（计算机软件与理论专业论文）一个基于知识的诊断系统.pdf

中山大学硕士学位论文：一个基于知识的诊断系统 摘要 本文提出了一种新的诊断系统。该系统完全基于待诊断系统的知识，因丽 是可靠的。这种系统不仅能在知识完备的情况下解决诊断闷蘧，而且在知识不完 备的情况下也能提供一种相当合理的解决方法。本文详缁描述了这种系统，包括 整个诊断过程的全面的分析。此乡卜还有一个例子阐明了本文提出的这种系统。 关键字诊断，不确定推理 ! 些盔堂堡圭堂丝堡苎! 二尘茎塑望箜堡堑墨墼 a b s t r a c t i nt h i sp a p e rw ep r o p o s ead i a g n o s i ss y s t e mw h i c hi se n t i r e l vb a s e d o nt h ek n o w l e d g eo nt h es y s t e m su n d e rd i a g n o s i s ，a n dh e n c ei t i sr e l i a b l e t h es y s t e mi sp o w e r f u l ，itc a nn o to n l ys o l v et h ed i a g n o s i sp r o b l e m s p e r f e c t l yw h e nw eh a v ec o m p l e t ek n o w l e d g eo nt h es y s t e m su n d e rd i a g n o s i s ， b u ta l s op r o v i d e saq u i t er e a s o n a b l es o l u t i o nf o rt h ed i a g n o s i sp r o b l e m s e v e ni fw eh a v eo n l yi n c o m p l e t ek n o w l e d g eo nt h es y s t e m su n d e rd i a g n o s i s ad e t a i l e dd e s c r i p t i o no ft h es y s t e mi sg i v e n ，ac o m p r e h e n s i v ea n a l y s i s o ft h ew h o l ep r o c e s so ft h es y s t e mi si n c l u d e d t h ep a p e r c o n c l u d e sw i t h a ne x a m p l ew h i c hi l l u s t r a t e sh o wt ou s et h es y s t e mp r o p o s e di nt h e p a p e r k e yw o r d sd i a g n o s i s ，u n c e r t a i nr e a s o n i n g 中山大学硕士学位论文：一个基于知识的诊断系统 1 1 引言 第1 章绪论 长期以来，科学家们一直致力于解决系统的行为与其模型不一致的问题。在 以前，机械设备较为简单，维修人员可以凭感觉器官、简单的仪表和工具就可以 进彳亍诊断和维修，但是随着现代化工业及科学技术的迅速发展，生产设备日益大 型化、自动化、高速化、智能化，传统的诊断技术已不能适应需要。计算机智能 诊断由此应运而生。近几十年来，随着计算机技术的发展，智能诊断逐步成为人 工智能研究中一个十分活跃的分支。从七十年代中期，已有一些诊断系统闯世， 如d a r t ，c a s n e t 。在八十年代中期诊断系统的研究开始引起人们的重视，于近 期走向成熟，其应用也越来越广泛。 故障诊断的主要方法如下图： f i l i l 故障诊断 i i l 【 r 基于输入输出和信号处理的方法 基于数学模型诊断方法 基于状态估计的方法 l 基于过程参数估计的方法 ff 基于浅知识的方法 l 专家系统方法 基于深知识的方法 ll 基于深浅知识的混合方法 基于人工智能诊断方法 基于案例的方法 l 基于人工神经网络的方法 l 基于模糊数学的方法 i 基于故障树的方法。 图1 本文讨论的是一种新的基于模型诊断，是基于深知识的方法的一种。之所以 题目为“一个基于知识的诊断系统”，主要是为了强调本文提出的系统完全基于 待诊断系统的知识，而不是统计数据或专家经验! 这也是本文的主要贡献之一。 本文的结构如下：本章余下内容介绍基于模型诊断的背景知识，第二章介绍 本文中将要使用的一种不确定推理理论。第三章详细讨论我们提出来的种新的 基于知识的诊断系统。最后是小结与展望。 中山大学硕士学位论文t 一个基于知识的诊断系统 1 2 基于模型诊断的主要思想 基于模型的诊断是为了克服传统专家系统诊断方法的严重缺陷而于7 0 年代 中期兴起的一项新型的智能推理技术。7 0 年代中期到8 0 年代中期为此项研究的 开创性时期，之后逐渐发展成为一种全新的诊断方法，被一些人工智能专家誉为 诊断理论和技术上的革命。随着一些具有创新意义工作f 如关于电路的故障查找 系统) 的出现，在8 0 年代中期成为热门研究课题，并在近期已走向了成熟，其应用 也越来越广泛。 基于模型诊断的主要思想是：根据系统组成元件与元件之间的连接建立起待 诊断系统的模型( 如结构、功能、行为) ，这种模型通常用一阶逻辑语句来描述， 根据系统的逻辑模型以及系统的输入，我们可通过逻辑的推理理论推导出系统在 正常情况下的预期行为，如果观测到的系统的实际行为与系统预期行为有差异， 就说明系统存在故障，利用逻辑的推理理论，我们就能够确定引发故障的元件集 合，这就是基于模型的诊断的主要思想。( 如图2 ) 回回困 预i千l 观 亩ii 测 圃一回一圈 图2 基于模型诊断的主要思想 基于模型诊断推理的基本范式可最恰当地理解为观测值和预测值间的相互 比较，一方面我们有实际设备( 系统) ，并能观测某些物理设备的实际行为。另 一方面，我们有此设备预测其行为的模型。观、铡值表示设备实际上做了什么，预 测值表示设备应该做什么，我们感兴趣的是两者之间存在的任何差异( 不一致) 。 基于模型诊断背后的基本假设是：如果模型正确那么观测值和预测值问的差异 源于( 可回溯到) 设备中的缺陷。 基于模型诊断与传统诊断方法有着本质的区别。基于模型诊断是使用系统的 结构与行为知识作为背景理论的而传统诊断都是基于经验的诊断，即基于“浅 知识8 的诊断。这种诊断主要依靠领域专家对诊断对象的经验。对领域有极强的 2 中山大学硕士学位论文：一个基于知识的诊断系统 依赖性。对一个对象适用范围的诊断往往不能用在另一个诊断对象上。采用这种 方法的计算机诊断系统主要有两类： 一类是基于规则的诊断系统( r u l e b a s e d d i a g n o s i ss y s t e m ) ，另一类是使用判别树( d e c i s i o nt r e e ) 的诊断系统，研究这 种诊断系统的关键是知识获取，而问题就是由此产生：一方面领域专家需要长时 间积累才能获得诊断对象知识( 事实上这些知识总是不完备的) ，另一方面，从 领域专家那里获得知识并转化成计算机系统可用的产生式规则也是大问题，因 此开发计算机自动诊断系统所需研制周期较长，跟不上设备更新换代的步伐( 往 往知识积累还不充分时，产品已更新，一些旧知识对新产品已没有什么价值) ， 满足不了应用的需要，对于不断采用新技术、新设计的电子电路产品更是如此。 其次，基于规则的诊断系统的诊断能力上是不完备的，即不能诊断所有的故障， 因为人类专家的诊断经验是不完备的，无论他怎样用心去积累，也不能避免地会 有遗漏的经验。此外，基于经验的诊断不能对诊断给出令人信服的解释。与之相 比，基于模型诊断的优点是：它可以产品设计或制造时，利用知识开始构造，避 免从领域专家获取知识的困难；只要模型抽象得正确，就能诊断所有可能的故障， 不但能处理新故障( 传统诊断往往无能为力) ，而且还能合出令人信服的解释。 并且由于它把系统的推理内核与系统模型分开，只要更新系统模型就可用于诊断 另一种设备，因而具有设备独立性，可推广性好。由于基于模型诊断的以上优点， 9 0 年代它在国际上已成为一个十分活跃的人工智能研究分支。 1 3 基于模型诊断的主要步骤 基于模型的诊断包括3 个主要的步骤，即诊断的产生、诊断的测试和诊断的 鉴别。将诊断过程分成这3 个阶段使我们头脑清晰，能够理解在实际应用中将这 3 个阶段结合在一起的那些系统。现有的不同的基于模型的诊断系统可以用它们 在每一阶段所使用的知识的数量和种类来划分。这样，通过考察每阶段所使用 的知识的数量和种类使得我们能够比较不同的系统，并能够明确一个系统之所以 比另一个系统更好。 1 诊断的产生 诊断产生部分的主要目标是：当系统的预行为与系统的实际观测行为产生差 异时。根据逻辑推理理论推导出候选诊断，确定哪些元件可能失效会导致这个差 3 中山大学硕士学位论文：一个基于知识的诊断系统 异。 2 诊断的测试 一般来说，当系统的预期行为与系统的实际观铡行为产生差异时，根据逻辑 推理理论推导出的诊断有多个。诊断测试的任务是：通过对系统的一些关键点的 数据进行测试，了解哪些能对实际系统的差异以及测试数据给出合理的解释。只 有通过测试的诊断才有可能是真正的故障元件。 3 诊断的鉴别 一般来说，通过测试的诊断仍有许多个，诊断鉴别的任务是：通过搜集某些 额外的信息和推理过程，排除那些不可能的诊断。例如，改变某些输入后进一步 再观察系统的行为等。 1 4 基于模型诊断的形式定义 基于模型的诊断有两个主要的研究流派。一个是基于一致性的诊断 1 4 ( c o n s i s t e n c y b a s e dd i a g n o s i s ) ，另一个是溯因诊断m ( a b d u c t i v ed i a g n o s i s ) 前者 把诊断概念建立在不正常工作的元件与观察结果的相容性上，这相当于解释的弱 概念，持这种观点的代表人物是d ck l c e r 和w i l l i a m s 。后者把诊断概念建立在由 不正常工作的元件和诊断模型可以逻辑地推出观察结果上，这相当于解释的强概 念，持这种观点的代表人物是p o o l c 。最近，人们开始研究如何将两种方法进行 比较与融合的问题。c o n s o l e 和t o r m s o f 3 j 把诊断问题看成是带有致性约束的溯 因闯题，提出了一个统一的定义，使得不同的诊断逻辑定义都不仅可以用这个统 的定义表示，并且可以把不同的定义加以比较。在这个统一的定义下，基于 致性的诊断和溯因诊断仅仅是两个极端的情形。 定义l 。l 一个系统是一个三元组( s o ，c o m p s ，o b s ) ，其中 s d 为系统描述，是一阶谓词公式的集合。 c o m p s 为系统组成部件，是一个有限的常量集。 -+一 o b s 为一个观测集，是一阶谓词公式的有限集。 s d 描述了待诊断系统的相关背景知识。以电路诊断为例，s d 中可以描述各 电路组成部件；它们的正常输入、输出行为；它们之间的拓扑连接关系；它们的 故障模型以及合法的电路输入组合。 4 中山大学硕士学位论文：一个基于知识的诊断系统 a b 是一元谓词，意即“a b n o r m a l ，当元件c c o m p s 异常时，a b ( c ) 为真。 定义1 2a b 文字a b ( c ) 或一a b ( c ) ，c c o m p s 。 定义1 3a b 子旬是不含互补对的a b 文字的析取式。当一a b 子句中所 有文字都为正时，称之为正的a b 子句。当一a b 子句中所有文字都为负对，称 之为负的a b 子句。 定义1 。4 已知两个部件集c p ，c n ，定义d ( c p ，g ) 如下： 【a m ( c ) 】a 【a ，a b ( c ) 】 c qc q 诊断即描述了系统的个可能状态，该状态指明了每一系统组成部件是正常 的还是反常的。 定义1 5 f 9 】；受a c _ c o m f s ，关于( s d ，c o m p ，o b s ) 的基于一致性诊断为 d ( a ，c o m p s 一) ，使得s d u o b s u d ( a ，c o m p s - a ) 是一致的。 除定义1 5 之外，也有很多关于基于模型诊断的文献将诊断定义为故障部件 的集合，不在中的部件被认定为是正常工作。 定义1 6 设a c _ c o m p s , 关于( s d ，c o m p s ，o b s ) 的溯因诊断为d ( a ， c o m p s - a ) ，使得s d u d ( a ，c o m p s a ) 是一致的，且s d u d ( a ， c o m p s ) ，lo b s 。 定义1 7 设o c o b s ，a c _ c o m p s ，称d ( a ，c o m p s - ) 为关于( s d ，c o m p s ， o b s ) 的一个基于模型的诊断，当且仅当 ( 1 ) s d u o b s u d ( a ，c o m p s ) ) 是一致的。 ( 2 ) s d u d ( a ，c o m p s ) ) 卜o 基于模型诊断的中心任务就是识别出部件的行为方式( 正常或反常) ，这些 行为方式的结果能够预测o b s 的某一子集，并与整个o b s 一致。当o 从碰到 o b s 变化时，可得到从基于一致性诊断到溯因诊断的一系列不同的逻辑定义。 由此可见，在所有基于模型的诊断方法中：溯因诊断对诊断空间的限制最强，即 要求所有观测需要被逻辑推出，而基于一致性诊断的限制最弱，即不要求任何观 测被逻辑推出。因此，使用溯因诊断方法可以进步缩小基于一致性的诊断空间。 5 中山大学硕士学位论文：一个基于知识韵诊断系统 1 5 基于一致性诊断的计算方法 由于可能存在掺瑚嘞断，因此必须寻找一种能够紧致刻画诊断空间的方 法。为此，r e i t e r 在他的经典论文1 1 1 中提出了基于逻辑一致性的诊断定义。为了 与其他学者提出的诊断定义区别开来，文献1 9 l 将其称为基于一致性的极小诊断。 定义1 8关于( s d ，c o m p s ，o b s ) 的基于一致性极小诊断是一极小集合 a g c o m p s ，使得s d u o b s u a b ( c ) i c 6 c o m p s 一 u 一a b ( c ) c c o m p s - a 是一 致的。 r c i t e r 在同一篇文章中，根据一阶逻辑的推理理论，又简化了极小诊断的上 述定义，给出了如下的等价定义： 定义1 9关于( s d ，c o m p s ，o b s ) 的基于一致性极小诊断是一极小集合 g c o m p s ，使得s d l i o b s u a b ( c ) l c s c o m p s - a 是致的。 根据r e i t e r 的极小诊断定义。人们很容易得出由系统的描述和实际观测结果 求极小诊断的方法。这就是：先系统地产生系统元件集合c o m p s 的所有子集a ， 然后再s o u o b s u - a b ( c ) i c c - - c o m p s - 鲥的一致性。但是，我们知道，随着系统 元件数量的增加，系统的所有子集数量会以指数级的数量增加，而且要判断一个 逻辑语句集合是否一致是十分困难的，因此，可以很容易地预见，根据r e i t e r 的定义直接求一个系统的极小诊断的效率会是十分低下的。因此，r e i t e r 采用冲 突集的概念来计算极小诊断，该概念最先是由d ek l e e r t 3 提出来的，也称作冲突 部件集。 。 定义1 1 0 系统( s d , c o m p s ，o b s ) 的冲突部件是一个集合 c t ，c 2 ，c k ) ， 满足下述条件： s d u o b s u ，a 丑( c i ) ，一a b ( c k ) 是不一致的。 定义1 1 1 称( s d ，c o m p s ，o b s ) 的一个冲突部件集为极小的当且仅当该集全 1 的任。一真子集都不是( s d ，c o m p s , o b s ) 的冲突部件集。 一 定义1 1 2 ( s d ，c o m p s ，o b s ) 的冲突称之为( s d , c o m p s ，o b s ) 的极小冲突 当且仅当该冲突的任一真子子句都不是( s d ，c o m p s ，o b s ) 的冲突。 如何利甩冲突部件集来计算极小诊断呢? 为此先给出碰集的概念。 6 中山大学硕士学位论文：一个基于知识的诊断系统 定义1 1 3 设c 是一个集合簇，c 的碰集( h i t t i n gs e t ) 是一个集合h u s ，使 s c 得对所有s c ，h n s 一 ) 。 类似于极小冲突部件集的概念，还可以定义极小碰集。 下面定理说明了冲突部件集和极小诊断的关系。 定理1 1( 冲突部件集与极小诊断的关系定理)设a c c o m p s ，则a 是系统 ( s d ，c o m p s ，o b s ) 的极小诊断当且仅当是( s d ，c o m p s ，o b s ) 的极小冲突部 件集簇的极小碰集。 从这个定理可以看到，只要计算出诊断系统的极小冲突部件集簇的极小碰 集，就可以获得系统的极小诊断。r c i t c r 在他的文章中已经给出了求解的方法， 并给出了剪枝的技巧。然而，r c i t c r 的这一诊断求解解问题已被证明是n p 的。 许多学者都对计算碰集的方法进行了研究和改进，主要有h sd a g ! 埘，h s t t r e e l l 。国内的文献 1 2 l 和 1 3 】也分别用对分- h s 树和布尔代数给出了一些有效的 改进方法。 1 6 溯因方法 溯因诊断的基本思想是：以系统故障与征兆( 症状) 间的因果关系理论为系 统描述的基础，由此实现了故障集合和征兆集合之间的映射。这相当于诊断的强 解释概念，持这种观点的代表人物是p o o l c 和c o n s o l e 1 9 8 9 年p o o l e 【1 4 1 给出了溯 因诊断的定义。 定义1 1 4 个溯因诊断是包含最小故障假设的集合h ，使得 x u u 是一致的： y u i - i1 一o b s 从这个定义可以看出，溯因诊断h 不但要求与一致，而且与起共同蕴 涵观测值集合o b s 溯因诊断模型要求记录元件元件发生故障时反映的异常现 象，并希望通过己知故障解释观测结果，溯因诊断的着手点是系统所表现出来的 异常行为( 症状) ，然后利用已建立的因果理论模型找出蕴涵症状的原因集合， 最后利用启发式知识，否定不可能候选诊断。 从效果上说，溯因诊断要比基于一致性诊断优胜。但是以下两个致命的缺点， 7 中山大学硕士学位论文：一个基于知识的诊断系统 严重地影响了溯因诊断的发展：第一，溯因诊断要求完全的故障摸型，但实际却 很难得到，这会严重地影响系统的可靠性。第二，b y l a n d e r 已证明了大多数溯因 闯题是n p 的，这使溯因诊断应用受到了限制。 1 7 基于模型诊断的变种 从上面的讨论可发现，基于一致性诊断由于要求较弱，因此诊断空间过大， 常常包含很多不可能解，增加了诊断复杂性。而溯因诊断要求过强，使诊断空间 过大，在系统模型不完备时会丢失真正的解。许多研究者已注意到基于一致性和 溯因诊断方法的优缺点是互补的，并做了大量研究工作，这些工作基本是按照两 条技术路线进行的： 扩充基于一致性诊断处理故障模型； 扩充溯因诊断处理正常行为模型。 所有这些方法都有一共同点：系统和故障行为用同一方式表示。下面分几方 面加以介绍： ( 1 ) 带有故障行为模型的诊断系统 1 9 8 9 年d ek l e e r 和w i l l i a m s l l 5 l 提出了带有行为方式模型的诊断s h e r l o c k ，把 元件故障行为方式加入到系统模型中。试图利用故障方式排除不可能候选，缩小 诊断搜索空间。同年f r i c d r i c h i l q 等人又开发了m o m o ( m o d e l - b a s c dd i a g n o s i sb y m o d e l - g e n e r a t i o n ) 系统，把不同类型的行为模型( 如正常、故障、辩护和物理不 可能等) 集成到系统模型中，并且改变了候选生成测试方式，每次只生成一个候 选，接下来就进行测试。这些措施大大提高了诊断效率。 ( 2 ) 焦点诊断策略 1 9 9 1 年d ek 【e e r f l 瑰出了焦点策略，利用经验把诊断重点聚集于最可能故障 元件上，而忽略其它元件。并且分析了在此之前的诊断方法中预测、冲突识别、 候选生成三个阶段产生计算复杂性的原因。d ek l c c r 为此把三个过程同时处理以 ：4 ：一、 使花费在预测、冲突识别、候选生成上计算工作同时最小。另外每次仅生成一个 候选( 按故障概率降序) ，边生成边检测，这样几乎没有时间花费在大量不可能 候选上，在实际应用中会极大的提高诊断效率。 一： 。 ( 3 ) 具有层次结构系统的层次诊断 8 中山大学硕士学位论文：一个基于知识的诊断系统 层次诊断的基本思想是利用待诊断设备的部件间层次结构分层，这样每一层 次处理的元件数量受到限制，而转换到下层( 详细层) 时，仅生成与上层诊断相 关的候选，搜索空间大大减小，从面提高了诊断效率。1 9 9 1 年m o z e f i c l l 8 】对层次 诊断进行了描述，定义了三个抽象算予及其逆：值的细化倒塌 ( r e f i n e m e n t c o l l a p s e ) 、映谢的详细，简化( e l a b o r a t i o n s i m p l i f i c a t i o n ) 和变量的引入， 删除( i n t r o d u c t i o n d e l e t i o n ) ，并且使用八皇后问题和心脏疾病诊断过程说明了层次 诊断的优越性。1 9 9 3 年f r i e d r i c h l l 9 1 提出了a 卜理论诊断方法，它以r e i t e r 工 作为基础，抽象化处理了元件间的层次结构关系。a 卜理论是对层次诊断的形 式化处理，是对( s d ，c o m p s ，o b s ) 进行的抽象。对问题求解时先是求最小理 论诊断( m r - 诊断) ，然后求( s d ，c o m p s ，o b s ) 的最小诊断。该方法具有一定的 构造性和简明性，能够解决较为复杂的问题。 ( 4 ) 溯因诊断方法的扩充 对于溯因诊断问题，使用以前的诊断方法，给定一观测集合，通常会产生很 多解，而对如何缩小解的搜索空间，从中选择满意解，但这使问题呈现n p 性。 1 9 9 4 年h a r r n c l c n 和t e i j e l 2 0 l 提出了利用领域知识辅助选择溯因解，他们把因果蕴 涵分为四种情况：充分因果蕴含s i s ；可能因果蕴含s i a s ；条件因果蕴含 c i ；一( s i s j ) ：条件可能因果蕴涵g j 一( s i a s j ) 。相应的溯因诊断也划分为四种， 并且按照条件强弱进行排序，对求满意溯因解进行了描述。 同年m c l l r a i t h | 2 1 j 扩充了c o n s o l e 和t o r a s s o t 8 】以及d ek l e e r 等人【9 的工作， 与最小基于一致性故障诊断相对应，提出了最小基于致性排除诊断刻划诊断空 间的思想。另外，他还扩充了中心溯因诊断的刻划。m c l l r a i t h 对中心溯因诊断的 刻划相对于d ek l e e r 等人的工作更直接地证明了中心基于一致性诊断与中心溯 因诊断的关系，更重要的是表明了中心溯因诊断可用类a t m s 算法计算的本原 蕴涵之间的直接联系。 1 9 9 8 年欧阳丹彤1 2 2 l 给出了基于模型中心诊断概念。1 9 9 7 年f e r c t 和 g l a s g o w z 3 l 提出了利用经验辅助诊断，该文分析了溯因诊断存在的问题，为此也 扩充了c o n s o l e 和t o r a s s o 2 4 的t 作，给出了一个集成框架( 溯因、演绎、归纳、 基于案例推理) 。经验辅助诊断模型能容纳各类诊断解：当系统模型完备时，可 以得到基于一致性或溯因解，当系统模型不完备或模型不可靠无法获得满意解 9 中山大学硕士学位论文t 一个基于知识的诊断系统 时，可借助案例库中案例与当前情况对比得到诊断解，部分地解决现有诊断方法 存在的缺陷，且有一定的实用性。 1 0 中山大学硕士学位论文：一个基于知识的诊断系统 第2 章研究中存在的问题及本文的主要贡献 2 1 基于模型诊断研究现状 经过二十多年的发展，基于模型诊断在理论上已逐步走向成熟，现在已成为 一个十分活跃的人工智能研究分支，至今已出版了两本关于基于模型诊断理论的 论文集：一本是1 9 9 2 年由h a m s c h e r 、c o n s o l e 和d ek i e e r 主编的 r e a d i n gi n m o d e l b a s e dd i a g n o s i s ； 2 5 】，另外一本是1 9 9 4 年由c o n s o l e 和f r i e “c h 主编的 ( m o l d e - b a s e dd i a g n o s i s ) ) 陋i 期刊专辑。i , i c a i 、a a a i 和e c a i 等重要会议文集 上，也经常有关于基于模型诊断的文章出现。此外，欧美一些西方发达国家从九 十年代初开始每年举行一次诊断原理会议( d x ) 。 这些论文都反映了目前各种各样的基于模型诊断理论和方法对诊断知识的 表示与描述。如c o n s o l e 等入1 2 3 - 2 s i 对动态诊断系统的刻划。g e 肋e r 和p e a r l l 2 9 1 将 系统行为的因果知识用信念网表示，并用b a y e s 推理来实现诊断。k o h l a s 等人l 捌 在r e i t e r 建立的诊断框架内，通过定义一种新的、与验后概率等价的支持度的概 念，简化了验后概率的计算。l u c a s l 3 1 1 融合了逻辑推理和概率推理来处理诊断中 的不确定性。p r e i s t 等人【3 2 】讨论了在待诊断系统模型中使用失败即否定( n e g a t i o n a sf a i l u r e ) 的重要性。f r i e d r i c h 1 9 1 对r e i t e r f l l 理论的抽象刻划，为层次诊断提供了 理论依据。 在国内，姜云飞、欧阳丹彤等人提出了广义因果理论的概念，并研究了关于 广义因果理论的基于模型诊断与中心诊断的方法f 3 期。他们还利用溯因符号的概 念扩展了c o n s o l e 和t o r a s s o i s l 仅使用a b 文字和0 k 文字对基于模型诊断的定义， 并对能够刻划基于模型诊断空间的广义因果理论上的基于模型中心诊断的诊断 过程进行了形式i o f 3 4 1 ，建立了其与本耍蕴涵鹰涵式鲍直接关系。该结果更具育 一般性：一方面，得到的诊断不仅可以描述部件的正常或反常，还可描述部件的 各种故障行为方式；另一方面，当需要被逻辑推出的观测原子集取从空集到观测 全集一系列不同的观测子集时? 可得到从广义因果理论上的从基子一致性诊断到 溯因诊断等一系列诊断的计算方法。在实际应用中，可使用我们的诊断方法，通 中山大学硕士学位论文：一个基于知识的诊断系统 过分析涉及表示每一观测原子的那部分模型的完备性来适当选择需要被逻辑推 出的观测原子集，使得诊断空间不大，又不会丢失有用解。最近，李占山等【3 5 1 给出了当待诊断系统的模型为不确定因果理论时的基于模型诊断和模型中心诊 断等概念，论证了基于模型中心诊断与u s 本原蕴涵蕴涵式的直接关系，并且 根据知识不确定程度对候选诊断进行了排序。为此，他还们研究了扩展的因果理 论中的测试问题p 6 】。 g e n e s e r e t l l f 4 j 指出：分层诊断的时间是不分层诊断时间的对数函数。另一方 面，设计铡试来区别候选诊断的过程与候选诊断的产生过程具有同样的计算复杂 性。例如，s i n s h t 3 蝴了电路结构与函数的多层抽象表示来产生一个测试集， s h i r l e y 和d a v i s 3 8 l 提出了一个基于分层模型的将候选产生与测试产生相结合的 方法，a u t i o 3 9 】给出了一个基于结构抽象的分层诊断和测试的形式化方法。 在动态设备诊断方面，一些学者对动态设备的基于模型诊断使用了定性模 型化方法，n 扩展了文献【1 l 中的d i a g n o s e 算法，使用定性模拟机q s i v 1 1 4 1 】 作为文献【1 l 中用于求冲突部件集的定理证明器t p 诊断动态设备时监视 ( m o n i t o r i n g ) ( 即当设备运行时，持续跟踪其内部变量值) 和诊断必须相结合； d v o r a k 和k u i p e r s 4 2 1 给 h q 了利用设备的动态行为作为诊断线索来监视动态行为 的一种方法；d e v o s t e i 叫给出了监视动态设备的方法。 在模拟设备诊断方面，d ek l e c r 和b r ，n 1 4 4 1 提出了一个对模拟设备的基于模 型的诊断算法，但假设设备恰好包含一个故障。g o l d s t o n e i 硐和h a m s e h e r i 帖 放 宽了这一限制，最近，b i a s i z z o 和n o v a k 4 7 1 给, q q , 了对任意模拟电路进行诊断的方 法。 在诊断与其它越技术结合方面，f r i e d r i c h 等人i 鹌】在诊断过程中考虑了维修： 给出了维修算法，并指出了这些算法在溯因诊断中的复杂性。他们形式化了一个 依赖于时闾的维修过程，并考虑了维修失败的可能性。此外，还有许多学者研究 如何以最小代价使设备恢复正常运行，耳的是使诊断和维修费用的总和最小。一 般媳，诊断可被看成一个过程，在该过程中，可掺杂执行不同的任务，如计算候 选集、更新当前诊断集、实施测试、实施维修等，开阔了诊断研究的视野，要求 与人工智能其它领域的技术相结合，如规划、关于行为的推理等。1 9 9 8 年， s c h r o e d e r 4 9 1 定义了一个对大型分布系统进行诊断的基于a g e n t 的框架。大型分 中山大学硕士学位论文：个基于知识的诊断系统 布系统( 比如网络通讯系统) 可分解为一些空间分布子系统( 比如子网) 的集合， 对每一子系统分配了个a g e n t ，该a g e n t 有其相应的予系统的详细知识和它邻 居的抽象知识，使用该详细知识可独立计算诊断。当每一a g e n t 在它的子系统 中都无法找到故障部件时，就需要合作，合作过程是通过发送和接收观测开始的， 有了新的观测，该a g e n t 即计算新的诊断。s c h r o c d c r 还基于活性a g e n t 概念 和自己开发的扩展的逻辑程序设计技术实现了该系统。 概括地说，基于模型诊断有如下的主要研究课题： i 基于逻辑模型诊断在理论方面的研究 2 基于模型诊断在计算复杂性方面的研究 3 基于模型诊断在诊断模型方面的研究 4 ，动态设备的诊断问题 5 模拟设备的诊断问题 6 诊断与维修的关系研究 2 2 基于模型诊断研究中存在的问题 由前面的介绍可知，基于模型的诊断有一个存在多年又未得到有效解决的问 题诊断空间过大。 在基于一致性的诊断中，一旦给出待诊断系统的观察，便可以求出所有冲突 集，然后计算碰集，得出所有基于一致性的极小诊断。然而一般情况下，极小诊 断不止一个，事实上很多时候下候选的极小诊断数量很大。也就是说，基于一致 性的诊断空间是很大的。当空间大到一定程度时，其效果就几乎跟没有诊断过一 样。这是因为一致性是一个相当弱的条件，满足这个条件的候选诊断是很多的。 比方说一个人有头疼发热的症状，那么足踝扭伤也是一个合理的一致性的诊断， 但这显然是一个极不合理的解释，然而基于一致性的诊断却不能排除这些不合理 的情况。 另一方面，溯因诊断的约束条件又太强了。它要求系统模型完备，否则会出 现丢失真正解的现象，这是很难令人接受的。 即使使用前面提到的两者结合变种的方法，诊断空间依然很大。 而且，这里面还有一个问题：在众多候选诊断中，哪一个是最可能正确的诊 生当查堂堡主堂竺望兰! 二尘苎主垫墨堕堡堑墨竺 断，即哪个诊断最可能是引起待诊断系统异常的真正原因。这个问题不解决，将 严重影响诊断的实际应用。比方说，某次诊断得到1 0 个候选诊断，但每个诊断 的出错部件集都不同，那么人们怎样判定下一步要测试或替换哪些元件呢? 难道 要逐一去试吗? 这显然是一种笨办法，更何况，如果测试成本是很高的，这种方 法更行不通了。这样一来，在实际应用中，这样的诊断结果显得有点意义不大。 造成这种困局的原因在于在大多数基于模型诊断的方法，得出的候选诊断之 间是没有优劣之分的，没有一个诊断比其它的诊断更具可信性。然而，这是不符 合人类解决问题的习惯。人们解决问题时，将所有解决方案罗列出来并不是最终 目的，而是要找出解决问题最优解，有时甚至只是较优解。 因此，我们认为，作为一个“智能的”诊断系统，应当能区分各个候选诊断， 即要有一个标准评价它们的优劣。许多学者也注意到了这个问题，他们选择的标 准是概率。最直接的想法是，在给定每个部件的故障概率的情况下，计算每个候 选诊断的验后概率，概率越高。候选诊断就越可能正确。这种利用概率的方法往 往和b a y c s 网联系在一起。g e f f n c r 和p e a r l l 挣1 将系统行为的因果知识用信念网表 示，并用b a y c s 推理来实现诊断。k o k l a s 等入跚在r c i t c r 建立的诊断框架内，通 过定义一种新的、与验后概率等价的支持度的概念，简化了验后概率的计算。 i m c a s 3 1 1 融合了逻辑推理和概率推理来处理诊断中的不确定性。 诚然，这些都是一些很好的方法。在具备先验概率的情况下，这些方法对解 决诊断问题都很有帮助。然而，我们不得不指出，这些方法还有如下的缺点： 第一，限制条件太强。对于一个系统，要知道每个部件发生故障的概率，这 样的要求很苛刻，特别是对于庞大的系统。 第二，概率不一定可靠。概率的来源通常有两种，一是统计数据，一是专家 经验。统计概率只代表过去的统计结果，当出现新事物时，就无法给出准确的概 率了。而且故障都是在新时间、新环境下发生的，这与统计数据采集时的客观条 件又大大不同，因此概率的可靠性不能保证。另一方面，领域专家的知识也未必 可靠，芯是因为专家的知识都足根据个人的主观经验得到的，都可能是片面的， 而且很多时候对一些问题专家也不能达成共识，也带来一定的麻烦。 总的来说，以上的一些解决方法，实质上都是基于经验的。 然而，我们认为，在基于模型的诊断中，最可靠并易得的莫过于是系统模型 1 4 中山大学硕士学位论文：一个基于知识的诊断系统 本身。以模型本身提供的信息，作为评价候选诊断的标准，将会是最可靠。我们 应该以知识作为准则，而不是舍本逐未地去使用经验作准则! 我们需要的是一种 基于知识的诊断系统1 2 3 本文的主要贡献 要实现基于知识的诊断系统，需要一种单纯建立在经典的一阶逻辑基础上的 评价标准。文献1 5 0 】提出了种不确定推理及其支持度的理论，为建立这种标准 提供了可能。该理论我们将在下一章介绍。本文的工作就是试图应用这种理论去 构造一个新的基于知识的诊断系统，给出了模型的定义，不同条件下的诊断过程、 算法以及与其他学者成果的比较。这种系统的显著优点是： ( 1 ) 完全基于待诊断系统的知识，而不是过往经验和专家知识。只要 模型抽象得正确，该系统就能正确地工作，因而是非常可靠的。 ( 2 ) 不仅能根据待诊断系统的知识产生一致性的诊断，而且能对每个 诊断给出合理的评价。以这些评价为依据，我们就可以指出最可 能正确的诊断，有针对性的进行进一步的诊断测试、元件替换等 工作。 本文的创新性在于，第一次把周文1 5 0 】的不确定推理理论应用到智能诊断中， 提出了一个解决诊断中不确定性的新方案。 1 5 中山大学硕士学位论文：一个基于知识的诊断系统 第3 章不确定推理的简介 本章简单介绍本文即将用到的一种不确定推理及其支持度的理论。 不确定推理是有很多种类的，而且在学术界还未形成一个统一的认识。它是 人工智能领域的核心问题之，所以多年来世界上的计算机理论工作者就这个问 题作了大量的研究工作。这些工作的目的都是试图通过某些可行的方法将不完备 的信息应用在逻辑系统的推理中，以便计算机能够进行学习或决策。目前文献记 载的方法大致可分为以下几类：模态逻辑( m o d a ll o g i c ) 方法、非单调推理 ( n o n - m o n o t o n i cr e a s o n i n g ) 方法、模糊逻辑( f u z z yl o g i c ) 方法、概率( p r o b a b i l i t y ) 方 法等。 本文所用的这种不确定推理只是其中的一种，是由周青在文t s o l q b 首次提出 来的。以下如无特殊说明，指的都是该文所建立的不确定推理系统。由于该理论 是本文所用的主要方法，这里必须作详细的介绍。本章余下内容，大部分引自周 文。 确定推理的研究是基于经典的二值逻辑，因而具有相当牢固的基础。而不确 定推理的研究却是另一种情形。很明显的是，不确定推理的基础比确定推理的基 础要弱得多。到目前为止，甚至还没有获得人们普遍接受的基础。 周文认为，下述问题对不确定推理来说是基本的问题：( 1 ) 如何正确地、定 性地刻画一个命题的不确定性? ( 2 ) 如何适当地度量一个命题的不确定性? 周文 通过举例来回答这些问题。 假定p 是要解决的问题，h 是一个有关p 的解的命题，称为假定解。我们 的任务是要确定h 是否为真。为了解决这一词题，很显然，我们需要一些有关p 的知识，我们用k 来表示有关的知识集合。于是k 是个公式的集合，其中的公 式都被认为是真现在，妊罢j - 或一h 可以由k 推导而得。那么i 我们的问题 就完全地解决了，所以，h 是确定的；否则，h 就是不确定的。当h 是不确定的 时候，我们的问题就变为：是否有进一步的方法来确定h 是否为真。专家们常 用以下的方法来解决这一问题( 1 ) 尽可能地收集证据；( 2 ) 试图由e uk 推导 1 6 中山大学硕士学位论文：一个基于知识的诊断系统 h 或一h ，如果( 2 ) 成功，问题就解决了。否则，( 3 ) 在e uk 的前提下度量h 为 真的可能性。下述例子说明我们是怎样确定h 为真的可能性( 或称对h 的相信 程度) 的。 例：假定我们在调查一个谋杀案，并且有知识集：( 1 ) 若x 是凶手，则x 在一定时间内在案发现场。( 2 ) 若x 是凶手，则x 有犯罪动机。( 3 ) 若x 是 凶手，则x 有谋杀凶器。经过调查发现如下证据：张三曾在案发期间到过案发 现场，并有谋杀动机，李四有和谋杀凶器十分类似的武器。于是我们有理由相信 张三比李四更有可能是凶手。 这一例子说明，k o h 和k ue 的相同推论越多，我们就越相信h 为真， 这对一h 也同样成立。 基于这样的一种观点，周文形式地刻厨这一过程，并提出一种确定相信h 为真的程度的方法。这些都以传统的二值逻辑为基础来完成。 ( 1 ) 不确定性和证据 设h 。是命题，k 是知识集。我们假定k 是协调的，并且k 中的公式都被接 受为真，如逻辑公理、某一领域的基本定律等等。显然，如果k _ h ，h 就被认 为是真；如果k 卜，h ，则h 就被认为是假；否则，h 就不能由k 确定，即h 的 真值是不确定的。于是，命题的不确定性可以形式地定义如下。 定义3 1 命题h 是不能由k 确定的，如果h 在以k 中的公式作公理的逻辑 系统中是不可判定的( 即h 和一h 都不是该系统的定理) 。 用模型论的术语，命题h 的不确定性可以等价地表达如下。 我们有形式语言l 和一个l 的公式集k ，其中k 被称为是知识集。为着某 种目的，我们希望知道l 的某一命题h 是否为真j 而我们又不能由k 推导出h 或，h 。由于h 独立于k ，根据完全性定理，k 有许多模型，h 在其中的一些模型 中为真，而在另一些模型中为假。在k 的模型中我们知道有一个是我们所需要 的。但问题是我们不知道哪个模型是我们所需要的。所以，h 的不确定性可以语 义地定义如下。 定义3 2 命题h 是不能由k 确定的，如果我们无法确定k 的哪个模型是我们 所需要的。 定义2 1 和2 2 说明，命题的不确定性是推理系统的特征，所以，可用传 1 7 中山大学硕士学位论文：一个基于知识的诊断系统 统的二值逻辑来描述不确定推理。 为了确定h 的真值，我们在k 中加进一个命题集合e 。对于我们的目的， 我们相信e 中的命题都为真。然后，试图用k ue 来推导h 或一h 我们把集合 e 称为证据集。如果k oe 卜h 或k ue 卜- ，h ，h 就是确定的：否则，h 还是不 确定的。因此，我们可以把证据定义如下。 定义3 3 如果命题集合e 中的命题都被认为为真，则称e 是k 中对h 的证据 集合。如果k ue 卜h 或k ue 卜一h ，则称e 是k 中对h 的完备证据集合： 否则，e 是不完备的。 从以上定义可以看出，我们对证据在语法上仅要求它是命题，它们的主要特 征在于它们在语义中为真。同时，我们还可以看出：定义3 等价于：所谓的证 据集e 是一些在我们希望的模型中为真的命题集合，我们希望用它们来确定h