摘 要：归纳了神经网络在故障诊断中的运用方式，探讨了故障诊断的神经网络方法和专家系统方法的联系和区别，以及两种方法的结合方法；最后，给出了选择智能故障诊断方法的原则。
关键词：故障诊断 神经网络 专家系统
1引言
随着现代工业、企业及科学技术的迅速发展，生产设备及系统日趋大型化、复杂化和自动化，对系统可靠性和安全性的要求越来越高，一旦系统发生故障将会造成巨大的经济损失和人员伤亡。美国航天飞机挑战者号的发射失败，哥伦比亚号的解体，前苏联切尔诺贝利核电站的泄漏事故以及我国在一些企业设备发生的故障等，都已充分说明了这一点。所以大力开展故障诊断技术的研究，对于促进大型技术过程的发展，提高复杂系统的可靠性、安全性和可维护性具有重大的现实意义［１］。
自20世纪80年代，人工神经网络的研究复兴以来，神经网络以其具有的许多优点在复杂系统的故障诊断中受到越来越广泛的重视，显示出巨大的潜力，已成为故障诊断技术的一种重要手段。本文将在给出目前神经网络技术在故障诊断中应用的方法基础上，指出基于神经网络的故障诊断方法的特点和优势、存在的问题，给出神经网络与专家系统相互结合的方法和智能故障诊断方法的选择原则。
2基于神经网络的故障诊断方法
人工神经网络是模拟生物神经网络结构的一种复杂的、大规模的非线性动力学系统。由于神经网络具有模拟任何连续非线性函数的能力、利用样本学习的能力、容错能力以及天然模式识别能力［２］，已被用于复杂系统的故障诊断中。目前，在故障诊断中应用最多的是多层前向神经网络，hopfied网络、双向联想记忆(bam)、自适应谐振理论(art)等神经网络模型在故障诊断中也有应用［３，４］。使用神经网络进行故障诊断的方法主要有以下几类：
2.1使用神经网络产生残差、进行残差评估
传统的基于数学模型故障诊断的基本思想是，设计系统的检测滤波器(数学模型)，然后根据滤波器的输出与真实系统的输出的比较，产生残差，再对其残差进行分析、处理，以实现系统的故障诊断［４］。
为了产生残差，可用神经网络代替正常状态的系统模型。首先，由直接测量或从仿真系统中采集输入输出数据，建立其数据库，然后，对网络进行训练。如果可能，也可以收集一些故障状态时的数据，以便对残差产生器进行检验。训练完成后，就可以用网络在线产生残差(如图1)。在这里，神经网络建模是动态的，既可以采用具有输入输出延迟的多层前向神经网络(如图2)，采用具有内部反馈连接递归神经网络，也可以采用文［５］提出的神经网络状态空间辨识模型［５］。
可采用多层前向神经网络进行残差评估，残差可以由上述神经网络方法产生，也可由解析方法产生，如：观测器法或参数估计法［６，７，８］。首先，需要建立残差数据库和相应的故障特征数据库，利用它们对神经网络进行训练。训练完成后，神经网络就可以在线估计残差，决定系统是否有故障发生，并指出故障发生的原因(如图3)。
2.2用神经网络进行模式分类的故障诊断推理
神经网络用于故障诊断最多的是利用神经网络的学习能力建立故障征兆与故障原因之间的映射关系—神经网络模型，使用神经网络模型可直接由故障征兆推理出故障原因。
这种方式多使用多层前向神经网络模型，使神经网络输入层的节点对应故障征兆，输出层的节点对应故障原因。首先，收集故障征兆和故障原因构成的故障样本，然后使用这些样本对选定的神经网络模型进行训练，网络训练好后，神经网络本身就已建立了故障征兆和故障原因之间的非线性映射关系。应用时，只需将故障征兆送入神经网络，通过神经网络自身的前向运算就可以推出故障原因，完成故障推理和分类。
在诊断对象简单时可以采用单个神经网络完成诊断，当诊断对象复杂时，可使用多个神经网络，按照对诊断对象的分解，例如，按照故障树的方式对系统的分解，用不同的子网络分别实现不同层次上的诊断［９］，从而构成集成的神经网络故障诊断系统［10］。
3神经网络故障诊断和专家系统故障诊断方法的特点及两种方法的结合
智能故障诊断技术主要包括传统的专家系统法和神经网络法。
应用专家系统技术的故障诊断系统大多是基于规则的故障诊断专家系统，它将领域知识编成一系列产生式规则(表示形式为if…，then…)表示、存储和处理。尽管这种类型的专家系统可以解决许多系统的故障诊断问题，对复杂的系统霜利用大量的产生式规则(这种规则主要依赖人工编写)，因而故障诊断专家系统运行很慢，很难适应实时环境的要求。此外，由于传统的专家系统技术存在知识获取困难、知识难以维护、知识应用面窄、推理能力弱和不适于解决模糊问题等缺点，使得基于这
