吉林大學計算機科學與技術學院 61251部隊 鄭 偉
61251部隊 安佰強
吉林大學電子科學與工程學院 王小雨
吉林大學計算機科學與技術學院 劉 巍
吉林大學計算機科學與技術學院 61467部隊 時永進
近三十年來人工智能(Artificial Intelligence,AI)獲得了迅速的發展,在很多學科領域都獲得了廣泛應用,并取得了豐碩成果。作為人工智能一個重要分支的專家系統(Expert System,ES)是在20世紀60年代初期產生并發展起來的一門新興的應用科學,而且正隨著計算機技術的不斷發展而日臻完善和成熟。[1]
隨著現代工業及科學技術的迅速發展,生產設備日趨智能化、復雜化,專家系統也經歷了三個發展階段。第一階段的專家系統主要依賴于領域專家的感官和專業經驗,對診斷信息只作簡單的數據處理;第二階段的專家系統則是以信號處理為依托,應用傳感器技術和遠程控制技術實現遠程技術支持的現代診斷技術;第三階段則是隨著計算機及人工智能的發展,以知識處理為核心,實現信號處理、建模處理與知識處理相融合的智能診斷技術。智能故障診斷技術的研究目前主要從兩個方向展開:基于知識的智能故障診斷技術的研究和基于神經網絡的智能故障診斷技術的研究。
ES是一個具有大量專門知識與經驗的程序系統,它應用人工智能技術,根據一個或多個人類專家提供的特殊領域知識、經驗進行推理和判斷、模擬人類專家做決策的過程來解決那些需要專家決定的復雜問題。[2]
自從1968年Feighbaun教授開發出首個專家系統DENDRAL,用來解決化學質譜問題以來,專家系統因其能產生巨大的經濟效益而得到了各行業的廣泛應用。迄今為止,已經形成了十余類,主要包括診斷型、設計型、規劃型、解釋型、預測型、監視型、調試型、教學型、修正型、控制型。本文所要應用的專家系統是診斷型的專家系統。
診斷專家系統作為專家系統中的一個分支,其研究也得到了各國的高度重視,并相繼在各行業中開發出了一些診斷專家系統,如1982年EGG公司于開發的REACTOR系統(用于核反應堆故障診斷與處理),1983年Bell實驗室于開發的ACE系統(用于電話電纜故障診斷與維護),在我國,中電某所研制的基于某型裝備的故障診斷專家系統等等。
1)知識豐富。積累了相當數量專家的知識;
2)啟發性。專家系統能運用專家知識進行判斷、推理和決策;
3)復雜度高。知識庫中的知識雖然涉及的面比較窄,但是它具有較高的復雜度與難度;
4)具有獲取知識的能力;
5)透明性。具有解釋功能,并能回答用戶提出的問題,提高用戶與系統之間的透明度;
6)靈活性。知識與推理機構彼此既有聯系,又相互獨立,使專家系統具有良好的可維護性和可擴展性。
ES的一般結構有六個部分:知識庫(Kn owledge Base)、數據庫(Data Base)、推理機(Inference Engine)、解釋子系統(Explanatory System)、人機接口(Manmachine Interface)和知識獲取子系統(Knowledge Acquisition),如圖3.1為專家系統的基本結構。
1)知識庫:專家系統存儲知識的地方。主要用于收集和存儲某領域專家的經驗、知識及書本知識、常識等,包括可行操作、事實和規則等;
2)綜合數據庫:綜合數據庫又稱總數據庫或全局數據庫,主要用于存放有關問題求解的假設、初始數據、目標、求解狀態、中間結果以及最終結果;
3)推理機:推理機是專家系統的核心部分,實際是一組計算機程序,用于模擬專家的思維過程,控制、協調整個專家系統的工作。它根據用戶所提供的初始數據和問題求解要求,運用知識庫中的事實和規則,按照一定的推理方法和控制策略對問題進行推理求解,并將產生的結果輸出給用戶;
4)知識獲取子系統:在建造和維護知識庫時充當專家系統和領域專家、知識工程師的接口;
5)解釋子系統:解釋機構由一組計算機程序組成,它對推理給出必要的解釋,并根據用戶問題的要求做出相應的回應,最后把結果通過人機接口輸出給用戶,以增強用戶對系統推理的理解和信任;
6)人機接口:用戶、專家系統和領域專家知識工程師之間溝通的媒介,它把三者交互的信息轉換成彼此都能夠理解的形式,由一組程序及相應的硬件組成,用于完成I/O工作。
ES是AI的一個重要分支,也稱為基于知識的系統,它產生于二十世紀中期,經過多年的科學研究,理論水平日益成熟,其應用也得到了飛速發展。至今,世界各國已經在地質勘查、醫療診斷、化學工程、圖像處理、語言識別、信號處理、軍事、農業、交通等領域研制出了大量的實用專家系統,其中不少系統在性能上已經超過了同領域人類專家的水平,取得了很大的經濟效益。
ES的研制促進了人工智能技術的發展,開辟了計算機求解非數值問題的有效途徑,世界各國對使專家系統的研究投入也越來越多,美、日、英等國紛紛將其列為國家重點科研項目,日本把專家系統定為第五代計算機研究的核心內容,英國已經將專家系統列入國家四大重點項目之一。迄今為止,專家系統的主要成果有MYCIN、PUFF、OPS5、AGE、KEE、CASNET、GESDE、KBMS、DART/DASD等。
近年來應用最廣、研究最多的是診斷類專家系統,其發展大致經歷了兩個階段:第一階段是基于淺知識的故障診斷專家系統,第二階段是基于深知識的故障診斷專家系統。
數十年來對ES的研究和實踐表明,現有的ES的確在很多方面具備AI所擁有的能力,并且在裝備故障診斷和地質勘探領域中取得了相當程度的成功應用,但是也存在較多明顯的局限性,主要表現在以下四個方面。[4]
一是知識獲取的瓶頸有限。一方面很難將專家的知識經驗用準確的規則描述;另一方面獲取知識的工作量卻非常大。
二是自適應能力差。多數專家系統都局限在以某專業領域的知識經驗為基礎對用戶問題進行求解,對那些系統知識經驗未涉及到的問題,就無法求解,甚至輸出錯誤的結論。
三是自學習能力差。不能從求解過的問題中自動學習新的知識,不能從求解問題成敗中積累經驗,不能自動修正原有知識庫中的知識和經驗,從而阻礙了系統的自我提高和自我完善。
圖3 .1 專家系統的基本結構
四是實時性差。對于復雜的問題對象,搜索范圍大,速度慢,難以滿足快速實時輸出結論的應用需要。
針對上述存在的四個問題,研究人員正積極尋求解決問題之道,并逐步形成了以下五個專家系統的發展方向。
一是由基于規則的專家系統到基于模型的專家系統;
二是由領域專家工程師提供知識到機器學習和專家知識相結合的專家系統;
三是由非實時診斷系統到實時診斷系統;
四是由單機診斷系統到基于物聯網的分布式全系統診斷專家系統;
五是由單一推理控制策略專家系統到混合推理、不確定性推理控制策略專家系統。
總之,專家系統的發展除了在知識獲取與知識表示等部分功能更加完善以外,在機器學習、推理機制和實時控制等各方面都將會有較大的進展和突破。隨著智能技術和計算機技術的發展,人們對設備以及設備診斷技術的自動化程度要求越來越高,專家系統無疑將會成為世界各國最具競爭力的研究課題和發展方向,因此,專家系統的研究和應用前景相當樂觀。
專家系統是一類具有專門知識經驗的計算機程序系統,通過對領域專家工程師的問題求解能力的建模,采用人工智能中的知識獲取和知識表示技術來模擬通常由領域專家才能解決的復雜問題,達到領域內同等專家求解問題的水平。
隨著故障診斷專家系統的應用日益廣泛,應用專家系統解決問題的復雜度和難度也相應的不斷增大,傳統專家系統已經逐步被一些新型的專家系統取代,如基于混合模型的專家系統、機器學習和專家知識相結合的專家系統、實時診斷專家系統、分布式全系統診斷專家系統、混合推理、不確定性推理控制策略專家系統等。
[1]楊興,朱大奇,桑慶兵.專家系統研究現狀與展望[J].計算機應用研究,2007,24(5)4-9.
[2]郭偉偉.基于故障樹技術的遠程故障診斷專家系統的研究[D].西安:西北工業大學,2007.
[3]梅杰.基于人工神經網絡的旋轉機械故障診斷專家系統[D].武漢:武漢理工大學,2011.
[4]鄒光宇.專家系統發展現狀及其應用前景[J].電力勘測,1994(3):21-26.