淺析模擬電路故障診斷中神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的應(yīng)用

儲(chǔ)琳琳　郭純生　李艷琴

[摘要]介紹專家系統(tǒng)應(yīng)用于模擬電路故障診斷的原理，并指出該方法在故障診斷中的應(yīng)用現(xiàn)狀和存在的問(wèn)題：提出神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的結(jié)合方式，利用專家系統(tǒng)和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，克服它們的一些缺點(diǎn)。

[關(guān)鍵詞]模擬電路故障診斷專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TN7文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1671-7597(2009)0610026-02

一、專家系統(tǒng)的思想與模擬電路的故障診斷

在模擬電路故障診斷領(lǐng)域中，由于人們?cè)陔娮与娐返木S修方面已經(jīng)積累了相當(dāng)豐富的實(shí)際經(jīng)驗(yàn)，又由于電路設(shè)計(jì)和仿真軟件的發(fā)展，以及各種高精度、高集成度的測(cè)量?jī)x器儀表的普及，使得工程師們能夠進(jìn)一步的了解被測(cè)對(duì)象，盡可能多的獲取有關(guān)被測(cè)對(duì)象的知識(shí)，建立相應(yīng)的數(shù)據(jù)庫(kù)。知識(shí)庫(kù)中知識(shí)的數(shù)量和質(zhì)量直接關(guān)系到專家系統(tǒng)解決問(wèn)題的能力。

此外，在電子電路的維修過(guò)程中采集的數(shù)據(jù)都有一定的模糊性，如果就以純數(shù)學(xué)模型的判據(jù)思想作為推理規(guī)則，總會(huì)發(fā)現(xiàn)故障現(xiàn)象和實(shí)際故障根本不是一一對(duì)應(yīng)的，導(dǎo)致故障位置的模糊性，這就是為什么同樣會(huì)操作儀器儀表的兩個(gè)維修工人的維修水平會(huì)有不同的原因，也就是說(shuō)維修過(guò)程不是簡(jiǎn)單的測(cè)量幾個(gè)數(shù)據(jù)的過(guò)程，它需要結(jié)合豐富的維修經(jīng)驗(yàn)，所以我們非常有必要將少數(shù)幾個(gè)人的經(jīng)驗(yàn)固化到精力充沛的計(jì)算機(jī)中去，所以專家系統(tǒng)的思想解決模擬電路的故障診斷問(wèn)題不僅是可能的，而且是非常重要的。

二、專家系統(tǒng)用于故障診斷的不足

雖然傳統(tǒng)的診斷專家系統(tǒng)在很多領(lǐng)域(如機(jī)械、醫(yī)療、計(jì)算機(jī)、航空等)中得到了廣泛的應(yīng)用且取得了不少成果，并且顯示出了相當(dāng)出色的工作能力，在某些方面達(dá)到甚至超過(guò)了人類專家的工作水平，然而這種模擬人類抽象思維的符號(hào)處理系統(tǒng)在其開(kāi)發(fā)研制過(guò)程中也碰到了不少問(wèn)題，這些問(wèn)題至少在目前是難以克服的。其主要表現(xiàn)在以下幾個(gè)主要問(wèn)題：

1、知識(shí)獲取的“瓶頸”。知識(shí)的獲取一直是專家系統(tǒng)的瓶頸問(wèn)題，我們知道，傳統(tǒng)專家系統(tǒng)主要是通過(guò)兩種方法來(lái)獲取知識(shí)：一種是領(lǐng)域知識(shí)先由知識(shí)工程師從領(lǐng)域?qū)＜疫@兒獲得，再由知識(shí)工程師輸入到知識(shí)庫(kù)中。這種方法造成知識(shí)失真的可能性有兩方面：一方面，領(lǐng)域?qū)＜易约阂埠茈y描述自己所擁有的知識(shí)，對(duì)于具體故障，他們往往只知道如何去解決，卻說(shuō)不出采用這種解決方法的理由，而且，有時(shí)他們的知識(shí)也有錯(cuò)誤成分；另一方面，不同的領(lǐng)域?qū)＜业闹R(shí)可能不一樣，甚至互相矛盾，在這種情況下，知識(shí)工程師往往顯得束手無(wú)策，而且對(duì)于某些專家的經(jīng)驗(yàn)知識(shí)則難以加入知識(shí)庫(kù)中，因而不但費(fèi)時(shí)，而且效率低。第二種知識(shí)獲得的方法是由機(jī)器學(xué)習(xí)，但是直到目前為止，機(jī)器的學(xué)習(xí)能力仍然低下，這樣專家系統(tǒng)獲取知識(shí)的能力也就受到限制。

2、知識(shí)難以維護(hù)?，F(xiàn)有的傳統(tǒng)專家系統(tǒng)知識(shí)庫(kù)中的知識(shí)大都是依靠知識(shí)工程師人為輸入，在知識(shí)庫(kù)里面往往是簡(jiǎn)單地堆放到一起。這樣當(dāng)這個(gè)專家系統(tǒng)的知識(shí)庫(kù)中的知識(shí)達(dá)到成千上萬(wàn)條時(shí)，維護(hù)與管理就顯得十分困難。

3、知識(shí)的“窄臺(tái)階效應(yīng)”。目前一般的專家系統(tǒng)只能在比較窄的專業(yè)知識(shí)領(lǐng)域內(nèi)以專家級(jí)的水平求解專門的問(wèn)題，對(duì)于相近領(lǐng)域的邊緣性問(wèn)題，求解能力較差，對(duì)于其他領(lǐng)域，則顯得無(wú)能為力而不能正確處理，只能得出一些稀奇古怪的結(jié)論，即傳統(tǒng)專家系統(tǒng)沒(méi)有聯(lián)想、記憶、類比等形象思維能力。致命的問(wèn)題是：系統(tǒng)本身無(wú)法判斷自己是否工作在專家領(lǐng)域知識(shí)范圍內(nèi)。

4、推理能力弱。專家系統(tǒng)的本質(zhì)特征是基于規(guī)則的推理思維，然而迄今的邏輯理論依然很不完善，推理速度慢、效率低、容易出現(xiàn)“匹配沖突”“組合爆炸”及“無(wú)窮遞歸”等問(wèn)題。

5、智能水平低。專家系統(tǒng)的知識(shí)存儲(chǔ)是一一對(duì)應(yīng)的，且限定于最低速度，沒(méi)有冗余性，因而也就失去了靈活性?，F(xiàn)有的專家系統(tǒng)一般還不具備自學(xué)習(xí)能力和聯(lián)想記憶的功能，不能在運(yùn)行過(guò)程中自我完善、發(fā)展和創(chuàng)新知識(shí)。系統(tǒng)的功能僅取決于設(shè)計(jì)者的知識(shí)和能力，它的本領(lǐng)只是輸入知識(shí)的總和。一個(gè)專家系統(tǒng)往往要包含上萬(wàn)甚至數(shù)萬(wàn)條規(guī)則，使得維護(hù)和管理工作十分困難，這是與知識(shí)的表示方法有關(guān)的困難。

6、知識(shí)表示問(wèn)題。專家系統(tǒng)可以認(rèn)為是通過(guò)對(duì)知識(shí)的處理來(lái)解決問(wèn)題的，知識(shí)表示自然就成為專家系統(tǒng)的一個(gè)重要而基本的問(wèn)題，雖然目前有諸多的表示法，但都存在各自的不足。

7、實(shí)用性差。由于上面的這些嚴(yán)重缺陷，使得一些專家系統(tǒng)很難進(jìn)入實(shí)用階段。同時(shí)由于推理速度慢，導(dǎo)致一般的傳統(tǒng)專家系統(tǒng)難以適應(yīng)在線工作要求，只能在離線、非實(shí)時(shí)條件下工作。

8、不精確推理不適合解決模糊問(wèn)題。知識(shí)和故障征兆往往有一定的模糊性，采集的數(shù)據(jù)也有模糊性(如測(cè)量誤差、元件參數(shù)的容差等)，而傳統(tǒng)專家系統(tǒng)的不精確推理是基于概率的，與“模糊”是兩個(gè)不同的概念。

三、專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的區(qū)別及互補(bǔ)性

(一)OBP網(wǎng)絡(luò)用于模擬電路故障診斷的優(yōu)勢(shì)

1、BP網(wǎng)絡(luò)的權(quán)重系數(shù)的調(diào)整具有自適應(yīng)性，經(jīng)訓(xùn)練后可完成分類、聯(lián)想等智能性工作，BP網(wǎng)絡(luò)的非線性映射特征很適合模式分類問(wèn)題，故障診斷的基本問(wèn)題就是按特征向量對(duì)被測(cè)系統(tǒng)的各個(gè)狀態(tài)進(jìn)行正確的辨識(shí)和分類，所以BP網(wǎng)絡(luò)對(duì)能歸結(jié)為模式分類的問(wèn)題很有應(yīng)用價(jià)值。

2、BP網(wǎng)絡(luò)對(duì)于相同的輸入一定得出相同的輸出，對(duì)于相近的輸入則可得到相近的輸出。這一特性使BP網(wǎng)絡(luò)具有抑制噪聲的能力，可用于不確定性推理。在模擬電路的故障診斷中所謂的噪聲實(shí)際上是指由于元器件容差導(dǎo)致的樣本值在一定范圍內(nèi)漂移。

3、BP網(wǎng)絡(luò)對(duì)外接口比較簡(jiǎn)單，使得非智能領(lǐng)域的工作人員也能夠熟練使用，這樣就方便了對(duì)網(wǎng)絡(luò)所存信息量的擴(kuò)充，當(dāng)然每一次信息的增加都是通過(guò)網(wǎng)絡(luò)自身極其復(fù)雜的學(xué)習(xí)訓(xùn)練過(guò)程實(shí)現(xiàn)的，這主要得益于現(xiàn)代計(jì)算機(jī)處理速度的提高，這使得設(shè)計(jì)主體人的工作量大大減少了。

由于模擬電路板工作環(huán)境的多樣性，以及元器件故障模式的復(fù)雜性等其它原因，導(dǎo)致測(cè)試程序設(shè)計(jì)人員不可能一次性預(yù)見(jiàn)電路板全部的可能故障模式，這就需要系統(tǒng)在使用中進(jìn)一步完善，而這一切的前提就是對(duì)外接口是否友好的問(wèn)題，這一點(diǎn)，只要在設(shè)計(jì)網(wǎng)絡(luò)時(shí)對(duì)輸入輸出樣本空間的維數(shù)(體現(xiàn)在網(wǎng)絡(luò)結(jié)構(gòu)上就是輸入層和輸出層的神經(jīng)元數(shù)目)考慮一定的冗余度。

(二)專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的區(qū)別

從神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)各自的工作原理來(lái)看，它們體現(xiàn)了人工智能行為的兩種工作機(jī)制，他們都包括知識(shí)獲取，知識(shí)表示，知識(shí)存儲(chǔ)，邏輯推理以及以解釋形式反映的知識(shí)輸出等工作過(guò)程，但是在具體執(zhí)行方式上，它們是完全不同的技術(shù)，有很大的區(qū)別，這主要表現(xiàn)在以下四個(gè)方面：

1、知識(shí)表示形式：專家系統(tǒng)是對(duì)知識(shí)進(jìn)行形式化的符號(hào)描述，因而它的知識(shí)表示是顯式的、描述性的；而神經(jīng)網(wǎng)絡(luò)對(duì)知識(shí)的表示是隱式的，它用網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)表示節(jié)點(diǎn)間的相互關(guān)系，節(jié)點(diǎn)間的互聯(lián)強(qiáng)度表示項(xiàng)與項(xiàng)之間相互影響的強(qiáng)弱。

2、知識(shí)獲取途徑：專家系統(tǒng)獲取知識(shí)的主要途徑目前基本上還是機(jī)械式學(xué)習(xí)和講授式學(xué)習(xí)，它的知識(shí)是在系統(tǒng)外學(xué)習(xí)得到的，然后以代碼的形式輸入知識(shí)庫(kù)中；人工神經(jīng)網(wǎng)絡(luò)獲取知識(shí)的方法則是直接從數(shù)值化的實(shí)

例中學(xué)習(xí)或?qū)鹘y(tǒng)人工智能技術(shù)已獲得的知識(shí)特例轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)的分布式存儲(chǔ)，學(xué)習(xí)是在系統(tǒng)內(nèi)部。

3、推理機(jī)制：專家系統(tǒng)是具有符號(hào)推理機(jī)制的計(jì)算機(jī)程序，使用離散邏輯作為它的功能基礎(chǔ)：而神經(jīng)網(wǎng)絡(luò)試圖要模仿人腦智力功能，它的實(shí)現(xiàn)是基于連續(xù)的數(shù)值計(jì)算。

4、知識(shí)表達(dá)的透明度：專家系統(tǒng)使用演繹的方法，把從系統(tǒng)外得到并用代碼輸入系統(tǒng)的知識(shí)推廣，并且知識(shí)表達(dá)很清晰，是一種可以讓專家直接識(shí)別的形式，因而容易證實(shí)，專家系統(tǒng)中知識(shí)庫(kù)與推理機(jī)是相互獨(dú)立的，知識(shí)可以漸進(jìn)地積累，當(dāng)某一事實(shí)改變時(shí)，修改也較容易；而神經(jīng)網(wǎng)絡(luò)則運(yùn)用歸納的方法，在原始數(shù)據(jù)上通過(guò)學(xué)習(xí)算法建立內(nèi)部知識(shí)庫(kù)，但各單個(gè)神經(jīng)元并不存儲(chǔ)信息，網(wǎng)絡(luò)的知識(shí)是編碼在整個(gè)網(wǎng)絡(luò)連接權(quán)的模式中，知識(shí)表達(dá)不明確。神經(jīng)網(wǎng)絡(luò)一旦學(xué)習(xí)完成就能迅速地求解，具有良好的并行性，但是知識(shí)的積累是以網(wǎng)絡(luò)的重新學(xué)習(xí)為代價(jià)，時(shí)間開(kāi)銷較大。

(三)專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的互補(bǔ)

如果我們不考慮神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的實(shí)現(xiàn)細(xì)節(jié)，僅看它們的輸入與輸出之間的關(guān)系，它們有一個(gè)共同的起點(diǎn)和目標(biāo)。一般來(lái)講，二者都包含知識(shí)獲取、知識(shí)表示、知識(shí)推理、知識(shí)更新等操作。神經(jīng)網(wǎng)絡(luò)是基于輸入到輸出的一種直覺(jué)性反射，也叫形象思維，適于發(fā)揮經(jīng)驗(yàn)知識(shí)的作用，進(jìn)行淺層次的經(jīng)驗(yàn)推理：專家系統(tǒng)是基于知識(shí)、規(guī)則匹配的邏輯知識(shí)的作用，進(jìn)行深層次的邏輯推理。專家系統(tǒng)的特色是符號(hào)推理，神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)數(shù)值計(jì)算。由此可見(jiàn)，傳統(tǒng)專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)科學(xué)地加以綜合，并加入深層次知識(shí)，取長(zhǎng)補(bǔ)短，充分發(fā)揮各自的特長(zhǎng)，將會(huì)提高智能系統(tǒng)的智力水平。因此，它們具有很大的互補(bǔ)性，應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)可以彌補(bǔ)解決傳統(tǒng)專家系統(tǒng)在應(yīng)用中遇到的問(wèn)題。主要體現(xiàn)在以下四個(gè)方面：

1、對(duì)于專家系統(tǒng)中知識(shí)和經(jīng)驗(yàn)的窄臺(tái)階性，即遇到?jīng)]解決過(guò)的問(wèn)題就無(wú)能為力，可以利用神經(jīng)網(wǎng)絡(luò)的聯(lián)想、記憶、類比等形象思維能力，使系統(tǒng)可以工作于所學(xué)習(xí)過(guò)的知識(shí)以外的范圍。

2、傳統(tǒng)專家系統(tǒng)中的知識(shí)都是以符號(hào)或規(guī)則的形式存儲(chǔ)在數(shù)據(jù)庫(kù)中，知識(shí)的維護(hù)和更新非常困難，神經(jīng)網(wǎng)絡(luò)具有統(tǒng)一的內(nèi)部知識(shí)表示形式，任何形式的知識(shí)都可以通過(guò)對(duì)范例的學(xué)習(xí)存儲(chǔ)在網(wǎng)絡(luò)的連接權(quán)值中，便于知識(shí)的組織和管理，通用性強(qiáng)，并且知識(shí)容量大。

3、推理中的“匹配沖突”，“組合爆炸”及“無(wú)窮遞歸”使傳統(tǒng)專家系統(tǒng)推理速度慢、效率低。這主要是由于專家系統(tǒng)采用串行方式、推理方法簡(jiǎn)單和控制策略不靈活。而神經(jīng)網(wǎng)絡(luò)的知識(shí)推理通過(guò)神經(jīng)元之間的作用實(shí)現(xiàn)，推理過(guò)程是并行的數(shù)值計(jì)算過(guò)程，而這一點(diǎn)計(jì)算機(jī)可以幫很大的忙，所以推理速度較快。

4、專家系統(tǒng)不適于求解模糊性問(wèn)題，這非常不利于故障診斷，因?yàn)橹R(shí)和征兆往往帶有一定的模糊性，即使通過(guò)測(cè)量?jī)x器測(cè)的數(shù)據(jù)也會(huì)由于測(cè)量誤差、元件參數(shù)的容差等因素的影響帶有一定的模糊性，雖然專家系統(tǒng)中有不精確推理的算法，但是它的不精確推理是基于概率的，而這里的概率也同時(shí)必須是知識(shí)工程師以具體的數(shù)值輸入到知識(shí)庫(kù)的，所以專家系統(tǒng)的不精確推理與模糊性是兩個(gè)不同的概念。神經(jīng)網(wǎng)絡(luò)對(duì)于相近的輸入則可得到相近的輸出，即BP網(wǎng)絡(luò)具有的抑制噪聲的能力，就可以較好的解決模糊性的問(wèn)題。

四、結(jié)論

基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)是以人工神經(jīng)網(wǎng)絡(luò)為核心建造的一種“結(jié)合型”智能系統(tǒng)，不僅可以實(shí)現(xiàn)傳統(tǒng)專家系統(tǒng)的基本功能，模仿人類專家的邏輯思維方式進(jìn)行推理決策和問(wèn)題求解，還具有學(xué)習(xí)能力，并行推理能力，是構(gòu)造符號(hào)數(shù)值結(jié)合型智能控制系統(tǒng)的得力工具。