基于神经网络的飞机故障诊断专家系统
介绍了专家系统与神经网络技术在飞机故障诊断领域的应用。从分析飞 机故障诊断的特点出发，采用了神经网络的知识处理方法来构建一个基于飞机故障现象的故障诊断专家系统。随着人工智能技术的发展，其在各领域中的应用范围也日益扩大。目前，较为成熟的两种人工智能方法是基于符号处理机制的专家系统和基于非符号处理机制的神经网络。它们的应用，使得计算机具有智能成为现实，但两种方法各自都存在一些不足。本文根据神经网络和专家系统的各自优点和特点，以互为补充为原则，提出了一种基于神经网络的飞机故障诊断专家系统构建方法，能按用户要求，直接生成适用于各种飞机故障诊断的专家系统，同时，具有良好的知识再获取能力。
应用传统知识排故方法遇到的困难及解决途径
1. 现有飞机故障诊断专家系统所存在的问题
现有的一些关于飞机故障诊断方面的专家系统，建立在飞机的构造和原理电路的基础上，往往采用严格的符号知识处理方法，有比较严格的理论指导，很适合计算机内部的形式化知识表示。这种符号知识处理方法在一定条件下确实可以部分地模拟人类的思维过程，但并不一定适合在特定环境下对某些飞机故障进行诊断，例如，控制系统参数变化或电路偏值变化、漂移等。
某些飞机故障诊断的专家知识实际上是一种经验和规律的总结，它所依据的理论是模糊的、不完全的，背景信息是不清楚的。可以肯定地说，任何一名飞机故障诊断专家的知识都是不完备的，如果采用符号知识处理方法，将会很容易造成专家系统知识信息的丢失，从而大大降低了系统的准确性。
2. 完善飞机故障诊断专家系统的方法和途径
针对目前飞机故障诊断方面的专家系统所存在的问题，可以使用神经网络的知识处理方法来改善符号知识处理中所遇到的问题。从神经元网络的非线性结构来看，它反映了人脑功能的许多基本特性，但并不是人脑神经系统的真实写照，而是对其作某种简化、抽象和模拟。专家对知识的学习和积累过程可以看作是人脑的训练过程， 因此可以考虑利用神经网络的学习和记忆功能来取代知识工程师的部分工作，从故障样本中学习，完成飞机故障诊断专家知识的自动获取和自动更新。将神经网络应用于知识处理是建立在传统的人工智能方法的基础上，利用神经网络的学习功能、大规模并行分布式存储与处理功能以及神经网络的集团运算能力，实现知识获取的自动化，克服在符号处理中所遇到的而又难以解决的“知识获取瓶颈”、“组合爆炸”、“推理复杂性”及“无穷递归”等困难，实现并行联想搜索空间和完成自适应推理，提高智能系统的智能水平和实时处理能力以及其强大的功能。
使用神经网络构建专家系统的推理过程实际上是计算的过程，也就是按照一定的算法，通过神经网络中存储的知识之间的关系，在问题的求解空间上不断地进行并行“搜索”直到收敛为止。正是由于神经网络推理的并行数学过程取代了传统AI符号处理中的匹配搜索、回溯等过程，因而具有了更高的推理效率。
采用神经网络方法实现专家系统可以部分地克服符号知识处理中的缺点，取得令人满意的效果。使用神经网络来取代传统的知识库和推理机制部分，知识工程师只需了解哪些故障现象是具有诊断意义的，而将学习过程交给神经网络完成。把故障样本中的这些故障现象组织成数据，作为神经网络训练的输入模式，将该现象可能会出现某种故障的统计概率作为训练的输出模式。如果同一类故障之间确实存在某些共性，而高质量的样本又足够多的话，这种神经网络的训练方法甚至比专家具有更高的效率和准确性。实际上，神经网络也就是模拟了人脑的学习过程，通过对实例的不断学习完成知识的自动获取，并将所学的知识分布式存储在神经网络中。神经网络的这种特性对于构建飞机故障诊断专家系统是非常具有吸引力的。
飞机故障诊断系统构建的基本指导思想
当飞机某些系统发生故障时，飞机就必然会在其响应部位产生异常现象，这是飞机故障诊断的根本出发点。根据飞机故障诊断的研究成果，可以将这些现象进行定位，也就是将飞机划分不同的区域，对于出现不同现象的故障进行编号，为惟一确定不同的故障现象。
根据飞机上出现的故障进行故障诊断的过程可以简单地抽象为下面的式子：
ｆ（Ｒ×Ｃ）→Ｐ（ｘ1）×Ｐ（ｘ2）×… ×Ｐ（ｘn）
其中Ｒ表示飞机各系统及所属各设备编号的集合， Ｃ表示所有异常的故障现象的集合， ｆ是一个现象的评估函数，0≤ｆ(ｒ)≤1表示故障现象ｒ出现的强弱程度，ｘ1,…, ｘn 表示ｎ种待诊断的故障，0≤Ｐ(ｘｉ)≤1对应第ｉ种故障发生的统计概率。
为了更适合神经网络的处理，将上式表示为输入和输出之间的对应关系。ｆ(ｘ)作为神经网络输入层的故障现象神经元ｒ对应的活性值，对应一组飞机故障现象的不同故障发生的统计概率Ｐ（ｘ1）×Ｐ（ｘ2）×… ×Ｐ（ｘｎ）作为神经网络输出层各诊断神经元的活性值。
故障诊断专家系统的实现
1. 神经元网络的基本结构
按照上面介绍的利用神经网络构建飞机故障诊断专家系统的方法，给出如图1所示的神经网络结构。
采用3层前向神经元网络，输入层有ｎ个故障现象神经元；输出层有ｍ个故障诊断神经元，对ｍ种常见故障作故障分析，给出不同故障发生的统计概率。利用神经网络的非线型结构和样本学习，找出现象输入和故障输出之间的对应规律，对神经元之间连接权值的形式存储飞机排故的专家知识。由于神经网络的计算能力是非常强大的，如果使用足够多的高质量样本对神经网络进行训练，神经网络从样本中获取的排故知识在准确性和可靠性以及获取效率方面有望超过专家在飞机排故中获取的经验知识。
2. 神经网络的改进反向误差传播算法
选定神经网络中的反向误差传播学习算法，并针对该学习算法收敛速度慢等缺点，使用了学习率因子自调整的改进算法。下面是改进的反向误差传播算法实现的主要步骤：
1）对神经网络作必要的初始化，给出误差ε＞０，初始化权值向量Ｗ及学习率因子η０；
２）计算神经网络的实际输出和期望输出之间的误差，若误差小于ε则结束，否则执行下一步；
３）求每个部件的误差 ｆ?ｗｋ?梯度及下降方向ｄｋ＝－ ｆ?ｗｋ?；
４）调整学习率因子，对每个部件取定搜索方向，对学习率因子变量η求解
Ｆｄ＝ｍｉｎｆ?ｗｋ＋ηｄｋ?－ｆ?ｗｋ? ?η≥０?
将求得的解η代入权值调整公式Ｗｋ＋１＝Ｗｋ＋ηｄｋ转步骤２重复执行。其中
为神经网络的误差函数（ｙｊ?ｄｊ分别为神经网络第ｊ个输出神经元的实际输出值和期望输出值）。
3.飞机故障诊断专家系统的总体结构
对于飞机故障诊断专家系统的总体结构框图（如图２），从飞机样本故障库中选取一些已经分类的故障样本，通过和飞机排故专家协商，选取故障现象并量化，选择神经网络的输入模式和输出模式；然后使用软件的方法来建立神经网络并初始化；选定学习算法，对这些样本重复进行训练，直到网络可以很好地将样本按故障类型分类为止；通过与用户交互的方式来获取这些特征的情况，并作为已经接受样本训练的神经网络的输入，通过神经网络计算当前飞机出现某些故障的概率；最后显示飞机故障诊断的结果。
结论
１．在深入了解与掌握专家系统和人工神经网络基本理论的基础上，吸取了它们各自的优点，弥补了彼此间的缺陷，建立起一个集成式飞机故障诊断专家系统。
２．通过大量收集与整理工作，形成了一个知识充分的网络学习样本，并将集成式诊断系统加以实际应用，则整个系统的推理效率明显提高；
３．通过将传统的专家系统技术与人工神经网络技术相融合，构造出一个混合型集成式的飞机故障诊断系统，这正是设备故障诊断领域智能化发展的必然趋势。□
摘自《国际航空》杂志 很全的知识 你好，请问你知道国外都有哪些公司在做飞机方面的故障诊断吗，我需要一些报价和指标
页:
[1]