色久阁,久艹精品,狠狠爱俺也去去就色,h视频观看,后入美女视频,美女视频黄频下载,美女视频污污污网站

網(wǎng)絡(luò)化智能化傳動裝置在線故障診斷系統(tǒng)的集成

4.1 引言
故障智能診斷系統(tǒng)研究迄今在診斷理論和具體實踐方面都取得了較大的進(jìn)展，正在逐漸形成一個獨(dú)立的研究領(lǐng)域，為該技術(shù)在生產(chǎn)實際中的廣泛應(yīng)用奠定了堅實的基礎(chǔ)。國內(nèi)外的專家學(xué)者已研制開發(fā)了一大批故障診斷專家系統(tǒng)，取得了一定的經(jīng)濟(jì)效益和社會效益。所有這些理論研究和實踐工作表明，對于故障診斷領(lǐng)域大多數(shù)問題的求解，建立基于知識的診斷系統(tǒng)是可能的、合理的和合適的。然而，目前的研究或者偏重于診斷領(lǐng)域中的特定問題，如診斷模型、知識表示、推理方法等，或者偏重于系統(tǒng)開發(fā)過程中特定階段的具體實現(xiàn)技術(shù)和方法，而對故障智能診斷系統(tǒng)的開發(fā)和建造尚未形成具有自身特點的系統(tǒng)理論和科學(xué)的方法體系。
對于傳統(tǒng)的專家系統(tǒng)，我們似乎已有了一些可以借鑒的、日趨標(biāo)準(zhǔn)的開發(fā)技術(shù)和策略。然而故障診斷專家系統(tǒng)在工作方式上與其他工程類型的專家系統(tǒng)（設(shè)計型專家系統(tǒng)、決策型專家系統(tǒng)等）有較大的差異，這主要表現(xiàn)在診斷對象的復(fù)雜性、診斷任務(wù)的零散性、診斷理論和方法的不成熟性、診斷知識的難獲取性、診斷結(jié)果的不確定性和診斷環(huán)境的多變性等，致使在建造故障診斷專家系統(tǒng)時難以選擇合適的原型系統(tǒng)作為參考，沒有標(biāo)準(zhǔn)的開發(fā)模式可遵循，而且不能準(zhǔn)確地預(yù)測開發(fā)過程中可能要遇到的困難及相應(yīng)的解決辦法。這些因素使得智能診斷系統(tǒng)的建造工作極為繁瑣和困難。目前己有的故障智能診斷系統(tǒng)在知識庫結(jié)構(gòu)、解決問題能力、深淺知識的結(jié)合、知識的獲取、容錯能力、不確定性處理等多方面存在著不同程度的缺陷，這與研制者在開發(fā)診斷系統(tǒng)時所采取的研制策略和方法有密切的關(guān)系�？上驳氖�，一些研究者已開始認(rèn)識到研究開發(fā)故障智能診斷系統(tǒng)一般方法的重要性，并逐漸做深人的研究。從這個意義上講，加強(qiáng)智能診斷系統(tǒng)開發(fā)策略和方法的研究是十分必要的。

4.2 故障診斷的方法
設(shè)備故障診斷技術(shù)發(fā)展至今，己成為一門獨(dú)立的跨學(xué)科的綜合信息處理技術(shù)，它是以可靠性理論、信息論、控制論和系統(tǒng)論為理論基礎(chǔ)，以現(xiàn)代測試儀器和計算機(jī)為技術(shù)手段，結(jié)合各種診斷對象（系統(tǒng)、設(shè)備、機(jī)器、裝置、工程結(jié)構(gòu)、工藝過程等等）的特殊規(guī)律而逐步形成的一門新興學(xué)科。大體上由三個部分組成，第一部分為故障診斷物理、化學(xué)過程的研究；第二部分為故障診斷信息學(xué)的研究；第三部分為診斷邏輯與數(shù)學(xué)原理方面的研究。設(shè)備故障診斷技術(shù)從不同的角度出可以分成兩大類：基于數(shù)學(xué)模型的故障診斷方法和基于人工智能的故障診斷方法。每類又包含著干具體的診斷方法，如圖4.1 所示。

1)基于數(shù)學(xué)模型的故障診斷方法
該方法包括基于直接測量系統(tǒng)輸入輸出及信號處理的方法、基于狀態(tài)估計的方法和基于過程參數(shù)估計的方法。
A.基于直接測量系統(tǒng)輸入輸出及信號處理的方法是直接測量被診斷對象有關(guān)的輸出量，如果輸出量超出規(guī)定的正常變化范圍則可以認(rèn)為對象已經(jīng)或?qū)⒁�發(fā)主故障。這種方法也叫觀測器法，雖然方法簡單，但容易出現(xiàn)故障的誤判和漏判。

B.基于狀態(tài)估計的方法是通過估計系統(tǒng)的狀態(tài)并結(jié)合適當(dāng)模型進(jìn)行故障診斷。首先重構(gòu)被診斷過程的狀態(tài)，并構(gòu)成殘差序列，殘差序列中包含各種故障信息�；�于這個序列，通過構(gòu)造適當(dāng)?shù)哪Ｐ筒⒉捎媒y(tǒng)計檢驗法，才能把故障從中檢測出來并做進(jìn)一步的分離、估計和決策。狀態(tài)估計的方法通常是狀態(tài)觀測器及濾波器。
C.基于過程參數(shù)估計的方法與基于狀態(tài)估計的診斷方法不同，它不需要計算殘差序列，而是根據(jù)參數(shù)變化的統(tǒng)計特性來檢測故障的發(fā)生，而后進(jìn)行故障分離、沽計和分類。由于可以建立故障與過程參數(shù)的精確聯(lián)系，因此這種方法比基于狀態(tài)估計的方法更有利于故障的分離。最小二乘法簡單實用，是參數(shù)估計的首選方法。

基于數(shù)學(xué)模型的故障診斷方法，其優(yōu)點是能深人系統(tǒng)本質(zhì)的動態(tài)性質(zhì)和實現(xiàn)實時診斷，缺點是當(dāng)系統(tǒng)模型未知、不確定或具有非線性時，這種方法不易實現(xiàn)。

2）基于人工智能的故障診斷方法
該方法包括基于專家系統(tǒng)的方法、基于案例的診斷方法、基于模糊數(shù)學(xué)的方法、基于人工神經(jīng)網(wǎng)的方法和基于故障樹的方法。
A.基于專家系統(tǒng)的診斷方法是故障診斷領(lǐng)域中最為引人注目的發(fā)展方向之一，也是研究最多、應(yīng)用最廣的一類智能診斷技術(shù)。它大致經(jīng)歷了兩個發(fā)展階段：基于淺知識（領(lǐng)域?qū)＜业慕?jīng)驗知識）的故障診斷系統(tǒng)和基于深知識（診斷對象的模型知識）的故障診斷系統(tǒng)。
基于案例的推理方法能通過修訂相似問題的成功結(jié)果來求解新問題。它能通過將獲取新知識作為案例來進(jìn)行學(xué)習(xí)，不需要詳細(xì)地診斷對象模型。在這種推理方法中，主要的技術(shù)包括：案例表達(dá)和索引、案例的檢索、案例的修訂、從失敗中學(xué)習(xí)等。基于案例的診斷方法的原理是，對于所診斷的對象，根據(jù)其特征從案例庫中檢索出與該對象的診斷問題最相似匹配的案例，然后對該案例的診斷結(jié)果進(jìn)行修訂作為該對象的診斷結(jié)果。
B.基于案例的診斷方法適用于領(lǐng)域定理難以表示成規(guī)則形式，而易表示成案例形式并且已經(jīng)積累了豐富的案例的領(lǐng)域（如醫(yī)學(xué)診斷等）。它的局限性是：傳統(tǒng)的基于案例的診斷方法難以表示案例之間的聯(lián)系；對于大型案例庫進(jìn)行檢索非常費(fèi)時，并且難以決定應(yīng)選擇哪些癥狀及它們的權(quán)重；基于案例的診斷方法難以處理案例修訂時的一致性檢索（特征變量間的約束關(guān)系），難以對診斷結(jié)果加以解釋。
C.基于人工神經(jīng)網(wǎng)的方法
近年來，神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的容錯、聯(lián)想、推測、記憶、自適應(yīng)。自學(xué)習(xí)和處理復(fù)雜多模式等優(yōu)點，在許多學(xué)科中掀起了研究的熱潮。同樣在故障診斷領(lǐng)域，其發(fā)展前景也是十分樂觀的。
在知識獲取上，神經(jīng)網(wǎng)絡(luò)的知識不需要由知識工程師進(jìn)行整理、總結(jié)以及消化領(lǐng)域?qū)＜业闹�識，只需要用領(lǐng)域?qū)＜医鉀Q問題的實例或范例來訓(xùn)練神經(jīng)網(wǎng)絡(luò)；在知識表示方面，神經(jīng)網(wǎng)絡(luò)采取隱式表示，在知識獲取的同時，自動產(chǎn)生的知識由網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值表示，并將某一問題的若干知識表示在同一網(wǎng)絡(luò)中，通用性強(qiáng)，便于實現(xiàn)知識的自動獲取和并行聯(lián)想推理。在知識推理方面，神經(jīng)網(wǎng)絡(luò)通過神經(jīng)元之間的相互作用來實現(xiàn)推理。目前在許多領(lǐng)域的故
障診斷系統(tǒng)中己開始應(yīng)用，如在化工設(shè)備、核反應(yīng)堆、汽輪機(jī)、旋轉(zhuǎn)、機(jī)械和電動機(jī)等領(lǐng)域都取得了較好的效果。由于神經(jīng)網(wǎng)絡(luò)從故障事例中學(xué)到的知識只是一些分布權(quán)重，而不是類似領(lǐng)域?qū)＜疫壿嬎季S的產(chǎn)生式規(guī)則，因此診斷推理過程不能夠解釋，缺乏透明度。
D.基于模糊數(shù)學(xué)的診斷方法不需要建立精確的數(shù)學(xué)模型，適當(dāng)?shù)剡\(yùn)用隸屬函數(shù)和模糊規(guī)則，進(jìn)行模糊推理就可以實現(xiàn)模糊診斷的智能化。但是，對于復(fù)雜滋診斷系統(tǒng)，要建立正確的模糊規(guī)則和隸屬函數(shù)是非常困難的，而且需要花費(fèi)很長的時間。對于更大的模糊規(guī)則和隸屬函數(shù)集合而言，難以找出規(guī)則與規(guī)則之間滋關(guān)系，也就是說規(guī)則有“組合爆炸”現(xiàn)象發(fā)生。另外由于系統(tǒng)的復(fù)雜性。耦合性，由時域、頻域特征空間至故障模式特征空間的映像關(guān)系往往存在著較強(qiáng)的非線性，這對隸屬函數(shù)形狀不規(guī)則，只能利用規(guī)范的隸屬函數(shù)形狀來加以處理，如用三角形、梯形或直線等規(guī)則形狀來組合予以近似代替，從而使得非線性系統(tǒng)的診斷結(jié)果不夠理想。
E.基于故障樹的方法是由計算機(jī)依據(jù)故障與原因的先驗知識和故障率知識自動輔助生成故障樹，并自動生成故障樹的搜索過程。診斷過程從系統(tǒng)的某一故障開始，沿著故障樹不斷提問“為什么出現(xiàn)這種現(xiàn)象？”而逐級構(gòu)成一個遞階故障樹，通過對此故障樹的啟發(fā)式搜索，最終查出故障的根本原因。在提問過程中，有效合理地使用系統(tǒng)的實時動態(tài)數(shù)據(jù)將有助于診斷過程的進(jìn)行。基于故障樹的診斷方法類似于人類的思維方式，易于理解，在實際中應(yīng)用較多，但大多與其它方注結(jié)合使用。

4.3 智能分析系統(tǒng)的基本設(shè)計思想和組成
4.3.1 故障智能診斷系統(tǒng)的基本設(shè)計思想
隨著人工智能技術(shù)的迅速發(fā)展，特別是知識工程、專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)在診斷領(lǐng)域中的進(jìn)一步應(yīng)用，迫使人們對智能診斷問題進(jìn)行更加深入與系統(tǒng)地拼究。所謂診斷系統(tǒng)的智能就是它可有效地獲取、傳遞、處理、再生和利用診斷育息，從而具有對給定環(huán)境下的診斷對象進(jìn)行成功狀態(tài)識別和狀態(tài)預(yù)測的能力。但是診斷系統(tǒng)的智能并不意味著完全代替人的智力活動，將人排斥于診斷系統(tǒng)之外。實踐證明，任何人工智能系統(tǒng)的研究，都不能完全擺脫人腦對系統(tǒng)的參與，只能是“人幫機(jī)”和“機(jī)幫人”。人是智能系統(tǒng)的重要組成部分。由此，可以這樣來定義智能診斷系統(tǒng)：
它是由人（尤其是領(lǐng)域?qū)＜遥�、�?dāng)代模擬腦功能的硬件及其必要的外部設(shè)備、物理器件以及支持這些硬件的軟件所組成的系統(tǒng)。該系統(tǒng)以對診斷對象進(jìn)行狀態(tài)識別與狀態(tài)預(yù)測為目的。顯然，該定義下的智能診斷系統(tǒng)具有以下特點：（1）它是一個開放的系統(tǒng)，系統(tǒng)的能力在實際使用的過程中，在同環(huán)境進(jìn)行信息交互的過程中不斷進(jìn)化，且具備自我提高的潛能。（2）它是由計算機(jī)硬件與軟件組成的系統(tǒng)，但又不同于常規(guī)的計算機(jī)程序系統(tǒng)，不具有確定的算法和程序途徑。智能診斷系統(tǒng)是根據(jù)診斷過程的需要搜索和利用領(lǐng)域?qū)＜业闹�識及經(jīng)驗來達(dá)到診斷的目的。（3）它既是一個人工智能系統(tǒng)，離不開模擬人腦功能的硬件設(shè)備及軟件，另一方面又不排斥人的作用，同時對硬件并不僅僅限制為今天的馮·諾依曼式傳統(tǒng)計算機(jī)。

4.3.2 故障智能診斷系統(tǒng)平臺的基本組成
本文使用的智能診斷系統(tǒng)平臺是較為實用的圖形化智能故障診斷平臺，作為通用的智能化診斷系統(tǒng)平臺，其設(shè)計思想是：將人類的思維能力、系統(tǒng)的物理規(guī)律和數(shù)學(xué)模型有機(jī)地結(jié)合，更好、更靈活地表征系統(tǒng)各個狀態(tài)，力圖在得到足夠好的專家知識的基礎(chǔ)上，依靠優(yōu)化和學(xué)習(xí)，調(diào)整專家知識、調(diào)整推理結(jié)構(gòu)。系統(tǒng)將人工智能的最新技術(shù)有機(jī)的融合，具有很強(qiáng)的通用性、適應(yīng)性、容錯性及易實現(xiàn)性，同時，特有的圖形化模糊神經(jīng)網(wǎng)絡(luò)專家知識表達(dá)方式、分布式并行運(yùn)行能力、迅速的推理及優(yōu)化和遠(yuǎn)程分析能力，使系統(tǒng)達(dá)到了較高的智能化水平。智能診斷系統(tǒng)平臺包括了三種推理引擎和一個專家知識庫（如圖4.2所示）。三種推理引擎是：

（1）模糊邏輯推理引擎；（2）專家規(guī)則推理引擎；（3）神經(jīng)網(wǎng)絡(luò)推理引擎；對智能診斷系統(tǒng)平臺構(gòu)成的科學(xué)性，我們可以從如下三個方面來解釋：

a.專家系統(tǒng)和模糊邏輯的知識處理，模擬的是人的邏輯思維，人工神經(jīng)網(wǎng)絡(luò)的知識處理所模擬的則是人的經(jīng)驗思維機(jī)制；在人類自身的思維過程中，邏輯思維、經(jīng)驗思維、創(chuàng)造性思維是缺一不可并且是非常巧妙地互相結(jié)合而形成的有機(jī)整體。
b.模糊診斷是根據(jù)模糊集合論征兆空間與故障狀態(tài)空間的與故障狀態(tài)空間的某種映射關(guān)系，由征兆來診斷故障。
c.由于神經(jīng)網(wǎng)絡(luò)具有原則上容錯、結(jié)構(gòu)拓?fù)漪敯�、�?lián)想、推測、記憶、自適應(yīng)、自學(xué)習(xí)、并行和處理復(fù)雜模式的功能，使其能在實際存在著大量的多故障、多過程、突發(fā)性故障、龐大復(fù)雜系統(tǒng)的監(jiān)測及診斷中發(fā)揮出較大作用。

4.3.3 故障智能診斷系統(tǒng)平臺的主要技術(shù)
系統(tǒng)的主要技術(shù)包括：智能化推理算法、數(shù)據(jù)處理器、圖形化模糊神經(jīng)網(wǎng)絡(luò)專家知識庫、綜合的動態(tài)聯(lián)接庫數(shù)據(jù)通訊模塊。
智能化推理算法：系統(tǒng)巧妙地將專家系統(tǒng)推理機(jī)、神經(jīng)網(wǎng)絡(luò)推理機(jī)、模糊邏輯推理機(jī)有機(jī)結(jié)合、并行運(yùn)行，充分發(fā)揮各個推理算法的優(yōu)勢，克服其中的不足，使智能推理達(dá)更加適用于多變量、多參數(shù)、多目標(biāo)及多過程的復(fù)雜系統(tǒng)。同時采用了M-ARY理論對推理結(jié)果進(jìn)行優(yōu)化，并且通過歷史數(shù)據(jù)分析和在線強(qiáng)化學(xué)習(xí)來調(diào)整專家知識、調(diào)整推理結(jié)構(gòu)，能充分保證推理結(jié)果的準(zhǔn)確性。通用化設(shè)計是該系統(tǒng)的重要特色，裝載不同領(lǐng)域的專家知識便能對不同領(lǐng)域的問題進(jìn)行智能化推理決策。
數(shù)據(jù)處理器的設(shè)計：為更好地解決數(shù)據(jù)的抗噪能力，在系統(tǒng)中，用模糊閾值對測量數(shù)據(jù)進(jìn)行模糊化，保證系統(tǒng)數(shù)據(jù)的抗擾能力。
圖形化的模糊神經(jīng)網(wǎng)絡(luò)專家知識庫：系統(tǒng)采用圖形化模糊神經(jīng)網(wǎng)絡(luò)專家知識表達(dá)方式，可突破共性知識和專家知識的學(xué)習(xí)、獲取、表達(dá)與利用的瓶頸問題，系統(tǒng)有一個獨(dú)特的結(jié)構(gòu)用來方便地、遞增地收集和存儲專家知識而不需要任何模型，這對于沒有數(shù)學(xué)模型存在的地方特別有用，它使用戶易于理解利用專家知識解決實際問題的思路與方法。
綜合的動態(tài)聯(lián)接庫數(shù)據(jù)通訊模塊：通訊的整體結(jié)構(gòu)按分布式設(shè)計，分為兩個層次：一方面，通訊模塊與推理機(jī)之間采用客戶機(jī)/服務(wù)器的方式，采用TCP/IP協(xié)議，數(shù)據(jù)通訊服務(wù)一旦設(shè)置好，就始終處于運(yùn)行狀態(tài)，推理機(jī)一旦需要申請數(shù)據(jù)，就向數(shù)據(jù)通訊模塊提出數(shù)據(jù)請求表，數(shù)據(jù)通訊模塊根據(jù)綜合各個推理機(jī)的數(shù)據(jù)請求表向相應(yīng)的對象提出數(shù)據(jù)請求，再將從對象得到數(shù)據(jù)分配給各推理機(jī)；另一方面，數(shù)據(jù)通訊模塊與特定對象之間采用調(diào)用動態(tài)聯(lián)接庫的辦法進(jìn)行通訊，針對不同的對象調(diào)用不同的動態(tài)聯(lián)接庫就可以實現(xiàn)數(shù)據(jù)通訊。
網(wǎng)絡(luò)化遠(yuǎn)程診斷：通過設(shè)備故障診斷技術(shù)與計算機(jī)技術(shù)的結(jié)合，用若干臺中心計算機(jī)作為服務(wù)器，重大企業(yè)重要關(guān)鍵設(shè)備上建立狀態(tài)監(jiān)測點，采集設(shè)備狀態(tài)數(shù)據(jù)，而在技術(shù)力量強(qiáng)的科研院所建立中心，對設(shè)備運(yùn)行進(jìn)行遠(yuǎn)程分析、診斷。

4.4 智能分析系統(tǒng)的設(shè)計開發(fā)
4.4.1 圖形化的專家知識輸入引擎模塊
專家知識輸入引擎模塊內(nèi)容如圖4.3所示，該模塊的核心是用圖形化的方式建立診斷推理流程圖，該流程圖是由分布三個層次上的多個節(jié)點及節(jié)點間的連線所組成，如圖4.4。診斷推理流程圖中，底層為“數(shù)據(jù)”層，這里的數(shù)據(jù)，可以是測量參數(shù)、傳感器的輸出、工作狀態(tài)、檢修記錄等多種廣泛意義上的參數(shù)，中間層為“故障現(xiàn)象”層，這里的癥狀現(xiàn)象可以是能直接觀察到的現(xiàn)象（如工作條件、參數(shù)范圍、參數(shù)變化等），也可以是間接的現(xiàn)象，即多種廣泛意義上的現(xiàn)象。最上層為“故障原因”層。用連線相連彼此相關(guān)的“數(shù)據(jù)”與“故障現(xiàn)象”或“故障現(xiàn)象”與“故障原因”。這樣構(gòu)成診斷推理流程圖。

4.4.2 組合推理模塊的設(shè)計

推理模塊是一個隱藏于后臺的推理計算模塊，它的結(jié)構(gòu)如圖4.5，協(xié)調(diào)控制器用來管理各推理機(jī)的工作并協(xié)調(diào)推理執(zhí)行器與專家知識輸入引擎模塊可知，對一示同的故障，其“數(shù)據(jù)層”、“故障現(xiàn)象層”、“故障原因?qū)印奔捌渌鼈冎�間的連線關(guān)系絕不相同，協(xié)調(diào)控制器就是將“數(shù)據(jù)層”、“故障現(xiàn)象層”、“故障原因?qū)印奔捌渌鼈冎�間的連線關(guān)系自動轉(zhuǎn)化為推理進(jìn)程關(guān)系，由推理執(zhí)行器完成推理診斷工作。

（1）專家系統(tǒng)推理

按推理結(jié)論的不同，推理可分為精確

推理和不精確推理：按推理過程的不同，可分為正向推是、反向推理和混合推理。根據(jù)圖形化專家知識庫結(jié)構(gòu)采用了正向不精確推理。

專家系統(tǒng)推理主要是從知識庫所需的數(shù)據(jù)集合D={D₁、D₂、…、D_n}出發(fā)，根據(jù)知識庫中每一數(shù)據(jù)點相應(yīng)的一個或多個語義表達(dá)和數(shù)據(jù)范圍，將獲取實時數(shù)據(jù)與知識庫中相應(yīng)數(shù)據(jù)的語義表達(dá)和數(shù)據(jù)范圍進(jìn)行相似性分析，得出相似性系數(shù)的集合：

（4.1）

式中：S₁ 、S₂、…、S_n分別為各個實時數(shù)據(jù)與相應(yīng)知識庫數(shù)據(jù)點的相似性系數(shù)的子集，各集參數(shù)為： ；,S_n=，m₁、m₂、…、m_n分別為知識庫各數(shù)據(jù)點的語義表達(dá)個數(shù)。

數(shù)據(jù)、參數(shù)的語義表達(dá)按專家的與、或規(guī)則便函形成了各種事件征兆集E={E₁，E₂，…，E_K}，各種事件征兆集的輸出信息為事件信息e={e₁，e₂，…，e_K}。事件信息與數(shù)據(jù)、參數(shù)語義表達(dá)的相似性系數(shù)及規(guī)則的與、或表達(dá)密切相關(guān)，如E₁的語義表達(dá)集為：

E₁={（d₁₁∧d₂₅∨）（d₃₂∧d₄₈）}，則e₁=max{min（s₁₁,S₂₅），min（s₃₂,S₄₈）}。

推理結(jié)果與征兆集之間采用網(wǎng)絡(luò)連接模式，每根聯(lián)線上有連接的權(quán)值信息 ，事件信息與權(quán)值信息通過運(yùn)算關(guān)系得出推理結(jié)果。

 ，其中：j=1，2，3，…，p                     （4.2）

根據(jù)推理結(jié)果，知識庫相應(yīng)地具有控制、處理措施，便構(gòu)成了智能化系統(tǒng)的專家系統(tǒng)推理模式。

（2）模糊邏輯推理

模糊邏輯主要應(yīng)用模糊規(guī)則庫進(jìn)行模糊邏輯關(guān)系運(yùn)算最終得出推理結(jié)果，模糊規(guī)則庫采用圖4.6所示的專家知識庫結(jié)構(gòu)。首先對數(shù)據(jù)、參數(shù)進(jìn)行模糊化處理，進(jìn)入推理機(jī)的數(shù)據(jù)與參數(shù)，根據(jù)知識庫中不同的語義表達(dá)，通過合理的選擇與構(gòu)造模糊隸屬函數(shù)，得出相應(yīng)的數(shù)據(jù)、參數(shù)在不同語義表達(dá)下的模糊隸屬度。

對于數(shù)據(jù)D₁，屬于語義表達(dá)d₁₁、d₁₂、…、 隸屬度可根據(jù)不同的模糊隸屬函數(shù)求出，分別為…。同樣地，對于數(shù)據(jù)D₂，屬于語義表達(dá)d₂₁、d₂₂、…、 的隸屬度可根據(jù)不同的模糊隸屬求出，分別為 …、 。以此類推，便可行出不同數(shù)據(jù)、參數(shù)在不同語義表達(dá)下的模糊隸屬度。

（4.3）

同時，根據(jù)知識庫中的模糊規(guī)則，數(shù)據(jù)參數(shù)據(jù)語義表達(dá)與事件征兆集之間按照連線權(quán)值為1、非連線權(quán)值為0的原則構(gòu)成的矩陣D_mk，事件征兆集與推理結(jié)果之間按專家給定的權(quán)值構(gòu)成矩陣D_kp，便形成模糊關(guān)系矩陣R_c=D_mk×D_kp。

最終，模糊推理的結(jié)果可通過模糊變換公式獲得：

（4.4）

式中“﹒”為模糊算子，采用Sup-T合成運(yùn)算方法實現(xiàn)。

（3）神經(jīng)網(wǎng)絡(luò)推理

根據(jù)圖4.6所示的專家知識結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)推理為五層結(jié)構(gòu)。

第一層為數(shù)據(jù)參數(shù)語義表達(dá)層。每個數(shù)據(jù)或參數(shù)對應(yīng)有若干語義表達(dá)，相應(yīng)的連接權(quán)值為1，對于任意一個數(shù)據(jù)或參數(shù)輸入D_i,其第j條語義表達(dá)根據(jù)專家知識庫存在著數(shù)據(jù)或參數(shù)的輸入閾值θ_ij，利用Sigmoid型神經(jīng)元特性函數(shù)便可算出y_ij。

第二層為事件征兆層。根據(jù)專家知識庫，若干個語義表達(dá)的集合便構(gòu)成了一個事件，用連線及權(quán)值表達(dá)它們的關(guān)系，形成了k個事件。每個事件的輸出同樣根據(jù)相應(yīng)的語義表達(dá)個數(shù)、連接權(quán)值、Sigmoid 神經(jīng)元特性函數(shù)確定。對任意事件E_i，對應(yīng)的語義表的集合為{d₁、d₂、…、d_j}事件輸出為：

式中：w_k——連線權(quán)值；θ_k——偏置信號
第三層為推理結(jié)果層。每個事件輸出E_i與推理結(jié)果F_j之間都有連線并賦有權(quán)值 ，參照模糊推理，推理結(jié)果為：

，其中：i=1，2，3，…，k；j=1，2，3，…，p             （4.7）

推理算法確定后將進(jìn)行推理方式選擇，推理方式的選擇有手動選擇和自動選擇兩種。
手動選擇主要根據(jù)具體對象和推理系統(tǒng)的運(yùn)行狀況來進(jìn)行，在領(lǐng)域知識和定性知識缺乏的情況下，主要選擇神經(jīng)網(wǎng)絡(luò)推理，或者選擇神經(jīng)網(wǎng)絡(luò)與模糊邏輯推理的組合；在領(lǐng)域知識比較豐富和明確的情況下，主要選擇專家系統(tǒng)推理，或者選擇專家系統(tǒng)與模糊邏輯推理的組合，也可選擇專家系統(tǒng)、模糊邏輯、神經(jīng)網(wǎng)絡(luò)推理同時運(yùn)行；在對象特征參數(shù)語義表達(dá)豐富的情況下，主要選擇模糊邏輯推理，或者選擇模糊邏輯與專家系統(tǒng)推理的組合、模糊邏輯與神經(jīng)網(wǎng)絡(luò)推理的組合，也可選擇專家系統(tǒng)、模糊邏輯、神經(jīng)網(wǎng)絡(luò)推理同時運(yùn)行。當(dāng)存在兩個以上推理同時進(jìn)行時，則進(jìn)行推理結(jié)論的優(yōu)化。
自動選擇的推理方式是分別進(jìn)行專家系統(tǒng)、模糊邏輯、神經(jīng)網(wǎng)絡(luò)的推理，各個推理結(jié)論通過優(yōu)化決策后形成最終結(jié)論作為神經(jīng)網(wǎng)絡(luò)的樣本進(jìn)行學(xué)習(xí)，根據(jù)學(xué)習(xí)結(jié)果修改調(diào)整專家知識庫，用于下一輪推理，如此不斷地循環(huán)進(jìn)行。推理結(jié)果優(yōu)化：
推理結(jié)果會出現(xiàn)不一致問題，有時甚至矛盾。為此，采用了優(yōu)化算法。

a.設(shè)計變量
令：推理要解決的問題：1、2、3、…、p個
    模糊邏輯推理對問題的輸出：F_f1、F_f2、F_f3、…、F_fp

    神經(jīng)網(wǎng)絡(luò)推理對問題的輸出：F_n1、F_n2、F_n3、…、F_np

    專家系統(tǒng)推理對問題的輸出：F_e1、F_e2、F_e3、…、F_ep

設(shè)計變量為：X={x_f、x_n、x_e}

b.目標(biāo)函數(shù)

c.約束條件

0≤x_f≤1；0≤x_n≤1； 0≤x_e≤1；x_f+x_n+x_e=1

d.根據(jù)目標(biāo)函數(shù)與約束條件，求最優(yōu)解。

分別求f（X）對x_f、x_n、x_e的偏導(dǎo)數(shù)。由于目標(biāo)函數(shù)為非線性函數(shù)，為避免多個局部最小指出現(xiàn)，采用約束變尺度法求解，最終求出優(yōu)化后的x_fh、x_nh、x_eh。

e.推理結(jié)果輸出

求解問題1：x_thF_f1+x_nhF_n1+x_ehF_e1

求解問題2：x_fhF_f2+x_nhF_n2+x_ehF_e2

求解問題3：x_thF_f3+x_nhF_n3+x_ehF_e3

……………………………………

求解問題P：x_fhF_fp+x_nhF_np+x_ehF_e

組合智能推理機(jī)系統(tǒng)巧妙地將三個推理引擎有機(jī)結(jié)合、并行運(yùn)行，各個推理算法的優(yōu)勢，充分發(fā)揮各個推理算法的優(yōu)勢，克服其中的不足，使智能推理達(dá)到了高級水平。在實際推理過程中可靈活地選擇其中的任意一種或兩種推理方式來運(yùn)行，也可采用三種推理同時運(yùn)行。基于相關(guān)聯(lián)系的系統(tǒng)，采用模糊推理算法；基于事件的系統(tǒng)，采用神經(jīng)網(wǎng)絡(luò)；基于規(guī)則的系統(tǒng)，采用規(guī)則轉(zhuǎn)換算法。這三種推理模塊同時存在、各盡其責(zé)，通過歷史數(shù)據(jù)和在線強(qiáng)化學(xué)習(xí)達(dá)到優(yōu)化這些模塊內(nèi)部的因素。

4.4.3 數(shù)據(jù)引擎模塊的設(shè)計
數(shù)據(jù)引擎完成的功能主要是采集應(yīng)用系統(tǒng)實時數(shù)據(jù)。將采樣到的數(shù)據(jù)與貢平知識庫中建立的系統(tǒng)模型輸入節(jié)點進(jìn)行對比，再按照推理引擎需要的特宇鄰考贊式將輸入數(shù)據(jù)通過指定通訊協(xié)議傳遞給推理機(jī)，因此數(shù)據(jù)輸入引擎是系統(tǒng)是系統(tǒng)使用時實時系統(tǒng)與推理系統(tǒng)的數(shù)據(jù)聯(lián)系通道，并且這種數(shù)據(jù)傳遞是利用靈活TCP/IP或串行通訊等方式進(jìn)行傳輸，因此使用時，可以將數(shù)據(jù)采集系統(tǒng)與推理系統(tǒng)在IP相連的兩個不同物理位置，增加系統(tǒng)構(gòu)建的靈活性。綜合的通訊模塊使本系統(tǒng)能快速方便地與現(xiàn)場實時數(shù)據(jù)實現(xiàn)傳遞。同時，數(shù)據(jù)引擎還可完成數(shù)據(jù)的壩處理、數(shù)據(jù)記錄與回放。

4.5 網(wǎng)絡(luò)化遠(yuǎn)程診斷的應(yīng)用
4.5.1 計算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展
隨著計算機(jī)技術(shù)、計算機(jī)網(wǎng)絡(luò)技術(shù)、多媒體技術(shù)和通信技術(shù)的迅速發(fā)展，遠(yuǎn)程信息數(shù)據(jù)的使用越來越方便，特別是INTERNET網(wǎng)的快速發(fā)展和使用，使得故障診斷遠(yuǎn)離故障現(xiàn)場，實現(xiàn)無地域和時間限制的遠(yuǎn)程故障診斷有了可能。

INTERNET是全世界最大的計算機(jī)互連網(wǎng)絡(luò)，它是由美國APPANET發(fā)展和演化而來的。INTERNET的核心技術(shù)是TCP/IP協(xié)議和Web 技術(shù)，其中TCP/IP協(xié)議是實現(xiàn)互連網(wǎng)絡(luò)和互操作性的關(guān)鍵，正是通過它，INTERNET 上的各種網(wǎng)絡(luò)才得以互連并實現(xiàn)通信。
4.5.2 智能診斷系統(tǒng)數(shù)據(jù)通訊接口
本文的智能診斷系統(tǒng)數(shù)據(jù)通訊接口就是使用TCP/P協(xié)議，直接使用程序及開發(fā)工具所提供的環(huán)境和手段（如Winsock）來實現(xiàn)遠(yuǎn)程數(shù)據(jù)通信功能。該系統(tǒng)的通訊接口有以下三個特點：
l）整體結(jié)構(gòu)是按分布式結(jié)構(gòu)設(shè)計的，采用客戶機(jī)/服務(wù)器的方式，數(shù)據(jù)服務(wù)器一旦設(shè)置好，就始終處于運(yùn)行狀態(tài)，推理機(jī)一旦需要申請數(shù)據(jù)，就向數(shù)據(jù)引擎提出數(shù)據(jù)請求表，數(shù)據(jù)引擎根據(jù)綜合各個推理機(jī)的數(shù)據(jù)請求表向相應(yīng)的對象提出數(shù)據(jù)請求，再將從對象得到數(shù)據(jù)分配給各推理機(jī)。具體結(jié)構(gòu)如圖4.7 所示。服務(wù)器與客戶機(jī)之間采用TCP/IP 協(xié)議。
2）數(shù)據(jù)引擎使用的方式是一旦調(diào)試通過了，就讓數(shù)據(jù)引擎一直運(yùn)行，不再進(jìn)行任何操作�？梢园褦�(shù)據(jù)引擎看作一個數(shù)據(jù)服務(wù)器，應(yīng)該進(jìn)行遠(yuǎn)程操作，一般情況下不進(jìn)行操作。
3）數(shù)據(jù)引擎與特定對象之間采用調(diào)用動態(tài)聯(lián)接庫的辦法進(jìn)行通訊，針對不同的對象調(diào)用不同的動態(tài)聯(lián)接庫。
根據(jù)上述三個特點及圖4.7 所示，數(shù)據(jù)引擎完成的功能主要是調(diào)用數(shù)據(jù)動態(tài)連接庫。本文的智能故障診斷系統(tǒng)的數(shù)據(jù)引擎界面如圖4.8 所示：

數(shù)據(jù)引擎與特定對象之間采用調(diào)用動態(tài)聯(lián)接庫的辦法進(jìn)行通訊，單擊“打開數(shù)據(jù)收集器”，激活數(shù)據(jù)收集函數(shù)，進(jìn)入數(shù)據(jù)準(zhǔn)備收集狀態(tài)，單擊“開始收集”，進(jìn)入數(shù)據(jù)收集狀態(tài)，收集“監(jiān)測采集系統(tǒng)”發(fā)送的數(shù)據(jù)并進(jìn)行數(shù)據(jù)再處理，再處理的目的是將“監(jiān)測采集系統(tǒng)”發(fā)送的數(shù)據(jù)處理后變?yōu)橥评頇C(jī)要求的數(shù)據(jù)，同時檢測故障診斷推理機(jī)的數(shù)據(jù)申請狀態(tài)，當(dāng)故障診斷推理機(jī)進(jìn)行故障診斷推理時，“數(shù)據(jù)引擎”將收集到的數(shù)據(jù)與專家知識庫中建立的系統(tǒng)模型輸入數(shù)據(jù)節(jié)點進(jìn)行對比，再按照推理引擎需要的特定數(shù)據(jù)格式將推理機(jī)需要的數(shù)據(jù)通過指定通訊協(xié)議傳遞給推理機(jī)。顯然，上述中所說的動態(tài)聯(lián)接庫（DLL調(diào)用函數(shù)）是關(guān)鍵的一環(huán)。在數(shù)據(jù)引擎的基礎(chǔ)上我們可以編制自己獨(dú)特的通訊接口或是保密的通訊接口。根據(jù)下表所述編制自己的DLL調(diào)用函數(shù)。
動態(tài)連接庫的接口函數(shù)如下：
extern“C”__declspec(dllexport)bool__stdcall CreateContainer()；
主要用于初始化動態(tài)連接庫所需的相關(guān)資源。返回值為是否成功的標(biāo)志。

extern“C”__declspec(dllexport)void__stdcall StartData()；
主要用于向動態(tài)連接庫發(fā)一個開始收集數(shù)據(jù)的信號。
extern“C”__declspec(dllexport)void__stdcall StopData()；
主要用于向動態(tài)連接庫發(fā)一個停止收集數(shù)據(jù)的信號。
extern“C”_declspec(dllexport)char*__stdcall GetData(char*)；

這個函數(shù)最重要，主要用于主程序向DLL取數(shù)，其中的參數(shù)是指向DLL傳遞的數(shù)據(jù)點名稱列表，形式為：
NAME1,NAME2,NAME3,……，
DLL向主程序返回的則是數(shù)據(jù)列表，形式為：
VALUE1,VALUE2,VALUE3,……，
主程序會按設(shè)定的一定的時間間隔調(diào)用這個函數(shù)來進(jìn)行取數(shù)。
例如：向DLL傳遞的數(shù)據(jù)點名稱列
Tag__No1,Tag__No2,Tag__No3，……，
DLL返回的數(shù)據(jù)列表為：123.46,23.4,34,……，
extern“C”__declspec(dllexport)void__stdcall FreeConiainer()；
主要用于釋放動態(tài)連接庫所需的相關(guān)資源。
4.5.3 網(wǎng)絡(luò)化診斷的應(yīng)用
網(wǎng)絡(luò)化遠(yuǎn)程故障診斷的實現(xiàn)，其關(guān)鍵是遠(yuǎn)程數(shù)據(jù)的傳送、存貯及數(shù)據(jù)交換處理。故障診斷系統(tǒng)遠(yuǎn)離故障設(shè)備現(xiàn)場，只要故障現(xiàn)場故障測試數(shù)據(jù)能即時通過網(wǎng)絡(luò)傳送到故障診斷系統(tǒng)中，故障診斷系統(tǒng)即能實現(xiàn)網(wǎng)絡(luò)化遠(yuǎn)程故障診斷。當(dāng)智能故障診斷中的推理機(jī)進(jìn)行推理時，通過數(shù)據(jù)引擎向動態(tài)連接庫DLL函數(shù)申請數(shù)據(jù)，這些數(shù)據(jù)是推理時需要的故障特征參數(shù)變量值。動態(tài)連接庫DLL函數(shù)則通過網(wǎng)絡(luò)直接從故障現(xiàn)場測試采集計算機(jī)中得到故障信息數(shù)據(jù)。數(shù)據(jù)傳送流程圖如圖4.9 所示。

根據(jù)流程圖可知，從故障測試數(shù)據(jù)到數(shù)據(jù)引擎，有兩種數(shù)據(jù)處理方式，一種是故障測試數(shù)據(jù)由數(shù)據(jù)采集系統(tǒng)采集后，可先進(jìn)行預(yù)處理，將故障信號數(shù)據(jù)處理為推理機(jī)所需的故障特征數(shù)據(jù)，然后發(fā)送出去，動態(tài)連接庫DLL函數(shù)則通過網(wǎng)絡(luò)接收這些故障特征數(shù)據(jù)，同時對照推理機(jī)向數(shù)據(jù)引擎申請的故障特征變量，將申請的故障特征變量對應(yīng)的值找出，按數(shù)據(jù)引擎規(guī)定的格式反送給申請數(shù)據(jù)的推理機(jī)。另一種是故障測試數(shù)據(jù)由數(shù)據(jù)采集系統(tǒng)采集后，按一定格式直接發(fā)送出去，動態(tài)連接庫DLL函數(shù)則通過網(wǎng)絡(luò)接收這些故障信息數(shù)據(jù)，然后再進(jìn)行數(shù)據(jù)預(yù)處理，將故障信息數(shù)據(jù)處理為推理機(jī)所需的故障特征數(shù)據(jù)，同時對照推理機(jī)向數(shù)據(jù)引擎申請的故障特征變量，將申請的故障特征變量對應(yīng)的值找出，再按數(shù)據(jù)引擎規(guī)定的格式反送給申請數(shù)據(jù)的推理機(jī)。
推理機(jī)得到數(shù)據(jù)引擎返回的特征數(shù)據(jù)后，按設(shè)定好的推理規(guī)則，進(jìn)行推理，完成網(wǎng)絡(luò)遠(yuǎn)程診斷。

4.6 傳動裝置網(wǎng)絡(luò)化智能化診斷系統(tǒng)的集成
本文所用的網(wǎng)絡(luò)化、智能化故障診斷系統(tǒng)軟件由兩大部分組成。一部分是故障信號采集及數(shù)據(jù)預(yù)處理系統(tǒng)，另一部分是圖形化的智能診斷推理系統(tǒng)，兩部分是相互獨(dú)立的，要實現(xiàn)故障診斷的網(wǎng)絡(luò)化、智能化，必需將這兩部分集成為一個整體的系統(tǒng)，將數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)傳送及故障智能診斷融合為一個有機(jī)的整體，同時又保持這兩部分的相對獨(dú)立性。集成的目標(biāo)有以下幾個方面：

1）數(shù)據(jù)采集按原方式采集不變，數(shù)據(jù)的存貯方式不變；
2）方便用戶進(jìn)行二次開發(fā)；
3）數(shù)據(jù)傳送可根據(jù)用戶的要求進(jìn)行選擇；
4）盡量減少用戶建立故障專家知識時的工作量；
5）數(shù)據(jù)處理中應(yīng)考慮使用特定變量名(變量名固定），以減少用戶編程工作量。

本文中用的集成系統(tǒng)，使用的數(shù)據(jù)傳送線路為圖4.8中線路1的方式。

4.6.1故障特征參數(shù)的獲取及傳送
故障診斷中，需要大量的故障特征數(shù)據(jù)，對于不同的故障，所需的故障特征不同，為了使集成后的系統(tǒng)能適用更多的設(shè)備故障診斷當(dāng)中，在進(jìn)行故障特征參數(shù)據(jù)的提取時，應(yīng)盡可能多地考慮各種故障所需的特征參數(shù)。
對于旋轉(zhuǎn)機(jī)械故障需提取特征參數(shù)有：
l）作為變量提取的頻率特征參數(shù)
1/5倍頻、1/3倍頻、l/4倍頻、l/2倍頻，0. 43～0.48倍頻，0.75倍頻，l倍頻、2倍頻、3倍頻、4倍頻、5倍頻、臨界轉(zhuǎn)速，renxuan，每個頻率值為一個值給出。其中renxuan作為可變倍頻參數(shù)，提取頻率特征參數(shù)時，renxuan變量用戶可根據(jù)自己的需要來設(shè)定renxuan的特征頻率值。例如需要嚙合頻率，則renxuan應(yīng)為轉(zhuǎn)頻的齒數(shù)倍。
2）振動方向
徑向或軸向    用一個值。
3）振動穩(wěn)定性
穩(wěn)定，較穩(wěn)定，突變后穩(wěn)定，不穩(wěn)定，反向移動，反向跳動突變，用一個值。

4）振動軌跡
橢圓，雙環(huán)橢圓，不穩(wěn)定，雙橢圓或不規(guī)則，不規(guī)則擴(kuò)散，紊亂，用一個值。

5）矢量區(qū)域
不變，矢量起始點大，隨升速繼續(xù)增大，升速時矢量逐漸增大，穩(wěn)定運(yùn)行后矢量逐漸減小，突變，改變，分別用不同值表示。
6）敏感參數(shù)
振動隨轉(zhuǎn)速變化，振動隨負(fù)荷變化，振動隨油溫變化，振動隨流量變化，振動隨壓力變化，各用一個值。
統(tǒng)計上述六種特征參數(shù)變量，共需21個變量，按用戶約定或自行設(shè)定此21個變量的變量名，并記錄在特征參數(shù)變量表中，以便查詢。
特征參數(shù)的提取在數(shù)據(jù)采集及預(yù)處理系統(tǒng)中完成，此系統(tǒng)按設(shè)定的采集時間，采集一組數(shù)據(jù)，處理一組數(shù)據(jù)并發(fā)送一組數(shù)據(jù)。
本文使用的數(shù)據(jù)發(fā)送方式是將特征參數(shù)的變量名與參數(shù)值組成字串，其形式為“D|變量名1＝值1，變量名2=值2，……，變量名n＝值n ,|^^^^”，采用TCP/IP加技術(shù)，建立stocket 連接，將故障特征參數(shù)傳送到服務(wù)器端口上。
4.6.2 動態(tài)數(shù)據(jù)連接庫的程序設(shè)計及與推理平臺的連接
根據(jù)本文系統(tǒng)集成的要求，動態(tài)數(shù)據(jù)連接庫的程序工作是進(jìn)行數(shù)據(jù)接收、搜索故障智能推理平臺所需要的特征參數(shù)的值，然后這些特征參數(shù)的值與故障智能推理平臺對應(yīng)的變量名組成新的字串，發(fā)送到故障智能推理平臺接收端上。

該程序應(yīng)嚴(yán)格按4.5.2中所述的格式編寫。其中在GetData(char*）函數(shù)塊內(nèi)完成數(shù)據(jù)搜索及數(shù)據(jù)重組工作。程序設(shè)計時，應(yīng)選擇優(yōu)化的搜索方法，以減少搜索時間。
智能診斷推理平臺，在進(jìn)行故障診斷的推理時，采用定時的方式向動態(tài)數(shù)據(jù)連接庫申請故障特征數(shù)據(jù)，其時間的設(shè)定可以根據(jù)用戶的需求設(shè)定，一般應(yīng)考慮數(shù)據(jù)采集及預(yù)處理所需的時間來設(shè)定申請數(shù)據(jù)的時間，否則，申請到的數(shù)據(jù)可能是與上次相同的數(shù)據(jù)。但也不能把時間設(shè)定的過長，這樣當(dāng)數(shù)據(jù)端口堆棧過多時，新數(shù)據(jù)換掉舊數(shù)據(jù)，出現(xiàn)診斷數(shù)據(jù)漏診的現(xiàn)象。
智能診斷推理平臺向動態(tài)數(shù)據(jù)連接庫申請的故障特征數(shù)據(jù)必須是采集預(yù)處理系統(tǒng)故障特征參數(shù)中有的數(shù)據(jù)，如果沒有，則動態(tài)數(shù)據(jù)連接庫搜索不到該數(shù)據(jù)，返回的數(shù)據(jù)不足，則沒有診斷結(jié)果。如果故障推理所申請的故障特征數(shù)據(jù)在采集預(yù)處理系統(tǒng)故障特征參數(shù)中沒有，而且是必須的數(shù)據(jù)，則應(yīng)在動態(tài)數(shù)據(jù)連接庫中的GetData(char*）函數(shù)塊內(nèi)進(jìn)行處理，得到故障推理所需要的數(shù)據(jù)。
4.6.3 診斷結(jié)果輸出平臺的設(shè)計
本文使用的智能故障診斷系統(tǒng)，在診斷推理的同時，將診斷結(jié)果發(fā)送到本機(jī)的Stocket端口上，端口數(shù)為2049，數(shù)據(jù)格式如下：
l）在建立Stocket連接時，傳送故障名和專家建議：
D|故障名1：專家建議1，故障名2：專家建議2，……，故障名n：專家建議n, ^^^^
2）診斷結(jié)果輸出：
R|Result1,Result2,……,Resultu,| ^^^^
根據(jù)給出的數(shù)據(jù)端口及數(shù)據(jù)格式，即可按用戶的要求設(shè)計診斷結(jié)果輸出平臺。診斷結(jié)果應(yīng)給出診斷故障的名稱、故障發(fā)生的部位，故障發(fā)生的時間及程度。對于不同的故障，提示故障發(fā)生的可能原因，給出相應(yīng)的專家建議或維修方法等。圖4.10為本文集成系統(tǒng)的診斷結(jié)果輸出用戶界面。圖4.11為本文集成系統(tǒng)的專家知識庫建立及診斷推理平臺。

4.7 本章小結(jié)
本章在闡述了故障診斷的方法的基礎(chǔ)上，重點介紹的本文所使用的故障智能診斷系統(tǒng)的設(shè)計思想及組成，分析了智能診斷系統(tǒng)的組合推理原則和遠(yuǎn)程網(wǎng)絡(luò)診斷數(shù)據(jù)的傳遞原則，指出了本文智能診斷系統(tǒng)的數(shù)據(jù)通訊接口程序的設(shè)計方法和通用的動態(tài)連接庫接口程序。在此基礎(chǔ)上，分析了網(wǎng)絡(luò)化、智能化診斷系統(tǒng)的集成方法及相應(yīng)的程序設(shè)計方法，并對本文使用的智能診斷系統(tǒng)進(jìn)行了集成。