故障診斷技術(shù)發(fā)展現(xiàn)狀

1、安全檢測與故障診斷題目：故障診斷技術(shù)發(fā)展現(xiàn)狀導(dǎo)師：學(xué)生姓名：學(xué)號:目錄1 引言32 故障診斷的研究現(xiàn)狀31.1 基于物理和化學(xué)分析的診斷方法31.2 基于信號處理的診斷方法對31.3基于模型的診斷方法31.4基于人工智能的診斷方法42故障診斷研究存在的問題62.1故障分辨率不高72.2信息來源不充分72.3自動獲取知識能力差72.4知識結(jié)合能力差72.5對不確定知識的處理能力差73 發(fā)展方向83.1多源信息的融合83.2 經(jīng)驗知識與原理知識緊密結(jié)合83.3 混合智能故障診斷技術(shù)研究93.4 基于物聯(lián)網(wǎng)的遠程協(xié)作診斷技術(shù)研究94 發(fā)展方向91 引言故障可以定義為系統(tǒng)至少有一個特性或參數(shù)偏離正常的

2、范圍，難于完成系統(tǒng)預(yù)期功能的行為。故障診斷技術(shù)是一種通過監(jiān)測設(shè)備的狀態(tài)參數(shù)，發(fā)現(xiàn)設(shè)備的異常情況，分析設(shè)備的故障原因，并預(yù)測預(yù)報設(shè)備未來狀態(tài)的技術(shù)，其宗旨是運用當(dāng)代一切科技的新成就發(fā)現(xiàn)設(shè)備的隱患，以達到對設(shè)備事故防患于未然的目的，是控制領(lǐng)域的一個熱點研究方向。它包括故障檢測、故障分離和故障辨識。故障診斷能夠定位故障并判斷故障的類型及發(fā)生時刻，進一步分析后可確定故障的程度。故障檢測與診斷技術(shù)涉及多個學(xué)科，包括信號處理、模式識別、人工智能、神經(jīng)網(wǎng)絡(luò)、計算機工程、現(xiàn)代控制理論和模糊數(shù)學(xué)等，并應(yīng)用了多種新的理論和算法。2 故障診斷的研究現(xiàn)狀1.1 基于物理和化學(xué)分析的診斷方法通過觀察故障設(shè)備運行過程中的

3、物理、化學(xué)狀態(tài)來進行故障診斷，分析其聲、光、氣味及溫度的變化，再與正常狀態(tài)進行比較，憑借經(jīng)驗來判斷設(shè)備是否故障。如對柴油機常見的診斷方法有油液分析法，運用鐵譜、光譜等分析方法，分析油液中金屬磨粒的大小、組成及含量來判斷發(fā)動機磨損情況。對柴油機排出的尾氣（包含有NOX，COX等氣體）進行化學(xué)成分分析，即可判斷出柴油機的工作狀態(tài)。1.2 基于信號處理的診斷方法對故障設(shè)備工作狀態(tài)下的信號進行診斷，當(dāng)超出一定的范圍即判斷出現(xiàn)了故障。信號處理的對象主要包括時域、頻域以及峰值等指標(biāo)。運用相關(guān)分析、頻域及小波分析等信號分析方法，提取方差、幅值和頻率等特征值，從而檢測出故障。如在發(fā)動機故障領(lǐng)域中常用的檢測信號

4、是振動信號和轉(zhuǎn)速波動信號。如以現(xiàn)代檢測技術(shù)、信號處理及模式識別為基礎(chǔ)，在頻域范圍內(nèi)，進行快速傅里葉變換分析等方法，描述故障特征的特征值，通過采集到的發(fā)動機振動信號，確定了試驗測量位置，利用加速傳感器、高速采集卡等采集了發(fā)動機的振動信號并根據(jù)小波包技術(shù)，提取了發(fā)動機故障信號的特征值。該診斷方法的缺點在于只能對單個或者少數(shù)的振動部件進行分析和診斷。而發(fā)動機振動源很多，用這種方法有一定的局限性。1.3 基于模型的診斷方法基于模型的診斷方法，是在建立診斷對象數(shù)學(xué)模型的基礎(chǔ)上，根據(jù)模型獲得的預(yù)測形態(tài)和所測量的形態(tài)之間的差異，計算出最小沖突集即為診斷系統(tǒng)的最小診斷。其中，最小診斷就是關(guān)于故障元件的假設(shè)，基

5、于模型的診斷方法具有不依賴于被診斷系統(tǒng)的診斷實例和經(jīng)驗。將系統(tǒng)的模型和實際系統(tǒng)冗余運行，通過對比產(chǎn)生殘差信號，可有效的剔除控制信號對系統(tǒng)的影響，通過對殘差信號的分析，就可以診斷系統(tǒng)運行過程中出現(xiàn)的故障。它具有以下優(yōu)點：(1) 可以直接借用控制系統(tǒng)的設(shè)計模型而無須另行建模；(2) 可以檢測首次出現(xiàn)的故障而無須依賴系統(tǒng)運行的先前狀況；(3) 不但可以檢測系統(tǒng)及元件故障，還可以檢測傳感器中出現(xiàn)的故障。1.4 基于人工智能的診斷方法近年來，人工智能及計算機技術(shù)的迅猛發(fā)展為故障診斷技術(shù)提供了新的理論基礎(chǔ)，出現(xiàn)了基于知識、不需要對象精確數(shù)學(xué)模型的故障診斷方法。1.4.1基于神經(jīng)網(wǎng)絡(luò)的診斷方法神經(jīng)網(wǎng)絡(luò)是一種

6、通過模擬人腦而建立起來的自適應(yīng)非線性動力學(xué)系統(tǒng)，它具有自學(xué)性和并行計算能力，可以實現(xiàn)分類、優(yōu)化、自組織、聯(lián)想記憶和非線性映射等功能。它以分布式的方式儲存信息，利用網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和權(quán)值分布實現(xiàn)非線性的映射，并利用全局并行處理實現(xiàn)從輸入空間到輸出空間的非線性信息變換。它在故障診斷中的具體應(yīng)用方式有：(1) 神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)。對特定問題建立適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)，可以從其輸入數(shù)據(jù)(代表故障癥狀)直接推出輸出數(shù)據(jù)(代表故障原因)，從而實現(xiàn)故障檢測與診斷；(2) 采用神經(jīng)網(wǎng)絡(luò)產(chǎn)生或評價殘差，并做進一步診斷；(3) 采用神經(jīng)網(wǎng)絡(luò)做自適應(yīng)誤差補償。但是，神經(jīng)網(wǎng)絡(luò)在故障診斷應(yīng)用也存在一些局限性，比如無法融

7、入經(jīng)驗性的知識，且需要足夠的學(xué)習(xí)樣本才能保障診斷的可靠性，其“黑箱”結(jié)構(gòu)難以了解系統(tǒng)的行為，在對復(fù)雜系統(tǒng)進行診斷時，往往由于網(wǎng)絡(luò)規(guī)模過于龐大和學(xué)習(xí)訓(xùn)練時間太長等問題，降低了神經(jīng)網(wǎng)絡(luò)的實用性等。目前的神經(jīng)網(wǎng)絡(luò)診斷方法主要運用于提取穩(wěn)態(tài)特征參數(shù)。1.4.2基于粗糙集的診斷方法粗糙集理論是Pawlak教授于1982年提出的一種刻畫不完整性和不確定性的數(shù)學(xué)工具，能有效地分析和處理不精確、不一致及不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律。它最主要的優(yōu)點是無需提供所需處理的數(shù)據(jù)集合之外的任何先驗信息，對問題不確定性的描述和處理比較客觀。基于粗糙集的故障診斷基本思想是把觀察或測量到的故障

8、征兆，作為對故障分類的條件屬性，實際存在的故障作為決策屬性，建立決策表，利用RS理論強大的約簡能力對原始決策表進行化簡而得到多個與原始決策表等價的約簡，然后對約簡進一步化簡，化簡決策表刪除多余的屬性后就可以得到故障診斷規(guī)則。單一RS理論要求采集的信息是準(zhǔn)確完整的。但實際上得到的采集信息不可能永遠是完備的，它會遇到噪聲、數(shù)據(jù)丟失及海量數(shù)據(jù)等問題，且傳統(tǒng)RS不適合處理連續(xù)屬性，因而實際應(yīng)用過程中，RS通常與其他智能技術(shù)融合起來使用。1.4.3遺傳算法20世紀60年代中期，美國學(xué)者JohnHolland在Fraser等人提出了位串編碼技術(shù)，并將該技術(shù)應(yīng)用于自然和人工系統(tǒng)的自適應(yīng)行為的研究。于1975

9、年出版了專著AdaptationinNaturalandArtificialSystems，系統(tǒng)闡述了遺傳算法的基本理論和方法。該算法以隨機產(chǎn)生的一群候選解為初始群體，對群體中的每一個體進行編碼，以字符串形式表示，然后根據(jù)對個體的適應(yīng)度隨機選擇雙親，并對個體的編碼進行繁殖、雜交和變異等操作，產(chǎn)生新的個體，組成新的種群，如此不斷重復(fù)進行，使問題的解逐步向最優(yōu)方向進化，直到得出在全局范圍內(nèi)具有較好適應(yīng)值的解。它具有很強的全局優(yōu)化搜索能力，和簡單通用、魯棒性強、隱并行處理結(jié)構(gòu)等顯著優(yōu)點。將其應(yīng)用于故障診斷中的專家系統(tǒng)推理和自學(xué)中，可克服專家系統(tǒng)存在的推理速度慢和先驗知識很少的情況下知識獲取困難的障礙

10、，具有廣闊的應(yīng)用前景。另外，基于遺傳算法的故障診斷在實際系統(tǒng)中也得到了應(yīng)用，如變壓器的故障診斷、軸承和齒輪等旋轉(zhuǎn)機械的故障診斷、發(fā)動機齒輪箱故障監(jiān)測和診斷等。但事物都是一分為二的，遺傳算法也不是完美無缺的，如何解決遺傳算法群體過小帶來的早熟、交叉率及變異率的選擇等問題，使之成功應(yīng)用于故障診斷系統(tǒng)還需要進一步研究。1.4.4基于故障樹的診斷方法故障樹模型是一個基于研究對象結(jié)構(gòu)、功能特征的行為模型；是一種定性的因果模型；是一種體現(xiàn)故障傳播關(guān)系的有向圖。它從診斷對象最不希望發(fā)生的事件為頂事件，按照對象的結(jié)構(gòu)和功能關(guān)系逐層展開，直到不可分事件（底事件）為止。故障樹分析法原來用于系統(tǒng)的可靠性設(shè)計，現(xiàn)已廣

11、泛用于故障診斷領(lǐng)域。但是，由于故障樹是建立在部件聯(lián)系和故障模式分析的基礎(chǔ)之上，因此不能診斷不可知的故障。故障診斷的結(jié)果嚴重依賴于故障樹信息的完整程度。如果給定的故障樹不完全、不詳細、不精確，那么對應(yīng)的診斷也會不完全、不詳細、不精確。1.4.5基于專家系統(tǒng)的診斷方法自1965年以來，斯坦福大學(xué)DENDRAL專家系統(tǒng)開始，專家系統(tǒng)的研究和應(yīng)用迅速發(fā)展，具有人工智能的柴油機故障診斷專家系統(tǒng)也成為現(xiàn)代柴油機管理的研究方向。20世紀70年代美國通用電器公司研制出基于規(guī)則的內(nèi)燃電纜機車故障診斷系統(tǒng)（DELTA專家系統(tǒng)），1996年美國EMD和Rockwell公司聯(lián)合開發(fā)的柴油機狀態(tài)監(jiān)視系統(tǒng)（ICM）和診斷

12、專家系統(tǒng)（EMD）。專家系統(tǒng)利用專家經(jīng)驗，從大量的樣本中提取故障特征，描述故障和征兆之間的關(guān)系網(wǎng)。在進行故障診斷時，根據(jù)已知事實，采用基于推理機通過故障原因與征兆進行匹配。專家系統(tǒng)是診斷領(lǐng)域最引人注目，也是研究最多、應(yīng)用最廣的一類智能診斷技術(shù)。它主要應(yīng)用于沒有精確數(shù)學(xué)模型或者很難建立數(shù)學(xué)模型的復(fù)雜系統(tǒng)。在實際的運用中，有基于網(wǎng)絡(luò)的故障診斷專家系統(tǒng)的診斷方法，此方法建立基于網(wǎng)絡(luò)的智能診斷系統(tǒng)，并討論在建立此系統(tǒng)時的診斷過程和相關(guān)困難。1.4.6小波分析小波分析法是20世紀80年代中期由法國學(xué)者Daubeches和Callet引入信號處理領(lǐng)域而發(fā)展起來的數(shù)學(xué)理論和方法，它能解決許多傅里葉變換難以解

13、決的問題，被認為是傅里葉分析方法的突破性進展。其基本思想是用信號在一簇基函數(shù)張成空間上的投影表征該信號。小波分析優(yōu)于傅里葉之處在于：小波分析在時域和頻域同時具有良好的局部化性質(zhì)，是一種窗口大?。创翱诿娣e）固定但其形狀、時間窗和頻率都可以改變的時頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低的時間分辨率，能聚焦到信號的任意細節(jié)，對信號的突變有很強的識別能力，能有效地去噪和提取有用信號，被譽為分析信號的顯微鏡，小波分析在信號處理、圖像處理、話音分析、模式識別、量子物理、生物醫(yī)學(xué)工程、計算機視覺、故障診斷及眾多非線性科學(xué)領(lǐng)域都有廣泛的應(yīng)用。基于小波分析的故障診斷方法是先對信號進行多級小波

14、分解，得到各子帶數(shù)據(jù)，通過對小波變換系數(shù)模極大值的檢測來實現(xiàn)對信號奇異性的檢測，從而確定故障發(fā)生的時間。小波變換在故障診斷中的具體應(yīng)用表現(xiàn)在以下幾個方面：利用小波變換檢測信號的突變；利用觀測信號頻率結(jié)構(gòu)的變化；利用脈沖響應(yīng)函數(shù)的小波變換；利用小波變換去噪提取系統(tǒng)波形特征；利用小波網(wǎng)絡(luò)。雖然小波分析在信號處理方面得到了廣泛的應(yīng)用，但總體上說，小波變換理論和小波變換在故障診斷中的應(yīng)用還處于發(fā)展階段，主要存在以下問題：（1）由于小波變換及小波網(wǎng)絡(luò)中的小波基的選擇沒有統(tǒng)一標(biāo)準(zhǔn)，選擇不同的小波會得出不同的結(jié)論，在實際應(yīng)用中往往根據(jù)經(jīng)驗來選擇小波，帶有一定的主觀性；(2) 如何根據(jù)信號的特征選擇尺度、平移

15、量，用最少的變化后的數(shù)據(jù)反映信號的特征，以減少運算量；如果選擇不當(dāng)，將會增加運算量，降低推理速度，影響效率；(3) 小波網(wǎng)絡(luò)的新模型基學(xué)習(xí)算法也是當(dāng)前研究的熱點，近年來有人提出多層結(jié)構(gòu)小波網(wǎng)絡(luò)和局域連接型的小波網(wǎng)絡(luò)。由于神經(jīng)網(wǎng)絡(luò)的研究正在向計算智能、生物智能方向發(fā)展，小波網(wǎng)絡(luò)的研究也在不斷吸收如混沌、進化等其他交叉學(xué)科的研究成果。正因為小波網(wǎng)絡(luò)還在發(fā)展中，所以許多問題還有待于深入研究；(4) 小波網(wǎng)絡(luò)的收斂性、魯棒性、計算復(fù)雜度等還有待于深入研究，小波網(wǎng)絡(luò)在故障診斷中的硬件實現(xiàn)也是需要進一步探討和解決的問題。1.4.7基于模糊集的診斷方法模糊集理論是美國控制論學(xué)者Zadeh于1965年提出的為

16、描述與處理廣泛存在模糊的時間和概念的理論工具。它能夠處理故障診斷中的不確定信息和不完整信息，基于模糊集的故障診斷方法主要是利用集合論中的隸屬度函數(shù)和模糊關(guān)系矩陣的概念，解決故障與征兆之間的不確定關(guān)系。目前，模糊故障診斷有3種基本方法：(1) 建立故障現(xiàn)象與故障征兆之間的模糊關(guān)系矩陣，再通過模糊關(guān)系方程進行故障診斷；(2) 建立故障與征兆之間的模糊知識庫，再進行模糊邏輯推理；(3) 對原始采樣數(shù)據(jù)進行模糊聚類處理，再通過評價劃分系數(shù)和分離系數(shù)等進行故障診斷。具體的應(yīng)用形式有：基于模糊模型的故障診斷方法；基于自適應(yīng)模糊閾值的殘差評價方法；基于模糊聚類的殘差評價方法；基于模糊邏輯的殘差評價方法和基于

17、模糊模式識別的故障診斷方法。基于模糊理論的故障診斷方法在實際中也有應(yīng)用，例如空調(diào)試驗裝置冷卻線圈的故障診斷，以及基于模糊理論的液壓系統(tǒng)故障診斷。模糊變量表示可讀性強，模糊推理邏輯嚴謹，類似人類思維過程，易于理解，但它也具有一些固有缺陷，主要表現(xiàn)在： 模糊系統(tǒng)在推理時也要搜索知識庫內(nèi)一定的規(guī)則集才能得出結(jié)論，所以當(dāng)系統(tǒng)比較大時，完成診斷的速度比較慢，效率比較低； 當(dāng)系統(tǒng)的結(jié)構(gòu)發(fā)生變化時，模糊系統(tǒng)的知識庫或相關(guān)規(guī)則的模糊度也要進行相應(yīng)的修改，即模糊系統(tǒng)也存在維護的問題； 模糊系統(tǒng)不具備學(xué)習(xí)能力。即模糊診斷方法利用模糊集合率中的隸屬函數(shù)和模糊關(guān)系矩陣的概念來解決故障與征兆間的不確定關(guān)系，進而實現(xiàn)故障

18、的早期預(yù)報和精確診斷。這種方法計算簡單，應(yīng)用方便，結(jié)論明確直觀，但不能進行趨勢分析； 構(gòu)造隸屬函數(shù)、選擇特征參數(shù)是實現(xiàn)模糊診斷的前提，由于隸屬函數(shù)可由隸屬曲線表示，是人為構(gòu)造出來的，會有一定的主觀因素，特征參數(shù)選擇不合理，診斷精度會下降，甚至診斷失效； 如果在征兆與故障的關(guān)系中含有未知因素，隸屬函數(shù)無法構(gòu)造出來，這時該方法將失效。1.4.8其他故降診斷方法除了上述理論和方法外，在故障診斷領(lǐng)域中，還有基于向量機的診斷方法，基于微粒群算法的診斷方法，基于灰色理論的診斷方法，基于云模型的診斷方法以及把各種診斷相結(jié)合的方法。綜上所述，單一的故障診斷技術(shù)有著各自的優(yōu)缺點，難以滿足復(fù)雜系統(tǒng)的診斷要求。因此

19、，將各種不同的診斷方法有效地結(jié)合起來，對故障診斷有著重要的意義，是故障診斷技術(shù)發(fā)展的一個趨勢。2故障診斷研究存在的問題設(shè)備故障診斷技術(shù)雖然取得了不少進展，有些方面已有較成熟的理論和方法(如數(shù)字電路的故障診斷)，但仍有許多不足，特別是對復(fù)雜的大規(guī)模非線性系統(tǒng)故障診斷方法的研究更有待深入地探索。在技術(shù)方面，現(xiàn)有的不同等級和各種類型的故障診斷裝置，能在不同程度上對被測對象進行故障診斷，但與實際的需求相比，還有相當(dāng)大的距離。其主要的不足如下分析。2.1故障分辨率不高現(xiàn)代大多數(shù)故障診斷系統(tǒng)雖然能快速地進行故障診斷，但是由于設(shè)備越來越復(fù)雜，加上電路的非線性問題，使檢測點和施加的測試信號受到限制，因此影響了

20、可控性和可測性，同時造成故障診斷的模糊性和不確定性。另外，在模擬電路中，元器件的故障參數(shù)是一個連續(xù)量，測量響應(yīng)的數(shù)據(jù)引入誤差是不可避免的。最困難的是各元器件都有一定的容差，因此用字典法即使作硬故障的診斷，其效果也不如數(shù)字電路的字典診斷法。一般地說，字典法只能解決單故障診斷，在實際應(yīng)用時幾乎不可能實現(xiàn)對多故障的診斷。2.2信息來源不充分(1)現(xiàn)有的診斷系統(tǒng)通常只搜集被測對象當(dāng)前狀態(tài)信息，而對其過去的狀態(tài)和已做過的維護工作的信息、故障診斷系統(tǒng)本身的狀態(tài)信息未加考慮。(2)對被診斷電路其測試的信號大多是電信號如電壓和電流等，而對其他性質(zhì)的信息較少測試，如溫度、圖像及電磁場信號等。因此有時根據(jù)診斷結(jié)果

21、提出的維護措施不夠準(zhǔn)確有效。2.3 自動獲取知識能力差知識獲取長期以來一直是專家系統(tǒng)研制中的瓶頸問題，對于故障智能診斷系統(tǒng)來說也是如此。目前多數(shù)的診斷系統(tǒng)在自動獲取知識方面表現(xiàn)的能力還比較差，限制了系統(tǒng)性能的自我完善、發(fā)展和提高。雖然一些系統(tǒng)或多或少地加入了機器學(xué)習(xí)的功能，但基本上不能在運行的過程中發(fā)現(xiàn)和創(chuàng)造知識，系統(tǒng)的診斷能力往往僅局限于知識庫中原有的知識。2.4知識結(jié)合能力差近年來，國外專家在對診斷與維修領(lǐng)域的專家系統(tǒng)研究中，越來越多地強調(diào)使用深知識。如Davis關(guān)于電器設(shè)備故障診斷用結(jié)構(gòu)與原理的方法研究，Chand-rasekara等人研究的從醫(yī)療診斷領(lǐng)域中的深層知識進行編譯和診斷等。然

22、而他們在如何將領(lǐng)域問題的基本原理與專家經(jīng)驗知識結(jié)合得更好，這方面所做的工作還很少，使得這些系統(tǒng)不能具備與人類專家能力相似的知識或能力，影響了系統(tǒng)發(fā)揮更大的效能。2.5 對不確定知識的處理能力差診斷系統(tǒng)中往往存在大量的不確定性信息，這些信息或是隨機的、模糊的或是不完全的。如何對不確定性知識進行表達和處理，始終是診斷領(lǐng)域研究的熱點問題。雖然有很多不確定性理論在實際的故障診斷專家系統(tǒng)中得到了較好地應(yīng)用，但是這一問題仍未得到十分有效的解決，在有效、合理、使用的不確定性知識處理方面存在著巨大的研究潛力?？傊?，故障智能診斷系統(tǒng)無論在理論上還是在系統(tǒng)開發(fā)方面都已取得了很大的進步，但真正投入使用并且功能完善的

23、系統(tǒng)并不多，大多數(shù)研究成果仍然停留在實驗室階段。造成這種理論與實踐脫節(jié)有2個方面的原因，一方面是由于理論研究所限定的條件與實際應(yīng)用時的情況相差甚遠；另一方面是由于對診斷對象缺乏深刻的認識和研究，而且作為人工智能技術(shù)本身也有待于進一步發(fā)展和完善。3 發(fā)展方向故障診斷研究的目的是為了提高診斷的精度、速度、降低誤報率和漏報率，確定故障發(fā)生的準(zhǔn)確時間和部位，并估計出故障的大小和趨勢。近10年來，隨著人工智能技術(shù)的迅速發(fā)展，特別是知識工程、專家系統(tǒng)、模糊邏輯和神經(jīng)網(wǎng)絡(luò)在診斷領(lǐng)域中的進一步應(yīng)用，迫使人們對智能診斷問題進行更加深入與系統(tǒng)的研究，形成了一系列研究熱點，也取得了一系列研究成果。但從分支學(xué)科的要求

24、來看，無論是在理論體系的構(gòu)建方面，還是在解決實際問題方面，故障診斷研究仍有一段艱巨的路程要走。目前和今后的主要研究可歸納為以下幾個方面。3.1多源信息的融合在設(shè)備運行過程中，可以利用的狀態(tài)信息有很多，比如機械的振動，聲響、溫度、壓力，電氣的輸出功率、轉(zhuǎn)速和扭矩等，如何對這些大量的信息進行融合，消除多傳感器信息之間可能存在的冗余和矛盾，并加以互補，降低其不確定性，獲得對故障設(shè)備的一致性描述，是今后故障診斷技術(shù)研究的重點方向。3.2經(jīng)驗知識與原理知識緊密結(jié)合在復(fù)雜設(shè)備故障智能診斷系統(tǒng)中，只有將領(lǐng)域問題的基本原理與專家的經(jīng)驗知識相結(jié)合，才能更好地解決診斷問題。因此在建造知識庫時，不僅要重視淺知識的表

25、達和處理，也要重視深知識的地位和作用。在該類模型中，深知識和淺知識各自用對它們最適合的方法表示，并構(gòu)成兩種不同類型的知識庫（分別稱為“原理專家”和“經(jīng)驗專家”），2個知識庫各有1個推理機構(gòu)，這樣它們在各自的權(quán)力范圍內(nèi)自成1個專家系統(tǒng)。這2個系統(tǒng)通過協(xié)調(diào)機制模塊構(gòu)成1個診斷特定問題的完整智能系統(tǒng)。在診斷問題求解時，淺知識與深知識進行相互作用，什么類型的知識在診斷過程中起控制作用可能每時每刻都在發(fā)生變化。從一個知識源獲得的信息很容易通過協(xié)調(diào)機制結(jié)構(gòu)轉(zhuǎn)化為另一個知識源的信息。當(dāng)“經(jīng)驗專家”工作時，原理專家在一旁“觀望”，一旦“經(jīng)驗專家”的求解能力下降，或者診斷失敗，即刻就由“原理專家”攜帶著從“經(jīng)驗專家”那里獲得的所有診斷信息開始工作。如果問題已知，“經(jīng)驗專家”常先用于診斷，這樣找出問題的解是迅速的，因為其知識的根據(jù)是表面的啟發(fā)式論據(jù)，即使沒有理解它的含義，也能快速求解