2011-5-5故障诊断 1

1、1、设备故障诊断技术的发展历史、设备故障诊断技术的发展历史 2、故障诊断的概念、故障诊断的概念3、故障诊断方法综述、故障诊断方法综述4、故障智能诊断系统的发展趋势、故障智能诊断系统的发展趋势 第一章第一章 概述概述 故障诊断其全名是状态监测与故障诊断。它包含两方面内容: 故障诊断技术是一门综合性技术，是多学科交叉的实用性技术。理论基础：可靠性理论、信息论、控制论和系统论技术手段：现代测试仪器和计算机诊断对象 ：系统、设备、机器、装置、工程结构以及工艺过程等如现代控制理论、可靠性理论、数理统计、模糊集理论、信号处理、模式识别、人工智能等学科理论。特点：诊断对象广泛、技术具体、工程应用性强以及与高

2、技术紧密结合等。一、设备故障诊断技术的历史一、设备故障诊断技术的历史 可分为以下四个阶段可分为以下四个阶段一、设备故障诊断技术的历史一、设备故障诊断技术的历史 可分为以下四个阶段可分为以下四个阶段一、设备故障诊断技术的历史一、设备故障诊断技术的历史 可分为以下四个阶段可分为以下四个阶段一、设备故障诊断技术的历史一、设备故障诊断技术的历史 可分为以下四个阶段可分为以下四个阶段一、设备故障诊断技术的历史一、设备故障诊断技术的历史 可分为以下四个阶段可分为以下四个阶段 一、设备故障诊断技术的历史一、设备故障诊断技术的历史故障诊断的基本思想故障诊断的基本思想表述为表述为 ：设被检测对象全部可能发生的状

3、态组成状态空间S， 其可观测特征量全体构成特征向量空间Y。包括正常状态和故障状态当系统处于某一状态s时，系统具有确定的特征向量y， 即:存在映射g：S反之，一定的特征也对应确定的状态，即:存在映射f：YY；S。 二、故障诊断的概念二、故障诊断的概念故障诊断的目的：故障诊断的目的：根据可测量的特征向量特征向量来判断系统处于何种状态，也就是找出映射f。 在这种情况下，故障诊断就成为 按特征向量对被测系统进行分类的问题， 或者 对特征向量进行状态的模式识别问题 在实际情况中故障状态具有一定的模糊性。因此，它所对应的特征向量也在一定范围内变动，有可能一种故障状态对应多个特征向量，或者多种故障状态对应一

4、个特征向量二、故障诊断的概念二、故障诊断的概念故障诊断技术的任务：故障建模建模故障检测检测故障的分类、评价与决策分类、评价与决策故障分离与估计分离与估计就是按照先验信息和输入输出关系，建立系统故障的数学模型，作为故障检测与诊断的依据;就是判断系统中是否发生了故障并检测出故障发生的时刻就是在检测出故障后确定故障的类型和位置，以区别出故障原因是执行器、传感器和被控对象等就是判断故障的严重程度，以及故障对系统的影响和发展趋势，便于针对不同的工况采取不同的措施。二、故障诊断的概念二、故障诊断的概念评价一个故障诊断系统的性能指标主要有：早期故障检测的灵敏度故障检测的实时性故障定位和故障评价的准确性等。故

5、障的误报率和漏报率二、故障诊断的概念二、故障诊断的概念故障诊断技术的研究对象:故障信息的研究故障机理研究故障诊断理论和方法的研究 主要包括诊断对象的物理和化学过程的研究。 例如对引起电气、机械部件失效的腐蚀、蠕变、疲劳、氧化、绝缘击穿、断裂、磨损等物理化学原因的研究;对工艺过程、工艺特性及其各类故障特性和症状的研究。 作为故障诊断技术的基础，只有研究诊断对象的故障机理才能有效地分清导致故障的主次因素 主要包括故障信号的采集、选择、处理与分析、特征提取等过程。 例如通过传感器采集生产设备运行中的信号(如振动、转速)，再经过时域和频域上的分析处理来识别设备的故障或评价设备所处状态。研究适当的故障信

6、号检测方法是发现故障信息的重要手段 主要包括基于逻辑、模型、推理以及人工智能等方法对故障的识别、推理、预测、分类、评价与决策等方面的研究。 根据诊断对象的可检测故障表征进行分析和推理，识别故障并推理故障的发展趋势以确定下一步的检测部位，最终分析判断故障发生的部位和产生故障的原因，并形成正确的干预决策。基于知识的方法 故故障障诊诊断断方方法法三、故障诊断方法综述三、故障诊断方法综述基于信号处理的方法 主要思想是在知识的层次上，以知识处理技术为基础，实现辩证逻辑与数理逻辑的集成，符号处理与数值处理的统一，推理过程与算法过程的统一。通过在概念和处理方法上的知识化，实现设备故障诊断智能化。 主要思想是

7、:根据系统的组件与组件之间的连接，建立诊断系统模型，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，能通过逻辑推理推导出系统在正常情况下的预期行为。观测到的系统实际行为与系统预期行为有差异，说明系统存在故障，利用逻辑推理也能够确定引发故障的组件集合。在实际情况中，常常难以获得对象的精确数学模型，这就大大限制了基于解析模型诊断方法的使用范围和效果。主要思想是:利用计算机或专用处理设备，以数值计算的方法对信号进行采集、变换、综合、估值与识别等加工处理，以达到检测出故障的目的。专家系统故障诊断方法 基于知识的方法 模糊故障诊断方法 故故障障诊诊断断方方法法三、故障诊断方法综述三、

8、故障诊断方法综述基于信号处理的方法 神经网络故障诊断方法 数据融合故障诊断方法 小波分析法 傅里叶分析法 谱分析法和相关分析法 模糊故障诊断方法是通过研究故障与征兆(特征元素)之间的关系来判断设备状态。 诊断方法不需要建立精确的数学模型（一）模糊故障诊断（一）模糊故障诊断 利用模糊集合论中的隶属函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系，进而实现故障的检测与诊断。 三、故障诊断方法综述三、故障诊断方法综述 模糊故障诊断过程（1）确定故障原因和征兆论域模糊故障诊断方法现场测取数据组成特征向量AB=RA诊断结论建立A与B的模糊关系矩阵R经验数据统计数据实验数据确定B对A的隶属度A（B

9、）求解模糊关系方程故障原因论域V=B1，B2，B3，B1，B2，B3，为故障原因论域内的元素故障征兆论域U=A1，A2，A3，A1，A2，A3，为故障征兆论域内的元素 模糊故障诊断过程（2）确定两论域中元素的隶属度模糊故障诊断方法现场测取数据组成特征向量AB=RA诊断结论建立A与B的模糊关系矩阵R经验数据统计数据实验数据确定B对A的隶属度A（B）求解模糊关系方程 即定出故障原因论域V中各元素Bi相对于某种故障特征（例如频率特征）的隶属度Bi，组成模糊向量B：B= B1， B2， B3，TA= A1， A2， A3，T 定出故障征兆论域U中各元素Aj相对于有故障特征的隶属度Aj，组成模糊向量A：

10、 模糊故障诊断过程（3）建立模糊关系矩阵模糊故障诊断方法现场测取数据组成特征向量AB=RA诊断结论建立A与B的模糊关系矩阵R经验数据统计数据实验数据确定B对A的隶属度A（B）求解模糊关系方程 由于故障因果之间存在模糊关系，需建立某一故障原因可能会产生哪些故障征兆，某种征兆出现可能存在哪些故障原因，彼此之间的关系程度有多大的关系矩阵。 亦即需要建立征兆参数Aj相对于故障原因Bi的隶属度ijrij = Bi(Aj) 模糊故障诊断过程（3）建立模糊关系矩阵模糊故障诊断方法现场测取数据组成特征向量AB=RA诊断结论建立A与B的模糊关系矩阵R经验数据统计数据实验数据确定B对A的隶属度A（B）求解模糊关系

11、方程 rij的取值范围为0，1，由各个rij于构成了论域U和论域V之间的模糊关系矩阵R：nmnnnmmrrrrrrrrrrrrR,32122322211131211每一行为征兆集的隶属度，每一列为原因集的隶属度矩阵中每一元素的大小表明Aj和Bi之间相互关系的的密切程度。 模糊故障诊断过程（3）建立模糊关系矩阵模糊故障诊断方法现场测取数据组成特征向量AB=RA诊断结论建立A与B的模糊关系矩阵R经验数据统计数据实验数据确定B对A的隶属度A（B）求解模糊关系方程 rij的取值范围为0，1，由各个rij于构成了论域U和论域V之间的模糊关系矩阵R：nmnnnmmrrrrrrrrrrrrR,3212232

12、2211131211模糊关系矩阵是从大量分析、试验、测试和现场实践经验的总和中得到。 模糊故障诊断过程（4）模糊综合评判模糊故障诊断方法现场测取数据组成特征向量AB=RA诊断结论建立A与B的模糊关系矩阵R经验数据统计数据实验数据确定B对A的隶属度A（B）求解模糊关系方程 从故障征兆论域U中各元素给出的数据Aj（组成模糊子集A隶属度），求出故障原因论域V中的故障Bi（ 组成模糊子集B隶属度）。通过模糊关系矩阵求解：B=R A模糊逻辑算子模糊关系矩阵如果征兆相量A和模糊关系矩阵R已知，则故障原因相量B即可由此求出。故障诊断方法故障诊断方法存在的问题：模糊故障诊断方法花费时间长规则有“组合爆炸”现象

13、发生非线性系统的诊断结果不够理想对于复杂的诊断系统，建立正确的模糊规则和隶属函数非常困难对于更大的模糊规则和隶属函数集合而言，难以找出规则与规则之间的关系由时域、频域特征空间至故障模式特征空间的映射关系存在着较强的非线性，这时隶属函数形状不规则，只能利用规范的隶属函数形状来加以处理，如用三角形、梯形或直线等规则形状来组合予以近似代替基于故障树的方法基于故障树的方法 故障树故障树FT模型模型是一个基于被诊断对象结构、功能特征的行为模型，是定性的因果模型，以系统最不希望事件为顶事件，以可能导致顶事件发生的其他事件为中间事件和底事件，并用逻辑门表示事件之间联系的一种倒树状结构。它反映了特征向量与故障

14、向量(故障原因)之间的全部逻辑关系。 例如：顶事件：系统故障，由部件A或部件B引发，而部件A的故障又是由两个元器件1、2中的一个失效引起的，部件B的故障在两个元器件3、4同时失效时发生根据故障搜寻方式不同，又可分为：逻辑推理诊断法逻辑推理诊断法最小割集诊断法。最小割集诊断法。 由计算机依据故障与原因的先验知识和故障率知识自动辅助生成故障树，并自动生成故障树的搜索过程。基于故障树的方法基于故障树的方法诊断过程： 从系统的某一故障开始，沿着故障树不断提问“为什么出现这种现象”，而逐级构成一个递阶故障树，通过对此故障树的启发式搜索，最终查出故障的根本原因。 在提问过程中，有效合理地使用系统的实时动态

15、数据将有助于诊断过程的进行。 基于故障树的诊断方法类似于人类的思维方式，易于理解，实际中大多与其他方法结合使用。 在采集到被诊断对象的信息后，综合运用各种规则（专家经验），进行一系列的推理，找到故障。 专家系统故障诊断一般结构：人与专家系统打交道的桥梁和窗口，是人机信息的交接点。 对于在线监视或诊断系统，数据库的内容是实时检测到的工作状态数据；对于离线诊断，数据库内容可以是故障时检测数据的保存，也可以是人为检测的一些特征数据，即存放推理过程中所需要和所产生的各种信息。 存放的知识可以是系统的工作环境，系统知识(反映系统的工作机理及系统的结构知识)：规则库则存放一组组规则，反映系统的因果关系，用

16、于故障推理。知识库是专家领域知识的集合。 根据获取的信息综合运用各种规则，进行故障诊断，输出诊断结果。是专家系统的组织控制机构。 被诊断对象知识规则库结果人机接口数据库推理机方法： 通过演绎推理或产生式推理来获取诊断结果浅知识浅知识是指领域专家的经验知识 寻找一个故障集合（一）基于浅知识的诊断方法（一）基于浅知识的诊断方法其目的使之能对一个给定的征兆征兆集合产生的原因做出最佳解释。包括存在的和缺席的知识表达直观形式统一优点：模块性强（一）基于浅知识的诊断方法（一）基于浅知识的诊断方法不足：如知识集不完备，对没有考虑到的问题系统容易陷入团境；对诊断结果的解释能力弱等。推理速度快等方法：要求诊断对

17、象的每一个环节具有明确的输入输出表达关系，深知识则是指诊断对象的结构、性能和功能的知识（二）基于深知识的诊断方法 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。优点：具有知识获取方便、维护简单、完备性强等。不足：搜索空间大，推理速度慢。（二）基于深知识的诊断方法将两者有机地结合起来，使诊断系统的性能得到优化。（三）基于浅知识和深知识的混合诊断方法 建造智能诊断系统时，不仅要重视领域专家的经验知识，更要注重诊断对象的结构、功能、原理等知

18、识，研究的重点是浅知识与深知识的集成表示方法和使用方法。 一般优先使用浅知识，找到诊断问题的解或者是近似解，必要时用深知识获得诊断问题的精确解。基于浅知识和深知识相结合的诊断推理方法有：（三）基于浅知识和深知识的混合诊断方法集成诊断模型层次因果模型 基于状态估计的方法 首先重构被诊断过程的状态，并构成残差序列，残差序列中包含各种故障信息。 被诊断过程的状态直接反映系统的运行状态，通过估计出系统的状态并结合适当模型则可进行故障诊断。 基于这个序列，通过构造适当的模型并采用统计检验法，才能把故障从中检测出来并做进一步的分离、估计和决策。常用状态估计的方法状态观测器滤波器最小二乘法方法 采用状态估计

19、方法的前提条件过程数学模型知识(结构及参数)系统可观测或部分可观测方程解析应有一定精度 在许多场合下将模型线性化并假设干扰为白噪声 基于状态估计的方法 基于过程参数估计的方法 根据参数变化的统计特性来检测故障的发生，而后进行故障分离、估计和分类。 建立故障与过程参数的精确联系，因此这种方法比基于状态估计的方法更有利于故障的分离。参数估计的首选方法最小二乘法 简单实用与基于状态估计的诊断方法不同，它不需要计算残差序列 采用参数估计方法的前提条件 需要建立精确的数学模型 需要有效的参数估计方法 被控过程的充分激励 选择适当的过程参数 必要的统计决策方法 基于数学模型的故障诊断方法，其特点：优点：是

20、能深入系统本质的动态性质和实现实时诊断缺点：当系统模型未知、不确定或具有非线性时，不易实现。 基于过程参数估计的方法 基于案例的推理方法能通过修订相似问题的成功结果来求解新问题。 它能通过将获取新知识作为案例来进行学习，不需要详细地诊断对象模型。基于案例的诊断方法主要技术包括案例表达和索引案例的检索案例的修订从失败中学习等基于案例的诊断方法的原理 根据所诊断的对象特征从案例库中检索出与该对象的诊断问题最相似匹配的案例，然后对该案例的诊断结果进行修订作为该对象的诊断结果。 基于案例的诊断方法适用于领域定理难以表示成规则形式，而易表示成案例形式并且已经积累了丰富的案例的领域。基于案例的诊断方法局限

21、性传统的基于案例的诊断方法难以表示案例之间的联系； 对于大型案例库进行检索非常费时，并且难以决定应选择哪些症状及它们的权重； 难以处理案例修订时的一致性检索(特征变量间的约束关系)，难以对诊断结果加以解释。基于案例的诊断方法其核心技术是故障模式识别 独特的容错、联想、推测、记亿、自适应、自学习和处理复杂多模式等2、诊断领域的应用研究基于人工神经网的方法1）从模式识别的角度应用它作为分类器进行故障诊断；1、神经网络特点：2）将神经网络与其他诊断方法相结合的复合故障诊断方法。3、神经网络故障诊断过程： 学习(训练)、诊断(匹配)基于人工神经网的方法学习过程：在一定的标准模式样本的基础上，依据某一分

22、类规则来设计神经网络分类器，并用标准模式训练 诊断过程：将未知模式与训练的分类器进行比较来诊断未知模式的故障类别。预处理：通过删除原始数据中的无用信息得到另一类故障模式，由样本空间映射成数据空间。在数据空间上，通过某种变换(如对模式特征矢量进行量化、压缩和规格化等)使其有利于故障诊断。 3、神经网络故障诊断过程： 学习(训练)、诊断(匹配)基于人工神经网的方法将从诊断对象获得的数据看做一组时间序列，通过对该时间序列的分段采样，可以将输入数据映射成样本空间的点。这些数据可能包含故障的类型、程度和位置等信息。 但从样本空间看，这些特征信息的分布是变化的，因此，需经合适的变换来提取有效的故障特征。

23、而所提取的这些特征对于设备的参数应具有不变性。常用的特征提取方法有： 傅里叶变换 小波变换 分形维数等。 3、神经网络故障诊断过程： 学习(训练)、诊断(匹配)基于人工神经网的方法网络分类器：常用于故障诊断分类的神经网络有： BP网络 双向联想记忆(BAM)网络 自适应共振理论 自组织网络 B样条网络2、知识获取方面基于人工神经网的方法 神经网络的知识不需要由知识工程师进行整理、总结以及消化领域专家的知识， 只需要用领域专家解决问题的实例或范例来训练神经网络；3、知识表示方面 神经网络采取隐式表示，在知识获取的同时，自动产生的知识由网络的结构和权值表示， 并将某一问题的若干知识表示在同一网络中

24、，通用性强，便于实现知识的自动获取和并行联想推理。基于人工神经网的方法4、知识推理方面神经网络通过神经元之间的相互作用来实现推理。5、不足基于人工神经网的方法 由于神经网络从故障事例中学到的知识只是一些分布权重，而不是类似领域专家逻辑思维的产生式规则，因此诊断推理过程不能够解释，缺乏透明度。 所谓基于信号处理的方法，通常是利用信号模型信号模型，直接分析可测信号，提取特征值特征值，从而检测出故障。 基于信号处理的方法基于信号处理的方法 如相关函数、频谱、自回归滑动平均、小波变换等 如方差、幅值、频率等方法简单，但容易出现故障的误判和漏判。 该诊断方法是直接测量被诊断对象有关的输出量，如果输出超出

25、正常变化范围，则可以认为对象已经或将要发生故障。采用傅里叶变换进行信号分析傅里叶分析的方法傅里叶分析的方法 傅里叶分析存在时域和频域局部化的矛盾，缺乏空间局部性， 因此：因此：基于傅里叶分析的信号处理方法只能提供响应信号的统计平均结果，很难在时域和频域中同时得到非平稳信号的全部和局部化结果，使非平稳动态信号分析难以达到令人满意的程度。 由于：由于：傅里叶分析是以信号平稳性假设为前提的，而大多数的控制系统的故障信号往往包含在瞬态信号及时变信号中。 是一种全新的时-频分析方法，它继承了傅里叶分析用简谐函数作为基函数来逼近任意信号的思想。小波分析法小波分析法 小波分析的基函数是一系列尺度可变的函数

26、具有良好的时-频定位特性和对信号的自适应能力 能够对各种时变信号进行有效的分解，为控制系统故障诊断提供了新的、强有力的分析手段。小波变换是80年代后期发展起来的应用数学分支小波分析法小波分析法 三种基于小波变换的故障诊断方法：利用观测信号的奇异性进行故障诊断利用观测信号频率结构的变化进行故障诊断利用脉冲响应函数的小波变换进行故障诊断 优点：优点：由于基于小波变换的故障诊断方法无需研究对象的数学模型，对输入信号的要求较低，计算量不大，可以进行在线实时故障检测，灵敏度高，克服噪声能力强，因此是一种很有前途的故障诊断方法。基于人工智能的故障诊断方法 是当前故障诊断技术的一个研究热点，通过将多种故障诊

27、断方法有效地集成在一起，可以充分发挥各种方法自身的优点，提高诊断系统的能力和水平，有效地解决复杂系统和过程的诊断问题。 集成智能故障诊断技术 例如:基于范例推理、人工神经网络和模糊逻辑的集成；基于知识推理和范例推理方法的集成；基于规则推理、因果模型和深层次知识模型方法的集成；以及人工神经网络、模式识别等多种方法的集成 故随智能诊断系统存在的问题 1、故障智能诊断方法具有以下优点： （1）可解决需要进行复杂推理的复杂诊断问题（2）使一般的维修人员也能掌握复杂设备的故障诊断知识（3）在某些方面比人类专家更可靠，更灵活（4）具有人机合作完成诊断任务的功能（5）便于用户对知识库的修改和完善。能够模拟人

28、脑的逻辑思维过程 可以储存和推广领域专家宝贵的经验和知识，更有效地发挥各种专门人才的作用 可以在任何时候、任何条件下提供高质的服务，不受外界的干扰它可以在诊断过程中实现人机交互，通过人的参与使得诊断的结果更加准确。先进的故障智能诊断系统还具有学习的功能，能够在诊断过程中自动完善知识库，提高系统的诊断能力 故随智能诊断系统存在的问题 2、需进一步解决的问题 知识库庞大 解决问题能力的局限性 深、浅知识结合能力差 自动获取知识能力差 容错能力差对不确定性知识的处理能力差 为了使诊断系统达到高效、实用的目标，必然需要大量的专家经验知识，以防知识库不完备时效率急剧下降由于受系统中知识的限制、大多数诊断

29、系统只能解决狭窄的专家知识领域以内的问题，而对其他领域的知识一无所知。 在一些系统中虽然采用了元知识控制等推理控制策略，但组合爆炸的问题仍然不可避免。 为此，某些诊断系统将领域级知识和专家经验知识分层分块，便于知识的管理和诊断效率的提高。 一旦出现的问题超出诊断系统知识领域的边界，系统的工作性能就会急剧恶化，而系统本身并不能判断什么时候或什么情况下遇到了超过系统能力的问题。如何将领域问题的基本原理与专家经验知识结合得更好方面所做的工作还很少，使得系统不能具备与人类专家能力相似的知识或能力，影响了系统发挥更大的效能。知识获取长期以来一直是故障智能诊断系统研制中的“瓶颈”问题 目前多数的诊断系统在

30、自动获取知识方面表现的能力还比较差，限制了系统性能的自我完善、发展和提高。 虽然一些系统或多或少地加人了机器学习的功能，但基本上不能在运行的过程中发现和创造知识，系统的诊断能力往往仅局限于知识库中原有的知识。目前一些研究人员已开始将人工神经网络技术应用于各类诊断系统，以提高系统的学习能力。 故障智能诊断系统的知识大都是集中存放于知识库，在结构上是将知识库与推理机分开的，它们在知识表示上基本上是采用局部表达方式。 所以现有的诊断系统虽然具有一定的冗余容错能力，但仍然达不到令人满意的程度。一些研究者已开始利用面向对象技术来解决这一问题诊断系统中往往存在大量的不确定性信息，这些信息或是随机的，或是模

31、糊的，或是不完全的。 如何对不确定性知识进行表达和处理，始终是诊断领域研究的热点问题。 虽然有很多不确定性理论在实际的故障诊断专家系统中得到了较好的应用，但是这一问题仍未得到十分有效的解决，在有效、合理、使用的不确定性知识处理方面存在着巨大的研究潜力。故随智能诊断系统存在的问题 2、需进一步解决的问题 总之，故障智能诊断系统无沦在理论上还是在系统开发方面部已取得广很大的进步，但真正投入使用并且功能完善的系统并不多，大多数研究成果仍然停留在实验室阶段。造成这种理论与实践脱节有两个方面的原因： 一方面是由于理论研究所限定的条件与实际应用时的情况相差甚远 另一方面是由于对诊断对象缺乏深刻的认识和研究

32、，而且作为人工智能技术本身也有待于进一步发展和完善。故障智能诊断系统的发展趋势 随着知识工程的发展以及数据库、虚拟现实、神经网络等技术的日新月异，必然引起故障智能诊断系统的在各个方面的不断发展。其发展趋势可概括为以下 多种知识表示方法的结合 经验知识与原理知识的紧密结合 诊断系统与神经网络的结合虚拟现实技术将得到重视和应用 故障智能诊断系统的发展趋势 1、多种知识表示方法的结合 在一个实际的诊断系统中，往往需要多种方式的组合才能表达清楚诊断知识，这就存在着多种表达方式之间的信息传递、信息转换、知识组织的维护与理解等问题，这些问题曾经一直影响着对诊断对象的描述与表达。近几年在面向对象程序设计技术

33、的基础上，发展起来了一种称为面向对象的知识表示方法，为这一问题的解决提供了一条很有价值的途径。 在面向对象的知识表示方法中，传统的知识表示方法如规则、框架、语义网络等可以被集中在统一的对象库中，面且这种表示方法可以对诊断对象的结构模型进行比较好的描述，在不强求知识分解成特定知识表示结构的前提下，以对象作为知识分割实体，明显要比按一定结构强求知识的分割来得自然、贴切。另外，知识对象的封装特点，对于知识库的维护和修正提供了极大的便利。随着面向对象程序设计技术的发展，面向对象的知识表示方法一定会在故障智能诊断系统中得到广泛的应用。故障智能诊断系统的发展趋势 2、经验知识与原理知识的紧密结合 为了使故障智能诊断系统具备与人类专家能力相近的知识，研制者在建造智能诊断系统时，越来越强调不仅要重视领域专家的经验知识(浅知识)，更要注重诊断对象的结构、功能、原理等知识(深知识)，忽视任何一方面都会严重影响系统的诊断能力。 关于深浅知识的结合问题，目前较普