Vol.15 No.4 王大东等：故障诊断专家系统 ·391· 能发生的故障有关。这种基于框架的知识表达形式复杂的知识，尤其是便于表达推测和猜 想。利用空框和空槽可以补充和修政知识的内容，也可以通过删除框架和槽来删除原有的 知识，便于知识库的更新。FDES系统采用的知识表达形式如下： struct failure_name char object_name [80]: int framenum: struct attribute alist: framenum与该规则是古被激活过有关：alist指向框架内的属性链表。这种知识技术 具有良好的模块性，便于知识库的建立和维护。 FDES推理中所需元知识可自动生成。系统可在屏幕上向用户显示诊断中所需的全部 属性，并按一定顺序编码。用户可通过滚动光条来选取诊断过程中用到的关键属性（必要 证据)，选取完毕后元知识即自动生成。这里的元知识是指与关键属性相关的规则信息， 每一关键属性能激活规则库中与该关键属性相关的全部规则。元知识可根据用户需要，存 入硬盘文件作为以后诊断的元级知识。 该系统的知识获取模块可以用全屏幕编辑方式，从知识工程师或领域工程师那里获取 诊断知识。如果经过实践检验，原知识库中的知识需作修改时，亦可以用全屏幕方式对知 识库进行修改、增删。该模快可以对知识库按规则、属性两层分块管理。 由于系统具有知识获取功能，该专家系统具有以迭代方式开发的价值。采用本系统可 从解决最简单问题的原始知识库开始，经过几次迭代过程来扩充知识库，以便能诊断更复 杂的故障。 4FDES中所采用的模糊诊断方法 故障诊断屮的初始诊断数据往往具有不确定性，即偶然性和模糊性。偶然性可用概率 方法解决。对于故障特征中诸如“振动大”、“偏心大”、“不对中”、“磨损严重”等都是模糊的 概念、对不同工况的设备，评价的标准是不同的。在实际中，大多数情况下，特征变量与 故障发生的因果关系是连续变化的，如图2、图3所示。 模糊数学将0.1二值逻辑推广到可取[01]闭区间中任意值的连续值逻辑，此时的特 征函数就叫做隶属函数(x),它满足O<乙(x)<1,对于所论特征k.Uk(x)叫做x对k的隶 属度。 例如，在图2中，当用油中磨粒浓度来衡量某台机器的磨损程度时、若x=x1时、磨 损严重的录属度Uk(x)=0,即确认无磨损；当x=x2时，磨损严重的录属度 Uk(c)=1,则完全地认为机器已磨损严重：若对x=x3,有U(x3)=0.70,就是说机器磨 损严重的可能度为70%，即0.70。 传统的二值逻辑（如图3），当磨粒浓度x<α时，则认为磨损很少或无磨损。此时特 征变量(x)=0;当x>a时，则认为磨损严重，此时特征变量(x)=1,这种逻辑虽简 单，但很粗糙。 故障所表现出的特征，其录属函数常见的有以下两种：上升型和下降型。在上升型和V o l . 1 5 N 0 . 4 王 大东等 : 故障诊断专家系统 39 1 能 发生 的故障有关 。 这 种基于 框架 的知识表 达形式 复 杂的知 识 , 尤 其是便于 表达推 测和猜 想 。 利 用空 框和 空槽可 以补 充和修改知 识的 内容 , 也可 以通 过 删除 框架和 槽来删 除原有 印 知识 , 便于 知识库的更 新 。 F D E S 系统采 用 的知识 表达 形式 如下 : s t r u e t af il u r二 n a m e 于 e h a r o bj e e t ~ a m e [8 0 1 ; i n t fr a m e n u m : s t r u e t a t t r i b u t e * a li s t ; 〕 了; fr a m en u m 与 该规 则是否 被 激 活过 有关 。 ial s t 指 向框架 内 的属 性链表 。 这 种知识 技太 具有 良好的模 块性 , 便 于知 识库的建 立 和维护 。 F D E S 推理 中所需 元知识 可 自动 生成 。 系统 可 在屏 幕上 向用 户显 示诊断 中所需的全部 属性 , 并按一 定顺 序编 码 。 用户 可通 过滚 动光 条来 选取诊断 过程 中 用到的 关键 属性 (必要 证据 ) , 选取 完 毕 后元 知识 即 自动生 成 。 这里 的元知识是 指 与关 键 属性相 关 的规则 信 息 , 每一 关键 属性 能激 活规则 库 中与该关键属 性相 关的 全部规 则 。 元知识 可根据用 户需要 , 存 人硬 盘文件作为 以 后诊断的元级知识 。 该 系统 的知识 获取模块 可 以 用全屏 幕编 辑方 式 , 从知 识工 程 师或 领域工程师那里 获取 诊 断知识 。 如果 经 过实践检验 , 原知识库中 的知识需 作修改 时 , 亦可 以 用 全 屏幕方式对 知 识库进行 修改 、 增删 。 该模快可 以 对知 识库按规 则 、 属性两层 分块管理 。 由于 系统具有知识获 取功能 , 该专 家系 统具 有 以 迭 代方式开发 的 价值 。 采用本系统 可 从解决最 简单 问题 的原始 知识库开 始 , 经过 几次 迭代过程 来扩 充知 识库 , 以 便能诊断更 复 杂 的故障 。 4 F D E S 中所采 用 的模糊诊断方 法 故障诊断 中的初始 诊断数据往 往具有 不 确定性 , 即偶 然性和模糊 性 。 偶然性可 用概率 方 法解决 。 对 于故 障特征 中诸如 “ 振动 大 ” 、 “ 偏 心 大 ” 、 “ 不 对 中 ” 、 ` 磨 损 严重 ” 等都 是模 糊 的 概 念 , 对不 同工况 的设备 , 评价的 标准是不 同的 。 在实 际 中 , 大多数情况 下 , 特征 变量与 故 障发 生的 因 果关系是 连续 变化的 , 如 图 2 、 图 3 所 示 。 模糊数 学 将 0 , l 二 值逻辑 推 广到 可 取 0[ , l」闭区 间 中任 意 值的连 续 值逻 辑 , 此时 的 特 征 函 数 就 叫做隶 属 函 数 (U 劝 , 它 满足 O< 以x) < 1 , 对 于所 论特 征 k kU (劝叫 做 x 对 k 的 隶 属度 。 例 如 , 在 图 2 中 , 当用 油 中磨 粒浓 度来衡量 某 台机 器 的磨损程 度时 , 若 x 一 x , 时 , 磨 损 严 重 的 录 属 度 Uk( xl ) 一 O , 即 确 认 无 磨 损 ; 当 x = x : 时 , 磨 损 严 重 的 录 属 度 毋.(r 2 ) = 1 , 则完 全地 认为机 器 已 磨损 严重 ; 若对 x = x 3 , 有 kU (儿) 一 0 . 70 , 就是说机 器磨 损 严重 的可能 度为 70 % , 即 0 . 70 。 传统 的二 值逻 辑 ( 如 图 3) , 当磨粒浓 度 x < “ 时 , 则认为磨损 很少 或无磨损 。 此 时特 征 变量 (K x) = 。; 当 x > a 时 , 则认 为磨 损严重 , 此 时特征 变 量 (K x) 一 l , 这种 逻辑 虽 简 单 , 但很粗糙 。 故障所表现 出 的特 征 , 其录 属 函 数 常见的有 以 下两 种 : 上 升型 和下 降型 。 在上 升型 和