智能故障診斷技術(shù)研究綜述與展望

李紅衛(wèi)，楊東升，孫一蘭，韓 娟

(1.中國科學(xué)院研究生院，北京100039;2.中國科學(xué)院沈陽計算技術(shù)研究所，遼寧沈陽110171)

0 引言

現(xiàn)代工業(yè)設(shè)備大型化、復(fù)雜化發(fā)展趨勢導(dǎo)致設(shè)備發(fā)生故障可能性和維修難度增大，設(shè)備停機(jī)給企業(yè)帶來重大經(jīng)濟(jì)損失。因此，深入研究故障診斷技術(shù)具有十分重要的意義。

故障診斷技術(shù)是一種利用設(shè)備當(dāng)前狀態(tài)信息和歷史狀況，通過一定分析方法 (如信號處理分析法)對設(shè)備狀態(tài)進(jìn)行評價的狀態(tài)識別技術(shù)。傳統(tǒng)故障診斷技術(shù)在分析結(jié)構(gòu)復(fù)雜的深層次故障時效果不佳，且對操作員能力要求較高。近年來，人工智能技術(shù)的發(fā)展，促使故障診斷技術(shù)由傳統(tǒng)技術(shù)向智能化技術(shù)方向發(fā)展［1］。

目前，不少學(xué)者對智能故障診斷領(lǐng)域進(jìn)行研究，形成了多種智能故障診斷技術(shù)，取得了大量研究成果。本文在這些研究成果基礎(chǔ)上，針對不同智能故障診斷技術(shù)，著重從原理、應(yīng)用、優(yōu)缺點以及方法改進(jìn)等方面進(jìn)行總結(jié)、分析，給出了診斷技術(shù)選擇建議，并對其未來發(fā)展做了展望。

1 智能故障診斷技術(shù)

智能故障診斷技術(shù)是一種在知識層次上，以知識處理技術(shù)為基礎(chǔ)，實現(xiàn)辯證邏輯與數(shù)理邏輯的集成、符號處理與數(shù)值處理的統(tǒng)一、推理過程與算法過程的統(tǒng)一，通過概念和處理方式知識化，實現(xiàn)設(shè)備故障診斷的智能化診斷方法［2］，為人們使用智能技術(shù)解決復(fù)雜系統(tǒng)故障問題提供了強(qiáng)有力工具。

1.1 故障樹分析診斷技術(shù)

故障樹分析 (fault tree analysis，F(xiàn)TA)診斷技術(shù)是一種將系統(tǒng)故障形成原因由總體至局部按樹枝狀逐漸細(xì)化的嚴(yán)密分析方法。FTA是一個以診斷對象結(jié)構(gòu)、功能特征為依據(jù)的行為模型，是一種定性的因果模型，其將系統(tǒng)中最不希望發(fā)生的事件作為頂事件，中間事件和底事件作為可能導(dǎo)致頂事件發(fā)生的其他事件，事件之間邏輯關(guān)系用邏輯門表示，如圖1所示。圖中頂事件為系統(tǒng)故障，由子系統(tǒng)A或子系統(tǒng)B引發(fā);子系統(tǒng)A故障由部件1、2中的一個失效引起，子系統(tǒng)B故障由部件3、4同時失效引起。

圖1 故障樹診斷

FTA診斷技術(shù)兼顧了定性和定量模型診斷的優(yōu)點，現(xiàn)已廣泛應(yīng)用于故障診斷領(lǐng)域。文獻(xiàn)［3］為解決某型無人機(jī)系統(tǒng)結(jié)果復(fù)雜、故障分析困難的問題，采用FTA設(shè)計實現(xiàn)了故障診斷專家系統(tǒng)。

但是，F(xiàn)TA診斷技術(shù)的核心與關(guān)鍵是建立正確的故障樹，故障樹建立不全面或不正確將導(dǎo)致該技術(shù)失去作用。另外，對大型復(fù)雜系統(tǒng)進(jìn)行故障診斷時，故障樹相關(guān)信息的利用可改善診斷系統(tǒng)知識獲取的瓶頸問題。因此，在實際故障診斷時，通常將FTA作為知識獲取橋梁，結(jié)合其他故障診斷技術(shù)進(jìn)行故障診斷。如，文獻(xiàn)［4］針對水利設(shè)備傳統(tǒng)診斷專家系統(tǒng)在知識更新方面存在的問題，從故障樹頂事件出發(fā)，按照“‘與’門只增加同種故障組合中故障數(shù)目，而‘或’門只增加不同故障組合數(shù)目”的原則，對故障樹進(jìn)行轉(zhuǎn)換，以獲取診斷規(guī)則，改善了傳統(tǒng)診斷專家系統(tǒng)知識獲取方面的“瓶頸”。

1.2 規(guī)則推理診斷技術(shù)

規(guī)則推理 (rule-based reasoning，RBR)診斷技術(shù)本質(zhì)上是一種利用規(guī)則 (通過歸納專家經(jīng)驗知識得到)通過一定搜索策略和推理技術(shù)在整個解空間中進(jìn)行故障特征和相應(yīng)故障線性映射的診斷方法。

RBR診斷技術(shù)具有知識表示直觀、易理解和方便解釋等優(yōu)點，主要用于沒有精確數(shù)學(xué)模型或很難建立數(shù)學(xué)模型的故障系統(tǒng)。該技術(shù)是智能故障診斷領(lǐng)域引人注目的發(fā)展方向之一，也是研究最多、應(yīng)用最廣的智能故障診斷技術(shù)。文獻(xiàn)［5］提出一種以用戶為中心，基于規(guī)則表達(dá)的通用性專家知識庫故障診斷方法，并對規(guī)則庫進(jìn)行設(shè)計，如表1所示。通過與條件事實進(jìn)行多重匹配，結(jié)合結(jié)論規(guī)則，最終得到診斷結(jié)論。

但是由于故障特征與相應(yīng)故障線性映射關(guān)系復(fù)雜性、專家經(jīng)驗知識語言表述模糊性、不同專家經(jīng)驗知識不一致性等原因，RBR診斷技術(shù)依賴于歸納專家經(jīng)驗的知識獲取方式存在“瓶頸”，不適于經(jīng)驗知識缺乏的診斷領(lǐng)域［6］;另外，RBR診斷技術(shù)對于復(fù)雜問題，求解搜索空間大，難以實現(xiàn)實時診斷，且易產(chǎn)生組合爆炸、匹配沖突等問題。

表1 規(guī)則庫結(jié)構(gòu)

針對RBR診斷技術(shù)的知識獲取“瓶頸”，文獻(xiàn)［7］為解決地鐵機(jī)車相關(guān)數(shù)據(jù)、維修經(jīng)驗知識獲取困難等問題，將知識獲取過程分解為需求分析描述、故障分類與故障集確定、設(shè)備結(jié)構(gòu)原理分析、專家分析等6個步驟。知識獲取以故障樹分析、GO方法設(shè)備原理分析、專家分析為基礎(chǔ)，通過因果鏈建立因果網(wǎng)絡(luò)圖，進(jìn)而獲得知識表達(dá)并形成知識。

針對RBR診斷技術(shù)推理方面的問題，文獻(xiàn)［8］提出用FPGA設(shè)計故障診斷專家系統(tǒng)。以故障樹表示的故障邏輯關(guān)系為依據(jù)，將產(chǎn)生式規(guī)則轉(zhuǎn)換成邏輯表達(dá)式，并使用FPGA實現(xiàn)，提高了診斷時推理速度。此外，由于故障特征和相應(yīng)故障之間關(guān)系的不明確性，RBR診斷技術(shù)在推理時亦可進(jìn)行基于不精確規(guī)則的不確定性推理［9］，在一定程度上可避免推理時產(chǎn)生的“知識組合爆炸”問題。

1.3 案例推理診斷技術(shù)

相對于RBR診斷技術(shù)受專家經(jīng)驗知識完備性、可描述性及可轉(zhuǎn)換性的制約，案例推理 (case-based reasoning，CBR)診斷技術(shù)不依賴于專家經(jīng)驗知識，而是利用曾發(fā)生的相似故障，比較新、舊故障發(fā)生時間和背景等的差異，經(jīng)一系列修改、調(diào)整，參考或重新使用以前的知識和信息，最終達(dá)到故障診斷的目的。

CBR診斷技術(shù)無須規(guī)則提取，通過直接復(fù)用以提高求解效率，新案例保存既是學(xué)習(xí)過程，也是知識獲取過程，適用于經(jīng)驗知識難以表示成規(guī)則，但易表示成案例的故障診斷領(lǐng)域。如，文獻(xiàn)［10］使用CBR診斷技術(shù)設(shè)計數(shù)控設(shè)備診斷系統(tǒng)。為提高檢索效率，系統(tǒng)按照數(shù)控系統(tǒng)結(jié)構(gòu)模型將案例分為4個等級進(jìn)行組織，并采用框架知識表示方法表示案例知識，如表2所示。

表2 故障案例框架

但CBR診斷技術(shù)存在如不能覆蓋所有解空間而導(dǎo)致搜索時可能漏掉最優(yōu)解、難以評價待檢對象與相關(guān)案例相似度、難以處理修訂時的二義性和一致性檢查、難以確定關(guān)鍵特征權(quán)重等問題。

為評價待檢對象與相關(guān)案例相似度，文獻(xiàn) ［11］將灰色關(guān)聯(lián)度分析方法應(yīng)用到CBR診斷技術(shù)中。使用灰色關(guān)聯(lián)度分析方法計算待檢案例與相關(guān)案例之間相似度，將相似度最大的相關(guān)案例作為最相近案例。此外，該文獻(xiàn)提出只將案例庫中沒有相似案例或者相似度很小的待檢案例添加到案例庫中，以改善案例庫的增量學(xué)習(xí)模式。

為確定關(guān)鍵特征權(quán)值，文獻(xiàn)［12］將系統(tǒng)故障樹圖模型經(jīng)特殊轉(zhuǎn)換，映射為神經(jīng)網(wǎng)絡(luò)，將樹圖模型中底層的案例特征作為神經(jīng)網(wǎng)絡(luò)輸入，案例故障作為神經(jīng)網(wǎng)絡(luò)輸出，訓(xùn)練后將輸入層與隱含層連接權(quán)值Wki和隱含層與輸出層連接權(quán)值Tjk的乘積Rij=Wki×Tjk作為相應(yīng)案例關(guān)鍵特征的權(quán)值，有效地解決了關(guān)鍵特征權(quán)值難以確定的問題。

1.4 神經(jīng)網(wǎng)絡(luò)診斷技術(shù)

神經(jīng)網(wǎng)絡(luò) (neural network，NN)診斷技術(shù)通過對故障樣本的學(xué)習(xí)，以神經(jīng)網(wǎng)絡(luò)連接權(quán)值來表達(dá)所學(xué)故障診斷知識，具有對故障模糊匹配、相似歸納和聯(lián)想記憶等能力。相對于RBR診斷技術(shù)的高層次邏輯模型，NN是一種低層次數(shù)值模型，融知識表示、存儲和推理為一體，一定程度上可以克服RBR診斷技術(shù)知識獲取困難、存儲容量與運(yùn)行速度存在矛盾、知識窄臺階及推理速度慢等問題。

作為一種非線性故障識別技術(shù)，NN具有容錯性好、響應(yīng)快、具有強(qiáng)大的學(xué)習(xí)能力、自適應(yīng)能力和非線性逼近能力等特點，為解決復(fù)雜的非線性、不確定系統(tǒng)的故障診斷問題提供了新途徑，被廣泛應(yīng)用于故障診斷領(lǐng)域。文獻(xiàn)［13］對電力系統(tǒng)進(jìn)行故障診斷時，利用神經(jīng)網(wǎng)絡(luò)的模式分類能力設(shè)計診斷模型，如圖2所示。該模型中輸入為繼電器和斷路器開關(guān)狀態(tài)，輸出為相應(yīng)系統(tǒng)故障狀態(tài)。

目前國內(nèi)外許多學(xué)者都致力于研究BP神經(jīng)網(wǎng)絡(luò) (BPNN)在故障診斷領(lǐng)域中的應(yīng)用，針對BP-NN訓(xùn)練速度慢、容易陷入局部極小值和振蕩等問題，一些學(xué)者提出改進(jìn)的神經(jīng)網(wǎng)絡(luò)診斷模型。文獻(xiàn)［14］為提高BP-NN學(xué)習(xí)效率和收斂性，提出一種BP-ALM(具有自適應(yīng)學(xué)習(xí)速率和動量系統(tǒng)的BP網(wǎng)絡(luò))NN診斷模型。每個權(quán)重和偏差都有與其相對應(yīng)的學(xué)習(xí)速率和動量系數(shù)，使得傳統(tǒng)BP-NN具有自適應(yīng)性。用該BP-ALM神經(jīng)網(wǎng)絡(luò)模型設(shè)計變壓器故障診斷系統(tǒng)，使系統(tǒng)具有較好的學(xué)習(xí)效率和收斂性，比傳統(tǒng)BP-NN和RTR在故障診斷時具有更好的性能。

另外，NN診斷技術(shù)也存在諸如診斷性能受訓(xùn)練樣本集限制、無法解釋推理過程、利用和表達(dá)知識單一、只能模擬人類感覺層次上的智能活動等缺陷。因此，為更好發(fā)揮NN在故障診斷領(lǐng)域的優(yōu)勢，將NN診斷技術(shù)與其他方法相結(jié)合成為實際診斷中的常用技術(shù)。如將NN與小波變換相結(jié)合［15-17］，優(yōu)化特征數(shù)據(jù)提取，提高了NN診斷效率和診斷結(jié)果的正確性。

1.5 灰色關(guān)聯(lián)度分析診斷技術(shù)

灰色關(guān)聯(lián)度分析 (grey relation degree analysis，GRDA)是事物間不確定關(guān)系的量化分析，在故障診斷中用于確定和待檢模式關(guān)聯(lián)最強(qiáng)的標(biāo)準(zhǔn)模式?；舅枷胧歉鶕?jù)式 (1)和(2)，計算待檢模式特征向量Y={Y1，Y2，……，Yn}與標(biāo)準(zhǔn)模式特征向量集XR={X1(n)，X2(n)，……，Xm(n)}(其中m表示故障種類數(shù)，n表示特征向量所包含特征值數(shù))之間的關(guān)聯(lián)度。將計算得到的關(guān)聯(lián)度從大到小排列，選擇最大關(guān)聯(lián)度對應(yīng)的標(biāo)準(zhǔn)模式作為待檢模式的故障模式，實現(xiàn)故障模式識別

相對于神經(jīng)網(wǎng)絡(luò)診斷技術(shù)性能依賴于大樣本，GRDA診斷技術(shù)不需要大樣本、不要求數(shù)據(jù)有特殊分布、計算量小，且不會出現(xiàn)與定性分析不一致的結(jié)論，適合于沒有大樣本、但有實時性要求的診斷領(lǐng)域。文獻(xiàn)［18］使用GRDA診斷技術(shù)對航空發(fā)動機(jī)進(jìn)行故障診斷。在不同故障狀態(tài)下采集典型故障特征值EGT、FF、N2，得到典型故障矩陣，如表3所示，結(jié)合式 (1)和 (2)對待檢模式進(jìn)行診斷。

表3 典型故障矩陣

但是由式 (1)(2)所示的傳統(tǒng)GRDA診斷技術(shù)存在如不能確定故障嚴(yán)重程度、沒有考慮序列變化趨勢、受關(guān)聯(lián)系數(shù)ρ影響等問題。不少改進(jìn)方法被提出以解決這些問題。

如，為確定故障嚴(yán)重程度，文獻(xiàn)［19］采用GRDA建立實用專家診斷模型時引入門限值，并提出將關(guān)聯(lián)度大小作為衡量故障嚴(yán)重程度的標(biāo)準(zhǔn)，即關(guān)聯(lián)度越小表示故障越嚴(yán)重。針對傳統(tǒng)GRDA診斷技術(shù)因沒有考慮序列變化趨勢而出現(xiàn)變化趨勢相同序列由于距離差異造成關(guān)聯(lián)度不同的情況，文獻(xiàn)［20］根據(jù)GRDA基本思想，提出了使用空間向量余弦夾角描述比較序列之間局部相似性，以局部相似性均值來衡量比較序列整體相似性的新灰色關(guān)聯(lián)度量化模型，有效克服了傳統(tǒng)GRDA存在的缺陷。

另外，為消除關(guān)聯(lián)系數(shù)ρ對傳統(tǒng)GRDA的影響，文獻(xiàn)［21］提出灰色相似關(guān)聯(lián)度 (grey similar relation degree，GSRD)的概念，計算待檢模式特征向量與標(biāo)準(zhǔn)模式特征向量的比值及比值的平均值，使用該兩值計算關(guān)聯(lián)度，使得關(guān)聯(lián)度計算過程只與標(biāo)準(zhǔn)模式特征向量和待檢模式特征向量相關(guān)。另外，由于GRDA計算過程沒有涉及未知參數(shù)，因此，計算得到的關(guān)聯(lián)度是一個絕對值，而不是相對值。

1.6 模糊理論診斷技術(shù)

相對于RBR診斷技術(shù)的診斷效率和結(jié)果受限于故障特征和相應(yīng)故障之間的明確關(guān)系，模糊理論 (fuzzy theory，F(xiàn)T)診斷技術(shù)引入隸屬度和隸屬函數(shù)的概念，將待檢數(shù)據(jù)模糊化為X，利用模糊診斷矩陣R實現(xiàn)故障非線性識別Y=X°R(Y為模糊故障矢量，X為模糊征兆矢量)，并根據(jù)一定診斷原則得出診斷結(jié)果。

作為一種非線性映射診斷模型，F(xiàn)T診斷技術(shù)在診斷過程中不需人工干預(yù)，可自動運(yùn)行，適合于有快速實時診斷要求的場合，在故障診斷領(lǐng)域得到廣泛應(yīng)用［22-24］。其中，文獻(xiàn)［22］將FT診斷方法應(yīng)用到軸承和發(fā)動機(jī)中。運(yùn)用FCM分析方法在特征級建立故障特征與相應(yīng)故障關(guān)系映射，并分別使用Choquet和Sugeno模糊積分產(chǎn)生最初和最終診斷結(jié)果，為機(jī)械故障提供了有效地解決方法。

單純使用FT故障診斷技術(shù)進(jìn)行診斷雖在一定程度上可對故障進(jìn)行非線性識別，但診斷結(jié)果準(zhǔn)確性很難達(dá)到要求。此外，F(xiàn)T診斷技術(shù)存在如模糊診斷矩陣難以確定、利用信息單一、學(xué)習(xí)能力差、易發(fā)生漏判或誤判等問題。

實際診斷中，將FT診斷技術(shù)與其他診斷技術(shù)結(jié)合，可有效改善上述問題。如，文獻(xiàn)［25］使用模糊神經(jīng)網(wǎng)絡(luò)對異步電機(jī)進(jìn)行故障診斷，將模糊神經(jīng)網(wǎng)絡(luò)分為高、中、低三層結(jié)構(gòu)，使系統(tǒng)性能得到有效改善。

1.7 粗糙集診斷技術(shù)

粗糙集理論 (rough set theory，RST)由波蘭學(xué)者Z.Paw.lak于1982年提出，作為一種處理模糊和不確定性的數(shù)學(xué)工具，在保持分類能力不變的前提下，RST對知識表達(dá)系統(tǒng)進(jìn)行知識約簡，刪除知識庫中不相關(guān)或不重要的冗余知識，導(dǎo)出問題的簡化決策或分類規(guī)則。

在故障診斷中應(yīng)用RST對減少計算復(fù)雜性、統(tǒng)計工作量，降低診斷成本、提高故障診斷效率具有實際意義。近年來，RST在故障診斷領(lǐng)域已獲得成功應(yīng)用。文獻(xiàn) ［26］使用RST診斷技術(shù)進(jìn)行電子鎮(zhèn)流器故障診斷。將從電子鎮(zhèn)流器生產(chǎn)流水線上采集的200維樣本空間縱向降到62維;橫向通過屬性約簡和值約簡，得到由三個條件屬性的交組成的核集，極大簡化了決策表，為故障診斷提供了有效的決策支持。

另外，由于RST強(qiáng)大的知識約簡能力，將RST作為數(shù)據(jù)預(yù)處理方法，與其他技術(shù)相結(jié)合進(jìn)行故障診斷已成為目前研究熱點。如，文獻(xiàn)［27］提出將神經(jīng)網(wǎng)絡(luò)與RST結(jié)合，對經(jīng)離散化的18組訓(xùn)練樣本 (每個訓(xùn)練樣本由8個條件屬性和1個決策屬性構(gòu)成)分別進(jìn)行橫向和縱向約簡，消除樣本中冗余信息，最終得到只包含10組數(shù)據(jù)的訓(xùn)練樣本 (每個訓(xùn)練樣本由4個條件屬性和1個決策屬性構(gòu)成)，縮短了訓(xùn)練時間。

2 分析、建議與展望

智能故障診斷技術(shù)按原理可分為基于符號推理的診斷技術(shù) (如RBR診斷技術(shù)、CBR診斷技術(shù))、基于數(shù)值推理的診斷技術(shù) (如NN診斷技術(shù)、GRDA診斷技術(shù)、FT診斷技術(shù))和基于系統(tǒng)集成的診斷技術(shù) (如FTA診斷技術(shù)和FST診斷技術(shù))?；诜柾评淼脑\斷技術(shù)以符號形式顯示地表示、存儲和處理知識，表示直觀、易理解，廣泛應(yīng)用于具有豐富經(jīng)驗知識或故障案例的診斷領(lǐng)域。但是基于符號推理的診斷技術(shù)知識獲取困難、推理速度慢，不太適于實時診斷要求較高的診斷領(lǐng)域?；跀?shù)值推理的診斷技術(shù)以數(shù)值矩陣形式表示和存儲知識，計算過程等價于推理過程，不需人為干預(yù)，推理速度快，適于有實時性要求的診斷領(lǐng)域。但是基于數(shù)值推理的診斷技術(shù)隱式地表示和存儲知識，不易解釋。從目前診斷技術(shù)應(yīng)用角度看，基于系統(tǒng)集成的診斷技術(shù)已不再作為獨(dú)立的診斷技術(shù)來使用，而是利用其強(qiáng)大的知識獲取或預(yù)處理能力輔助其他診斷技術(shù)。

由以上分析可以看出，各種智能故障診斷技術(shù)各有優(yōu)劣，不能單一地從某一方面評價診斷技術(shù)的好壞，應(yīng)從技術(shù)應(yīng)用的領(lǐng)域、診斷效率和診斷結(jié)果等方面進(jìn)行綜合評價。

另外，以上各智能故障診斷技術(shù)只提供了解決問題的通用框架，針對各診斷領(lǐng)域不易尋求統(tǒng)一方法。因此，提出以下建議:第一，在實際診斷中，應(yīng)針對特定領(lǐng)域特點，根據(jù)其對診斷效率和診斷結(jié)果的要求，發(fā)展與其相應(yīng)的故障診斷技術(shù)，如對實時診斷要求較高的診斷領(lǐng)域 (發(fā)動機(jī)故障診斷、電力系統(tǒng)故障診斷等)，建議使用基于數(shù)值計算的診斷技術(shù);第二，綜合各種診斷技術(shù)，充分發(fā)揮各診斷技術(shù)優(yōu)勢，彌補(bǔ)單一診斷技術(shù)的不足。通過對故障診斷相關(guān)資料的整理，本文給出了各診斷技術(shù)的應(yīng)用參考列表，如表4所示。

表4 診斷技術(shù)應(yīng)用參考表

隨著智能故障診斷技術(shù)在工業(yè)設(shè)備故障診斷領(lǐng)域應(yīng)用的不斷擴(kuò)大，人們對智能故障診斷技術(shù)診斷效率和診斷結(jié)果提出了更高要求。目前，智能故障診斷技術(shù)的研究主要有:

(1)在當(dāng)前技術(shù)基礎(chǔ)上，進(jìn)一步研究不同智能故障診斷技術(shù)滲透融合方式，形成綜合性能更好的融合智能故障診斷技術(shù)。

(2)將新的理論和技術(shù)引入到智能故障診斷領(lǐng)域，形成性能更好的智能故障診斷新技術(shù)。

3 結(jié)束語

智能故障診斷技術(shù)是故障診斷專家系統(tǒng)的核心，本文著重從原理、應(yīng)用、優(yōu)缺點以及方法改進(jìn)等方面總結(jié)了近幾年發(fā)展較快且應(yīng)用較多的智能故障診斷技術(shù);對各種智能故障診斷技術(shù)進(jìn)行了分析和展望，同時給出了診斷技術(shù)的選擇建議。復(fù)雜系統(tǒng)的故障診斷涉及多學(xué)科領(lǐng)域，許多問題有待進(jìn)一步研究和探索，緊隨相關(guān)技術(shù)發(fā)展，在生產(chǎn)實際現(xiàn)場中逐步提高故障診斷的智能水平，成為智能故障診斷領(lǐng)域?qū)＜液蛯W(xué)者的共同任務(wù)。

［1］LI Yunsong，REN Yanjun.Development review of intelligent diagnosis technique ［J］.Journal of Sichuan Ordnance，2010，39(4):122-125(in Chinese).［李云松，任艷君.智能診斷技術(shù)發(fā)展綜述 ［J］.四川兵工學(xué)報，2010，39(4):122-125.］

［2］JIN Xin，REN Xinbin，ZHOU Liang.Overview on intelligent technology of fault diagnosis［J］.Theory and Methods，2009，28(7):30-32(in Chinese).［金鑫，任獻(xiàn)彬，周亮.智能故障診斷技術(shù)研究綜述 ［J］.理論與方法，2009，28(7):30-32.］

［3］ZHANG Chunhua，LIUWei.Fault diagnosis expert systembased on fault tree ［J］.Ordnance Industry Automation，2009，28(11):15-23(in Chinese).［張春華，劉偉.基于故障樹的故障診斷專家系統(tǒng) ［J］.兵工自動化，2009，28(11):15-23.］

［4］BIAN Mengmeng，SHI Jian，WANG Shaoping.FTA-based fault diagnosse expert system for hydraulic equiment［C］//Beijing:Fluid Power and Mechatronics(FPM)，2011:959-963.

［5］LIU Jian，CHEN Yichao，JIANG Hong.Universal fault and diagnosis method of expert KB on regulation［J］.Computer＆ Digital Engineering，2010，38(6):72-76(in Chinese).［劉劍，陳一超，江虹.基于規(guī)則的通用專家知識庫故障診斷方法［J］.計算機(jī)與數(shù)字工程，2010，38(6):72-76.］

［6］ZHANG Bingling，XU Yingzi，PAN Quanwen.Research and development trend of intelligent fault diagnosis techniques［J］.Aircraft Design，2007，27(5):55-59(in Chinese).［張冰凌，許英姿，潘全文.智能故障診斷方法的研究和展望［J］.飛機(jī)設(shè)計，2007，27(5):55-59.］

［7］LI Xi，CAI Guoqiang， ZHU Xiaoning， et al.A novel fault diagnosis expert system knowledge acquisiton method of metro vehicle equipments［C］//Singapore:Computer and Automation Engineering，2010:535-539.

［8］XUE Jingyan，SUN Laijun，LIU Mingliang，et al.Implement fault diagnosis high speed reasoning expert system with FPGA［C］//Changchun:International Conference on Mechatronics and Automation，2009:752-756.

［9］LAI Yushu，LI Xunbo，XIONG Yan，et al.Intelligent instrument fault diagnosis expert system based on fuzzy group decision-making［J］.Chinese Journal of Scientific Instrument，2008，29(1):206-211(in Chinese).［賴于樹，李迅波，熊燕，等.基于模糊群決策的智能儀器故障診斷專家系統(tǒng) ［J］.儀器儀表學(xué)報，2008，29(1):206-211.］

［10］CHEN Youdong，HAN Meihua，YE Jinjun.Knowledge representation for CNC equipment fault diagnosis system based on CBR［J］.Journal of Beijing University of Aeronautics and Astronautics，2011，37(12):1557-1561(in Chinese).［陳友東，韓美華，葉進(jìn)軍.基于CBR的數(shù)控設(shè)備故障診斷系統(tǒng)知識表示［J］.北京航空航天大學(xué)學(xué)報，2011，37(12):1557-1561.］

［11］CHEN Junjie，DUAN Jiangli，GAO Baolu，et al.The application of CBR and grey correlation in fault diagnosis system ［C］//Taiyuan:Computer Application and System Modeling，2010:718-721.

［12］YAN Peng，ZHUANG Like.A case-based reasoning with feature weights derived by BPnetwork［C］//Zhangjiajie:Intelligent Information Technology Application，2008:26-29.

［13］WANG Fang.Fault diagnosis for power system based on neural networks［C］//Beijing:Software Engineering and Service Science，2011:352-355.

［14］SUN Yanjing，ZHANG Shen，MIAO Changxin，et al.Improved BP nerual network for transformer fault diagnosis［J］.Journal of China University of Mining＆ Technology，2007，17(1):138-142.

［15］Saravanan N，Ramachandran K I.Incipient gear box fault diagnosis using discrete wavelet transform(DWT)for feature extraction and classification using artificial neural network(ANN)［J］.Expert Systems with Application，2010，37(6):4168-4181.

［16］Manthan Shah，vijay Gaikwad，Shashikant Lokhande，et al.Fault indentification for I C Engines using artifical nerual network［C］//Coimbatore:Process Automation，Control and Computing，2011:1-6.

［17］Kamal Hadad，Meisam Pourahmadi，Hosein M.Fault diagnosis and classification based on wavelet transform and neural network［J］.Progress in Nuclear Energy，2011，53(1):41-47.

［18］JIANG Lingping.Gas path fault diagnosis system of aero-engine based on grey relationship degree ［J］.Procedia Engin-eering，2011(15):4774-4779.

［19］LINYonghuang，LEE Pinchan，CHANGTapeng.Practical expert diagnosis model based on the grey relational analysis technique［J］.Expert Systems with Applications，2009，36(2):1523-1528.

［20］DONG Yabin，ZHANG Xiaolong.Mechanical fault diagnosis based on modified grey relationship degree analysis［J］.Coal Mine Machinery，2009，30(2):218-220(in Chinese).［東亞斌，張小龍.基于改進(jìn)灰色關(guān)聯(lián)度分析的機(jī)械故障診斷［J］.礦山機(jī)械，2009，30(2):218-220.］

［21］XIONG Wei，SU Yanping，ZHOU Yanjie，et al.Intelligent fault diagnosis of rotating machinery based on grey similar relation degree［J］.American Journal of Engineering and Technology research，2011，11(12):2089-2092.

［22］LIU Xiaofeng，MA Lin，Joseph M.Machinery fault diagnosis based on fuzzy measure and fuzzy integral data fusion techniques［J］.Mechanical System and Signal Processing，2009，23(3):690-700.

［23］WANG Jiangping，HU Hongtao.Vibration-based fault diagnosis of pump using fuzzy technique［J］.Measurement，2006，39(2):176-185.

［24］Masahiro Tsunoyama，Hirokazu Jimno，Masayuki Ogawa，et al.An application of fuzzy measure and integral for diagnosing fault in rotating machines［J］.Tools＆ appli with Artificial Intel，2009:121-133.

［25］ZHANG Yun，XU Nan，JI Quanxi.Study on the applica-tion of the hierarchical fuzzy neural network in the fault diagnosis of the asynchronous motor［C］//Yantai:Natural Computation，2010:651-654.

［26］GAO Xiaokang，LI Cuiling，SHI Yuchen，et al.A method of fault diagnosis of electronic ballast based on rough set theory ［J］.Low Voltage Apparatus，2007(24):34-38(in Chinese).［高曉康，李翠玲，施雨辰，等.基于粗糙集理論的電子鎮(zhèn)流器故障診斷方法 ［J］.低壓電器，2007(24):34-38.］

［27］LI Aimin，SHI Huifeng.Study on mechanical fault diagnosis based on rough set theory and neural network ［J］.Journal of Kunming University of Science and Technology(Natural Science Edition)，2011，36(1):35-39(in Chinese).［李愛民，施惠豐.基于粗糙集和神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷研究［J］.昆明理工大學(xué)學(xué)報 (自然科學(xué)版)，2011，36(1):35-39.］