复杂设备故障诊断技术对确保设备的可靠、高效率运行具有重要意义。而基于知识的推理式诊断在故障诊断领域有广泛的应用,目前使用最广泛的是基于故障树的产生式规则推理。但是,复杂设备往往具有复杂的功能关系,设备部件、元器件之间具有错综复杂的故障嵌套,很难有效地创建基于元器件层次分解的诊断树。因此本文提出使用事例推理(Case-based Reasoning)与规则推理(Rule-based Reasoning)相结合的按故障类别分层级的混和诊断推理(Hybrid Reasoning)策略。在基于规则的推理时,为了消解匹配冲突,普遍采用的方法是基于前提的加权排序匹配法,此方法的缺点是对推理过程中的不确定性考虑不足,没有有效处理现实中存在的诸多不确定性因素的综合影响。本文引入规则优先权因子(Priority Factor),从而按照各个规则的优先权决定搜索匹配的顺序。而优先权因子的确定方法,是提高搜索效率及诊断结果可信度的关键。由于前提和规则的不确定性因素,所以推理诊断过程实际上是一个不确定的推理过程。很多时候对故障现象及诊断过程的表述是不精确的,会用到诸如“故障概率高”、“匹配时间长”这样的模糊量或语言,这也是不确定性的一种表现。本文针对复杂仪器设备故障诊断的推理策略,围绕规则优先权排序的确定及推理过程的不确定性进行了方法理论上的研究,研究成果主要体现在如下几个方面:1.对复杂设备的故障诊断理论进行了深入研究,提出了基于故障类别的分层级混合推理诊断及不确定性推理策略。这样的推理策略基于能够提供的故障特征信息,以及所有故障之间的关系,而不用考虑设备元器件之间的位置关系与功能关系,因而尤其适合复杂设备的故障诊断。其基本思想是,根据所能提供的故障特征、故障类别,以及它们之间的关系,把诊断推理流程分成多个层级,每一个层级都包含多个故障类别。不同层级的每个故障类别都具有一组诊断规则,而每组规则按照检索优先权排序来决定检索的顺序,并且每次推理的结论可信度由不确定性传递算法计算得到。2.研究了基于事例推理和规则推理的混合推理模型,分析了不确定性推理的相关理论,提出了复杂设备故障诊断混合推理的具体实现方法。把不确定性问题由证据与规则的不确定性扩展到规则优先权的不确定性,使得决策与推理的过程更加满足复杂设备故障诊断的特征。研究了采用模糊集(Fuzyy Sets)来刻画规则及推理过程中的模糊量或语言的方法。领域专家为每一个规则给出的主观评价都是像“可信度高”、“发生概率低”这样的模糊量或术语,为了更好地量化、处理这样的情况,采用了模糊数(Fuzzy Number)的运算法则和处理方法。3.针对优先权因子的确定,引入了模糊多属性群决策决方法。简单的规则优先权确定方法是直接由规则可信度决定其优先权,但显然规则可信度并不是决定优先权的唯一因素。为了获得更好的诊断效率,像规则前提可信度、前提权重,甚至规则本身的权重等都应该被考虑。因此,提出采用规则可信度、前提可信度、前提权重等相结合决定规则优先权排序的思路。并且考虑到不同诊断专家的主观因素,研究了采用模糊多属性群决策(Fuzzy Multi-attribute Group Decision Making,FMAGDM)确定各层中规则优先权排序的具体实现方法。4.基于本文提出的分层级不确定混合诊断推理策略,设计了一个仪器设备的故障诊断系统。对系统的功能结构、知识库模型以及诊断推理流程进行了研发与测试。通过实际的应用及相关测试分析,验证了诊断系统的可靠性及本文提出的故障诊断推理策略的有效性和高效性。