CN101877075A - 一种故障诊断知识获取系统 - Google Patents

Abstract

本发明公开了一种故障诊断知识获取系统，包括半自动知识获取模块、自动知识获取模块、知识库自动维护模块、知识库、故障树信息库、案例库。自动知识获取模块利用粗糙集原理实现从大量的存放于案例库中的案例中归纳总结出新的规则，并将获取的规则存放于知识库中，实现了知识库的自动扩充。知识库自动维护模块利用文字集闭包和规则蕴涵方法实现了知识库自动维护功能，该功能模块能够对规则库进行冗余和循环规则校验，并将校验结果提供给领域专家，供领域专家判决处理。本发明以故障树的方式获取已知的知识，不仅能体现知识之间的逻辑关系，同时也方便用户进行维护。

Description

一种故障诊断知识获取系统

技术领域

本发明属于人工智能领域，涉及故障诊断技术、知识获取技术，及故障树技术、粗糙集理论、故障诊断知识获取技术具体地说，是指一种故障诊断知识获取系统。

背景技术

故障诊断技术目前已成为保障设备安全可靠运行的重要手段，同时基于专家系统的故障诊断方法已获得广泛的应用，但是完备的诊断知识的获取是故障诊断专家系统的瓶颈。故障诊断专家系统的知识可以分为两类，一类是已知的知识，例如专家经验，维修手册知识等；另一类是需要在系统自身的运行实践中总结、归纳出的新知识。对于已知的知识，需要将知识输入到知识库中，但是如果通过人工逐条录入，体现不出知识之间的逻辑关系，不利于故障诊断，同时也不利于维护。若以故障树的方式获取知识既体现了知识之间的逻辑关系，也方便用户进行维护。

然而，维修手册只是一些常见故障的排故指南，单单靠此不太容易总结故障的产生机理；而且对于大部分故障的解决仅仅是依照指示更换线路或者部件，据此很难获知系统内部的复杂关系；专家经验又极其缺乏且常常带有主观意识。因此，仅仅依靠这些知识来源来构建知识库是远远不够的。日常积累的案例中隐含了大量的故障征兆与故障模式之间的逻辑因果关系，对其分析处理就可以获取诊断知识。充分利用这些领域历史案例数据，分析其内在联系，挖掘出诊断规则，必然有助于丰富诊断知识库，改善专家系统性能。因此利用专利200910081793.3中介绍的基于粗糙集的自动知识获取模型，可以拓宽专家系统的知识来源。粗糙集理论涉及离散化、属性约简、值约简等问题。离散化的方法很多，不同的离散化方法会产生出不同的离散化结果，其中由Wu Qingxiang，和David A.Bell等人提出的分布指数离散化方法是一种比较好的方法。目前关于粗糙集的属性约简问题已有不少的研究，由于约简过程是NP-Hard问题，所以采用《粗糙决策理论与应用》中介绍的基于属性重要度的启发式约简算法是一种常见的方法。对于值约简，目前国内外也已经有了一些研究成果，其中常犁云，王国胤，吴渝等人在《一种基于Rough Set理论的属性约简及规则提取方法》中提出的基于可辨识矩阵的值约简算法是一种易于工程实现的方法。

故障诊断专家系统的知识实际上是一种经验和规律的总结，其知识库是不完备的，在使用过程中不断地有新知识加入进来。这样，随着专家系统的知识库规模的扩大，规则的数量不断增加，就可能存在着规则之间的冗余、循环等问题，势必会影响到专家系统的诊断过程，降低专家系统的性能。因此需要对知识库进行维护，避免冗余、循环规则的出现。目前国内外的专家和学者针对规则库冗余和循环的检查提出了一些消除方案和工具。孙运传和别荣芳在《产生式规则库的求精研究》中提出的基于文字集闭包和规则蕴涵的方法，易于工程实现。

发明内容

本发明提出了一种故障诊断知识获取系统，本系统不仅可以以半自动的方式获取已知的诊断知识，还可以以自动的方式获取新知识，保障了知识库的完备性。同时通过规则库自动维护的方式，实现了规则库的优化，为提高推理速度提供了条件。

所述的故障诊断知识获取系统，包括半自动知识获取模块、自动知识获取模块、知识库自动维护模块、知识库、故障树信息库、案例库。

知识库是问题求解知识的集合，用来存储用于故障诊断的规则。

故障树信息库用于存储故障树的信息。

案例库用来存储日常积累的相关领域的历史案例。

自动知识获取模块采用基于粗糙集的获取方式，通过对案例库中的案例进行归纳、总结，得到新的规则，并将新规则存到知识库中。

所述半自动知识获取模块包括浅知识获取模块和深知识获取模块：

浅知识获取模块用于将“if…then…”形式的简单规则存入到知识库。

深知识获取模块是以故障树的方式获取具有复杂逻辑关系的规则，该模块支持用户以图形化的方式从界面上直观、方便的输入故障树，并将故障树的拓扑结构信息存储于故障树信息表。该模块还可以将故障树信息库中的信息自动转化为规则，存放于知识库中。

知识库自动维护模块利用基于文字集闭包和规则蕴涵的理论实现知识库的自动维护。该模块具有对知识库中冗余规则和循环规则校验的功能，并将校验结果提供给专家，供专家判决处理。

本发明的优点在于：

1、以故障树的方式获取已知的诊断知识，体现了知识之间的逻辑关系；

2、具有自动获取知识的功能，保证了知识库的完备性；

3、具有知识库自动维护功能，实现了知识库的自动优化。

附图说明

图1是本发明诊断知识获取系统结构图；

图2为本发明自动知识获取模块获取方法流程图；

图3是基于故障树方式的半自动知识获取框图。

具体实施方式

下面结合附图对本发明的故障诊断知识获取系统进行详细说明。

如图1所示，本发明提供的故障诊断知识获取系统包括半自动知识获取模块1、自动知识获取模块2、知识库自动维护模块3、知识库4、故障树信息库5、案例库6。

其中，知识库4是问题求解知识的集合，用来存储用于故障诊断的规则。规则表的设计如表1所示：其中规则结论在故障树中的层数用于记录推理诊断过程中的推理层次；规则各个前提的匹配度是指各个前提对于规则结论的影响程度，用于推理过程中的冲突消解。

表1规则表

故障树信息库5用于存储用户从界面上绘制的故障树，故障树信息库5中的信息可以转化为规则，然后存储于知识库4中。故障树信息表，如表2所示，表中包含每个节点在故障树中的位置编号、节点所代表的事件的描述、节点的父节点位置信息、节点的孩子节点数目、节点的门类型、节点的匹配度。其中故障树中的位置编号、节点的父节点位置信息、节点的孩子节点数目用于存储故障树的拓扑信息；节点的门类型用于说明事件之间是逻辑“与”还是逻辑“或”的关系；节点的匹配度用于表明孩子节点对于父节点的影响程度。

表2故障树节点位置信息表

案例库6用来存储在实际应用过程中积累的例子，案例表设计如表3所示。其中ConAttlist字段，是指案例中所涉及的条件属性所满足的条件，每个属性之间以“；”分开。DecAtt字段是指这个案例的结论。例如对于当进口总温为4，低压转子转速为83％，滑油压力为2.8时发动机出现故障这样一个案例，ConAttlist字段为：进口总温为4；低压转子转速为83％；滑油压力为2.95，DecAtt字段为：发动机故障。

表3案例表

自动知识获取模块2采用基于粗糙集的获取方式，通过对案例库6中的案例进行学习，得到新的规则，并将新规则存到知识库4中。如图2所示，具体包括如下步骤：

1)建立案例决策表；

案例决策表由案例组成，每个案例包含条件属性和决策属性，如表4所示。决策表中填入的是条件属性和决策属性的值。对于非数值型的属性，可以利用编码等方法将其转化为数值型，例如对于温度偏高、温度正常、温度偏低这样的属性描述，可以设温度偏高对应的属性值为“1”，正常为“0”，偏低为“-1”。

表4决策表

2)决策表连续属性离散化；

运用粗糙集理论获取知识时，要求决策表中的值用离散(如整型、枚举型)数据表达。如果某些条件属性或决策属性的值域为连续值(如浮点型)，则必须离散化处理。本发明采用了基于分布指数的离散化方法，这是一种有监督、局部离散化方法，它能够依据数据的实际分布情况获得合理的断点。

3)决策表属性约简；

案例中所包含的条件属性并不是等同重要的，有些甚至是冗余的，因此需要去除决策表中冗余的条件属性，以获得更为简便的规则。设计实现属性约简模块，采用的是基于属性重要度的启发式约简算法。该算法以决策表的相对核为起点，依照属性的重要度大小，将其加入到约简集合中。然后，再依次去除每个多余的属性，最终获得约简属性集。

4)决策表属性值约简；

决策表中的案例经过属性约简后，仍然存在冗余，从中得到的规则，不是最简规则，因此还需要对决策表进一步进行值约简，去除冗余的案例。设计实现值约简功能模块时，采用了基于可辨识矩阵的值约简算法。该值约简算法得到的新信息表，所有属性值均为该表的核值，且所有记录均为该信息表的规则，为规则的转化提供了便利。

5)规则存储。

经过上述步骤1)到步骤4)将决策表进行了简化，最终从决策表中获得规则，储存在知识库4中。

所述半自动知识获取模块1包括浅知识获取模块102和深知识获取模块101。

其中，浅知识获取模块102用于将“if…then…”形式的简单规则存入到知识库4。

深知识获取模块101是以故障树的方式获取具有复杂逻辑关系的规则，不仅可以将获取的故障树存放于故障树信息库5，同时还可以将故障树信息库5中的信息自动转化为规则，存放于知识库4中，如图3所示，通过如下步骤实现获取具有复杂逻辑关系的规则的功能：

a、绘制故障树；

绘制故障树是指在图形化界面下实现故障树的建造，主要是将故障树输入到计算机并且在计算机屏幕上美观紧凑的显示出来。本发明采用动态建造故障树的方式来绘制故障树，动态建造故障树采用的是基于Windows消息处理机制的计算机辅助人工建树的实现方法。在具体实现中，图元设计为bitmap类型的图片，且形象的表示为故障树中的节点及逻辑门类型的标准形式；图形区域为按照图元大小设计的网格阵列。

b、解析故障树节点信息；

绘制完故障树后，进一步需要解析出故障树的拓扑结构信息，为故障树的存储做准备。为实现故障树节点信息的自动获取，本发明依据图形区域内图元信息建立了一张故障树的“虚拟信息表”。这张虚拟表存储了所有图元的信息，通过解析该表即可获得故障树所有节点信息。

c、将故障树存放于故障树信息库5中；

采用MFC中的CList链表来存储故障树。故障树节点信息结构体的设计依据是故障树节点信息表中的记录格式。每个节点都用一个节点信息结构体变量来存储，所有节点都添加到一个故障树节点信息链表中。如此设计，既降低了开发难度，缩短了开发周期，同时也提高了程序的运行效率。

d、将故障树信息转化为规则，并将所获得的规则存放于知识库4中。

在图形化界面下建立故障树，实现了故障树信息的获取。建立故障树的最终目的是获取专家知识，即故障诊断规则。因此需要将故障树信息转化为规则，并存储在知识库4中。

故障树中子节点事件以“与”的关系导致父节点事件的发生，则只对应一条规则，规则if前提是子节点事件的“and”组合，规则的then结论部分是父节点事件。

故障树中子节点事件以“或”关系导致父节点事件的发生，则有几个孩子，就对应几条规则，规则if前提只有一个节点事件，为其中的一个子节点事件，转化后的所有规则的then结论部分都是父节点事件。

如果用户需要维护已经建立的故障树，首先将故障树从故障树信息库5中调出，并转化为树状拓扑结构，在界面上修改故障树，然后将修改后的故障树转化为节点结构信息存入故障树信息库5。

知识库自动维护模块3利用基于文字集闭包和规则蕴涵的理论实现知识库4的自动维护。知识库自动维护模块3完成对知识库4中冗余规则和循环规则校验的功能，并将校验结果提供给专家，供专家判决处理。

Claims (6)

1.一种故障诊断知识获取系统，其特征在于：包括半自动知识获取模块、自动知识获取模块、知识库自动维护模块、知识库、故障树信息库、案例库；

知识库是问题求解知识的集合，用来存储用于故障诊断的规则；故障树信息库用于存储故障树的信息；

案例库用来存储日常积累的相关领域的历史案例；

自动知识获取模块采用基于粗糙集的获取方式，通过对案例库中的案例进行归纳、总结，得到新的规则，并将新规则存到知识库中；

所述半自动知识获取模块包括浅知识获取模块和深知识获取模块；

浅知识获取模块用于将“if…then…”形式的规则存入到知识库；

深知识获取模块是以故障树的方式获取具有复杂逻辑关系的规则，将获取的规则存放于知识库中；

知识库自动维护模块完成对知识库中冗余规则和循环规则校验的功能，并将校验结果提供给专家，由专家决定如何处理。

2.如权利要求1所述一种故障诊断知识获取系统，其特征在于：所述深知识获取模块通过在图形界面上绘制故障树，并对故障树节点信息进行解析后，将故障树存放于故障树信息库中，最后将故障树信息转化为规则，存放于知识库中。

3.如权利要求2所述一种故障诊断知识获取系统，其特征在于：所述故障树是基于Windows消息处理机制的计算机辅助人工动态方法来建造的；故障树建造过程中图元设计为bitmap类型的图片，图形区域为按照图元大小设计的网格阵列。

4.如权利要求2所述一种故障诊断知识获取系统，其特征在于：所述故障树所有节点信息是通过解析依据图形区域内图元信息建立的故障树的“虚拟信息表”获得的。

5.如权利要求2所述一种故障诊断知识获取系统，其特征在于：所述的故障树存储于故障树信息库中是采用MFC中的CList链表来存储的，具体为：故障树节点信息结构体的设计依据是故障树节点信息表中的记录格式，每个节点都用一个节点信息结构体变量来存储，所有节点都添加到一个故障树节点信息链表中。

6.如权利要求1所述一种故障诊断知识获取系统，其特征在于：所述知识库自动维护模块利用基于文字集闭包和规则蕴涵的理论实现。

Images