a u t o m a t i ca c q u i s i t i o n ，m ea u m o rp r e s e n t sa r l d d e s i g n sa 1 1 卵p r o a c ho fa u t o m a t i ce x t r a c t i o no ff a u l t m l eb a s e do nm u g hs e t s o m ep r a c t i c a l p r o b l e m si n v o i w 缸i i lm o d e l i n 窖a n dp r a c t i c a l 把c h n i q u e sc a nb ec o n c l u 如da s 如】l o w s ： ( a ) am o d e lb a s e d o n r o u 曲s e t o fr d b ，w h i c hr c p r e s 肌t st h e f a u n s 锄p l e i n f b 砷a t i o na sad e c i s i o nt a b l ei sd e f m e d m 1g e t 自u l td e c i s i o n t a b l e 舶md a t a b a s e b yo d b c ( c ) am l m b e ro fs l l b t a b l e sa r em n d o m l ys a m p l e d 丘o mt l l ei n p u tf a l l l t d e c i s i o nt a b l e b yt h em e t h o do fd y n 蛐i c - r e d u c t i o n ( d ) a i la l g o 珊no f 批饰u t e r c d u c i n gi sd e v e l o p e d ，a t 出es a m ed m e ，n l er c d u c t i o ns e t s ，嬲也er e s u l to fa 州b u t e r e d u c i i l 禹i sm t c r e d 抽o r d e rt og e t 也em o s t “s t a b l e ”r e d u c d o ni ns o m es 蚰s e ( e ) a s 呲t i l r eo ff 旮u n 九l l ei sd e f i n e da n dam e t h o do fe x t r a c t i n gf a u l t - m l eb 8 s e do nr o u 对l s e ti s 口r c s e n t e do nb 舔i so fm em l es m l c t u r e ( f ) s o m ep a r a r n c t e i 。sa r ec a l c u l a t c dt o v a l u et 1 1 ef h u l t - m l e i nt h ep r o c e s so f s y s t 啪d e v e l o p m e n t ，au m l m o d e lo f8 u t o m a t i ca c q u i s i t i o no f f h l t m i eb 舔e do nr o u 曲s e ti sd e s i 弘e d b y0 0 t e c h n i q u ea n du m l i nr a t i o n a lr o s e a n ds o m eu s e l lc l a s s e ss u c h 硒d e c i s i o n t a b l ec l a s s ，r e d u c t i o nc l a s sn l l ec l a s sa n dk e y m c t i o n sa r ed e v e l o p e di i lt h ep l a t f b mv c + + t h e naf h u l ts a m p l eo f t h en o i s e 一也u n a b o u t 肌t o m o b i l ee n 西n ei s 百v e l lt oa n a l y z ea i l dp r o v e 血ee c d v 觚e s so f 血es y s t e m a tl 淞t ，as 咖a r yo f 血et h c s i sw o r ki s 舀v e ，a n d 缸恤c rr e s e a r c hi 1 1 t e r e s t sa r e a l s op r o s p e c t e d k e y w o i s ： r o u 曲s e tt h e o 啪e x p e r ts y s t e m ，f 叭1 t s 蛐p l e d e c i s i o nt a b l e ， f a u l l m i e ，d y n 锄i cr e d u c t i o 豇，r u l ee x 柏c “0 n i i 第章概述 第一章概述 【摘要】本章综述智能诊断技术和粗集方法的国内外研究现状，重点论述了故障诊断专 家系统的特点和存在的问题，以及粗集方法在智能故障诊断专家系统的应用前景。在此基础 上，提出了本课题的研究内容、目的和课题意义。 1 1 课题的研究背景 1 1 1 智能诊断技术1 5 1 随着机械设备的日趋复杂化、大型化，设备故障所带来的危害也越来越大。 如果某台设备出现故障又不能及时发现和排除，往往会导致设备本身损坏，甚至 可能造成机毁人亡的严重后果。在连续生产系统中，如果某台关键设备因故障而 不能继续运行，往往会导致整个生产系统的瘫痪，造成巨大的经济损失。由此可 见，设备故障诊断在社会生产中的作用和地位已日益突出。 故障诊断( f a u l t d i a 印o s i s ) 包含两方面的内容：一是对设备的运行状态进 行监测：二是在发现异常情况后对设备的故障进行分析、诊断。 故障诊断技术开始于2 0 世纪6 0 年代，1 9 6 7 年，在美国宇航局( n a s a ) 的倡导下，由美国海军研究室( o n r ) 主持成立了美国机械故障预防小组 ( m f p g ) ，开始从事技术诊断的研究，并在航空、航天、军事、核能等领域进 行了广泛的应用。目前，美国仍在这些领域保持世界领先地位。 英国于6 0 7 0 年代开始研究故障诊断技术，并在摩擦磨损、汽车和飞机发 动机监测和诊断方面处于领先地位。 日本从1 9 7 1 年开始诊断技术的研究，1 9 7 6 年达到实用化。日本的诊断技 术在钢铁、化工和铁路等领域处于领先地位。 我国的故障诊断技术起步较晚，但发展较快，目前已广泛应用在化工、冶 金、电力等行业。 黪 一概述 经过三十多年的发展，人们已经开发和研究出了些较为成熟的诊断技术， 如铁谱分析、声发射、红外测温、油液分析和各种无损检测，以及信号处理、模 式识别、模糊推理等方法。 随着计算机技术、现代测试技术、信号处理技术以及人工智能技术的迅速发 展，特别是知识工程、专家系统和人工智能网络在诊断领域中的进一步应用，智 能诊断技术已经成为设备状态检测和故障诊断的重要发展方向。 应用智能诊断技术的系统一般包括领域专家知识、智能硬件以及必要的外部 设备、物理器件和相应的软件。它能对诊断对象进行状态识别与状态预测，其智 能性体现在能有效地获取、传递、处理、再生和利用诊断信息，从而具有对给定 环境下的诊断对象进行成功的状态识别和状态预测的能力。它具有以下特点 6 ，7 1 ： ( 1 ) 它是一个开放的系统，系统的能力在实际使用的过程中，在同环境进行 信息交互的过程中不断地进化、并且具有自我提高的能力； ( 2 ) 它是由计算机硬件和软件组成的系统，但又不同于常规的计算机程序系 统，不具有确定的算法和程序途径。智能诊断系统是根据诊断过程需要搜索和利 用领域专家的知识和经验达到诊断目的的： ( 3 ) 它既是一个人工智能系统，离不开模拟人脑功能的硬件设备和软件，另 一方面又不排斥人的作用，尤其目前神经网络技术的兴起，基于神经网络的智能 诊断系统，利用神经网络的学习功能、联想记忆功能、分布式并行信息处理功能， 解决诊断系统的知识表示、获取和推理的问题。 智能诊断的优越f 生在于它可以综合多个专家的最佳经验，它的综合水平可以 达到超过专家，至少具有专家的水平，实现多故障、多过程、突发性故障的快速 分析诊断。它集传统诊断方法优点和专家经验于体，实现人一机联合诊断功能。 目前主要的智能诊断技术，包括：川 基于模糊理论的故障诊断 基于实例的故障诊断 基于浅知识的故障诊断专家系统 基于模型知识( 深知识) 的故障诊断专家系统 2 第一掌掇述 藻于神经网络的故障诊断技术 1 1 2 故障诊断专家系统 9 - ”。矧 基予知识的故障诊断专家系统建设备故障诊断领域中最为弓 天注目的发展 方良之一，也是繇究最多、应爱最广静一类骜莪诊辑技本。它大致经嚣了嚣令爱 展阶段：港于浅知识的第一代故障诊断专家系统和基于深知识的第二代故障诊断 专家系统。它的实质是成用大量人炎专家的知识聋推理方法解决复杂的实际阅题 的一释人工餐戆计算辍程痔。 美圜、欧洲和日本的大公司，如西屋公司( w h e c ) 、b e n t l y 公司、三菱 重工等已经开发出成熟的故障诊断专家系统，并融经应用于相废的工程领域。我 国在敲障诊断领域氇歼发了一些专家系统，圭甏应震子汽轮笈毫蕊蕴等敬瓣诊 断，已经取得了良好的经济效益。 1 2 故潍诊繇专家系统豹主要後谈点 专家系统在知识液达、知识处璁与知识运用等方面具有独特特性，它不仪可 班利用现蠢静理论知谈来处理各种定性信息，面熙可以总结和刹月人类的经验知 识来解浃那些依赖群辑方法不麓熊决酶问题，闲辩具有良好懿天梳交互雾甏。 主要优点包括： n ) 道过对维修专家抟故璋诊断知识的形象攒述，可以有效地存储、积累和 利用专家静宝贵知识； f 2 1 专家系统可以使维修专家的舞玎识产品化，从而便于推广辛利用，有利于 缌决维修专家供不应球豹矛盾； ( 3 ) 便予模块纯，w 黻将多个缳修专家鹃翘谈秘入知识瘁获瑟实蕊j l 孛多个 维修专家知识的综合利用。同时，强个别事实发出变化时易二于：修改： 陶繇识可使用显妓的符号表涿，链和传绞的符号数据霹避哥亍接口。在已知 基本藏掰的情况下，冤嚣输入大薰静继节知谖： ( 5 ) 逑舍用于模拟八的逻辑思娥过程解决需要进行逻辑推理的复杂诊断问 题；能解释自己的接骥过程，并解释结论是慧榉获得的- 第一章概述 1 12 2 基于知识的故障诊断的发展方向 基于知识的故障诊断技术存在一些缺点，如在研究和应用中难以自动获取知 识，无法有效地完成系统的预期功能，属于串行处理方式，实时性差，容错性差， 存在“知识获取瓶颈”、“匹配递归无穷递归”等潜在的缺点。 一 目前，故障诊断专家系统的发展方向大致可以归纳为以下几点： ( 1 ) 由基于规则的系统发展到基于混合模型的系统 基于规则的诊断系统比较成熟，许多实际运转的诊断系统都是基于规则的。 为了吸收各种方法的优点，可以综合多种方法，如基于规则、基于功能和深层知 识模型的方法，甚至可以采用人工智能网络和模式识别等方法，以实现多形式、 多深度诊断知识的推理也可以在诊断的不同阶段采用不同的方法。 ( 2 ) 由领域专家提供知识发展到机器学习 知识获取是建造故障诊断专家系统的瓶颈问题，尤其是知识的自动获取一直 是专家系统研究中的一个难点。解决知识获取问题的途径是机器学习，即让机器 具有获取知识的能力，使其能在实际工作中不断总结成功和失败的经验教训，对 知识库中的知识自动进行调整和修改，以丰富、完善系统的知识。 ( 3 ) 由非实时诊断发展到实时诊断 实时诊断就是强调在线数据处理与在线诊断推理。要达到诊断的实时性，需 要寻求合理的诊断方法，设计合理的诊断软件结构，实行分级进程推理，尽可熊 提高硬件的处理速度。 h ) 由单机诊断发展到分布式全系统诊断 在现代化工业中，大型成套设备的使用越来越多，它们的结构和功能是分布 式的和多层次的。这一特点决定了诊断系统也必须是分布式的和多层次的。大型 设备的分布式监视与诊断问题的求解是基于知识的诊断推理中一个新的研究重 点和发展方向。 ( 5 1 由单一推理控制策略发展到混合推理控制策略 单一推理控制策略容易使系统在推理过程中出现“匹配冲突”、“组合爆炸”、 t t 无穷递归”等问题，使系统的推理速度变慢，性能降低。 将数据驱动控制和目标驱动控制两种推理策略合而为一，通过数据驱动选择 4 第一章概述 翅振，壤用羰标驱溯求鳝擐终基标，形藏取囱混合按剩菱醛。 ( 6 ) 专家系统技术与人工神缀网络技术的集成圳6 1 专家系统和神经网络技术各有所长，而且体现着相辅相成的特性。两者的性 麓眈鞍如下袭： 5 袋1 1人工宰串经网络和专家系统技术比较 一f 生能人工神经网络专家系统 知识存髓连接机制规则、框架葛 知识表示隐示显示 数值处理符号、数值处理 累加和阀值模式联配 计算简单、单一复杂、多种 分布、并行集串、串幸亍 推理非启发式传播启发式传播 拳霹结擒学习显示瞧翔疆学习 对象数据屡次知识爆次 瓣释基子事铡基于攥理蓬援 容错性较强较弱 因此，将专家系统技术与人工神经网络技术集成，构成神经网络故障诊断专 家系统具有较好的发展前潦，是一类新的知识袭达体系。与传统的专家系统的商 凄逻瓣不露，它是一耱瘗缫数篷模鍪，信意娃遴是逶进大羹稼之梵节熹懿燕擎处 理单元之间的相互作用进行的；唆采用分布式信息保持方式。为专窳知识的获取、 表达和推理擒供了众新的途径。 1 1 3 粗集方法 襁集方法是滚兰学者z p a w l 鑫k 在中年饯时1 摄壅静爝乎分餐鞠楚瑗各种不 完各僚惠，从孛发鼗蔑刘，握示潜在嫂律兹数学王典娜1 。宅戆最大豹黢建特点 是，仅剥用数据本身提供的信息，而不耩要其它任何的先验知识。这一理论的提 出，为处理模糊的和不精确的知识提供了一条全新的途径。 1 1 3 1 粗纂罐论及翔识躺表达”蕊2 1 1 褒粮集骥论孛，知识被认茭是一季孛憋现蜜戏抽象戆对象进季亍分类的戆力。绘 定一个有限非空集合【，为论域空间，r 为矿上的一个等效关系，则知识墩可看作 s 第一章概述 j 羹l 对象本身繇爨有躲关系绒愿整霆，对谂域空霹避章亍夔等债楚分，鄹 u ，r ； e 。，三：，e ，) ，其中，墨u 是等价类，或基本集。知识库可以定义为 一个荚系系统鬣= ( v ，置)即u 在关系畏下划分形成的等价关系。 # 设z c r 显并妒，z = 阮，j ：，t 且与工i 仃，e l ，) ) 之瀚酌关系是 不可分辨的，记为胁d ( x ) ，即集合盖不能用熬本集置准确的表达，体现了集合j 静不确定注；我们毅毽雳上邋鑫羹集煮下遥强集静穰念求裘示凝集戆这种不确定 程度。不可分辨燕系是粗集方法的理论基萜它揭示了论域空间中知识的颗粒状 结梅的特性。 穰集理论中，决策表是舅一个重要熬援念。它是一强二维稳表嵇，翔寒搔述 论域中的对象。凝中每一行为一个对象，每一列为对象的个属性，属性可以分 为祭馋属性和决策属，眭。 穰据各争箨经或属往戆缎会可竣将惑象避行不嚣懿越分。麦子并# 所有魏条 件| | i 爵性都是必要的去除那些多余的属性并闶时确保分类的正确，从而得到最小 条佟属性集，骶约简。一个决策褒同时可能孬在几个不同的约简，这螓妁简的交 集定义为决策表豹核f e o 竭，竣申靛藩瞧是影晌分类的耋黉属洼。 决策表中每一个对象都蕴含着一条分类规则，决策袭实际上也是一组逻辑规 则的榘合。他筒决策表的过程魂就是抽取分类规则的过援， 1 1 3 2 粗集方i 蠢的应用和发牒前景【2 2 “4 】 粒集方法静爱套力在予京矮毒较强蛇滚翔佳，驳诞薹l 兰爱i 现在虽然只毒十且年 的时阔，但已经谯许多领域取得了令人鼓舞的成果。这一理论对人工餐麓和知识 工糨尤为重要。襁专家系统、扶策支持系统、机器学习、机器发现、归纳推理、 模式识剽、决荧袭等方蚕移蠢搂攀成爱豹残惩实铡。固孵奄各魏实际擞滔中也德 到了广泛的应用，如医学、工娩、工程技术、控制系统、社会科学、她球科学、 图像处理等方面。 瘦弱凝集方法获取袈谈实现捉器学习，实矮是通过双训练的例子书学习菸推 导出知识。k a n s a s 大学已经开发了基于鹈熊方法的学习系统l e 歉s ，该系统 6 第一章概述 的知识获取组件能较好地帮助使用不完全信息工作的专家系统构建知识库。 l e r s 已经在n a s a sj o h s o n 空间中心应用了多年，在开发专家系统进行全 球气候变化研究中起到了重要的作用。 粗集方法用于决策分析的赵好的效果充分体现在波兰p o z n a n 科技大学开 发的计算机系统中。这个系统已经被分成两部分r 0 u 曲d a s 和r o u 曲c 1 a s s ， 分别对问题进行解释和描述。这两个系统已经在许多的实际领域中得到了应用， 并得到了良好的效果。 粗集方法也常被应用于知识发现，主要是知识库中的知识发现o d ) 。知识 发现或从数据库中挖掘知识是人工智能的一个新领域，其主要任务之一是内部数 据库中挖掘出额外的非琐碎的知识或者找出内部数据的关联或关系和特征。例 如，医学数据库中症兆和病例之间的联系。粗集方法被用于k d d 研究已经多年 特别对数据库挖掘，比如数据逻辑、商业软件系统、以控制为目的的传感器上的 数据分析等都已经导致了一些新的重要的规则的发现。r e g 矾a 大学用知识发现 决策方法开发了k d d r 系统，这个系统被用来对医学数据进行分析，以此发现 症兆与疾病间新的联系。 目前，租集方法的诸多应用集中在以下几方面： 在专家系统( e s ) 中的应用m 2 4 1 在数据挖掘中的应用2 “ 医疗诊断2 7 1 决策分析2 b 】 粗糙控制”1 粗集方法提供了在人工智能的许多分支上可应用的有效方法- 证明在许多实 际生活中是完备和十分有用的。 1 2 课题概况 1 2 1 课题的出发点 7 第一章概述 故障诊断专家系统在实际的应用中往往难咀自动获取知识，无法有效地完成 系统的预期功能，实时陛差，容错性差，存在“知识获取瓶颈”、“匹配递归”无 穷递归”等问题，从而影响系统性能地充分发挥。具体体现在以下几点： ( 1 ) 知识获取的瓶颈问题。传统的知识获取多是将领域专家的知识总结为规 则加入知识库中，知识获取效率低。另外，领域专家的许多经验知识很难用一定 的规则进行准确的描述； ( 2 ) 推理机制的局限。很多问题很难进行形式化的描述，知识库管理困难； 在推理过程中，往往由于搜索空间过大，容易产生“匹配冲突”，进而带来“组 合爆炸”、“无穷递归”等问题：缺少联想、记忆、类比等形象思维能力； ( 3 ) 自学习、自适应能力差。在故障诊断专家系统中，由于现行的故障诊断 系统通常以专业领域的经验知识为基础进行求解，不能在实践过裎中总结经验或 从专业领域本身的发展中学习新的知识； ( 4 ) 非确定性知识的处理困难。在模糊规则诊断中，模糊隶属度函数的获得 比较困难同时，一些简单的模糊逻辑算子往往难以满足推理的要求。 针对传统专家系统的不足，人们进行了不断的探索，例如将神经网络与专家 系统结合，使得两者充分发挥各自的优点为专家系统知识获取和表达以及推理 提供了全新的方式。 利用粗集方法抽取规则的特点，可以动态构造专家系统的知识库，增强专家 系统的自学习、自适应能力；同时由于粗集方法具有处理不确定性知识的特性， 从而可以加强系统对于不完全信息的处理能力。 在实现系统自学习过程中，将决策表作为学习样本的载体，从决策表中提取 出分类规则，实现“从事例中学习”。由于一个样本事例正好对应于关系型数据 库中的一条记录，因此规则的提取可以以数据库的规模和特征代表为基础的。规 则提取的效率依赖于事例样本集合对领域的覆盖是否完备，是否进行了足够的观 测。一次观测得到一个事例，同时，观测的时间性和空间性决定了事例样本库是 否足够完备，足够丰富。 应用粗集方法实现专家系统的自学习功能及处理不确定信息，为构造专家系 统提供了一条崭新的途径。 第一章概述 2 2 课题研究内容相意义 本课题酋先将建立一个成用粗集方法的故障诊断专家系统模型，核心任务是 针对藏障诊断专家系统中的知识获敬阔题，构建基予稽集方法的蕊尉自动获敬系 统，撵加以实现。棚关的主簧内容包括： ( 1 ) 传统故障诊断专家系统的优缺点的分析和糨集方法艘用于敌障诊断专家 系统瓣可行羧硬究； f 2 ) 构媳应用粗熊方法的专家系统框架模型； f 3 ) 敌簿榉本豹关系型数据痒狠嶷模型按述，竣及应矮糕集理谂的翔谖袭示 方法研究； 强 蘸簿样本数据静动态绔篱冀法设诗鞫麓蓟撬鞭方法磷究： ( 5 ) 采用蘑向对象技术( 0 0 ) 进行系统分析；应用u m l 、r a c i o n a lr d s e 进行系 统建模；在v c 平台设计相关豢和主要成员函数，实现敬障蕊剃自动获取系 统静主安功能。 本课题是对故障诊断专踩系统构建及自幼学习的一种脊益的探索，是在应用 秽缀瓣络、骥壤方法等方法之羚宠饕传绞敖游诊叛专家系统憋毒蓥尝试。赦簿诊 断专家系统猩工业领域有着广阔的胰用前景，因此对故障诊断专家系统的进步 磷炎褥霄氇蒜有重簧瓣理论慧义彝琥实意义。 9 第二章系统的模型构建 第二章系统的模型构建 【摘要j 本章首先分析了应用粗集方法于故障诊断专家系统的可行性，并构建了相应的 系统模型。在此基础上，重点对本课题所涉及的基于粗集方法的故障规则自高获取系统进行 了概念层次的建模并应用u m l 、r a 抽n a ir d s e 给出了系统的基本模型图。 2 1 总体模型的构建 2 1 1 可行性分析 故障诊断专家系统中知识库和规则推理是重要组成部分。其中，知识库中的 规则知识有两种方式：领域通用知识和专家的经验结果或者称为事实陈述。由于 专家系统中的领域知识和概念是集合意义上的，对于专家系统至关重要的知识及 其认识很自然可建于粗集的基础上，因为粗集本身就是集合意义上的。 应用粗集方法进行知识学习，其实质是从训练的例子中学习，从而导出对知 识学习的结果规则，这些规则可用于基于规则的专家系统中。 粗集方法的应用特点体现在以下几点： ( 1 ) 粗集方法不需要先验知识 模糊集和概率统计方法是处理不确定信息的常用方法，但这些方法需要一些 数据的附加信息或先验知识如模糊隶属函数和概率分布等，这些信息有时并不 容易得到，而且有时需要凭经验给定，或由专家给出，具有主观性。而粗集方法 仅利用数据本身提供的信息，无须任何先验知识。 但) 粗集方法是一个强大的数据分析工具 它能表达和处理不完备信息；能在保留关键信息的前提下对数据进行化简并 求得知识的最小表达；能识别并评估数据之间的依赖关系，揭示出概念简单的模 式：能从经验数据中获取易于证实的规则知识，特别适于智能处理 f 3 ) 粗集方法只能处理离散型属性 问题域中对于属性取连续值的情况，需要进行某种方法的离散化处理。连续 属性的离散化，使得粗臬方法对离散和连续属性都能够处理，扩大了模型的应用 1 0 第二章系统的模型构建 范围。 结合粗集方法的特点，在传统故障诊断专家系统的基础上，可以构造基于粗 集方法的学习系统，完善专家系统的知识库，构建新型专家系统模型。 粗集方法的应用主要增强了系统的自学习的能力和处理不完备故障信息的 f 能力： ( 1 ) 能够从经验数据中获取易于证实的规则知识。通过对大量的故障事例的 学习，消除属性的冗余值，提取规则的最小集合，实现专家系统自学习的过程； f 2 ) 由于用于学习的样本事例正好对应于关系型数据库中的一条记录，因此 规则的提取可以基于数据库技术，以数据库的规模和特征代表为基础，将故障数 据以决策表为载体，以数据库表格的形式提供，作为故障诊断专家系统进行规则 学习的数据源； ( 3 ) 提取规则的同时，采用多种标准对规则进行质量计算实现规则置信程 度的客观化描述； ( 4 ) 结合诊断信息的冗余性，利用粗集方法对同一故障求取不同的约简，分 别对该故障信息加以表达，从而避开丢失或错误的信息，实现对于不完备故障信 息的有效诊断； ( 5 ) 利用粗集方法对不确定、不一致信息的处理，实现对知识库规则集的一 致性检验，消除所产生规则的不一致性，保持知识库的规则兼容陛； ( 6 ) 用于诊断的故障信息和诊断结论，作为新的样本事例保存到规则学习模 块中的事例决策表中，实现在线诊断事例的积累学习。 2 ，1 ，2 总体模型设计 专家系统的基本结构可咀由图2 1 所示。当专家系统面对用户提问时，从知 识库出发，通过启发方式或者推理方式得出一个解答。 图2 1 专家系统结构简图 第二章系统的模型构建 传统的故障诊断专家系统一般包括：知识库、推理机、解释器、用户接口、 知识获取、信号监测、预处理等模块。其中信号监测、预处理模块是故障诊断专 家系统所特有的功能模块。 图2 ，2 是我们提出的基于粗集方法的故障诊断专家系统的结构框图。 圈2 2 基于粗集方法的故障诊断专家系统结构框图 在系统中，我们对知识的获取，知识库的构建以及相应的推理机制利用了粗 集方法的思想：同时对所获取的监测信号应用粗集方法进行冗余处理，获取优化 的信息库有利于进行不完备信息的处理。 ( 1 ) 故障信号的冗余处理 故障信号通过检测、传输后，所提交的故障信息可能会丢失或出错，同时故 障信号本身可能具有不完备性，这些因素都可能导致错误的诊断结论。为避免这 种错误，可以对故障信号加以冗余处理。 冗余处理的基本思路是利用诊断信息的冗余性，通过获取同一个故障信息的 多个不同的约简，构成多个故障信息表示方案，分别进行推理诊断，然后根据少 数服从多数的原则进行综合表决通过避开丢失或错误的故障信号，达到正确的 诊断。冗余处理的框图如图2 3 所示。 第二章系统的模型构建 赢r h 等待诊断的故障信号f 、 信息库l 、_ _ 优化 上际i 一 7 i 信息库 、一 l ：二： j 上 。 获 因_推理、表决、综合 取 约 + jj 简 + 医翮一 诊断结果 图2 3 冗余处理模块结构框图 ( 1 ) 故障信息库用于保存通过故障信号监测得到的用于准备诊断的故障信 息。故障信息以信息表的方式存储在该数据库中； ( 2 ) 对故障信息库中的信息表，应用粗集方法，约简该信息表，可以得到同 一故障数据的多个约简属性集合，存储到优化信息库中； ( 3 ) 分别对这几个约简属性集合进行推理，得出各自的诊断结论，再对这些 的结论加以对比分析，以表决的方式进行综合，以少数服从多数的原则得出正确 的诊断意见。 这种诊断方法充分利用了诊断信息的冗余性，通过避开丢失或错误的故障信 号来处理不完备的故障信号，达到对不完备信号的正确诊断。 ( 2 ) 知识推理 通过粗集方法所获得的规则可以是不确定的，即可以赋上每条规则的置信 值，因此利用模糊知识库中的规则和事实，可以采用模糊推理策略来进行诊断， 给出诊断结论。 ( 3 ) 人机接口 建立方便、友好的人机接口是专家系统必不可少的部分，它是用户操作系统 的环境，良好的人机接口可以引导用户正确的使用系统。对用户，能够通过人机 接口输入必要的数据、提出问题和了解推理过程及推理结果等；对系统，可咀要 第二章系统的模型构建 求用户回答问题，并回答用户提出的问题，并进行必要的解释。 ( 4 ) 知识获取 知识获取是实现专家系统实现自学习的关键，针对故障诊断专家系统，它可 以体现在两个方面： 。 根据求解的反馈信息，自动进行知识库的完善工作； 通过对故障事例的学习，自动获取规则，实现对规则库的完善工作，即 实现“从事例中进行学习”的目的。 知识获取，即对规则的自动获取，是本课题的研究重点，本课题的核心任务 是对故障诊断专家系统中的知识获取构建基于粗集方法的规则自动获取系统。 2 2 故障规则自动获取系统的模型设计 2 2 1 对规则的定义 我们可以对规则( “e ) 进行如下的定义： 焉= 岛表示属性马等于属性j r 2 ，也就是u 且。= u 且2 ，即由属性置对u 进 行分类的等价类与属性r ：对u 进行划分的等价类一致- 墨；r 2 表示属性蜀蕴涵属性矗2 ，即u 蜀= u ，r 2 m 0 r 2 j r 3 表示属性焉和r ：的逻辑联接可以推倒出属性墨，即 c ，“胄1 ，凡2 ) 3 【，凡3 胄1 固r 2 。0 砌j 脚表示【，( m ，胄2 ，丑以) 3 u r ， 2 2 2 系统结构固 图2 4 是基于粗集方法的规则自动获取的结构框图。 1 4 第二章系统的模型构建 军甲甲匦困区习 图2 4 规则获取结构框图 规则的获取是以数据库为基础的。用于学习的故障事例以二维数据表的形式 保存在数据库中。数据表中，每一行为一个故障事例，每一列表示故障事例的一 个属性。属性分为故障条件属性和故障结论属性。系统中将采用a c c e s s 数据库 构建故障数据表。有关故障事例的数据库表示的相关内容将在第三章中进行阐 述。 应用o d b c 技术读取a c c e s s 数据表，保存为决策表的形式。决策表是用于规 则学习的数据源。它在本质上也是一个二维事例表格。 由于粗集方法只能处理离散型属性，因此对问题域中属性取连续值的情况， 首先需要进行离散化处理，使其表示成决策表的形式，明确故障条件属性和故障 结论属性。 对于规则的提取过程，实质上是对决策表进行约简的过程。求出规则后，通 过该领域的命名机制，符号化规则。 ( 1 ) 检查决策表，删除重复的故障事例； ( 2 ) 在不影响正确分类的前提下，删除决策表中多余的故障属性，得到一个 或多个故障条件属性的约简； ( 3 ) 按一定的标准，选取最为稳定的约简从该约简中提取相应的规则，计 算规则的置信参数。并将规则符号化表示为如下的形式： r k ，：( u d ( e f ) ) = 争( d 船( d ，) ) q “口“妒p a r 锄e t e r 】 其中如( e ，) 、d 甜( d ，) 分别表示按照故障条件属性r 和故障结论属性d 所划 黪 第二章系统的模型构建 分的等价类e ，、d ，的描述。 d ，吵p a r a m e t e r 是对规则月“如i 的置信度评估参 数，用来判断关联规则( u 如( e ) ) j ( d 如( d ，) ) 成立的程度。 22 3 系统模型中的几个相关问题 应用粗集方法实现故障规则获取的实质是“由事例学习”：其智能性不是由 系统提供的，其基础是学习事例样本的规模。因此存在故障事例的完备性以及可 靠性的问题。 2 2 3 1 故障事例的完备性 故障规则的提取是以故障事例数据库的规模和特征代表为基础的，其效率依 赖于故障事例集合对该领域的覆盖程度是否完备，是否进行了足够的观测。我们 称之为“事实阈值”问题，只有故障事例的规模达到某一个阈值，所获得的规则 才有实用价值。 因此在考虑用于学习的故障事例时除了专门用于学习的故障事例外，我们 还将根据故障求解的反馈信息，自动进行知识库的完善工作，主要考虑以下几点： ( 1 ) 对于现存的故障事例不可能是完全的，存在再次补充的必要； ( 2 ) 对于通过实时监测所获取的可能的故障信息，存在全新的故障种类的可 能： ( 3 ) 应用粗集方法处理不完备、不确定信息的特点，从而可以识别和学习全 新故障种类，获取全新的规则。 通过以上由故障事例进行规则的学习，并用于故障样本的诊断，再由求解的 反馈信息，自动完善知识库，实现对故障事例的不断完备。 2 2 3 ，2 故障事例的可倍度 故障事例信息可能会丢失或出错，这些因素都可能导致产生不准确的规则。 为避免这种错误，我们需要对所获得的规则进行评价，确定每一条规则的可信度。 2 2 4u m l 建模 2 2 4 1u m l j 口r a t i o n a ir o s e 介绍 统一建模语言( u f l i 矗e dm o d e l j n gl a 】1 9 u a g e ，u 1 l ) 是一种通用的模拟语言。 1 6 它可以确定、展示和记录软件系统。1 7 m i ，采用图形标记，尤其适用于面向对象 的软件设计。 u m l 综合了b o o c h 、j a c o b s o n 、r 啪b a u g h 为首的三种模拟方法而成。1 9 9 4 年底b o o c h 和r u m b a u 曲合作建立了u m l ；1 9 9 5 年秋，j a c o b s o n 咖入了u m l 的建立；1 9 9 7 年，由多家软件公司组成切讧l 联合组织正式成立，制定了1 】蛐1 0 版，并呈对象管理组织( o b j e c tm a l l a g e m e n tg r o u p ) 通过，成为公开标准。1 9 9 7 年，又修订成切帆1 1 版，成为现今国际软件工业界的标准。 应用u l 有以下优点： ( 1 ) 明咀。是国际软件界广泛认可得标准，它统一了对象模拟的标记和 含义，使软件工具能发挥更大的效用。现有的对象设计也能更容易 地被重新使用。 ( 2 ) u m l 取长补短，适当地平衡了简洁性和具体化两大主旨。 应用眦进行系统建模时，通常采用用例图、类图、顺序圈、活动图等进 行刻画。 用例图：展示系统外部的各类执行者与系统提供的各种用侧之间的关系。 从系统外部执行者的角度来描述系统需要提供哪些功能，并指出这些功 能的执行者。 类图：展示了系统中类的静态结构。是u m l 中实现系统静态建模的主要 手段。 顺序图：用来刻画系统单用例多对象行为，展示了对象之间的一种动态 协作关系。 活动图：用来刻画系统多用例单多象行为，展示了系统中各种活动的执 行流程。 除了以上模型图外，还包括对象图、包图、合作图、构建图、配置图等。通 过这些基本模型图，可以快速有效的构建软件系统的模型。 r a t i o i m lr e 实现u i 订l 构建系统的分析软件工具。由于u “l 主要是在 r a t i o m l 以及切证l 的三位大师合作完成的。因此使用r a t i o n a i r o s e 工具，应用 第二章系统的模型构建 u m l 语言进行系统设计，能更有效的发挥u 】l 的效用，提高系统构建的效率。 2 2 4 2 系统嗍l 建模 图2 4 从概念层的角度构建了故障规则自动获取的模型结构。下面应用面向 对象的思想以及切订l 技术进行系统建模。图2 5 、图2 6 分别刻画了系统的对象 图和活动图。 图2 5 是系统的活动图，它描述了系统的功能：通过o d b c 读取故障数据表， 保存为决策表形式。如果决策表的属性是连续的，则需要对决策表离散化处理， 再对离散后的决策表进行约简、提取规则，并对规则进行置信度的计算，最后存 入知识库中。由于该用例具有十分明确的处理流程，因此可采用活动图来描述。 图2 6 是对象图，刻画的是所提取的系统中涉及的主要类，包括o d b c o p n 类、决策表类、约简集类、规则类、故障数据库、知识库等。 图2 5 系统活动图 第二章系统的模型构建 2 3 本章小结 图2 6 系统对象简图 本章在充分阐述应用粗集方法实现故障诊断专家系统的可行性的基础上，构 建了系统的总体框图。重点对本课题的核心任务一基于粗集方法的故障规则自 动获取系统进行了建模。应用u m l 、r a t i o n a lr o s e 构建了系统的基本模型图： 活动图、对象图等，从面向对象的角度分析了系统的实现方案。对于模型中所涉 及的相关内容将在后续章节中展开论述。 9 第三章故障事例的数据库表示 第三章故障事例的数据库表示 【摘要】本章在分析粗集方法知识表示特点的基础上，重点定义了故障事例关系型数据 y 库粗集模型，给出了决策表类( d e c i s i o n l 曲l e ) 及其实现，最后对发动机故障样本进行了故 障事例的数据库构建。 3 1 粗集方法中的知识表示 3 1 1 知识表示方法 知识表示是利用计算机能够接受并进行处理的符号和方式来表示人类在改 造客观世界中所获得的知识。它是在模拟信息在人类大脑中的存放方式和处理方 式的基础上，对计算机信息处理中的知识的形式描述方式加以研究，来规定一种 无歧义的语言或具有规范定义语法和语义的“符号表示”方法，从而利用计算机 方便的表示、存储，处理和利用人类的知识。 符号表示是指用符号和符号结构来表示各种概念和概念之间的关系。每一种 表示方式实际上是一种数据结构，就是把这种数据结构关联起来。 知识表示方式取决于人类知识的结构及其机制。随着知识表示研究的深入已 经提出了多种知识表示方式，常用的知识表示方式如图3 1 所示。 图3 1 常用的知识表示方法 第三章故障事例的数据库表示 3 1 2 粗集翔谈表示法 u = “，“：，“。 表示论域空间，是所要讨论的个体的榘台。 f ，r = 蜀，蜀，置；定义凳论壤空蕊袋据r 酝褥嚣分突。 。 以上表达式中： 雠；为u 的对象 ，表示u 主妻冬一令麓徐关系 ，篁u 是等价类 在粗集理论中，“知识”被认为是一种将墩实或抽象的对象进行分类的能力。 在定义中，磊予