智能诊断技术

智能诊断技术第1页/共76页第五章智能诊断技术故障诊断专家系统1神经网络诊断原理2第2页/共76页35.1故障诊断专家系统

故障诊断技术是医学诊断的基本思想在工程领域的推广和应用，其发展过程可分为两个阶段，

第一阶段：常规诊断技术基础：传感器技术和自动测试技术。特点：以数据处理为核心，侧重信号的检测和分析;发展比较成熟，但诊断功能较弱。

第二阶段：智能诊断技术=AI+常规诊断技术特点：以知识处理为核心，运用人工智能(AI)技术实现诊断过程的自动化和智能化。研究重点：智能诊断方法。第3页/共76页45.1故障诊断专家系统什么是人工智能定义：人工智能(ArtificialIntelligence，简称AI)：主要研究如何用计算机来摸拟人的智能，因此也称为机器智能（MachineIntelligence）。什么是智能：

智能是指人们在认识和改造客观世界的活动中，由脑力劳动表现出来的能力，包括以下三个方面：感知能力：思维能力：行为能力：其中思维能力是核心。第4页/共76页55.1故障诊断专家系统AI的研究方法符号智能（SymbolicIntelligence）它是宏观功能模拟；它是以知识为基础，通过推理进行问题求解；典型代表为专家系统；计算智能（ComputationalIntelligence）它是微观结构模拟；它是以数据为基础，通过训练建立联系，进行问题求解，这种方法也称为软计算（SoftComputing）。典型代表为神经网络。新的研究热点遗传算法、人工免疫系统等。第5页/共76页65.1故障诊断专家系统

什么是专家系统

定义：专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。)

第6页/共76页75.1故障诊断专家系统

人类专家应具备的两个基本条件拥有丰富的专业知识，包括理论知识和经验知识具有独持的思维方式，即独特的分析问题和解决问题的方法。专家系统的基本思想存储领域专家的专业知识；模拟领域专家解决问题的方法进行推理，计算机系统也能具有很高的问题求解能力。第7页/共76页85.1故障诊断专家系统专家系统的发展阶段专家系统的发展已经历了3个阶段，正向第四代过渡和发展。第一代专家系统（dendral、macsyma等）以高度专业化、求解专门问题的能力强为特点。但在体系结构的完整性、可移植性等方面存在缺陷，求解问题的能力弱。第二代专家系统（mycin、casnet、prospector、hearsay等）属单学科专业型、应用型系统，其体系结构较完整，移植性方面也有所改善，而且在系统的人机接口、解释机制、知识获取技术、不确定推理技术、增强专家系统的知识表示和推理方法的启发性、通用性等方面都有所改进。第8页/共76页95.1故障诊断专家系统第三代专家系统属多学科综合型系统，采用多种人工智能语言，综合采用各种知识表示方法和多种推理机制及控制策略，并开始运用各种知识工程语言、骨架系统及专家系统开发工具和环境来研制大型综合专家系统。在总结前三代专家系统的设计方法和实现技术的基础上，已开始采用大型多专家协作系统、多种知识表示、综合知识库、自组织解题机制、多学科协同解题与并行推理、专家系统工具与环境、人工神经网络知识获取及学习机制等最新人工智能技术来实现具有多知识库、多主体的第四代专家系统。第9页/共76页105.1故障诊断专家系统

启发性知识(HeuristicKnowledge)

它是帮助人类专家解决问题、作出决定的经验规则或策略，是专家系统的基础。特点：没有严谨的理论依据，不能保证永远正确，但在解决实际问题时，往往简洁、有效。例如：抽烟的人食指发黄。专家系统要达到人类专家解决问题的水平就必须能够存储和利用这些启发性知识。

第10页/共76页115.1故障诊断专家系统

知识工程(KnowledgeEngineering)

建造专家系统的过程称为知识工程。它从系统化、科学化的角度来研究专家系统的开发，包括知识的获取、表示和利用。开发一个专家系统需要系统设计人员与应用领域的人类专家密切合作。

知识工程师

(KnowledgeEngineer)

领域专家

(DomainExpert)第11页/共76页125.1故障诊断专家系统知识工程师领域专家专家系统提问解答知识专家系统开发过程

第12页/共76页135.1故障诊断专家系统

专家系统的基本结构

人机接口推理机知识库用户知识库(KnowledgeBase,简称KB）

存储专业知识推理机(InferenceEngine)

计算机程序，进行推理。人机接口(Man-MachineInterface)

输入/出信息的格式转换第13页/共76页145.1故障诊断专家系统

什么是知识表示(KnowledgeRepresentation)知识表示：是知识的符号化和形式化过程。目的：通过知识的有效表示，使专家系统能够利用这些知识进行推理和作出决策对于同一种知识，可以采用不同的知识表示方法，但解决问题的效率不同。第14页/共76页155.1故障诊断专家系统

规则表示方法规则表示又称产生式表示，它是目前专家系统中最常用的一种知识表示方法。产生式规则（ProductionRule）：结构简单、自然、易于表达人类的经验知识。采用这种表示法的专家系统称为基于规则的专家系统(Rule-basedExpertSystem)第15页/共76页165.1故障诊断专家系统

产生式规则的形式

IF<条件>THEN<结论><条件>部分：也称为规则的前提;它可以是单个条件或多个条件通过逻辑符号AND、OR构成的逻辑组合。<结论>部分：可以是一组结论或动作。规则含义：表示当条件满足时，可以根据该规则推导出结论部分，或执行相应的动作第16页/共76页175.1故障诊断专家系统

诊断规则实例

例如，在旋转机械故障诊断中有如下规则：

如果:(1)径向振动时域波形严重削波，且

(2)转速不变时，径向振动不稳定，且

(3)进动方向为反进动那么:存在径向碰摩故障第17页/共76页185.1故障诊断专家系统

对象-属性-值表示用于表示规则条件或结论部分的事实知识，如征兆事实表示形式：

(O，A，V)

三元组O(Object)：表示对象，它可以是物理实体或概念A(Attribute)：表示对象的属性，即与对象相关的某种特征或性质；V(Value)：表示对象属性的取值。第18页/共76页195.1故障诊断专家系统

对象-属性-值表示实例例如“转子轴心轨迹形状为香蕉形”，这一征兆事实可表示成：

(转子，轴心轨迹形状，香蕉形)在有些情况下，系统所指的对象非常明确。这时，可以省略对象而采用属性-值二元组，其表示形式为(A,V)上面征兆事实可以表示成：

(轴心轨迹形状，香蕉形)

第19页/共76页205.1故障诊断专家系统

知识获取知识是专家系统的核心，专家系统的性能取决于它所拥有的知识的数量和质量。建立一个专家系统的主要任务就是将领域专家的经验知识从专家头脑中提取出来，存入计算机中，这个过程称为知识获取。知识获取的方式分为两类：即直接获取和间接获取两种。

第20页/共76页215.1故障诊断专家系统

知识的间接获取方式

第一步：通过交谈、查阅资料，获取领域知识，并将这些知识形式化，形成规则等表示形式；第二步，借助知识编辑器将知识输入知识库。

阅读知识工程师知识编辑器知识库对话书本知识领域专家形式化知识第21页/共76页225.1故障诊断专家系统

知识编辑器用于知识的输入、修改和维护的软件工具。知识库维护:语法错误、一致性、冗余性检查。

第22页/共76页235.1故障诊断专家系统

知识的直接获取方式

产生原因：间接知识获取是一个艰苦而漫长的过程，延长了专家系统的研制周期，成为专家系统开发中的突出问题

机器学习系统：是一个软件系统，能直接从数据或案例中自动获取诊断知识。数据机器学习系统知识库案例形式化知识第23页/共76页245.1故障诊断专家系统

什么是推理定义：是指依据一定的原则，从已知事实推出未知结论的过程。基于知识的推理：指选择知识和运用知识的过程推理机：基于知识的推理的计算机实现构成了推理机。推理方式依赖于知识表示方法如：基于规则的推理、基于模型的推理第24页/共76页255.1故障诊断专家系统

基于规则的诊断推理基于规则的推理属于演绎推理。演绎推理：是指由一组前提必然地推导出某个结论的过程，它由两个前提(大前提和小前提)和一个结论组成，其一般形式为：

大前提：IFpTHENq

小前提：p

结论：q

第25页/共76页265.1故障诊断专家系统

基于规则的诊断推理-实例

例如，在旋转机械故障诊断中有：

大前提：如果2倍频较大，则存在不对中故障小前提：机组振动2倍频较大 结论：机组存在不对中故障演绎推理是从一般到个别的推理。由于结论的正确性蕴含在前题中，所以只要前题为真，结论也必然为真。它不产生新知识。第26页/共76页275.1故障诊断专家系统

正向推理正向推理(ForwardChaining)：是由已知征兆事实到故障结论的推理，因此又称为数据(事实)驱动的控制策略。基本思想是：从已知事实出发，正向使用规则，即将规则的条件与事实库中的事实相匹配。若匹配成功，则激活该规则，将规则的结论部分作为新的事实添加到事实库中。重复上述过程，直到没有可匹配的新规则为止。

第27页/共76页285.1故障诊断专家系统

正向推理-实例已知知识库中有如下规则，其中H和H1为推理的最终目标。

rule1：ifAthenB rule2：ifBthenCrule3：ifCthenH rule4：ifDthenErule5：ifEthenF rule6：ifF&GthenH1

设已知事实A和D，进行正向推理，推导出结论H第28页/共76页295.1故障诊断专家系统

正向推理的特点（1）优点：用户可以主动提供巳知征兆事实，控制推理过程推理控制简单，容易实现。（2）缺点：规则的激活与执行似乎漫无目标，从而导致推理存在低效性；推理解释功能较难实现。

因此，正向推理比较适合于已知初始数据，且解空间较大的问题，如设备的在线监测和控制。第29页/共76页305.1故障诊断专家系统

反向推理反向推理(BackwardChaining)：是由目标到支持目标的证据的推理，因此又称为目标驱动的推理。基本思想：先假设一个目标成立，然后在知识库中查找结论与假设目标匹配的规则，验证该规则的条件是否存在。若该条件存在（与已知事实匹配），则假设成立；否则，把规则的条件部分作为一个新的子目标，重复上述过程，直到所有子目标被证明成立为止。若子目标不能被验证，则假设目标不成立，推理失败，需重新提出假设目标。

第30页/共76页315.1故障诊断专家系统

反向推理-实例

rule1：ifAthenB rule2：ifBthenCrule3：ifCthenH rule4：ifDthenErule5：ifEthenF rule6：ifF&GthenH1

采用反向推理得到结论H的推理过程如图所示

第31页/共76页325.1故障诊断专家系统

反向推理的特点（1）优点：推理过程的方向性强，不必使用那些与假设目标无关的规则能对其推理过程提供明确的解释信息

。（2）缺点：初始目标的选择较为盲目，用户不能主动提供有用信息来控制推理

因此，反向推理比较适合于解空间较小的问题。第32页/共76页335.1故障诊断专家系统故障诊断专家系统结构信号分析用户接口推理诊断解释对策知识库管理征兆获取数据库事实库知识库第33页/共76页345.1故障诊断专家系统诊断系统界面第34页/共76页第六章智能诊断技术故障诊断专家系统1神经网络专断原理2第35页/共76页365.2神经网络诊断原理

什么是人工神经网络人工神经网络（ArtificialNeuralNetworks，简称ANN）是在神经生理学研究的基础上，模仿人脑神经元结构特性而建立的一种网络系统。它由大量处理单元高度互联而成，具有对人脑某些基本特性的简单模拟能力。ANN是一种模仿人脑结构及其功能的信息处理系统。简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟。别名：并行分布处理系统(PDP)、人工神经系统(ANS)、神经网络(NN)、神经计算机(Neurocomputer)第36页/共76页375.2神经网络诊断原理

生物神经系统脑组织的基本单元是神经细胞，也称神经元(Neuron)；人脑由约1011个神经元组成，神经元互连构成神经网络第37页/共76页385.2神经网络诊断原理

生物神经元结构轴突(Axon)：由细胞体伸出的最长一条神经纤维，相当于神经元的输出电缆，其端部神经末稍为信号的输出端。树突(Dendrite)：由细胞体向外伸出的较短的神经纤维，相当于神经元的输入端，接受其他神经元的输入信息。

生物神经元结构图

第38页/共76页395.2神经网络诊断原理

生物神经元结构突触(Synapse)：一个神经元的轴突末梢与另一个神经元的树突相接触的部位,相当于神经元之间的输入输出接口同一神经元输出的信号是相同的，但对不同接受神经元的影响效果不同，这主要由突触的连接强度决定。可塑性：突触的连接强度可以通过训练而改变，即具有学习功能；突触有两种类型：刺激型和抑制型第39页/共76页405.2神经网络诊断原理

生物神经系统的基本特征神经元及其联接：多输入，单输出；神经元之间的联接强度决定信号传递的强弱神经元之间的联接强度可以通过训练改变信号可以起刺激作用，也可以起抑制作用神经元接受信号的累积决定该神经元的状态每个神经元可以有一个“阈值”。第40页/共76页415.2神经网络诊断原理

人工神经元模型多输入：X=(x1，x2，…，xn)单输出：y联接强度：权值wi正负：突触的兴奋与抑制大小：突触的连接强度信号累积：求和函数神经元阈值(偏置)：当神经元的网络输入

s>b时，它处于激发状态，应给出适当的输出。b也相当于固定输入

x0=-1的权值；第41页/共76页425.2神经网络诊断原理人工神经元模型f：激活函数，它是一个变换函数，将神经元的网络输入变换到指定的有限范围内输出。f是神经元的核心，影响神经网络解决问题的能力。第42页/共76页435.2神经网络诊断原理激活函数（ActivationFunction）（1）阶跃函数也称为阈值函数作用：用于判定网络输入是否超过阈值b；y1.0

0x第43页/共76页445.2神经网络诊断原理1y0.5x0激活函数（ActivationFunction）（2）Sigmoid函数它是非线性函数，且处处连续可导；对信号有很好的增益控制应用广泛第44页/共76页455.2神经网络诊断原理

人工神经网络的拓扑结构神经元的模型确定之后，一个神经网络的特性及能力主要取决于网络的拓扑结构及学习方法网络结构表示方法：（1）结点：代表神经元；（2）加权有向边：代表神经元之间的有向连接。 其中：权代表连接强度，箭头代表信号的传递方向根据神经元连接方式的不同，分为如下两种：（1）前馈网络：应用最广泛（2）反馈网络：第45页/共76页465.2神经网络诊断原理

多层前馈网络神经元分层排列，构成输入层、隐层和输出层；每一层神经元只接受前一层神经元的输出作为输入；第46页/共76页475.2神经网络诊断原理

人工神经网络的学习ANN最有价值的特点是它的学习能力；学习过程就是训练过程；学习过程：将训练样本输入ANN,按规定的算法调整神经元之间的连接权值，使网络将样本集中包含的知识存储在联接权矩阵中，当网络接受输入时，能给出适当的输出。学习方法分类：（1）有导师学习：按期望输出与实际输出的误差调整权值（2）无导师学习：抽取训练样本集的统计特性第47页/共76页485.2神经网络诊断原理

感知器结构1958年，美国心理学家

Rosenblatt提出了一种具有单层计算单元的神经网络，称为感知器(Perceptron)。感知器的结构和功能非常简单，实用性不强，但他是最早的神经网络模型，是研究其他网络的基础。第48页/共76页495.2神经网络诊断原理

感知器的功能分类器功能：将输入样本分为两类；分类原理：将分类知识存储于权向量（含阈值）中，由权向量确定的分类界面，将输入样本分为两类；例如：对于向量

X=(x1,x2)，直线

w1x1+w2x2–b=0将平面分为两个区域。分界线的位置由权向量和阈值确定。x1x2w1x1+w2x2–b=0w1x1+w2x2–b<0w1x1+w2x2–b>0第49页/共76页505.2神经网络诊断原理

感知器的局限性感知器仅能对线性可分问题具有分类能力；线性可分：如果输入样本可以用直线、平面或超平面分为两类，则称输入样本是线性可分的，否则为线性不可分。1969年，Minsky证明有许多基本问题是感知器无法解决的，如：异或问题；解决方法：引入隐层，建立多层感知器；但是没有相应的学习算法。第50页/共76页515.2神经网络诊断原理

感知器的逻辑运算功能第51页/共76页525.2神经网络诊断原理

异或问题第52页/共76页535.2神经网络诊断原理

BP算法的出现含有隐层的多级前馈网络能大大提高网络的分类能力，但一直没有提出多级网络的学习算法；如何估计网络隐层神经元的误差是一个需要解决的问题。

1986年，Rumelhart领导的PDP小组给出了多级前馈网络的学习算法-误差反向传播算法(BackPropagation,简称BP算法)清楚而简单的描述。使用BP算法进行学习的多级前馈网络称为BP网络。BP算法是应用最广的多级网络训练算法，对人工神经网络的推广应用发挥了重要作用；第53页/共76页545.2神经网络诊断原理

BP算法的基本思想BP算法的学习过程：包括信号的正向传播和误差反向传播两个过程。BP算法利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差。如此下去，就获得了所有其他各层的误差估计。这样就形成了将输出端表现出的误差沿着与输人信号传送相反的方向逐级向网络的输入端传递的过程。根据各层节点的误差估计即可调整各节点的权值。第54页/共76页BP网络的标准学习算法-算法思想学习的类型：有导师学习核心思想：将输出误差以某种形式通过隐层向输入层逐层反传学习的过程：信号的正向传播误差的反向传播将误差分摊给各层的所有单元－－－各层单元的误差信号修正各单元权值5.2神经网络诊断原理第55页/共76页565.2神经网络诊断原理

BP网络模型BP网络是多级前馈网络，一般都选用二级网络，包括输入层、隐层和输出层。第56页/共76页575.2神经网络诊断原理

BP网络模型输出层输出：隐层输出：激活函数：第57页/共76页学习的过程：神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。学习的本质：对各连接权值的动态调整学习规则：权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。5.2神经网络诊断原理第58页/共76页BP网络的标准学习算法-学习过程正向传播：输入样本－－－输入层－－－各隐层－－－输出层判断是否转入反向传播阶段：若输出层的实际输出与期望的输出（教师信号）不符误差反传误差以某种形式在各层表示－－－－修正各层单元的权值网络输出的误差减少到可接受的程度进行到预先设定的学习次数为止5.2神经网络诊断原理第59页/共76页605.2神经网络诊断原理BP网络训练过程训练过程是根据样本集对权值进行调整的过程；BP网络训练是有导师训练，所以训练样本为：（输入向量，目标输出向量）权值初始化：不相同的小随机数。BP网络的训练过程分为如下两个阶段：（1）向前传播阶段：从样本集中取一个样本(Xp，Dp)，将Xp输入网络；计算相应的实际输出Op：

Op=Fl(…(F2(F1(XpW(1))W(2))…)W(L))第60页/共76页615.2神经网络诊断原理（2）向后传播阶段：计算实际输出

Op与相应的理想输出

Dp的差；按极小化误差的方式调整权矩阵：网络关于第

p个样本的误差测度：网络关于整个样本集的误差测度：第61页/共76页625.2神经网络诊断原理

输出层权值的调整

yj是隐层的第

j个节点，ok是输出层的第

k个节点；Wjk是神经元

yj到

ok的联接权；wjkyjok隐层输出层∆wjk

输出层权值wjk的调整计算公式为：

第62页/共76页635.2神经网络诊断原理

隐层权值的调整

隐层节点的输出误差可根据输出层的权值和误差来估算隐层权值vij的调整计算公式为：

wjkyjok隐层输出层输入层xio1olwjkwjkvij第63页/共76页645.2神经网络诊断原理

权值的调整与三个量有关学习率α：学习步长本层的输入：本层的输出误差：基本BP算法训练过程是根据样本集对权值进行调整的过程；BP网络训练是有导师训练，所以训练样本为：（输入向量，目标输出向量）第64页/共76页BP网络的标准学习算法BP算法直观解释情况一直观表达当误差对权值的偏导数大于零时，权值调整量为负，实际输出大于期望输出，权值向减少方向调整，使得实际输出与期望输出的差减少。whoe>0，此时Δwho<05.2神经网络诊断原理第65页/共76页66基本BP算法1初始化权矩阵V、W2初始化精度控制参数ε；3E=ε+1;4whileE>εdo 4.1E=0;

4.2对S中的每一个样本（Xp,Dp）：

4.2.1计算出Xp对应的实际输出Op；

4.2.2计算出Ep；

4.2.3E=E+Ep；

4.2.4根据相应式子调整W；