專利名稱：一種故障診斷知識獲取系統(tǒng)的制作方法
技術領域：
本發(fā)明屬于人工智能領域，涉及故障診斷技術、知識獲取技術，及故障樹技術、粗 糙集理論、故障診斷知識獲取技術具體地說，是指一種故障診斷知識獲取系統(tǒng)。
背景技術：
故障診斷技術目前已成為保障設備安全可靠運行的重要手段，同時基于專家系統(tǒng) 的故障診斷方法已獲得廣泛的應用，但是完備的診斷知識的獲取是故障診斷專家系統(tǒng)的瓶 頸。故障診斷專家系統(tǒng)的知識可以分為兩類，一類是已知的知識，例如專家經(jīng)驗，維修手冊 知識等；另一類是需要在系統(tǒng)自身的運行實踐中總結、歸納出的新知識。對于已知的知識， 需要將知識輸入到知識庫中，但是如果通過人工逐條錄入，體現(xiàn)不出知識之間的邏輯關系， 不利于故障診斷，同時也不利于維護。若以故障樹的方式獲取知識既體現(xiàn)了知識之間的邏 輯關系，也方便用戶進行維護。然而，維修手冊只是一些常見故障的排故指南，單單靠此不太容易總結故障的產(chǎn) 生機理；而且對于大部分故障的解決僅僅是依照指示更換線路或者部件，據(jù)此很難獲知系 統(tǒng)內部的復雜關系；專家經(jīng)驗又極其缺乏且常常帶有主觀意識。因此，僅僅依靠這些知識來 源來構建知識庫是遠遠不夠的。日常積累的案例中隱含了大量的故障征兆與故障模式之間 的邏輯因果關系，對其分析處理就可以獲取診斷知識。充分利用這些領域歷史案例數(shù)據(jù)，分 析其內在聯(lián)系，挖掘出診斷規(guī)則，必然有助于豐富診斷知識庫，改善專家系統(tǒng)性能。因此利 用專利200910081793. 3中介紹的基于粗糙集的自動知識獲取模型，可以拓寬專家系統(tǒng)的 知識來源。粗糙集理論涉及離散化、屬性約簡、值約簡等問題。離散化的方法很多，不同的 離散化方法會產(chǎn)生出不同的離散化結果，其中由Wu Qingxiang，和David A. Bell等人提出 的分布指數(shù)離散化方法是一種比較好的方法。目前關于粗糙集的屬性約簡問題已有不少的 研究，由于約簡過程是NP-Hard問題，所以采用《粗糙決策理論與應用》中介紹的基于屬性 重要度的啟發(fā)式約簡算法是一種常見的方法。對于值約簡，目前國內外也已經(jīng)有了一些研 究成果，其中常犁云，王國胤，吳渝等人在《一種基于Rough Set理論的屬性約簡及規(guī)則提取 方法》中提出的基于可辨識矩陣的值約簡算法是一種易于工程實現(xiàn)的方法。故障診斷專家系統(tǒng)的知識實際上是一種經(jīng)驗和規(guī)律的總結，其知識庫是不完備 的，在使用過程中不斷地有新知識加入進來。這樣，隨著專家系統(tǒng)的知識庫規(guī)模的擴大，規(guī) 則的數(shù)量不斷增加，就可能存在著規(guī)則之間的冗余、循環(huán)等問題，勢必會影響到專家系統(tǒng)的 診斷過程，降低專家系統(tǒng)的性能。因此需要對知識庫進行維護，避免冗余、循環(huán)規(guī)則的出現(xiàn)。 目前國內外的專家和學者針對規(guī)則庫冗余和循環(huán)的檢查提出了 一些消除方案和工具。孫運 傳和別榮芳在《產(chǎn)生式規(guī)則庫的求精研究》中提出的基于文字集閉包和規(guī)則蘊涵的方法，易 于工程實現(xiàn)。

發(fā)明內容
本發(fā)明提出了一種故障診斷知識獲取系統(tǒng)，本系統(tǒng)不僅可以以半自動的方式獲取已知的診斷知識，還可以以自動的方式獲取新知識，保障了知識庫的完備性。同時通過規(guī)則 庫自動維護的方式，實現(xiàn)了規(guī)則庫的優(yōu)化，為提高推理速度提供了條件。所述的故障診斷知識獲取系統(tǒng)，包括半自動知識獲取模塊、自動知識獲取模塊、知 識庫自動維護模塊、知識庫、故障樹信息庫、案例庫。知識庫是問題求解知識的集合，用來存儲用于故障診斷的規(guī)則。故障樹信息庫用于存儲故障樹的信息。案例庫用來存儲日常積累的相關領域的歷史案例。自動知識獲取模塊采用基于粗糙集的獲取方式，通過對案例庫中的案例進行歸 納、總結，得到新的規(guī)則，并將新規(guī)則存到知識庫中。 所述半自動知識獲取模塊包括淺知識獲取模塊和深知識獲取模塊淺知識獲取模塊用于將“if …then…”形式的簡單規(guī)則存入到知識庫。深知識獲取模塊是以故障樹的方式獲取具有復雜邏輯關系的規(guī)則，該模塊支持用 戶以圖形化的方式從界面上直觀、方便的輸入故障樹，并將故障樹的拓撲結構信息存儲于 故障樹信息表。該模塊還可以將故障樹信息庫中的信息自動轉化為規(guī)則，存放于知識庫中。知識庫自動維護模塊利用基于文字集閉包和規(guī)則蘊涵的理論實現(xiàn)知識庫的自動 維護。該模塊具有對知識庫中冗余規(guī)則和循環(huán)規(guī)則校驗的功能，并將校驗結果提供給專家， 供專家判決處理。本發(fā)明的優(yōu)點在于1、以故障樹的方式獲取已知的診斷知識，體現(xiàn)了知識之間的邏輯關系；2、具有自動獲取知識的功能，保證了知識庫的完備性；3、具有知識庫自動維護功能，實現(xiàn)了知識庫的自動優(yōu)化。


圖1是本發(fā)明診斷知識獲取系統(tǒng)結構圖；圖2為本發(fā)明自動知識獲取模塊獲取方法流程圖；圖3是基于故障樹方式的半自動知識獲取框圖。
具體實施例方式下面結合附圖對本發(fā)明的故障診斷知識獲取系統(tǒng)進行詳細說明。如圖1所示，本發(fā)明提供的故障診斷知識獲取系統(tǒng)包括半自動知識獲取模塊1、自 動知識獲取模塊2、知識庫自動維護模塊3、知識庫4、故障樹信息庫5、案例庫6。其中，知識庫4是問題求解知識的集合，用來存儲用于故障診斷的規(guī)則。規(guī)則表的 設計如表1所示其中規(guī)則結論在故障樹中的層數(shù)用于記錄推理診斷過程中的推理層次； 規(guī)則各個前提的匹配度是指各個前提對于規(guī)則結論的影響程度，用于推理過程中的沖突消 解。表1規(guī)則表名稱_數(shù)據(jù)類型_mm._
RuleID char 規(guī)則編號 PreFac varchar 規(guī)貝 1J 前提 Conclusion varchar 規(guī)貝 1J 結論 ReasonLevel int 規(guī)則結論在故障樹中的層數(shù) MatchDegreevarchar_規(guī)則各個前提的匹配度故障樹信息庫5用于存儲用戶從界面上繪制的故障樹，故障樹信息庫5中的信息 可以轉化為規(guī)則，然后存儲于知識庫4中。故障樹信息表，如表2所示，表中包含每個節(jié)點 在故障樹中的位置編號、節(jié)點所代表的事件的描述、節(jié)點的父節(jié)點位置信息、節(jié)點的孩子節(jié) 點數(shù)目、節(jié)點的門類型、節(jié)點的匹配度。其中故障樹中的位置編號、節(jié)點的父節(jié)點位置信息、 節(jié)點的孩子節(jié)點數(shù)目用于存儲故障樹的拓撲信息；節(jié)點的門類型用于說明事件之間是邏輯 “與”還是邏輯“或”的關系；節(jié)點的匹配度用于表明孩子節(jié)點對于父節(jié)點的影響程度。表2故障樹節(jié)點位置信息表
名稱_數(shù)據(jù)類型描述_ NodePosIDchar節(jié)點在故障樹中的位置編號
FactIDchar節(jié)點內容描述
ParentNodePosID char父節(jié)點的 NodePosID 編號
NodeChildNumint節(jié)點的孩子節(jié)點數(shù)目
NodeGateTypeint節(jié)點的門類型
MatchDegree_double_節(jié)點匹配度_案例庫6用來存儲在實際應用過程中積累的例子，案例表設計如表3所示。其中 ConAttlist字段，是指案例中所涉及的條件屬性所滿足的條件，每個屬性之間以“；”分開。 DecAtt字段是指這個案例的結論。例如對于當進口總溫為4，低壓轉子轉速為83%，滑油壓 力為2. 8時發(fā)動機出現(xiàn)故障這樣一個案例，ConAttlist字段為進口總溫為4 ；低壓轉子轉 速為83% ；滑油壓力為2. 95，DecAtt字段為發(fā)動機故障。表3案例表
名稱_數(shù)據(jù)類型 描述_
ConAttlist varchar條件屬性的描述
DecAtt_varchar 決策屬性的描述_自動知識獲取模塊2采用基于粗糙集的獲取方式，通過對案例庫6中的案例進行 學習，得到新的規(guī)則，并將新規(guī)則存到知識庫4中。如圖2所示，具體包括如下步驟
1)建立案例決策表；案例決策表由案例組成，每個案例包含條件屬性和決策屬性，如表4所示。決策表 中填入的是條件屬性和決策屬性的值。對于非數(shù)值型的屬性，可以利用編碼等方法將其轉 化為數(shù)值型，例如對于溫度偏高、溫度正常、溫度偏低這樣的屬性描述，可以設溫度偏高對 應的屬性值為“1”，正常為“0”，偏低為“-1”。表4決策表 2)決策表連續(xù)屬性離散化；運用粗糙集理論獲取知識時，要求決策表中的值用離散(如整型、枚舉型)數(shù)據(jù)表 達。如果某些條件屬性或決策屬性的值域為連續(xù)值(如浮點型)，則必須離散化處理。本發(fā) 明采用了基于分布指數(shù)的離散化方法，這是一種有監(jiān)督、局部離散化方法，它能夠依據(jù)數(shù)據(jù) 的實際分布情況獲得合理的斷點。3)決策表屬性約簡；案例中所包含的條件屬性并不是等同重要的，有些甚至是冗余的，因此需要去除 決策表中冗余的條件屬性，以獲得更為簡便的規(guī)則。設計實現(xiàn)屬性約簡模塊，采用的是基于 屬性重要度的啟發(fā)式約簡算法。該算法以決策表的相對核為起點，依照屬性的重要度大小， 將其加入到約簡集合中。然后，再依次去除每個多余的屬性，最終獲得約簡屬性集。4)決策表屬性值約簡；決策表中的案例經(jīng)過屬性約簡后，仍然存在冗余，從中得到的規(guī)則，不是最簡規(guī) 貝U，因此還需要對決策表進一步進行值約簡，去除冗余的案例。設計實現(xiàn)值約簡功能模塊 時，采用了基于可辨識矩陣的值約簡算法。該值約簡算法得到的新信息表，所有屬性值均為 該表的核值，且所有記錄均為該信息表的規(guī)則，為規(guī)則的轉化提供了便利。5)規(guī)則存儲。經(jīng)過上述步驟1)到步驟4)將決策表進行了簡化，最終從決策表中獲得規(guī)則，儲存 在知識庫4中。所述半自動知識獲取模塊1包括淺知識獲取模塊102和深知識獲取模塊101。其中，淺知識獲取模塊102用于將“if…then…”形式的簡單規(guī)則存入到知識庫4。深知識獲取模塊101是以故障樹的方式獲取具有復雜邏輯關系的規(guī)則，不僅可以 將獲取的故障樹存放于故障樹信息庫5，同時還可以將故障樹信息庫5中的信息自動轉化 為規(guī)則，存放于知識庫4中，如圖3所示，通過如下步驟實現(xiàn)獲取具有復雜邏輯關系的規(guī)則 的功能a、繪制故障樹；
繪制故障樹是指在圖形化界面下實現(xiàn)故障樹的建造，主要是將故障樹輸入到計算 機并且在計算機屏幕上美觀緊湊的顯示出來。本發(fā)明采用動態(tài)建造故障樹的方式來繪制故 障樹，動態(tài)建造故障樹采用的是基于Windows消息處理機制的計算機輔助人工建樹的實現(xiàn) 方法。在具體實現(xiàn)中，圖元設計為bitmap類型的圖片，且形象的表示為故障樹中的節(jié)點及 邏輯門類型的標準形式；圖形區(qū)域為按照圖元大小設計的網(wǎng)格陣列。b、解析故障樹節(jié)點信息；繪制完故障樹后，進一步需要解析出故障樹的拓撲結構信息，為故障樹的存儲做 準備。為實現(xiàn)故障樹節(jié)點信息的自動獲取，本發(fā)明依據(jù)圖形區(qū)域內圖元信息建立了一張故 障樹的“虛擬信息表”。這張?zhí)摂M表存儲了所有圖元的信息，通過解析該表即可獲得故障樹 所有節(jié)點信息。c、將故障樹存放于故障樹信息庫5中；采用MFC中的CList鏈表來存儲故障樹。故障樹節(jié)點信息結構體的設計依據(jù)是故 障樹節(jié)點信息表中的記錄格式。每個節(jié)點都用一個節(jié)點信息結構體變量來存儲，所有節(jié)點 都添加到一個故障樹節(jié)點信息鏈表中。如此設計，既降低了開發(fā)難度，縮短了開發(fā)周期，同 時也提高了程序的運行效率。d、將故障樹信息轉化為規(guī)則，并將所獲得的規(guī)則存放于知識庫4中。在圖形化界面下建立故障樹，實現(xiàn)了故障樹信息的獲取。建立故障樹的最終目的 是獲取專家知識，即故障診斷規(guī)則。因此需要將故障樹信息轉化為規(guī)則，并存儲在知識庫4 中。故障樹中子節(jié)點事件以“與”的關系導致父節(jié)點事件的發(fā)生，則只對應一條規(guī)則， 規(guī)則if前提是子節(jié)點事件的“and”組合，規(guī)則的then結論部分是父節(jié)點事件。故障樹中子節(jié)點事件以“或”關系導致父節(jié)點事件的發(fā)生，則有幾個孩子，就對應 幾條規(guī)則，規(guī)則if 前提只有一個節(jié)點事件，為其中的一個子節(jié)點事件，轉化后的所有規(guī)則 的then結論部分都是父節(jié)點事件。如果用戶需要維護已經(jīng)建立的故障樹，首先將故障樹從故障樹信息庫5中調出， 并轉化為樹狀拓撲結構，在界面上修改故障樹，然后將修改后的故障樹轉化為節(jié)點結構信 息存入故障樹信息庫5。知識庫自動維護模塊3利用基于文字集閉包和規(guī)則蘊涵的理論實現(xiàn)知識庫4的自 動維護。知識庫自動維護模塊3完成對知識庫4中冗余規(guī)則和循環(huán)規(guī)則校驗的功能，并將 校驗結果提供給專家，供專家判決處理。
權利要求
一種故障診斷知識獲取系統(tǒng)，其特征在于包括半自動知識獲取模塊、自動知識獲取模塊、知識庫自動維護模塊、知識庫、故障樹信息庫、案例庫；知識庫是問題求解知識的集合，用來存儲用于故障診斷的規(guī)則；故障樹信息庫用于存儲故障樹的信息；案例庫用來存儲日常積累的相關領域的歷史案例；自動知識獲取模塊采用基于粗糙集的獲取方式，通過對案例庫中的案例進行歸納、總結，得到新的規(guī)則，并將新規(guī)則存到知識庫中；所述半自動知識獲取模塊包括淺知識獲取模塊和深知識獲取模塊；淺知識獲取模塊用于將“if…then…”形式的規(guī)則存入到知識庫；深知識獲取模塊是以故障樹的方式獲取具有復雜邏輯關系的規(guī)則，將獲取的規(guī)則存放于知識庫中；知識庫自動維護模塊完成對知識庫中冗余規(guī)則和循環(huán)規(guī)則校驗的功能，并將校驗結果提供給專家，由專家決定如何處理。
2.如權利要求1所述一種故障診斷知識獲取系統(tǒng)，其特征在于所述深知識獲取模塊 通過在圖形界面上繪制故障樹，并對故障樹節(jié)點信息進行解析后，將故障樹存放于故障樹 信息庫中，最后將故障樹信息轉化為規(guī)則，存放于知識庫中。
3.如權利要求2所述一種故障診斷知識獲取系統(tǒng)，其特征在于所述故障樹是基于 Windows消息處理機制的計算機輔助人工動態(tài)方法來建造的；故障樹建造過程中圖元設計 為bitmap類型的圖片，圖形區(qū)域為按照圖元大小設計的網(wǎng)格陣列。
4.如權利要求2所述一種故障診斷知識獲取系統(tǒng)，其特征在于所述故障樹所有節(jié)點 信息是通過解析依據(jù)圖形區(qū)域內圖元信息建立的故障樹的“虛擬信息表”獲得的。
5.如權利要求2所述一種故障診斷知識獲取系統(tǒng)，其特征在于所述的故障樹存儲于 故障樹信息庫中是采用MFC中的CList鏈表來存儲的，具體為故障樹節(jié)點信息結構體的 設計依據(jù)是故障樹節(jié)點信息表中的記錄格式，每個節(jié)點都用一個節(jié)點信息結構體變量來存 儲，所有節(jié)點都添加到一個故障樹節(jié)點信息鏈表中。
6.如權利要求1所述一種故障診斷知識獲取系統(tǒng)，其特征在于所述知識庫自動維護 模塊利用基于文字集閉包和規(guī)則蘊涵的理論實現(xiàn)。
全文摘要
本發(fā)明公開了一種故障診斷知識獲取系統(tǒng)，包括半自動知識獲取模塊、自動知識獲取模塊、知識庫自動維護模塊、知識庫、故障樹信息庫、案例庫。自動知識獲取模塊利用粗糙集原理實現(xiàn)從大量的存放于案例庫中的案例中歸納總結出新的規(guī)則，并將獲取的規(guī)則存放于知識庫中，實現(xiàn)了知識庫的自動擴充。知識庫自動維護模塊利用文字集閉包和規(guī)則蘊涵方法實現(xiàn)了知識庫自動維護功能，該功能模塊能夠對規(guī)則庫進行冗余和循環(huán)規(guī)則校驗，并將校驗結果提供給領域專家，供領域專家判決處理。本發(fā)明以故障樹的方式獲取已知的知識，不僅能體現(xiàn)知識之間的邏輯關系，同時也方便用戶進行維護。
文檔編號G06N5/00GK101877075SQ20091023624
公開日2010年11月3日 申請日期2009年10月29日 優(yōu)先權日2009年10月29日
發(fā)明者張景新, 路輝, 郎榮玲 申請人:北京航空航天大學