基于粒度分解的故障诊断问题的系统描述(最终定稿--寄编辑部).doc

刘旋 等： 基于粒度分解的诊断问题与诊断系统描述基于粒度分解的故障诊断问题的系统描述刘旋（武汉大学电气工程学院, 武汉 430072）摘 要：从系统工程的观点出发，将复杂设备系统按结构与功能进行层次分解，建立设备系统的解析模型用于描述系统的行为结构和故障状态空间，在此基础上分析了故障模式与故障的可检测性和可分离性之间的关系，探讨了被诊断问题的特征以及被诊断问题之间的相似性，并给出了基于粒度分解的多智能体诊断系统一致性融合求解的通用框架结构。关键词：模式识别; 人工智能; 故障诊断; 结构模型; 粒度分解中图分类号: TP18 文献标识码：A System Description based on Granularity Decomposing for Fault Diagnostic Problems LIU Xuan( Electrical Engineering College, Wuhan University, Wuhan 430072) Abstract: From the point of view of system engineering, complex device system is decomposed into layers according to its structure and function, and builds analytic model for device system to describe systems behavior structure and fault state space. Based on these steps, the dissertation also analyzes the relation between fault pattern and faults detection & isolation, investigates character fir diagnosed questions and similarity between them and presents the general framework structure for the intelligent multi-agent diagnostic systems consistency and fusing solve-acquisition based on granularity decomposing.Keywords: pattern recognition; Artificial Intelligence; fault diagnosis; structure model; granularity decomposing0 引言收稿日期： 修回日期：基金项目：国防预研基金资助(2001281); 刘旋(1991-), 男, 湖北武汉人, 研究方向为智能控制与知识工程、复杂控制系统的智能故障诊断;复杂系统中并列的分系统多，每个分系统又分为若干个逻辑层次，在结构和功能上具有多层次性，其系统级和分系统级之间紧密耦合，作为一个整体分析起来困难大，所以在问题求解策略上应采用面向对象的问题约简法，将整个诊断问题按一定策略分解为比较容易解决的若干子问题。复杂系统的故障诊断一般是一个有穷递归的过程。诊断专家在整个故障诊断过程中适时，有机地交替使用各种类型的知识。这些知识主要有浅知识模型、深知识模型以及混合知识模型。不同类型的知识其表示方式不同，提供的信息不同，使用的时间也不同，它们不能随意地堆积在一起使用，也不能简单随意地分割开。故障诊断知识系统必能把各种类型的知识按合理的结构化体系有机地编码到支持系统协调一致工作的知识库中去，并在相应的推理机制的控制下才能完成故障诊断任务。笔者根据故障检测诊断的特点，从粒度分解的角度来描述诊断问题和诊断系统，就智能故障诊断中诊断问题的建模与形式化描述、故障模式与故障的可检测性和可分离性的关系、诊断系统与诊断过程的建模方法、诊断系统的模型结构以及诊断智能体单元组重构等相关的重点问题进行了较为系统深入的研究。1 复杂系统的层次结构分析复杂设备由若干相互联系的分系统按某种特定方式组成，并且具有一定的功能和特征：目的性、集合性、相关性、阶层性、整体性和环境适应性。因此，可把复杂设备系统模型化为层次结构有向图的一层次集合。设S表示控制系统，对S按结构与功能进行层次分解后，S在结构上可表示成为一个层次集合：S=S1,S2, Si,Sn ， i=1,2,n （1）S进行层次分解的一个层次结构图D定义为:D=(V, E) （2）其中,V=S1,S2,Sn为结点集合，E=SS为连接结点的有向边集合，由各分系统Si之间的衔接关系R所组成。衔接关系R是定义在S上的，其中，并且。这种衔接关系构成了控制系统S中的故障传播的所有路径。层次结构有向图D的结点集V由可监视结点集VM和不可监视结点集VN组成，并且满足： （3）D中由Si到Sk的有向边用ejk=(Sj,Sk)表示，并且且SjRSk （4）层次结构有向图D的衔接矩阵A表示为： （5）其中， 由衔接矩阵A，可计算系统S的可达性矩阵： （6）其中，且kk0，k0是一个正整数，I是单位矩阵。祖辈结点集和后代结点集是层次有向图D中结点集V上的两个函数，它们分别定义如下： （7） （8）运用可达性矩阵M，层次结构有向图D中的结点集V可分解成m个层次级别V1,V2,Vm，其中， （9） （10）这里是使的正整数。这称为层次结构。这种对象类满足下列性质：a. ，；b. 对于下列条件之一成立： 若，则Sj与Sk在同一闭环路中； 若，则Sj与Sk不互相衔接；c. 离开对象Vj中的结点的边只能到对象类Vk中的结点。分解从系统级开始，然后从各分系统、各子分系统、各部件级和各元件逐级展开。具有单一结点复杂设备系统S本身结构成层次分解模型的第一层次，而层次结构有向图D构成控制系统层次分解模型的第二层次级。在此基础上，根据上述的层次分解模型，继续对每个分系统按结构与功能进行层次分解，得到相对应的n个层次结构有向图： （11）这n个层次结构有向图组成的集合Dj构成的层次分解模型的第三层次级。依次类推，层次分解模型第i层级上与第i-1层次级上的结点V相对应的层次结构有向图可表示为： （12）综上所述，控制系统S按结构与功能进行层次分解的数学模型可描述成H=Li, i=1,2,l （13）其中，l表示分解模型的层次级数，Li表示分解模型的第i层次级，并且, （14）采用上述层次分解模型，对控制系统S按结构与功能进行分解后，顶层次级是控制系统本身，第2层次级是组成控制系统S的各分系统Sj，第3层次级是组成各分系统Sj的各子分系统Sjk,第i层次级是组成与第i-1层次对应的各子分系统的各部件，依此递推逐级分解直至所需要的层次级为止。2 复杂系统的故障建模分析要构建一个诊断系统就需要一个该系统的模型。这个模型就是对可能存在的故障信息和它们影响整个诊断进程程序的一个形式上的代表。在本节中，我们将描述一种故障建模的通用框架，在此基础上讨论故障的可分离性。2.1系统模型描述与故障状态描述建立被诊断对象的系统模型，如图1所示。这个模型由设备和监测信号组成。参数和描述故障，参数和描述干扰。设备被表示成由差分方程描述的任意系统模型，u(t)表示输入，y(t) 表示输出。另外，设备有可能受其它信号影响，它们集合在中。假定这些附加信号不知道或至少部分不知道。某些信号可建成为随机过程模型。注意设备被认为是具有完全确定性的，因此一个模型所有的随机部分都集中在信号中，除此之外，还有可能这个模型的某些部分包括或中，此种情况下就由用户针对特定问题来决定。图1 故障建模的通用框架Fig 1 A general system modely(t)u(t)Z(t,z,z)常数矢量代表设备中的确存在但情况不明的故障；常数矢量代表信号中的确存在但情况不明的故障；常数矢量称作故障状态，代表整个系统的故障状态。故障状态空间比如的参数空间命名为。对参数矢量的定义认定是相当自由的，比如可以允许元素是函数。常规情况下，不随时间变化但对应于这样一个前提，即系统的故障状态是从不变化的。对应于的是常数矢量，它代表影响系统的干扰。当干扰参数被排除后，系统模型就只由和构成。除了把一个系统模型分割成设备和信号外，把一个系统分割成许多单元也是很自然的。每一个单元都可能发生许多故障。系统中不直接受故障影响的部分不被看作是单元。每个单元i都有一个参数，它决定单元确切的故障或非故障状态。假定有总数为P的单元，那么整个系统的故障状态可被写成： （15）的参数空间命名为D2，则参数空间就是: （16）综上所述，模型包括和（和被忽略），整个系统模型表示为，则： （17）具有固定值的模型就可确切地特指一个系统，特定的故障或非故障就被表示出来。2.2 故障模式分析系统故障模式与元件故障模式1）系统故障模式不同的故障可分为不同的故障模式。对故障模式不同故障的分类对应于故障状态空间的分割。这意味着每个故障模式和的子集相联系。所有的子集都是两者不相交的。即：，且，其中表示所有故障模式的集合。图2 故障状态空间被分割成与故障模式相适应的子集Fig.2 The fault state space divided into subsets corresponding to different fault modesF1F2F4F3NF若故障模式存在于系统中，则。所有的子集两两不相交的事实意味着仅有一个故障模式可能同时存在，即故障模式中总有一个对应于无故障状况。出于标识的需要，对每个故障模式用缩写，比如：no fault“尚写为NF”。图2表明整个集合被分割成五个与故障模式相适应的子集NF，F1、F2、F3和F4。下面给出故障定义。定义1 对于故障状态参数，当时，它是一个故障。系统中存在的故障模式将频频被命名为FP。因此当现存故障模式为F1，我们写作FP=F1，对于现存故障状态，。2）元件（原子性）故障模式除了定义系统故障模式外，自然也应考虑单元故障模式。为了突出单元故障模式和应用于整个系统的故障模式的区别，后者有时就被称作系统故障模式。在前面谈到，一个系统常被分割许多单元。单元的特点属性就是一次只能出现一种故障类型。引入单元故障模式的概念后，显然没有两种故障能同时出现在同一个单元，这就可将不同类型的故障分类。以此类推系统故障模式，按照惯例即单元故障模式中有一种反映无故障的情况。每一个单元故障模式同Di的子集相联，也就是说，若故障模式存在于单元i中，则。以此类推系统故障模式，子集构成单元故障状态空间Di的分割区，这意味着子集两两不相联，其中是单元i的所有单元故障模式的集合。用代表第i个单元的第j种单元故障模式。故障模式为第i个单元的无故障情况故障模式，也将被命名为NFi。假定P表示单元数，ni表示第i个单元不同的单元故障模式的总数目。则系统故障模式可由单元故障模式的矢量组成。若此矢量的长度为P，可能的系统故障模式的总数目是:。 系统故障模式描述及建模单元故障式仅有一个是无故障NFi的系统故障模式就是单一故障模式。通常情况下，无故障系统故障模式如NF也被认为是单一故障模式。与i相对的是复合故障模式，其中单元故障模式中至少有一个或以上不是NFi。系统模型能够描述所有可能的故障状态的系统。通过将限定到子集，相应于故障模式r，可得到一个小一点的模型。对特殊的单一故障模式而言，模型会变得更小些。对每一个故障模式r，其模型正式定义为： （18）因此只要故障模式r存在，模型就能描述这个系统。对于一个特别的故障模式r来说，限制条件常将矢量的一部分固定为一些常数。那么，作为对概念的一种替换，可使用，其中是矢量中未被固定的部分。假若矢量由故障模式r完全固定，有关的讨论就毫无必要了，相应的故障模型就可被定义为Mr。3 故障模式同故障检测与分离的关系 3.1故障模式之间的关系由于“过度参数化”，可能出现不同的故障模式以同样好的程度描述系统行为的情况。这对于一个诊断系统的分析与设计起着基本的、重要的作用。在系统识别中同识别能力也有很密切的关系。本节将对故障模式之间的种种关系进行深入探讨。定义2（等效模型） 具有固定参数和的两种模型和，若在信号u(t)和z(t)作用下，对的每个初始状态x1和的初始状态x2都存在则输出y1(t)和y2(t)是相等的，则这两个模型是等效的，即：=。定义3（子模式） 如果对于每个固定值，存在一个固定值，使得，则故障模式r1是故障模式r2的子模式，即：r1r2。定义4（极限内的子模式） 若对每个固定值都存在一个固定值，使得，则模式r1是模式r2极限内的子模式，即：r1*r2。这些关系具有传递性。如果r1r2，r2r3，则r1r3。如果r1*r2，r2*r3，则r1*r3。进而言之，如果r1r2，则也有r1*r2。在建立系统和故障模型时产生故障模式间的子模式关系。这些关系的存在就意味着隔离不同的故障会变得困难甚至不可能。3.2 故障的可检性与可分离性故障检测与分离（Fault Detection and Isolation, FDI）是一门应用很广泛的技术。故障检测是指当过程发生故障时，对其及时发现和确认，并给予相应的显示或报警。故障重构（Fault Reconstruction，FR）是指当过程中存在故障时，利用被故障污染的过程数据估计出名义正常数据和故障的幅值。故障识别（Fault Identification，FID）是指当过程中存在故障时，从已知（预定）的故障集中确定出故障源。故障的可分离性（Fault Isolation，FIS）是指在给定的故障集中，某一故障是否能够（在某一准则或意义下）区别于其它故障的性质。过程监测的主要功能即由上述四个部分组成，其流程如图3所示。图3 过程监测的三个阶段Fig .3 Three steps for process supervising工业过程检 测过程数据重 构识 别分离故障的可检测性、可重构性和可识别性就是指某一监测方法实现图3所示的四个阶段功能的能力。例如，若监测方法A能够检测出故障B的发生，则称故障B对于监测方法A是可检测的。可检测性研究就是要揭示故障B在满足何种条件时方能被监测方法A检测出。故障可重构性和可识别性的含义也是类似的。故障的可分离性与被检测过程的物理化学特性有关，并且与传感器网络的拓扑结构也有关。故障的可检测性、可重构性、可识别性，以及可分离性只有结合具体的诊断解释方法来谈才有意义。在本文中假定诊断解释用集合表达式来表示。下面以系统故障模式的概念为基础来讨论故障的可检测性与分离性。定义5（故障检测，FD） 假设存在一个故障，如果，则应用一诊断可探测故障。定义6（故障分离，FIS） 假定有故障，那么如果S=F1，则应用一诊断系统分离出故障。基于上述定义，下面也给 “误警、误检、误分离”下定义。定义7（错误报警，FA） 假定没有故障存在，即，诊断系统给出了诊断解释S且，则诊断解释S代表了一错误警告。定义8（误检，MD） 假定存在故障，诊断系统给出了诊断解释S且，则S代表一误检。定义9（误分离，MI） 假定存在一故障，诊断系统给出了诊断解释S且，则诊断解释S代表一误分离。接下来对一给定诊断系统定义其分离性和检测性。假定系统输出y完全由初始状态x0输入u，故障和干扰来决定。那么，即诊断解释也完全由和来确定。定义10（故障状态隔离） 给定一个固定的和一诊断系统，若存在且，则故障状态，在情况下隔离于。研究“F1分离于F2”时，有数种选择。既可考虑故障模式中的单一成对的故障状态，也可考虑所有的故障状态。本文对给定诊断系统故障分离至少六种不同的定义。定义11 （正规完全的故障模式分离） 给定一诊断系统，若存在： ，在情况下分离于，则F1正规而完全地分离于F2。定义12 （在条件下完全的模式分离） 给定一固定和一诊断系统，若，在条件下隔离于，则F1在条件下完全分离于F2。定义13 （完全故障模式分离）给定诊断系统，若， 在条件下分离于，则F1完全分离于F2。定义14 （正规且部分的故障模式分离）给定诊断系统，若， 在条件下分离于，则F1正规且部分分离于F2。定义15（在条件下部分模式分离）给定一固定和一诊断系统，若， 在条件下分离于，则F1在条件下部分分离于F2。定义16 （部分故障模式分离）给定一诊断系统，若， 在条件下分离于，则F1部分分离于F2。注意不同分离特性之间的实质联系，这在表2用箭头表示出来了。接下来，我们把分离也定义为系统的属性。定义17 （正规）完全/部分模式的可分离性如果有诊断系统，其中，故障模式F1（正规）完全/部分分离于故障模式F2，那么故障模式F1（正规）完全/部分分离于故障模式F2。（在此忽略了情况下的分离。）分离的特例就是探测。如同对待分离一样，我们可以或者不可以定义检测，为系统属性。定义18 （诊断系统中故障模式的可检测性）若F1在诊断系统中分离于NF，那么故障模式下F1在此系统中是正规或完全/部分可检测的。故障模式的可分离性和可检测性可能难于仅通过应用到定义11到定义18来分析。但是，这些属性仍然重要，它们是构建诊断系统必须考虑的关键因素。3.3 故障模式与故障分离性间的关系故障模式之间的子模式关系，象3. 1节定义的那样，严格限定了执行故障分离的可能性。下面将正式解释这一点。定理1 设有F1*F2，则：a）F1并非完全分离于F2b）F2并非完全分离于F1c）假若是一理想的诊断系统，如，能解释数据x，且是一个正确的模型，则F1在中并非部分或完全分离于F2。证明：关于（a），假定F1完全分离于F2。从定义13和18得知存在一个诊断系统和一个，因此对于所有的和，就有： （19） （20）假定存在，因为F1*F2，又知（或可能在此限内）。因此。即存在时来自于设备的输出y等同于存在时的输出。也就是说，存在时的诊断解释等同于存在时的诊断解释。所以，当存在时，根据（19），则知。但是，从（20）我们知道的存在就已表明。这种矛盾证明了定理的（a）部分。关于（b），假定F2完全分离于F1。已知诊断系统和，因此对于所有的和就有： （21） （22）关系F1*F2表明有且（或者可能在极限内），因此。这两个给出同样的诊断陈述S。从（21）中得知，且。这两种矛盾证明了定理的上部分。关于（c），假定F1在一个理想的诊断系统中部分隔离F2。从定义16中得知有，和，因此（19）也有。假设存在。用和(a)部分相同的推理，则可得出结论。当存在时，则有。但是，由假定的理想诊断系统和正确的模型可知的存在表明。这种矛盾证明了定理的c部分。注意：因为无分离性的潜在意义就是无正规分离性，该定理也证明F1*F2潜在的意义是F1并非正规完全或部分分离F2。接下来的定理表明当故障模式间非子模式关系时，至少有部分可分离性。定理2 若F1*F2，且模型是正确的，则在一理想诊断系统中F1部分分离于F2。证明：关系式F1*F2，表明，因此对于所有的就有：* （23）若存在，假定的正确模型和理想诊断系统表明。（23）式中的关系式意指存在有，如此则不能解释关于任何的数据。这进一步表明。由假定的正确模型和理想的诊断系统可知，对于所有的而言，。这证明F1部分隔离于F2。定理1和2表明，为了有利于分离，故障模型要做得越特殊越好。故障模型建模时要避免故障模式之间的子模式关系的联系。当故障模式间存在子模式关系时就意味着难于或不可能分离不同的故障。在实践中，比如故障可建模成一个恒定参数的偏差，那么则不能用一个随意的故障信号来建模。当已知参数被限于一定范围时，就不能将此信息合并到故障模型中去。根据定理1，当故障模式间存在子模式关系时，互相之间就不能分离。这就意味着如果A*B，且现已存在于系统中的故障模式为A时，那么，如果诊断陈述包含A时，极有可能也包含B。比如S=A,B,。从另一观点看，假定遇到一种故障陈述S=A,B。这基本上意味着A和B都能解释数据。但是，因为A*B，A比B更受局限，则极有可能数据是由一个具有故障模式A的系统所产生的。在此情况下，用这种诊断系统展开推理，诊断解释就可能成为单一故障模式A。一般说来，若某诊断解释中的所有故障模式是诊断解释中其它故障模式的超级模式时就应该用（24）式产生更加精炼的诊断陈述。=F1SF2S. F2F1F2F1 （24）例如，NF有可能同所有其它的故障模式Fi相关联，即NF*Fi。尽管NF是现存的故障模式，但它绝非S中唯一的故障模式。但是，若应用精炼的诊断陈述（见24式），则。4 故障诊断的形式化描述4.1 诊断问题的特征分析诊断问题的定义定义19 一个诊断问题是一个多元组，其中：M是有限非空的待诊断系统的行为模型集合；COMP是有限非空的待诊断系统中单元的集合；HYP是有限非空的诊断假设集合；CXT是有限非空的诊断对象的领域知识集合；是有限非空的观察征兆集合；是表示在现有案例中被考虑的观察征兆集合；是表示与观察征兆集相冲突观察参数的集合。给定诊断问题DP，当且仅当，MCXTHm(x)，对每个单元（）行为模式的陈述就是对DP的诊断。上述定义中用和描述了诊断问题的特征。OBS（监测中获得的对诊断问题的观察集）可以描述诊断问题的特征，而仅受给定的OBS根据标准决定。既然我们仅强调，因此有许多可从OBS中决定的方法。诊断问题相似分析与比较的数学描述157,1681）基本概念和定义设有两个由有限个要素构成的系统，系统A和系统B:定义20 相似元与相似集合。若对A和B进行相似分析和比较，将系统A和B具有相同属性或特性两两对应组成相似元，用相似元Uij=(ai,aj)表示，当系统A和B间存在着k个相似元U1,U2,Uk，则将这k个相似元集合U表示为：U=U1,U2,Ui,Uk , 0Ui1; （25）当0Ui1时，表示两系统对应元素彼此相似；当Ui=1时，表示两系统对应元素完全相同；当Ui=0时，表示两系统对应元素既不相同也不相似。定义21 模糊区间数。若X是一个线性有序的论域，则X中的一个模糊数可用一个序偶a,b/p来表示，其中。那么在语义上，对于X上的任一个模糊数可以用一组序偶表示： （26）其中：是一组闭区间；表示该模糊数分别落在ai,bi的可能度为pi。定义22 语义距离。设论域X为实数域。两模糊数区间数；之间的语义距离为： （27）其中：、为三个权系数，,0且+=1；P1。当a1,b1，a2,b2取最大区 间时，P1=P2=1有 （28）由此定义精确数与模糊数间的语义距离为：先将精确数理解为特殊的模糊数区间数d,d/1，然后再按上述的语义距离计算，即求得某一精确数区间的语义距离。定义23 相似系统。相似系统是指系统间存在着若干相似元，显然两个系统间相似元越多，相似元的值越大，就将导致两个系统的相似程度越高。定义24 系统间的相似度。为了刻画两个系统间的相似程度，定义系统间的相似度为： （29）式中：为权重系数；ui=相似元的值；nA,nB分别为系统A和系统B中要素的数量；nn为系统A与B间的相似元数量。显然式（29）中体现了系统间相似元数量的多少对系统相似度的影响；而则体现了系统间相似元值的大小对系统相似度的影响。2）问题之间的相似度对所要求解的问题，实列库中可能存在多个相关实例，如何确定最佳实例？需要分析问题之间的相似性，确定相似度。相似度的确定是一个困难的问题，已有一些学者提出了确定相似度的方法。比如，加权计算方法，神经网络方法等，在这些方法中只注重特征，没考虑特征之间的关系。设需求解的问题为P=(A,R)，实例中的问题，其中A=a1,a2,an；B=b1,b2,bm。P的特征ai与的特征bj之间，通过语义分析、属性比较确定其相似性，用SD(ai,bj)表示特征ai与bj之间的相似度，。当时，表示ai与bj相似，记为aibj。定义25 如果存在满射，满足：a. ，有；b. ，则称P与同态。当f是一一映射时，称P与同构。定义26 若P与同构，则P与的相似度为: （30）式中：表示特征ai的重要程度；。当时，称P与相似，记为P，当时，称P与部分相似，记为P。3）求解的问题与案例间的匹配分析设要求解的问题P有n个属性集F=f1,f2,fn；案例Ci的属性为Ai=ai1,ai2,aik。定义27 问题P与案例Ci的相容数n1i为集合FAi的元素个数。问题P与案例Ci的匹配数n2i为集合x|x(FAi)(valF(x)=val Ai(x)的元素个数。其中valF(x)是F中x的属性值；val Ai(x)是Ai中x的属性值。根据问题P的属性个数n，对于案例Ci的相容数n1i和匹配n2i的数值大小可以定义以下4种匹配情况。定义28 当n1i=n，并且n2i= n1i，问题与案例完全匹配；当n1i=0，且n2i=0 ，问题与案例完全不匹配；当n1in，并且n2i= n1i ，问题与案例部分完全匹配；当n1in，并且n2in1i ，问题与案例不完全匹配。4.2 多智能体诊断模型的粒度分解粒度分解分析人们可从不同的粒度世界去分析、观察同一问题，或采用不同的粒度世界去解决不同的问题。可采用三元组来描述某一问题的某一粒度空间。式中 X表示问题的论域；是论域的结构，即论域中各元素的相互关系；表示论域的属性，用函数表示，Y可以是n维空间Rn中的集合。设R是X上给定的一个等价关系，可以把X进行简化到不同粒度下的数学模型，得到对应于R的商集X，将X作为新的论域进行讨论。对于一个待诊断设备而言，其多专家诊断过程可以描述为：设备可能的故障有N个，决策者向K个专家进行咨询，各位专家以置信度的形式给出自己的意见和评价，在专家进行诊断的过程中，专家独自完成诊断工作，决策者根据各个专家给出的诊断结论给出对该设备故障诊断的综合结构。其一般步骤可以描述为：a.对于诊断决策问题，决策的论域为设备故障集合H=H1,H2,HN，其中N为设备故障数。b.决策者向K个专家进行决策咨询，各专家对论域中的各故障假设以置信度的形式给出各自的意见和评价，即Xi=X1,X2,XN，i=1,2,K。c.决策者根据各专家诊断的结果对其在决策中重要性进行度量，其指标对应于各诊断专家在某一故障诊断中的权重wi=wi1,wi2,wiN，i=1,2,K，式中，wij表示诊断专家i对诊断故障假设Hj的相对诊断重要度，且满足。DEHaH诊断专家论域Ha论域H图4 多诊断专家决策模型的粒度分解Fig.4 Granularity partition in decision modeling of multi-experts因此，可用图4表示粒度分解后的多诊断专家决策模型，设Ha是论域H上的一个划分，则a. b. if ，则，式中为论域H的子集。诊断系统的通用框架进行故障诊断就是诊断系统执行一种决策制度，产生出诊断陈述S。S包含有能解释整个过程的那个故障模式的信息。其中，x= u(t), y(t)，u(t)和y(t)是输入到诊断系统的信号。注意：x也会包含不同时段的u(t)和y(t)的样本。建构的诊断系统如图5所示。整个诊断系统能被分成较小的部分，我们称之为检验。这些测试也就是决策规则。假设每一种检测产生诊断陈述Si，比如Si=。决策逻辑的目标就是合并这些信息来形成诊断陈述S。复杂设备系统1(u,y)一致性融合求解2(u,y)n(u,y)u(t)y(t)S1S2Sn诊断系统 n(u,y)S诊断解释图 5 通用协同监控求解结构Fig.5 A general cooperative supervising solving structure4.3 应用实例为了验证本文提出的智能故障诊断中诊断问题的建模与形式化描述、故障模式与故障的可检测性和可分离性的关系等理论的正确性，文献5,8,11,12阐述了以COM和KQML相结合为基础的系统集成体系结构以展示如何把上述理论与方法应用于复杂系统的故障诊断，并以运载火箭控制系统的电源负母线漏电故障诊断为例，给出了部分应用结果。在假定各节点发生故障的概率相同或不同情况下，利用CZ-3B型运载火箭控制系统的电路在该平台上验证了诊断算法，验证结果表明：诊断对象的知识输入简单，不易出错；漏电故障定位准确，能一次找出所有漏电故障；该系统充分利用了专家知识和对象系统结构知识，既提高了诊断效率，又保证了诊断软件的鲁棒性。测试诊断结果充分证实了该方法能够有效地用于火箭控制系统漏电故障的诊断，诊断效率大大提高，结果令人满意。5 结束语故障诊断是根据故障征兆信息确定系统故障原因的过程，对于复杂系统的故障诊断一般是一个有穷递归的过程。复杂系统中并列的分系统多，每个分系统又分为若干个逻辑层次，在结构和功能上具有多层次性，其系统级和分系统级之间紧密耦合，作为一个整体分析起来困难大。因此，本章从系统工程的观点出发，将复杂设备系统按结构与功能进行层次分解，建立设备系统的解析模型用于描述系统的行为结构和故障状态空间，在此基础上分析了故障模式与故障的可检测性和可分离性之间的关系，探讨了被诊断问题的特征以及被诊断问题之间的相似性，并给出了基于粒度分解的多智能体诊断系统一致性融合求解的通用框架结构。参考文献1 Reiter R. A Theory of Diagnosis from First PrinciplesJ. Artificial Intelligence，1987, 32(1) : 57-952 Davis R. Diagnostic Reasoning Based on Structure and BehaviorJ. Artificial Intelligence ，1984, 24(2) : 347-4103 Lin K Y, Yang Z. Using Structure Information to Guide DiagnosisJ. Transactions of Tianjing University，1997, 3(1) : 48-534 Zhang Y, Li D.Y. Hierarchical Structure Decomposition Models of Failure Diagnosis for Spacecraft Systems J. Systems EngineeringTheory & Practice, 1996, 16(10): 38-435 Fan Youping, Chen Yunping, Huang Xiyue. Research on the Leak Current Fault Diagnosis System for Launch Vehicle Control System. J. Journal of Astronautics, 2003, 24(5): 221-2266 Mattias Nybe