前　言
随着科学技术的迅速发展, 现代低温系统越来
越趋向复杂化、自动化和智能化, 传统的故障诊断
技术, 显得有些不足。近年来, 人工智能技术, 尤
其是专家系统在故障诊断领域得到了广泛的研究和
应用。
某低温系统实时故障诊断专家系统利用delphi
强大的数据处理能力和自带数据库的特点, 将其作
为开发工具, 知识库与推理机在结构上相互分离,
知识库强调以各运行参数之间的数值逻辑关系作为
判断低温系统是否正常运行的依据, 推理机通过对
知识库表自动搜索实现知识库功能, 知识库变化、
更新后, 不影响推理机功能的实现, 所以对知识库
的更新、管理十分方便。
1 　实时故障诊断专家系统结构
本系统通过过程计算机将系统运行的各种数据
信息导入数据库作为故障诊断的依据, 一旦系统出
现故障, 某个或某些数据将会偏离系统正常运行的
范围。在专家系统建立时, 事先确定了不同故障特
点与系统运行数据之间的逻辑关系, 而推理的依据
就是各运行参数之间的数值逻辑关系。
整个低温系统由过程计算机进行监控, 过程计
算机系统是低温系统的关键系统, 是过程控制、数
据管理的核心系统。实时故障诊断专家系统在PC
机上运行。根据低温系统结构和故障诊断实时性的
要求, PC 机和过程计算机之间每隔5s 交换数据1
次。如果有故障, 实时故障诊断专家系统或告知故
障发生的原因和部位, 或生成自动排障指令(某些
故障) , 通过PC 机和通信接口传给过程计算机,
自动排除低温系统的设备故障。低温系统和实时故
障诊断系统结构如图1 所示。
图1 　低温系统和实时故障诊断系统结构图
　　实时故障诊断专家系统对低温系统进行状态监
测和故障诊断, 主要由知识库、诊断推理模块、信
息查询模块和显示打印模块来完成。实时故障诊断
专家系统的基本结构如图2 所示。知识库和诊断推
理模块是故障诊断专家系统的核心部分, 其功能是
根据不断写入实时数据库中的反应低温系统状态的
现场实时数据, 对低温系统进行状态监测和故障诊
断。如有故障发生, 及时通过人机接口告知用户故
障发生的原因、部位、严重程度以及故障排除方案
等信息。
图2 　实时故障诊断专家系统基本结构图
2 　知识库与推理机
211 　知识的抽取与知识库的建立
知识库主要用来存放行业专家提供的专门知
识, 为推理机提供求解问题所需的知识。建立知识
库, 必须解决如何存储知识的问题, 这就是所谓的
知识表达, 确切的说是如何以计算机能够存储的形
式来表达知识。
知识库表分为数值型和文字型两种, 以数值型
知识库为主, 文字型知识库作为其有效补充。数值
型知识库表的形式见表1 , 文字型知识库表形式见
表2。
表1 　数值型知识库表
T1 下限T1 上限P1 下限P1 上限P2 下限P2 上限?? 故障原因故障排除方法
t11 t11′ p11 - 1 - 1 p21′ ?? 原因1 排除方法1
t12 - 1 p12 p12′ - 1 - 1 原因2 排除方法2
??
　　通过程序将诊断推理程序部分与数据库形式的
知识库结合, 对数据库形式的知识库进行简单搜
索、推理的设计, 进一步实现人工神经网络的复杂
推理功能。
212 　推理机
实时故障诊断专家系统在兼容正向推理功能的
基础上, 实现了反向推理与混合推理的两种推理机
制, 针对不同故障类型灵活处理。
21211 　正向推理
正向推理是由事实出发向结论方向的推理, 也
称为事实驱动推理, 正向推理的知识库形式见表1。
正向推理实例: 膨胀量减小(流量减小) ∩温
降减小(ΔT 减小) ∩间隙压力升高] 工作轮叶片
堵塞] 处理方法: 先适当加大中抽量吹除, 如果不
行, 只能停车加温吹除。
正向推理方法虽然能解决基本的推理故障类型
的要求, 但是对于复杂推理功能的实现效率较低,
而且准确率不高。
21212 　反向推理
反向推理以故障发生或将要引发故障发生的参
数变化作为出发点, 进一步寻找支持该故障的证据
与之匹配, 直到在知识库中找到故障发生的原因和
处理方法为止。反向推理过程如图3 所示。
表2 　反向推理数据库表
氧
　气
　产
　量
　低
精馏压力低
连接管道、干燥器是否漏气
洗涤塔阀门是否漏气
吹除阀是否关严或漏气严重
操作压力高低温气体、低温液体泄漏
精馏塔压力正常
氮、氧纯度正常馏分抽出量太大, 应该在保证产品纯度前提下, 尽可能减少馏分抽出量
氮纯度降低
液氮纯度过低, 液氮节流阀开度过大, 应适度调节
气氮纯度比液氮低得多, 液氮节流阀开度过小, 应适量调大
上塔的上升蒸汽增加, 回流比减小, 氧气取出量过小, 应该在保证氧纯度的前提下,
尽可能开大氧气取出阀
氮、氧纯度均降低
塔体倾斜, 校正塔的垂直度
塔板堵塞, 应加温清洗塔板
产生液泛
图3 　反向推理流程图
反向推理在程序上通过对数据库的搜索查找来
实现, 实例见表2。
21213 　混合推理
混合推理是将正向推理和反向推理灵活地结合
起来, 将产生相应故障的推理通过查找、收集起来
的资料组成新的数据库, 然后对该数据库进行正向
推理, 正向推理方法如前所述。混合推理收集产生
的数据库实例如表1。
21214 　人工神经网络的功能
人工神经网络致力于模拟人右脑功能的实现,
是生理学上真实的人脑神经网络的结构和功能, 以
及若干基本特性的某种理论抽象、简化和模拟而构
成的一种信息处理系统。
在实际系统构造中, 输入层输入低温系统运行
的所有实时参数值, 实时参数每隔5s 更新1 次,
人工神经网络诊断系统每隔5s 对过程计算机输入
的实时数据进行1 次诊断。当输入1 组故障参数
后, 输出的为不同故障类型编号的概率值, 根据不
同故障类型编号的概率大小判断发生该故障可能性
的大小, 并根据可能性大小排列顺序, 指导操作人
员排除故障, 见表3。
　由表3 可推出故障原因的可能性依次为故障
2、故障3。该推理过程也符合实际专家推理的不
确定性和模糊性特征。更加保证了故障的排除, 增
加了诊断系统的逻辑性和严密性。
3 　实时故障诊断专家系统的运行
实时故障诊断专家系统运行时, 操作人员需了
解系统运行的各种信息, 包括历史和实时的各种状
态信息、故障诊断信息以及排障信息等各种过程信
息, 因此, 构建一个良好的信息查询和显示机制非
常重要。
311 　系统当前状态信息的查询
系统当前状态信息的查询, 使用户了解系统当
前5s 时间内各工作段的一些重要参数、变量值等
过程信息。系统提供对各种信号的实时显示, 信号
分为模拟量和数值量。数值量通过显示屏每隔5s
刷新1 次, 每一数值可通过查询5min 内变化曲线
的图形摸拟量, 清楚地看到数值变化的趋势是否超
过正常的范围。
312 　报警信息的查询
实时故障诊断专家系统中, 报警信息在屏幕中
央弹出报警窗口, 显示当前故障的信息(包括解决
方案) 。此外, 系统还提供了报警信息查询界面:
当前故障信息表和历史故障信息登录表。当前故障
信息表按时间顺序记录了当前尚未排除故障的发生
时间、名称。当某个故障解决后, 该故障就从当前
故障表中消失。历史故障信息登陆表则也按时间顺
序记录了最近1 周内系统运行时所有故障的发生时
间、名称以及该故障的排除时间。
4 　结束语
实时故障诊断专家系统能准确地对整个低温系
统进行状态监测和故障诊断, 诊断推理模块使故障
诊断推理条理清晰, 对不同类型的故障作出相应的
处理, 指导用户排障, 大大提高了排障的效率和准
确率。信息查询功能使用户随时方便地查询系统运
行的历史和实时运行情况。显示打印功能能正确地
显示生产系统运行的历史和实时状态信息、故障报
警及诊断信息, 支持界面显示信息的打印, 用户可
方便地通过打印机打印出所需的历史和实时信息,
供有关人员分析研究。
参考文献:
[1 ] 王士同. 人工智能教程[M] . 北京: 电子工业出版
社, 2001.
[2 ] 张定会, 邵惠鹤. 实时故障诊断专家系统的运行机制
[J ] . 自动化仪表, 2000 , 21 (4) : 8210.
[3 ] 李中领, 金宁, 朱岩. 人工神经网络应用于空调系统
故障诊断的研究[J ] . 制冷与空调, 2005 , 5 (1) : 502
53.
[4 ] 罗小平. Delphi 精要[M] . 北京: 电子工业出版社,
2004.
[5 ] 张安华. 机电设备状态监测与故障诊断技术[M] . 西
安: 西北工业大学出版社, 1995.
[6 ] 袁曾任. 人工神经元网络及其应用[M] . 北京: 清华
大学出版社, 1999.
[7 ] 曹文君. 知识库系统原理及其应用[M] . 上海: 复旦
大学出版社, 1995.
[ 8 ] WU C H. Building knowledge structures for online
instructionalPlearning systems via knowledge elements
interrelations [ J ] . Expert Systems with Application , 2004
(26) : 3112319.
[9 ] ANGELI CHR. An online expert system for fault diagnosis in
hydraulic systems [ J ] . Expert Systems , 1999 , 16 ( 2 ) :
4782481.
[ 10 ] MARZI H. Real2time fault detection and isolation in
industrial machines using learning vector quantization [J ] .
Proquest Science Journals , 2004 , 218 (B8) : 949.