论文部分内容阅读
[摘要]介绍专家系统应用于模拟电路故障诊断的原理，并指出该方法在故障诊断中的应用现状和存在的问题：提出神经网络和专家系统的结合方式，利用专家系统和BP神经网络的优点，克服它们的一些缺点。
[关键词]模拟电路 故障诊断 专家系统 神经网络
中图分类号：TN7 文献标识码：A 文章编号：1671-7597(2009)0610026-02
一、专家系统的思想与模拟电路的故障诊断
在模拟电路故障诊断领域中，由于人们在电子电路的维修方面已经积累了相当丰富的实际经验，又由于电路设计和仿真软件的发展，以及各种高精度、高集成度的测量仪器仪表的普及，使得工程师们能够进一步的了解被测对象，尽可能多的获取有关被测对象的知识，建立相应的数据库。知识库中知识的数量和质量直接关系到专家系统解决问题的能力。
此外，在电子电路的维修过程中采集的数据都有一定的模糊性，如果就以纯数学模型的判据思想作为推理规则，总会发现故障现象和实际故障根本不是一一对应的，导致故障位置的模糊性，这就是为什么同样会操作仪器仪表的两个维修工人的维修水平会有不同的原因，也就是说维修过程不是简单的测量几个数据的过程，它需要结合丰富的维修经验，所以我们非常有必要将少数几个人的经验固化到精力充沛的计算机中去，所以专家系统的思想解决模拟电路的故障诊断问题不仅是可能的，而且是非常重要的。
二、专家系统用于故障诊断的不足
虽然传统的诊断专家系统在很多领域(如机械、医疗、计算机、航空等)中得到了广泛的应用且取得了不少成果，并且显示出了相当出色的工作能力，在某些方面达到甚至超过了人类专家的工作水平，然而这种模拟人类抽象思维的符号处理系统在其开发研制过程中也碰到了不少问题，这些问题至少在目前是难以克服的。其主要表现在以下几个主要问题：
1、知识获取的“瓶颈”。知识的获取一直是专家系统的瓶颈问题，我们知道，传统专家系统主要是通过两种方法来获取知识：一种是领域知识先由知识工程师从领域专家这儿获得，再由知识工程师输入到知识库中。这种方法造成知识失真的可能性有两方面：一方面，领域专家自己也很难描述自己所拥有的知识，对于具体故障，他们往往只知道如何去解决，却说不出采用这种解决方法的理由，而且，有时他们的知识也有错误成分；另一方面，不同的领域专家的知识可能不一样，甚至互相矛盾，在这种情况下，知识工程师往往显得束手无策，而且对于某些专家的经验知识则难以加入知识库中，因而不但费时，而且效率低。第二种知识获得的方法是由机器学习，但是直到目前为止，机器的学习能力仍然低下，这样专家系统获取知识的能力也就受到限制。
2、知识难以维护。现有的传统专家系统知识库中的知识大都是依靠知识工程师人为输入，在知识库里面往往是简单地堆放到一起。这样当这个专家系统的知识库中的知识达到成千上万条时，维护与管理就显得十分困难。
3、知识的“窄台阶效应”。目前一般的专家系统只能在比较窄的专业知识领域内以专家级的水平求解专门的问题，对于相近领域的边缘性问题，求解能力较差，对于其他领域，则显得无能为力而不能正确处理，只能得出一些稀奇古怪的结论，即传统专家系统没有联想、记忆、类比等形象思维能力。致命的问题是：系统本身无法判断自己是否工作在专家领域知识范围内。
4、推理能力弱。专家系统的本质特征是基于规则的推理思维，然而迄今的逻辑理论依然很不完善，推理速度慢、效率低、容易出现“匹配冲突”“组合爆炸”及“无穷递归”等问题。
5、智能水平低。专家系统的知识存储是一一对应的，且限定于最低速度，没有冗余性，因而也就失去了灵活性。现有的专家系统一般还不具备自学习能力和联想记忆的功能，不能在运行过程中自我完善、发展和创新知识。系统的功能仅取决于设计者的知识和能力，它的本领只是输入知识的总和。一个专家系统往往要包含上万甚至数万条规则，使得维护和管理工作十分困难，这是与知识的表示方法有关的困难。
6、知识表示问题。专家系统可以认为是通过对知识的处理来解决问题的，知识表示自然就成为专家系统的一个重要而基本的问题，虽然目前有诸多的表示法，但都存在各自的不足。
7、实用性差。由于上面的这些严重缺陷，使得一些专家系统很难进入实用阶段。同时由于推理速度慢，导致一般的传统专家系统难以适应在线工作要求，只能在离线、非实时条件下工作。
8、不精确推理不适合解决模糊问题。知识和故障征兆往往有一定的模糊性，采集的数据也有模糊性(如测量误差、元件参数的容差等)，而传统专家系统的不精确推理是基于概率的，与“模糊”是两个不同的概念。
三、专家系统与神经网络的区别及互补性
(一)OBP网络用于模拟电路故障诊断的优势
1、BP网络的权重系数的调整具有自适应性，经训练后可完成分类、联想等智能性工作，BP网络的非线性映射特征很适合模式分类问题，故障诊断的基本问题就是按特征向量对被测系统的各个状态进行正确的辨识和分类，所以BP网络对能归结为模式分类的问题很有应用价值。
2、BP网络对于相同的输入一定得出相同的输出，对于相近的输入则可得到相近的输出。这一特性使BP网络具有抑制噪声的能力，可用于不确定性推理。在模拟电路的故障诊断中所谓的噪声实际上是指由于元器件容差导致的样本值在一定范围内漂移。
3、BP网络对外接口比较简单，使得非智能领域的工作人员也能够熟练使用，这样就方便了对网络所存信息量的扩充，当然每一次信息的增加都是通过网络自身极其复杂的学习训练过程实现的，这主要得益于现代计算机处理速度的提高，这使得设计主体人的工作量大大减少了。
由于模拟电路板工作环境的多样性，以及元器件故障模式的复杂性等其它原因，导致测试程序设计人员不可能一次性预见电路板全部的可能故障模式，这就需要系统在使用中进一步完善，而这一切的前提就是对外接口是否友好的问题，这一点，只要在设计网络时对输入输出样本空间的维数(体现在网络结构上就是输入层和输出层的神经元数目)考虑一定的冗余度。
(二)专家系统与神经网络的区别
从神经网络与专家系统各自的工作原理来看，它们体现了人工智能行为的两种工作机制，他们都包括知识获取，知识表示，知识存储，逻辑推理以及以解释形式反映的知识输出等工作过程，但是在具体执行方式上，它们是完全不同的技术，有很大的区别，这主要表现在以下四个方面：
1、知识表示形式：专家系统是对知识进行形式化的符号描述，因而它的知识表示是显式的、描述性的；而神经网络对知识的表示是隐式的，它用网络的拓扑结构表示节点间的相互关系，节点间的互联强度表示项与项之间相互影响的强弱。
2、知识获取途径：专家系统获取知识的主要途径目前基本上还是机械式学习和讲授式学习，它的知识是在系统外学习得到的，然后以代码的形式输入知识库中；人工神经网络获取知识的方法则是直接从数值化的实 例中学习或将传统人工智能技术已获得的知识特例转化为神经网络的分布式存储，学习是在系统内部。
3、推理机制：专家系统是具有符号推理机制的计算机程序，使用离散逻辑作为它的功能基础：而神经网络试图要模仿人脑智力功能，它的实现是基于连续的数值计算。
4、知识表达的透明度：专家系统使用演绎的方法，把从系统外得到并用代码输入系统的知识推广，并且知识表达很清晰，是一种可以让专家直接识别的形式，因而容易证实，专家系统中知识库与推理机是相互独立的，知识可以渐进地积累，当某一事实改变时，修改也较容易；而神经网络则运用归纳的方法，在原始数据上通过学习算法建立内部知识库，但各单个神经元并不存储信息，网络的知识是编码在整个网络连接权的模式中，知识表达不明确。神经网络一旦学习完成就能迅速地求解，具有良好的并行性，但是知识的积累是以网络的重新学习为代价，时间开销较大。
(三)专家系统与神经网络的互补
如果我们不考虑神经网络与专家系统的实现细节，仅看它们的输入与输出之间的关系，它们有一个共同的起点和目标。一般来讲，二者都包含知识获取、知识表示、知识推理、知识更新等操作。神经网络是基于输入到输出的一种直觉性反射，也叫形象思维，适于发挥经验知识的作用，进行浅层次的经验推理：专家系统是基于知识、规则匹配的逻辑知识的作用，进行深层次的逻辑推理。专家系统的特色是符号推理，神经网络擅长数值计算。由此可见，传统专家系统与神经网络科学地加以综合，并加入深层次知识，取长补短，充分发挥各自的特长，将会提高智能系统的智力水平。因此，它们具有很大的互补性，应用神经网络技术可以弥补解决传统专家系统在应用中遇到的问题。主要体现在以下四个方面：
1、对于专家系统中知识和经验的窄台阶性，即遇到没解决过的问题就无能为力，可以利用神经网络的联想、记忆、类比等形象思维能力，使系统可以工作于所学习过的知识以外的范围。
2、传统专家系统中的知识都是以符号或规则的形式存储在数据库中，知识的维护和更新非常困难，神经网络具有统一的内部知识表示形式，任何形式的知识都可以通过对范例的学习存储在网络的连接权值中，便于知识的组织和管理，通用性强，并且知识容量大。
3、推理中的“匹配冲突”，“组合爆炸”及“无穷递归”使传统专家系统推理速度慢、效率低。这主要是由于专家系统采用串行方式、推理方法简单和控制策略不灵活。而神经网络的知识推理通过神经元之间的作用实现，推理过程是并行的数值计算过程，而这一点计算机可以帮很大的忙，所以推理速度较快。
4、专家系统不适于求解模糊性问题，这非常不利于故障诊断，因为知识和征兆往往带有一定的模糊性，即使通过测量仪器测的数据也会由于测量误差、元件参数的容差等因素的影响带有一定的模糊性，虽然专家系统中有不精确推理的算法，但是它的不精确推理是基于概率的，而这里的概率也同时必须是知识工程师以具体的数值输入到知识库的，所以专家系统的不精确推理与模糊性是两个不同的概念。神经网络对于相近的输入则可得到相近的输出，即BP网络具有的抑制噪声的能力，就可以较好的解决模糊性的问题。
四、结论
基于神经网络的专家系统是以人工神经网络为核心建造的一种“结合型”智能系统，不仅可以实现传统专家系统的基本功能，模仿人类专家的逻辑思维方式进行推理决策和问题求解，还具有学习能力，并行推理能力，是构造符号数值结合型智能控制系统的得力工具。
[关键词]模拟电路 故障诊断 专家系统 神经网络
中图分类号：TN7 文献标识码：A 文章编号：1671-7597(2009)0610026-02
一、专家系统的思想与模拟电路的故障诊断
在模拟电路故障诊断领域中，由于人们在电子电路的维修方面已经积累了相当丰富的实际经验，又由于电路设计和仿真软件的发展，以及各种高精度、高集成度的测量仪器仪表的普及，使得工程师们能够进一步的了解被测对象，尽可能多的获取有关被测对象的知识，建立相应的数据库。知识库中知识的数量和质量直接关系到专家系统解决问题的能力。
此外，在电子电路的维修过程中采集的数据都有一定的模糊性，如果就以纯数学模型的判据思想作为推理规则，总会发现故障现象和实际故障根本不是一一对应的，导致故障位置的模糊性，这就是为什么同样会操作仪器仪表的两个维修工人的维修水平会有不同的原因，也就是说维修过程不是简单的测量几个数据的过程，它需要结合丰富的维修经验，所以我们非常有必要将少数几个人的经验固化到精力充沛的计算机中去，所以专家系统的思想解决模拟电路的故障诊断问题不仅是可能的，而且是非常重要的。
二、专家系统用于故障诊断的不足
虽然传统的诊断专家系统在很多领域(如机械、医疗、计算机、航空等)中得到了广泛的应用且取得了不少成果，并且显示出了相当出色的工作能力，在某些方面达到甚至超过了人类专家的工作水平，然而这种模拟人类抽象思维的符号处理系统在其开发研制过程中也碰到了不少问题，这些问题至少在目前是难以克服的。其主要表现在以下几个主要问题：
1、知识获取的“瓶颈”。知识的获取一直是专家系统的瓶颈问题，我们知道，传统专家系统主要是通过两种方法来获取知识：一种是领域知识先由知识工程师从领域专家这儿获得，再由知识工程师输入到知识库中。这种方法造成知识失真的可能性有两方面：一方面，领域专家自己也很难描述自己所拥有的知识，对于具体故障，他们往往只知道如何去解决，却说不出采用这种解决方法的理由，而且，有时他们的知识也有错误成分；另一方面，不同的领域专家的知识可能不一样，甚至互相矛盾，在这种情况下，知识工程师往往显得束手无策，而且对于某些专家的经验知识则难以加入知识库中，因而不但费时，而且效率低。第二种知识获得的方法是由机器学习，但是直到目前为止，机器的学习能力仍然低下，这样专家系统获取知识的能力也就受到限制。
2、知识难以维护。现有的传统专家系统知识库中的知识大都是依靠知识工程师人为输入，在知识库里面往往是简单地堆放到一起。这样当这个专家系统的知识库中的知识达到成千上万条时，维护与管理就显得十分困难。
3、知识的“窄台阶效应”。目前一般的专家系统只能在比较窄的专业知识领域内以专家级的水平求解专门的问题，对于相近领域的边缘性问题，求解能力较差，对于其他领域，则显得无能为力而不能正确处理，只能得出一些稀奇古怪的结论，即传统专家系统没有联想、记忆、类比等形象思维能力。致命的问题是：系统本身无法判断自己是否工作在专家领域知识范围内。
4、推理能力弱。专家系统的本质特征是基于规则的推理思维，然而迄今的逻辑理论依然很不完善，推理速度慢、效率低、容易出现“匹配冲突”“组合爆炸”及“无穷递归”等问题。
5、智能水平低。专家系统的知识存储是一一对应的，且限定于最低速度，没有冗余性，因而也就失去了灵活性。现有的专家系统一般还不具备自学习能力和联想记忆的功能，不能在运行过程中自我完善、发展和创新知识。系统的功能仅取决于设计者的知识和能力，它的本领只是输入知识的总和。一个专家系统往往要包含上万甚至数万条规则，使得维护和管理工作十分困难，这是与知识的表示方法有关的困难。
6、知识表示问题。专家系统可以认为是通过对知识的处理来解决问题的，知识表示自然就成为专家系统的一个重要而基本的问题，虽然目前有诸多的表示法，但都存在各自的不足。
7、实用性差。由于上面的这些严重缺陷，使得一些专家系统很难进入实用阶段。同时由于推理速度慢，导致一般的传统专家系统难以适应在线工作要求，只能在离线、非实时条件下工作。
8、不精确推理不适合解决模糊问题。知识和故障征兆往往有一定的模糊性，采集的数据也有模糊性(如测量误差、元件参数的容差等)，而传统专家系统的不精确推理是基于概率的，与“模糊”是两个不同的概念。
三、专家系统与神经网络的区别及互补性
(一)OBP网络用于模拟电路故障诊断的优势
1、BP网络的权重系数的调整具有自适应性，经训练后可完成分类、联想等智能性工作，BP网络的非线性映射特征很适合模式分类问题，故障诊断的基本问题就是按特征向量对被测系统的各个状态进行正确的辨识和分类，所以BP网络对能归结为模式分类的问题很有应用价值。
2、BP网络对于相同的输入一定得出相同的输出，对于相近的输入则可得到相近的输出。这一特性使BP网络具有抑制噪声的能力，可用于不确定性推理。在模拟电路的故障诊断中所谓的噪声实际上是指由于元器件容差导致的样本值在一定范围内漂移。
3、BP网络对外接口比较简单，使得非智能领域的工作人员也能够熟练使用，这样就方便了对网络所存信息量的扩充，当然每一次信息的增加都是通过网络自身极其复杂的学习训练过程实现的，这主要得益于现代计算机处理速度的提高，这使得设计主体人的工作量大大减少了。
由于模拟电路板工作环境的多样性，以及元器件故障模式的复杂性等其它原因，导致测试程序设计人员不可能一次性预见电路板全部的可能故障模式，这就需要系统在使用中进一步完善，而这一切的前提就是对外接口是否友好的问题，这一点，只要在设计网络时对输入输出样本空间的维数(体现在网络结构上就是输入层和输出层的神经元数目)考虑一定的冗余度。
(二)专家系统与神经网络的区别
从神经网络与专家系统各自的工作原理来看，它们体现了人工智能行为的两种工作机制，他们都包括知识获取，知识表示，知识存储，逻辑推理以及以解释形式反映的知识输出等工作过程，但是在具体执行方式上，它们是完全不同的技术，有很大的区别，这主要表现在以下四个方面：
1、知识表示形式：专家系统是对知识进行形式化的符号描述，因而它的知识表示是显式的、描述性的；而神经网络对知识的表示是隐式的，它用网络的拓扑结构表示节点间的相互关系，节点间的互联强度表示项与项之间相互影响的强弱。
2、知识获取途径：专家系统获取知识的主要途径目前基本上还是机械式学习和讲授式学习，它的知识是在系统外学习得到的，然后以代码的形式输入知识库中；人工神经网络获取知识的方法则是直接从数值化的实 例中学习或将传统人工智能技术已获得的知识特例转化为神经网络的分布式存储，学习是在系统内部。
3、推理机制：专家系统是具有符号推理机制的计算机程序，使用离散逻辑作为它的功能基础：而神经网络试图要模仿人脑智力功能，它的实现是基于连续的数值计算。
4、知识表达的透明度：专家系统使用演绎的方法，把从系统外得到并用代码输入系统的知识推广，并且知识表达很清晰，是一种可以让专家直接识别的形式，因而容易证实，专家系统中知识库与推理机是相互独立的，知识可以渐进地积累，当某一事实改变时，修改也较容易；而神经网络则运用归纳的方法，在原始数据上通过学习算法建立内部知识库，但各单个神经元并不存储信息，网络的知识是编码在整个网络连接权的模式中，知识表达不明确。神经网络一旦学习完成就能迅速地求解，具有良好的并行性，但是知识的积累是以网络的重新学习为代价，时间开销较大。
(三)专家系统与神经网络的互补
如果我们不考虑神经网络与专家系统的实现细节，仅看它们的输入与输出之间的关系，它们有一个共同的起点和目标。一般来讲，二者都包含知识获取、知识表示、知识推理、知识更新等操作。神经网络是基于输入到输出的一种直觉性反射，也叫形象思维，适于发挥经验知识的作用，进行浅层次的经验推理：专家系统是基于知识、规则匹配的逻辑知识的作用，进行深层次的逻辑推理。专家系统的特色是符号推理，神经网络擅长数值计算。由此可见，传统专家系统与神经网络科学地加以综合，并加入深层次知识，取长补短，充分发挥各自的特长，将会提高智能系统的智力水平。因此，它们具有很大的互补性，应用神经网络技术可以弥补解决传统专家系统在应用中遇到的问题。主要体现在以下四个方面：
1、对于专家系统中知识和经验的窄台阶性，即遇到没解决过的问题就无能为力，可以利用神经网络的联想、记忆、类比等形象思维能力，使系统可以工作于所学习过的知识以外的范围。
2、传统专家系统中的知识都是以符号或规则的形式存储在数据库中，知识的维护和更新非常困难，神经网络具有统一的内部知识表示形式，任何形式的知识都可以通过对范例的学习存储在网络的连接权值中，便于知识的组织和管理，通用性强，并且知识容量大。
3、推理中的“匹配冲突”，“组合爆炸”及“无穷递归”使传统专家系统推理速度慢、效率低。这主要是由于专家系统采用串行方式、推理方法简单和控制策略不灵活。而神经网络的知识推理通过神经元之间的作用实现，推理过程是并行的数值计算过程，而这一点计算机可以帮很大的忙，所以推理速度较快。
4、专家系统不适于求解模糊性问题，这非常不利于故障诊断，因为知识和征兆往往带有一定的模糊性，即使通过测量仪器测的数据也会由于测量误差、元件参数的容差等因素的影响带有一定的模糊性，虽然专家系统中有不精确推理的算法，但是它的不精确推理是基于概率的，而这里的概率也同时必须是知识工程师以具体的数值输入到知识库的，所以专家系统的不精确推理与模糊性是两个不同的概念。神经网络对于相近的输入则可得到相近的输出，即BP网络具有的抑制噪声的能力，就可以较好的解决模糊性的问题。
四、结论
基于神经网络的专家系统是以人工神经网络为核心建造的一种“结合型”智能系统，不仅可以实现传统专家系统的基本功能，模仿人类专家的逻辑思维方式进行推理决策和问题求解，还具有学习能力，并行推理能力，是构造符号数值结合型智能控制系统的得力工具。