论文部分内容阅读
近三十年来人工智能（Artificial In-telligence，AI）获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕成果。作为人工智能一个重要分支的专家系统（Expert System，ES）是在20世纪60年代初期产生并发展起来的一门新兴的应用科学，而且正随着计算机技术的不断发展而日臻完善和成熟。[1]
随着现代工业及科学技术的迅速发展，生产设备日趋智能化、复杂化，专家系统也经历了三個发展阶段。第一阶段的专家系统主要依赖于领域专家的感官和专业经验，对诊断信息只作简单的数据处理；第二阶段的专家系统则是以信号处理为依托，应用传感器技术和远程控制技术实现远程技术支持的现代诊断技术；第三阶段则是随着计算机及人工智能的发展，以知识处理为核心，实现信号处理、建模处理与知识处理相融合的智能诊断技术。智能故障诊断技术的研究目前主要从两个方向展开：基于知识的智能故障诊断技术的研究和基于神经网络的智能故障诊断技术的研究。
1.专家系统的基本概念
1.1 专家系统的概述
ES是一个具有大量专门知识与经验的程序系统，它应用人工智能技术，根据一个或多个人类专家提供的特殊领域知识、经验进行推理和判断、模拟人类专家做决策的过程来解决那些需要专家决定的复杂问题。[2]
自从1968年Feighbaun教授开发出首个专家系统DENDRAL，用来解决化学质谱问题以来，专家系统因其能产生巨大的经济效益而得到了各行业的广泛应用。迄今为止，已经形成了十余类，主要包括诊断型、设计型、规划型、解释型、预测型、监视型、调试型、教学型、修正型、控制型。本文所要应用的专家系统是诊断型的专家系统。
诊断专家系统作为专家系统中的一个分支，其研究也得到了各国的高度重视，并相继在各行业中开发出了一些诊断专家系统，如1982年EGG公司于开发的REACTOR系统（用于核反应堆故障诊断与处理），1983年Bell实验室于开发的ACE系统（用于电话电缆故障诊断与维护），在我国，中电某所研制的基于某型装备的故障诊断专家系统等等。
1.2 专家系统的特征
1）知识丰富。积累了相当数量专家的知识；
2）启发性。专家系统能运用专家知识进行判断、推理和决策；
3）复杂度高。知识库中的知识虽然涉及的面比较窄，但是它具有较高的复杂度与难度；
4）具有获取知识的能力；
5）透明性。具有解释功能，并能回答用户提出的问题，提高用户与系统之间的透明度；
6）灵活性。知识与推理机构彼此既有联系，又相互独立，使专家系统具有良好的可维护性和可扩展性。
1.3 专家系统的组成
ES的一般结构有六个部分：知识库（Kn owledge Base）、数据库（Data Base）、推理机（Inference Engine）、解释子系统（Explanatory System）、人机接口（Man-machine Interface）和知识获取子系统（Knowledge Acquisition），如图3.1为专家系统的基本结构。
1）知识库：专家系统存储知识的地方。主要用于收集和存储某领域专家的经验、知识及书本知识、常识等，包括可行操作、事实和规则等；
2）综合数据库：综合数据库又称总数据库或全局数据库，主要用于存放有关问题求解的假设、初始数据、目标、求解状态、中间结果以及最终结果；
3）推理机：推理机是专家系统的核心部分，实际是一组计算机程序，用于模拟专家的思维过程，控制、协调整个专家系统的工作。它根据用户所提供的初始数据和问题求解要求，运用知识库中的事实和规则，按照一定的推理方法和控制策略对问题进行推理求解，并将产生的结果输出给用户；
4）知识获取子系统：在建造和维护知识库时充当专家系统和领域专家、知识工程师的接口；
5）解释子系统：解释机构由一组计算机程序组成，它对推理给出必要的解释，并根据用户问题的要求做出相应的回应，最后把结果通过人机接口输出给用户，以增强用户对系统推理的理解和信任；
6）人机接口：用户、专家系统和领域专家知识工程师之间沟通的媒介，它把三者交互的信息转换成彼此都能够理解的形式，由一组程序及相应的硬件组成，用于完成I/O工作。
2.专家系统研究现状及发展趋势
2.1 研究现状
ES是AI的一个重要分支，也称为基于知识的系统，它产生于二十世纪中期，经过多年的科学研究，理论水平日益成熟，其应用也得到了飞速发展。至今，世界各国已经在地质勘查、医疗诊断、化学工程、图像处理、语言识别、信号处理、军事、农业、交通等领域研制出了大量的实用专家系统，其中不少系统在性能上已经超过了同领域人类专家的水平，取得了很大的经济效益。
ES的研制促进了人工智能技术的发展，开辟了计算机求解非数值问题的有效途径，世界各国对使专家系统的研究投入也越来越多，美、日、英等国纷纷将其列为国家重点科研项目，日本把专家系统定为第五代计算机研究的核心内容，英国已经将专家系统列入国家四大重点项目之一。迄今为止，专家系统的主要成果有MYCIN、PUFF、OPS5、AGE、KEE、CASNET、GESDE、KBMS、DART/DASD等。
近年来应用最广、研究最多的是诊断类专家系统，其发展大致经历了两个阶段：第一阶段是基于浅知识的故障诊断专家系统，第二阶段是基于深知识的故障诊断专家系统。
2.2 发展方向
数十年来对ES的研究和实践表明，现有的ES的确在很多方面具备AI所拥有的能力，并且在装备故障诊断和地质勘探领域中取得了相当程度的成功应用，但是也存在较多明显的局限性，主要表现在以下四个方面。[4] 一是知识获取的瓶颈有限。一方面很难将专家的知识经验用准确的规则描述；另一方面获取知识的工作量却非常大。
二是自适应能力差。多数专家系统都局限在以某专业领域的知识经验为基础对用户问题进行求解，对那些系统知识经验未涉及到的问题，就无法求解，甚至输出错误的结论。
三是自学习能力差。不能从求解过的问题中自动学习新的知识，不能从求解问题成败中积累经验，不能自动修正原有知识库中的知识和经验，从而阻碍了系统的自我提高和自我完善。
四是实时性差。对于复杂的问题对象，搜索范围大，速度慢，难以满足快速实时输出结论的应用需要。
针对上述存在的四个問题，研究人员正积极寻求解决问题之道，并逐步形成了以下五个专家系统的发展方向。
一是由基于规则的专家系统到基于模型的专家系统；
二是由领域专家工程师提供知识到机器学习和专家知识相结合的专家系统；
三是由非实时诊断系统到实时诊断系统；
四是由单机诊断系统到基于物联网的分布式全系统诊断专家系统；
五是由单一推理控制策略专家系统到混合推理、不确定性推理控制策略专家系统。
总之，专家系统的发展除了在知识获取与知识表示等部分功能更加完善以外，在机器学习、推理机制和实时控制等各方面都将会有较大的进展和突破。随着智能技术和计算机技术的发展，人们对设备以及设备诊断技术的自动化程度要求越来越高，专家系统无疑将会成为世界各国最具竞争力的研究课题和发展方向，因此，专家系统的研究和应用前景相当乐观。
3.结论
专家系统是一类具有专门知识经验的计算机程序系统，通过对领域专家工程师的问题求解能力的建模，采用人工智能中的知识获取和知识表示技术来模拟通常由领域专家才能解决的复杂问题，达到领域内同等专家求解问题的水平。
随着故障诊断专家系统的应用日益广泛，应用专家系统解决问题的复杂度和难度也相应的不断增大，传统专家系统已经逐步被一些新型的专家系统取代，如基于混合模型的专家系统、机器学习和专家知识相结合的专家系统、实时诊断专家系统、分布式全系统诊断专家系统、混合推理、不确定性推理控制策略专家系统等。
参考文献
[1]杨兴,朱大奇,桑庆兵.专家系统研究现状与展望[J].计算机应用研究,2007,24(5)4-9.
[2]郭伟伟.基于故障树技术的远程故障诊断专家系统的研究[D].西安:西北工业大学,2007.
[3]梅杰.基于人工神经网络的旋转机械故障诊断专家系统[D].武汉:武汉理工大学,2011.
[4]邹光宇.专家系统发展现状及其应用前景[J].电力勘测,1994(3):21-26.
随着现代工业及科学技术的迅速发展，生产设备日趋智能化、复杂化，专家系统也经历了三個发展阶段。第一阶段的专家系统主要依赖于领域专家的感官和专业经验，对诊断信息只作简单的数据处理；第二阶段的专家系统则是以信号处理为依托，应用传感器技术和远程控制技术实现远程技术支持的现代诊断技术；第三阶段则是随着计算机及人工智能的发展，以知识处理为核心，实现信号处理、建模处理与知识处理相融合的智能诊断技术。智能故障诊断技术的研究目前主要从两个方向展开：基于知识的智能故障诊断技术的研究和基于神经网络的智能故障诊断技术的研究。
1.专家系统的基本概念
1.1 专家系统的概述
ES是一个具有大量专门知识与经验的程序系统，它应用人工智能技术，根据一个或多个人类专家提供的特殊领域知识、经验进行推理和判断、模拟人类专家做决策的过程来解决那些需要专家决定的复杂问题。[2]
自从1968年Feighbaun教授开发出首个专家系统DENDRAL，用来解决化学质谱问题以来，专家系统因其能产生巨大的经济效益而得到了各行业的广泛应用。迄今为止，已经形成了十余类，主要包括诊断型、设计型、规划型、解释型、预测型、监视型、调试型、教学型、修正型、控制型。本文所要应用的专家系统是诊断型的专家系统。
诊断专家系统作为专家系统中的一个分支，其研究也得到了各国的高度重视，并相继在各行业中开发出了一些诊断专家系统，如1982年EGG公司于开发的REACTOR系统（用于核反应堆故障诊断与处理），1983年Bell实验室于开发的ACE系统（用于电话电缆故障诊断与维护），在我国，中电某所研制的基于某型装备的故障诊断专家系统等等。
1.2 专家系统的特征
1）知识丰富。积累了相当数量专家的知识；
2）启发性。专家系统能运用专家知识进行判断、推理和决策；
3）复杂度高。知识库中的知识虽然涉及的面比较窄，但是它具有较高的复杂度与难度；
4）具有获取知识的能力；
5）透明性。具有解释功能，并能回答用户提出的问题，提高用户与系统之间的透明度；
6）灵活性。知识与推理机构彼此既有联系，又相互独立，使专家系统具有良好的可维护性和可扩展性。
1.3 专家系统的组成
ES的一般结构有六个部分：知识库（Kn owledge Base）、数据库（Data Base）、推理机（Inference Engine）、解释子系统（Explanatory System）、人机接口（Man-machine Interface）和知识获取子系统（Knowledge Acquisition），如图3.1为专家系统的基本结构。
1）知识库：专家系统存储知识的地方。主要用于收集和存储某领域专家的经验、知识及书本知识、常识等，包括可行操作、事实和规则等；
2）综合数据库：综合数据库又称总数据库或全局数据库，主要用于存放有关问题求解的假设、初始数据、目标、求解状态、中间结果以及最终结果；
3）推理机：推理机是专家系统的核心部分，实际是一组计算机程序，用于模拟专家的思维过程，控制、协调整个专家系统的工作。它根据用户所提供的初始数据和问题求解要求，运用知识库中的事实和规则，按照一定的推理方法和控制策略对问题进行推理求解，并将产生的结果输出给用户；
4）知识获取子系统：在建造和维护知识库时充当专家系统和领域专家、知识工程师的接口；
5）解释子系统：解释机构由一组计算机程序组成，它对推理给出必要的解释，并根据用户问题的要求做出相应的回应，最后把结果通过人机接口输出给用户，以增强用户对系统推理的理解和信任；
6）人机接口：用户、专家系统和领域专家知识工程师之间沟通的媒介，它把三者交互的信息转换成彼此都能够理解的形式，由一组程序及相应的硬件组成，用于完成I/O工作。
2.专家系统研究现状及发展趋势
2.1 研究现状
ES是AI的一个重要分支，也称为基于知识的系统，它产生于二十世纪中期，经过多年的科学研究，理论水平日益成熟，其应用也得到了飞速发展。至今，世界各国已经在地质勘查、医疗诊断、化学工程、图像处理、语言识别、信号处理、军事、农业、交通等领域研制出了大量的实用专家系统，其中不少系统在性能上已经超过了同领域人类专家的水平，取得了很大的经济效益。
ES的研制促进了人工智能技术的发展，开辟了计算机求解非数值问题的有效途径，世界各国对使专家系统的研究投入也越来越多，美、日、英等国纷纷将其列为国家重点科研项目，日本把专家系统定为第五代计算机研究的核心内容，英国已经将专家系统列入国家四大重点项目之一。迄今为止，专家系统的主要成果有MYCIN、PUFF、OPS5、AGE、KEE、CASNET、GESDE、KBMS、DART/DASD等。
近年来应用最广、研究最多的是诊断类专家系统，其发展大致经历了两个阶段：第一阶段是基于浅知识的故障诊断专家系统，第二阶段是基于深知识的故障诊断专家系统。
2.2 发展方向
数十年来对ES的研究和实践表明，现有的ES的确在很多方面具备AI所拥有的能力，并且在装备故障诊断和地质勘探领域中取得了相当程度的成功应用，但是也存在较多明显的局限性，主要表现在以下四个方面。[4] 一是知识获取的瓶颈有限。一方面很难将专家的知识经验用准确的规则描述；另一方面获取知识的工作量却非常大。
二是自适应能力差。多数专家系统都局限在以某专业领域的知识经验为基础对用户问题进行求解，对那些系统知识经验未涉及到的问题，就无法求解，甚至输出错误的结论。
三是自学习能力差。不能从求解过的问题中自动学习新的知识，不能从求解问题成败中积累经验，不能自动修正原有知识库中的知识和经验，从而阻碍了系统的自我提高和自我完善。
四是实时性差。对于复杂的问题对象，搜索范围大，速度慢，难以满足快速实时输出结论的应用需要。
针对上述存在的四个問题，研究人员正积极寻求解决问题之道，并逐步形成了以下五个专家系统的发展方向。
一是由基于规则的专家系统到基于模型的专家系统；
二是由领域专家工程师提供知识到机器学习和专家知识相结合的专家系统；
三是由非实时诊断系统到实时诊断系统；
四是由单机诊断系统到基于物联网的分布式全系统诊断专家系统；
五是由单一推理控制策略专家系统到混合推理、不确定性推理控制策略专家系统。
总之，专家系统的发展除了在知识获取与知识表示等部分功能更加完善以外，在机器学习、推理机制和实时控制等各方面都将会有较大的进展和突破。随着智能技术和计算机技术的发展，人们对设备以及设备诊断技术的自动化程度要求越来越高，专家系统无疑将会成为世界各国最具竞争力的研究课题和发展方向，因此，专家系统的研究和应用前景相当乐观。
3.结论
专家系统是一类具有专门知识经验的计算机程序系统，通过对领域专家工程师的问题求解能力的建模，采用人工智能中的知识获取和知识表示技术来模拟通常由领域专家才能解决的复杂问题，达到领域内同等专家求解问题的水平。
随着故障诊断专家系统的应用日益广泛，应用专家系统解决问题的复杂度和难度也相应的不断增大，传统专家系统已经逐步被一些新型的专家系统取代，如基于混合模型的专家系统、机器学习和专家知识相结合的专家系统、实时诊断专家系统、分布式全系统诊断专家系统、混合推理、不确定性推理控制策略专家系统等。
参考文献
[1]杨兴,朱大奇,桑庆兵.专家系统研究现状与展望[J].计算机应用研究,2007,24(5)4-9.
[2]郭伟伟.基于故障树技术的远程故障诊断专家系统的研究[D].西安:西北工业大学,2007.
[3]梅杰.基于人工神经网络的旋转机械故障诊断专家系统[D].武汉:武汉理工大学,2011.
[4]邹光宇.专家系统发展现状及其应用前景[J].电力勘测,1994(3):21-26.