一、专家系统基本原理

一般认为，专家系统是一个或一组能在某些特定领域内，应用大量的专家知识和推理方法求解复杂问题的一种人工智能计算机程序。一般专家系统如图6—2所示。

它主要包括两图6-2专家系统的基本结构大部分，即知识库和推理机。其中知识库中存放着求解问题所需的知识，推理机负责使用知识库中的知识去解决实际问题。知识库的建造需要知识工程师和领域专家相互合作把领域专家头脑中的知识整理出来，并用系统的知识方法存放在知识库中。当解决问题时，用户为系统提供一些已知数据，并可从系统处获得专家水平的结论。

图 6-2 专家系统的基本结构

由此可见，专家系统具有相当数量的权威性知识，能够采取一定的策略，运用专家知识进行推理，解决人们在通常条件下难以解决的问题。它克服了专家缺少，其知识昂贵，难于永久保存以及专家在解决问题时易受心理、环境等因素影响而使临场发挥不好等缺点。因此，专家系统自从问世以来，发展非常迅速，目前专家系统已经成为人工智能应用最活跃和最成功的领域。经过20多年的努力，其应用范畴已遍及各个领域，如疾病诊断、探矿、设计、制造、自动控制、生产过程监视，取得了极大的经济效益，并获得了许多新的进展。

二、 数控机床故障诊断专家系统

从数控机床故障诊断的内容看，故障诊断专家系统具体可以用于以下三个方面：

(1) 故障监测。

(2) 故障分析。

(3) 决策处理。

一个完整的故障诊断专家系统应是图6—3所示结构。该图中各功能模块的作用如下：

(1) 数据库。用于存放监测系统状态的、便于测量的也是必要的测量数据；用于实时监测系统工作正常与否。对于离线分析，数据库可根据推理需要，人为输入。

(2) 知识库。可以定义为便于使用和管理的形式组织起来的用于问题求解的知识的集合。通常知识库具有两方面的知识内容：一方面是针对具体的系统而言，包括系统的结构，系统经常出现故障现象，每个故障现象都是由哪些原因引起的，各种原因引起该故障现象可能性大小的经验数据，判断每一故障是否发生的一些充分及必要条件等；另一方面是针对系统中一般的设备仪器故障诊断的专家经验，内容与前面相仿。基于这两方面内容，知识库还包含有系统规则，这些规则大多是关于具体系统或通用设备有关因果关系的逻辑法则。所以真实反映对象系统的知识库的建立是专家系统进行快速有效的故障诊断的前提。知识库是专家系统的核心内容，知识库内容，如故障现象对应关系规则的建立，有些在理论上是严格的，有些则取决于该领域专家的经验。

图 6-3 故障诊断专家系统的基本结构

(3) 知识库的管理。建立和维护知识库，并能根据运行的中间结果及知识获取程序结果及时修改和增删知识库，对知识库进行一致性检验。

(4) 人机接口系统。可将系统运行过程中系统出现故障后观察到的现象或系统进行调整

或变化后的信息输入到知识库获取模块，或将新的经验输入，以实时调整知识库。还可通过人机接口启动解释系统工作。

(5) 推理机制。在数据库和知识库的基础上，综合运用各种规则，进行一系列推理来尽快寻找故障源。

(6) 解释系统。可以解释各种诊断结果的推理实现过程，并能解释索取各种信息的必要性等。解释系统是专家系统区别于系统方法的显著特征，它能把程序设计者的思想及专家的推理思想显示给用户。

(7) 控制部分。使用各部分功能块协调工作，在时序上进行安排和控制。

对于在线实时诊断系统，数据库的内容是实时检测到的目前系统的工作数据。对于离线诊断，则数据库的内容可以是保存的故障发生时检测到的数据，也可以是人为检测的一些特征数据。人机接口系统可为知识库提供系统实时运行时，或发生故障时观察到的一些事实现象。专家系统诊断程序在知识库和数据库的基础上，通过推理机制，综合利用各种规则，必要时还可调用各种应用程序，并在运行时向用户索取必要的信息，可尽快地直接找到最后故障，或最有可能的故障，再由人确定最后故障。

三、 人工神经元网络及其在数控机床故障诊断中的应用

1、人工神经元网络原理

人工神经元网络或简称神经网络，是人们在对人脑思维研究的基础上，用数学方法将其简化、抽象并模拟，能反映人脑基本功能特性的一种并行分布处理连接网络模型。神经元网络处理信息的思想方法同传统的冯·诺曼计算机所用的思维方法是完全不同的。它的存储方式不同。一个信息不是放在一个地方，而是分布在不同的位置。网络的某一地方也不只存储一个信息，它的信息是分布存储的。这种存储方式决定了神经元网络进行信息处理的方法不同于冯·诺曼计算机完全根据逻辑规则运算的处理方法。神经元网络中的每一个神经元都是一个信息处理单元，它可根据接收到的信息独立运算，然后把结果传输出去，这是一个并行处理。神经元作运算的规则通常是根据物理学、神经生物学、心理学的定理或规则。

神经元网络的这种信息存储和处理方式还有这样的优点，即网络能通过不完整的或模糊的信息，便能够联想起一个完整、清晰的图像来。这样，即使网络某一部分受到破坏，仍能恢复原来信息。也就是说网络具有联想记忆功能。

神经元之间的连接强度通常称为权，这种权可以事先定出，也可以不断地改变。它可以为适应周围环境而不断变化，这种过程称为神经元的学习过程。这种学习可以是有教师的学习，也可以是无教师的学习。神经元网络的这种自学习方法与传统的以符号处理为基础的人工智能的、要求人告诉机器每步行动的方法是完全不同的。

设计一个人工神经元网络，只要给出神经元网络的拓补结构，即神经元之间的连接方式及网络的神经元个数，神经元的权值可以给定或者给出学习规则由神经元网络自己确定，再给出神经元的运算规则。这样便建成一个神经网络，它可以用来进行信息处理。

用神经元网络建立专家系统，不须要组织大量的产生式规则，机器可以自组织、自学习。这对用传统的方法建立专家系统最感困难的知识获取问题，是一种新的有效解决途径。

下面对人工神经元网络的结构及其工作原理作一简单介绍。

神经元是人工神经元网络的基本处理单元，它一般是一个多输入/单输出非线性器件。其结构模型如图6—4所示，图中 为输入矢量，y为输出； 表示输入到输出的连接权值，θ为阈值；s为外部输入。一般输入与输出之间的关系可表示为

式中

为一激发函数，它通常取下列三种形式：

（1） 阈值型。即f为一阶跃函数，如图6—5(a)所示。其表达式为：

这也是最早提出的二值离散型神经元模型。

图6-4 神经元结构模型

(2) 分段线性型。如图6—5(b)所示。

图6-5 f(a)的类型

(3) S状。这种激发函数一般取连续值，常用对数或正切等S状曲线。如最常用的

也叫Sigmoid函数，这类曲线反映了神经元的饱和特性，如图6—5(c)所示。

一个神经网络是由多个神经元相互连接而成的，它们的连接有以下4种形式(图6—6)：

图6-6 神经网络的连接形式

(1) 不含反馈的前向网络。如图6—6(a)所示，神经元分层排列，由输入层、隐层(中间层)和输出层组成，每一层的神经元只接受前一层的输入，输入模式经过各层的顺序变换后，得到输出层的输出，其中隐层可以是多层。

(2) 有反馈的前行网络。如图6—6(b)所示，这种神经网络可以将输出层直接反馈到输入层。

(3) 层内相互结合的前向网络。如图6—6(c)，同一层内的神经元之间的相互制约，以实现同一层内的横向控制。

(4) 层内相互结合型网络。如图6—6(d)所示，这种网络是在任意两神经元之间都可以互连。输入信号经过这种网络时，要经过多次往返传递，网络经过若干次变化才能达到某种平衡状态。

神经网络的工作过程是这样的，给N组训练样本{ }，其中 , ，k=1,2,…,N，并给初始权值W，网络按照

从输入经隐层到输出逐层计算，最后计算出网络的输出 ，然后网络再按照一定的算法修正权系数W，使实际输出Y与期望输出Y之间的误差满足要求的值。给网络足够的训练样本，经过训练后，神经网络就建立起来了。以后再给网络新的输入，网络就会求出输出结果。我们将网络修正权值W的过程叫做网络的学习，学习的目的是使网络的实际输出更接近期望输出。学习的算法也有多种，一般常用的有相关的规则(常用Hebb规则)、纠错规则(δ规则)和无教师学习三种学习规则。

神经网络中，各神经元的结构虽然相同，但是，激发函数 的不同，网络互连形式的不同以及学习规则的不同，都导致了神经网络在种类上有很大的差异，至今已有30余种神经网络模型。典型的有Hopfield模型(HNN)、MP模型、BP模型(反向传播算法)、AM模型(联想记忆)和ART模型(自适应共振理论)等。

2、神经元网络用于数控机床故障诊断

采用神经元网络进行数控机床故障诊断，其原理为：将数控机床的故障症状作为神经元网络的输入，将查得的故障原因作为神经元网络的输出，对神经元网络进行训练。神经元网络经过学习将得到的知识以分布的方式隐式地存储在各个网络上，其每个输出对应一个故障原因。当数控机床出现故障时，将故障现象或数控机床的症状输入到该故障诊断神经元网络中，神经元网络通过并行、分布计算，便可将诊断结果通过神经元网络的输出端输出。由于神经元网络具有联想、容错、记忆、自适应、自学习和处理复杂多模式故障的优点，因而非常适用于像数控机床故障诊断这样的事情，是数控机床故障诊断新的发展途径。

将神经元网络和专家系统结合起来，发挥两者各自的优点，更有助于数控机床的故障诊断工作的开展。