淺析模擬電路故障診斷中神經網絡與專家系統的應用

儲琳琳　郭純生　李艷琴

[摘要]介紹專家系統應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用現狀和存在的問題：提出神經網絡和專家系統的結合方式，利用專家系統和BP神經網絡的優點，克服它們的一些缺點。

[關鍵詞]模擬電路故障診斷專家系統神經網絡

中圖分類號：TN7文獻標識碼：A文章編號：1671-7597(2009)0610026-02

一、專家系統的思想與模擬電路的故障診斷

在模擬電路故障診斷領域中，由于人們在電子電路的維修方面已經積累了相當豐富的實際經驗，又由于電路設計和仿真軟件的發展，以及各種高精度、高集成度的測量儀器儀表的普及，使得工程師們能夠進一步的了解被測對象，盡可能多的獲取有關被測對象的知識，建立相應的數據庫。知識庫中知識的數量和質量直接關系到專家系統解決問題的能力。

此外，在電子電路的維修過程中采集的數據都有一定的模糊性，如果就以純數學模型的判據思想作為推理規則，總會發現故障現象和實際故障根本不是一一對應的，導致故障位置的模糊性，這就是為什么同樣會操作儀器儀表的兩個維修工人的維修水平會有不同的原因，也就是說維修過程不是簡單的測量幾個數據的過程，它需要結合豐富的維修經驗，所以我們非常有必要將少數幾個人的經驗固化到精力充沛的計算機中去，所以專家系統的思想解決模擬電路的故障診斷問題不僅是可能的，而且是非常重要的。

二、專家系統用于故障診斷的不足

雖然傳統的診斷專家系統在很多領域(如機械、醫療、計算機、航空等)中得到了廣泛的應用且取得了不少成果，并且顯示出了相當出色的工作能力，在某些方面達到甚至超過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處理系統在其開發研制過程中也碰到了不少問題，這些問題至少在目前是難以克服的。其主要表現在以下幾個主要問題：

1、知識獲取的“瓶頸”。知識的獲取一直是專家系統的瓶頸問題，我們知道，傳統專家系統主要是通過兩種方法來獲取知識：一種是領域知識先由知識工程師從領域專家這兒獲得，再由知識工程師輸入到知識庫中。這種方法造成知識失真的可能性有兩方面：一方面，領域專家自己也很難描述自己所擁有的知識，對于具體故障，他們往往只知道如何去解決，卻說不出采用這種解決方法的理由，而且，有時他們的知識也有錯誤成分；另一方面，不同的領域專家的知識可能不一樣，甚至互相矛盾，在這種情況下，知識工程師往往顯得束手無策，而且對于某些專家的經驗知識則難以加入知識庫中，因而不但費時，而且效率低。第二種知識獲得的方法是由機器學習，但是直到目前為止，機器的學習能力仍然低下，這樣專家系統獲取知識的能力也就受到限制。

2、知識難以維護。現有的傳統專家系統知識庫中的知識大都是依靠知識工程師人為輸入，在知識庫里面往往是簡單地堆放到一起。這樣當這個專家系統的知識庫中的知識達到成千上萬條時，維護與管理就顯得十分困難。

3、知識的“窄臺階效應”。目前一般的專家系統只能在比較窄的專業知識領域內以專家級的水平求解專門的問題，對于相近領域的邊緣性問題，求解能力較差，對于其他領域，則顯得無能為力而不能正確處理，只能得出一些稀奇古怪的結論，即傳統專家系統沒有聯想、記憶、類比等形象思維能力。致命的問題是：系統本身無法判斷自己是否工作在專家領域知識范圍內。

4、推理能力弱。專家系統的本質特征是基于規則的推理思維，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“匹配沖突”“組合爆炸”及“無窮遞歸”等問題。

5、智能水平低。專家系統的知識存儲是一一對應的，且限定于最低速度，沒有冗余性，因而也就失去了靈活性。現有的專家系統一般還不具備自學習能力和聯想記憶的功能，不能在運行過程中自我完善、發展和創新知識。系統的功能僅取決于設計者的知識和能力，它的本領只是輸入知識的總和。一個專家系統往往要包含上萬甚至數萬條規則，使得維護和管理工作十分困難，這是與知識的表示方法有關的困難。

6、知識表示問題。專家系統可以認為是通過對知識的處理來解決問題的，知識表示自然就成為專家系統的一個重要而基本的問題，雖然目前有諸多的表示法，但都存在各自的不足。

7、實用性差。由于上面的這些嚴重缺陷，使得一些專家系統很難進入實用階段。同時由于推理速度慢，導致一般的傳統專家系統難以適應在線工作要求，只能在離線、非實時條件下工作。

8、不精確推理不適合解決模糊問題。知識和故障征兆往往有一定的模糊性，采集的數據也有模糊性(如測量誤差、元件參數的容差等)，而傳統專家系統的不精確推理是基于概率的，與“模糊”是兩個不同的概念。

三、專家系統與神經網絡的區別及互補性

(一)OBP網絡用于模擬電路故障診斷的優勢

1、BP網絡的權重系數的調整具有自適應性，經訓練后可完成分類、聯想等智能性工作，BP網絡的非線性映射特征很適合模式分類問題，故障診斷的基本問題就是按特征向量對被測系統的各個狀態進行正確的辨識和分類，所以BP網絡對能歸結為模式分類的問題很有應用價值。

2、BP網絡對于相同的輸入一定得出相同的輸出，對于相近的輸入則可得到相近的輸出。這一特性使BP網絡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際上是指由于元器件容差導致的樣本值在一定范圍內漂移。

3、BP網絡對外接口比較簡單，使得非智能領域的工作人員也能夠熟練使用，這樣就方便了對網絡所存信息量的擴充，當然每一次信息的增加都是通過網絡自身極其復雜的學習訓練過程實現的，這主要得益于現代計算機處理速度的提高，這使得設計主體人的工作量大大減少了。

由于模擬電路板工作環境的多樣性，以及元器件故障模式的復雜性等其它原因，導致測試程序設計人員不可能一次性預見電路板全部的可能故障模式，這就需要系統在使用中進一步完善，而這一切的前提就是對外接口是否友好的問題，這一點，只要在設計網絡時對輸入輸出樣本空間的維數(體現在網絡結構上就是輸入層和輸出層的神經元數目)考慮一定的冗余度。

(二)專家系統與神經網絡的區別

從神經網絡與專家系統各自的工作原理來看，它們體現了人工智能行為的兩種工作機制，他們都包括知識獲取，知識表示，知識存儲，邏輯推理以及以解釋形式反映的知識輸出等工作過程，但是在具體執行方式上，它們是完全不同的技術，有很大的區別，這主要表現在以下四個方面：

1、知識表示形式：專家系統是對知識進行形式化的符號描述，因而它的知識表示是顯式的、描述性的；而神經網絡對知識的表示是隱式的，它用網絡的拓撲結構表示節點間的相互關系，節點間的互聯強度表示項與項之間相互影響的強弱。

2、知識獲取途徑：專家系統獲取知識的主要途徑目前基本上還是機械式學習和講授式學習，它的知識是在系統外學習得到的，然后以代碼的形式輸入知識庫中；人工神經網絡獲取知識的方法則是直接從數值化的實

例中學習或將傳統人工智能技術已獲得的知識特例轉化為神經網絡的分布式存儲，學習是在系統內部。

3、推理機制：專家系統是具有符號推理機制的計算機程序，使用離散邏輯作為它的功能基礎：而神經網絡試圖要模仿人腦智力功能，它的實現是基于連續的數值計算。

4、知識表達的透明度：專家系統使用演繹的方法，把從系統外得到并用代碼輸入系統的知識推廣，并且知識表達很清晰，是一種可以讓專家直接識別的形式，因而容易證實，專家系統中知識庫與推理機是相互獨立的，知識可以漸進地積累，當某一事實改變時，修改也較容易；而神經網絡則運用歸納的方法，在原始數據上通過學習算法建立內部知識庫，但各單個神經元并不存儲信息，網絡的知識是編碼在整個網絡連接權的模式中，知識表達不明確。神經網絡一旦學習完成就能迅速地求解，具有良好的并行性，但是知識的積累是以網絡的重新學習為代價，時間開銷較大。

(三)專家系統與神經網絡的互補

如果我們不考慮神經網絡與專家系統的實現細節，僅看它們的輸入與輸出之間的關系，它們有一個共同的起點和目標。一般來講，二者都包含知識獲取、知識表示、知識推理、知識更新等操作。神經網絡是基于輸入到輸出的一種直覺性反射，也叫形象思維，適于發揮經驗知識的作用，進行淺層次的經驗推理：專家系統是基于知識、規則匹配的邏輯知識的作用，進行深層次的邏輯推理。專家系統的特色是符號推理，神經網絡擅長數值計算。由此可見，傳統專家系統與神經網絡科學地加以綜合，并加入深層次知識，取長補短，充分發揮各自的特長，將會提高智能系統的智力水平。因此，它們具有很大的互補性，應用神經網絡技術可以彌補解決傳統專家系統在應用中遇到的問題。主要體現在以下四個方面：

1、對于專家系統中知識和經驗的窄臺階性，即遇到沒解決過的問題就無能為力，可以利用神經網絡的聯想、記憶、類比等形象思維能力，使系統可以工作于所學習過的知識以外的范圍。

2、傳統專家系統中的知識都是以符號或規則的形式存儲在數據庫中，知識的維護和更新非常困難，神經網絡具有統一的內部知識表示形式，任何形式的知識都可以通過對范例的學習存儲在網絡的連接權值中，便于知識的組織和管理，通用性強，并且知識容量大。

3、推理中的“匹配沖突”，“組合爆炸”及“無窮遞歸”使傳統專家系統推理速度慢、效率低。這主要是由于專家系統采用串行方式、推理方法簡單和控制策略不靈活。而神經網絡的知識推理通過神經元之間的作用實現，推理過程是并行的數值計算過程，而這一點計算機可以幫很大的忙，所以推理速度較快。

4、專家系統不適于求解模糊性問題，這非常不利于故障診斷，因為知識和征兆往往帶有一定的模糊性，即使通過測量儀器測的數據也會由于測量誤差、元件參數的容差等因素的影響帶有一定的模糊性，雖然專家系統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必須是知識工程師以具體的數值輸入到知識庫的，所以專家系統的不精確推理與模糊性是兩個不同的概念。神經網絡對于相近的輸入則可得到相近的輸出，即BP網絡具有的抑制噪聲的能力，就可以較好的解決模糊性的問題。

四、結論

基于神經網絡的專家系統是以人工神經網絡為核心建造的一種“結合型”智能系統，不僅可以實現傳統專家系統的基本功能，模仿人類專家的邏輯思維方式進行推理決策和問題求解，還具有學習能力，并行推理能力，是構造符號數值結合型智能控制系統的得力工具。