连续生产线的问题诊断属于复杂系统的诊

　　1概述专家系统在问题诊断方面的应用越来越广泛。结合不同的诊断对象的特点，不同的人工智能技术被引用到专家系统的研制中，如基于主元剖析、人工免疫系统及模糊理论的医学诊断专家系统，基于神经网络的专家系统，基于模糊神经网络的问题诊断专家系统等。对于连续性生产线，由于它由诸多的机械、电气、液压和气动相结合的设施所构成，因而问题的症状和原因较多，且其问题性质往往不同，不少问题具有不确定性，所以要实现对多个问题模式的诊断，神经网络需要学习大量的问题样本，而构造反映多种问题的特征向量非常困难。对连续性生产线的进行问题诊断时，只建立单一知识库和推理机的专家系统就有所逊色了。

　　集成神经网络是根据钱学森提出的综合集成的思想，用于信息的集成融合与诊断。其实质是运用相应的数学方法将庞大的神经网络划分成若干个小规模的子神经网络，使得所建模型能适应多种条件状况下的诊断分析，同时能减少训练样本数目、缩短网络训练时间和提高网络训练精度，因此该方法在预测、问题诊断和图像识别领域有着许多成功的应用。为此，本文针对某垃圾再生煤生产线（简称A线）的问题特点，结合集成神经网络的优点，建立了基于集成神经网络的问题诊断专家系统知识库。

　　2连续性生产线问题特点剖析及系统总体预设连续性生产线的问题症状和原因有如下特点：（1）连续生产线一般是多个设施并列协同工作的系统，因而具有多种问题症状和原因，它们有一定的独立和纵深的关系，可以用多个知识库来描述多个设施的问题模式；（2）连续生产线往往是一个多功能的系统，完成不同功能的各子系统之间无论在结构上，还是在功能上都存在着一定的差异，因而需用多棵问题树来描述各子系统的问题症状和原因；（3）连续生产线的自动化程度越高，联动扼制的信号就越繁多，各信号间的逻辑关系网就越庞大，因而问题的耦合性就越大，检测就越困难；（4）连续生产线往往由机、电、液（气）等复杂设施所组成，因而问题原因具有诸多的偶然性和不确定性。

　　可见，连续生产线的问题诊断属于复杂系统的诊断。对复杂诊断问题采用集成式的开发策略是比较合适的，它也比较符合人类对复杂问题的认识规律。集成神经网络的基本思想是通过不同的信号类型及不同的特征向量，建立各种子神经网络，从不同的侧面诊断问题，*大限度地提高确诊率。集成神经网络的实现策略。

　　3集成神经网络专家系统的知识获取传统专家系统的知识获取主要依靠知识工程师和领域专家通过各种形式的交互后人工移植。它不仅要求专家提供对某问题的解，而且要提供求解的过程（规则）。这种间接的过程不但费时而且效率低，这也是目前专家系统预设、开发中的“瓶颈”问题。人工神经网络（ANN）可同过学习算法进行自动知识获取。它只要求专家提供问题实例以及相似的解，通过特定的神经网络学习模型对样本进行学习，经过网络内部自适应算法不断修改权值，直至所需要的精度，其过程。ANN的学习过程是把专家求解问题的启发式知识与经验分布到网络的各个节点及节点间连接权值上的过程。这种学习方法为传统智能方法建立专家系统*困难的知识获取提供了全新的途径。

　　在本知识库系统的建立过程中，知识获取主要分以下三个步骤：提出所需神经网络的结构模型；组织神经网络的学习样本；利用神经网络学习样本，通过对样本的学习，得到所需神经网络的权值分布，从而完成基于集成神经网络的问题诊断专家系统的知识获取。神经网络专家系统的知识获取不需要由知识工程师来整理、总结、消化领域专家的知识，只需用领域专家解决问题的实例或范例来训练神经网络，使得在同样输入的条件下神经网络能够获得与专家给出的解答尽可能相同的输出，且具有更高的时间效率和更高的质量；它的知识获取包括了对神经网络的结构参数以及神经元特性、学习算法的确定；它的知识表示是与知识获取过程同时进行、同时完成的。当训练（知识获取）结束时，它所获取的知识就表示为权系数矩阵和阈值向量，具体的学习过程。

　　神经网络模型采用三层BP神经网络模型。BP神经网络是目前应用*广泛、研讨较多的一种网络。BP网络主要由输入层、隐含层和输出层组成。本文垃圾破碎机的样本共有5个问题征兆，3种问题类型，因此对应的神经网络输入节点为5个，输出节点为3个，隐含层神经元数目的确定至今尚无精确的公式可以参照，而隐含层神经元数目是否合适将对于整个网络能否正常工作具有极其重要的意义。采用式计算网络隐含层神经元的数目。

　　4知识转换知识获取后，通过信号分配神经网络把所得到的知识根据动态聚类剖析法，分配到各个子神经网络，然后通过知识转换，建立各个子神经网络，进而建立集成神经网络专家系统得知识库。知识转换是实现神经网络与专家系统集成的关键，是将隐性的网络知识转换成显性的符号规则。采用文献<7>中所用的统计方法，即一是求出输入节点与输出节点之间的关联强度R；二是求出输入节点对输出节点的影响程度E.每一输入节点与输出节点之间的关联强度定义为：输入节点经隐含节点到一输出节点之间的每一路径上权值乘积和（即输入节点与每个隐含节点连接权与该隐含节点到输出节点之间的连接权的分别乘积）以及所有这样的输入节点与输出节点权值乘积和的绝对值得比值。

　　某一输入节点对某一输出节点值的影响程度定义为该输出节点值乘以该输入节点值及它与该输出节点之间关联程度乘积与所有输入节点分别与他们同该输出节点关联程度乘积的比值。

　　计算出Rij和Eij的数值后，可分别生成一些事实规则与使用规则，从而实现隐性的网络知识向显性的符号知识的转换。如：事实规则1第i个输入节点与第j个输出节点的关联程度为Rij；事实规则2……；等等。

　　使用规则1如果第i个输入节点值为Ii，且第j个输出节点值为Oj，那么第i个隐含节点对第j个输出节点的影响值为Eij.使用规则2……；等等。

　　5知识库的建立及知识维护神经网络专家系统的知识库主要由数据库和规则库组成。

　　数据库主要存储网络的结构和大量的样本数据，由专家手动添加；规则库中存放的是从神经网络中抽取出的规则，规则库主要由R类规则和E类规则两部分组成。在实际应用中我们可以不断地增加或更新样本对网络进行重新训练，这样就获得新的权值、阈值，然后就得到新的规则。

　　从上述知识转换方法可以看出，R完全依赖网络训练生成的权值。对于固定的网络内部结构，R值也相对固定，且R的个数和输入节点个数相对应。本系统采用子神经网络破碎机的5个征兆参数作为输入节点，3个问题类型作为输出节点，因此R类规则有5×3=15个。这类规则源于R值和各输入输出值，其性质为解释规则，随着输入输出值得不同随时发生变化，对应不同的输入输出值，数据库的内容也相应发生变化。每次用户咨询时，系统根据R类规则库中内容自动计算E值，为用户进行解释。垃圾破碎机规则库的R类规则和E类规，如表1、2所示。表中i表示输入节点，j表示输出节点。Qin―输入节点值，Qout―输出节点值。针对垃圾再生煤生产线，按照监测类型，总系统可分为机械系统、电气系统、液压系统三个子系统，并形成了1、2、3三个监测区域。根据监测得到的数据，进行预处理后，存储在知识库中，并作为神经网络的输入，通过对神经网络进行训练学习，确定合适的隐层神经元数及权值。

　　以子神经网络破碎机为例，对其知识进行维护。

　　该系统可以实现知识的添加、修改、删除及知识库的存储等功能。

　　6结论针对专家系统知识获取困难的问题，结合垃圾再生煤生产线的特点，将集成神经网络与专家系统结合在一起，建立基于集成神经网络的专家系统。本文主要对该系统知识库的建立进行了深入的研讨。文中首先利用神经网络进行知识获取，然后将神经网络的权值和阈值转化为专家系统的规则，不但解决了专家系统知识获取困难，还将神经网络的推理过程通过专家系统的解释功能利用抽取的E类规则和R类规则完成推理的可视化过程。