卞玉濤，李志華

（河海大學 能源與電氣學院，江蘇 南京 211100）

近三十年來人工智能獲得了迅速的發(fā)展，在很多學科領域都獲得了廣泛應用，并取得了豐碩成果。專家系統(tǒng)是人工智能領域最活躍和最廣泛的領域之一。自從1965年第一個專家系統(tǒng)Dendral在美國斯坦福大學問世以來，經過40年的開發(fā)，各種專家系統(tǒng)已遍布各個專業(yè)領域。目前，專家系統(tǒng)得到了更廣泛的應用，并在應用開發(fā)中得到進一步發(fā)展。專家系統(tǒng)在故障診斷領域的應用也非常廣泛，由于大部分故障是隨機的，普通人很難判斷，這時就需要通過討論或請專家來進行診斷。但對于一些新型機器，可能無處獲得診斷知識；或者對于非定型生產的機器，由于其工作特性和常用機器相比差異很大，知識獲取也十分困難。而專家系統(tǒng)恰恰適用于復雜的、知識來源規(guī)范的大型動態(tài)系統(tǒng)，它可以匯集眾多專家的知識，進行分析、比較、推理，最終得出正確的結論?，F場技術人員可以充分利用各種信息和癥兆，在計算機系統(tǒng)的幫助下有效地解決工程實際問題，這也是故障診斷專家系統(tǒng)近年來成為熱門研究課題的原因。

1 故障診斷專家系統(tǒng)簡介

故障診斷是指在一定工作環(huán)境下查明導致系統(tǒng)某種功能失調的原因或性質，判斷劣化狀態(tài)發(fā)生的部位或部件，以及預測狀態(tài)劣化的發(fā)展趨勢等[1]。由于機器設備日趨復雜化、智能化及光機電一體化，傳統(tǒng)的診斷技術已經不能適應了，隨著人工智能技術的迅速發(fā)展，特別是知識工程、專家系統(tǒng)、人工神經網絡在診斷領域中的進一步應用，診斷技術也日趨智能化。

智能故障診斷是在對故障信號進行檢測和處理的基礎上，結合領域專家知識和人工智能技術進行診斷推理，具有對給定環(huán)境下的診斷對象進行狀態(tài)識別和狀態(tài)預測的能力。它適用于模擬人的思維過程，解決需要進行邏輯推理的復雜診斷問題，可以根據診斷過程的需要搜索和利用領域專家的知識及經驗來達到診斷目的。智能故障診斷技術包括模糊技術、灰色理論、模式識別、故障樹分析、專家系統(tǒng)等。

專家系統(tǒng)（Expert System，ES）[2]是一種基于知識的計算機程序系統(tǒng)，其內部含有大量的某個領域專家水平的知識和經驗，它應用人工智能（Artificial Intelligence，AI）技術，根據專家提供的知識及其推理能力，模擬人類專家做出決策的思維過程，來解決原來只有專家才能解決的復雜問題。

基于專家系統(tǒng)的故障診斷方法是將專家系統(tǒng)應用到故障診斷中去，從而利用領域知識和專家經驗提高故障診斷的效率[3]。基于專家系統(tǒng)的方法在故障診斷領域的應用非常廣泛，長期以來，航空、航天、電力、電子、機械、化工、船舶等許多領域，故障檢測與診斷技術與專家系統(tǒng)相結合，使工程的安全性與可靠性得到保證。如美國海軍人工智能中心開發(fā)了用于診斷電子設備故障的IN-ATE系統(tǒng)；美國空軍研制的用于飛機噴氣發(fā)動機故障診斷專家系統(tǒng)XMAN[4]；MIT研制用于模擬電路操作并演繹出故障可能原因的EL系統(tǒng)；波音航空公司研制了診斷微波模擬接口MSI的IMA系統(tǒng)等等。

按照知識組織方式與推理機制的不同，目前已研究的故障診斷專家系統(tǒng)模型大致可分為:基于規(guī)則的診斷專家系統(tǒng)、基于模型的診斷專家系統(tǒng)、基于事例推理的診斷專家系統(tǒng)、基于模糊理論的診斷專家系統(tǒng)和基于人工神經網絡的診斷專家系統(tǒng)。

2 傳統(tǒng)的故障診斷專家系統(tǒng)

傳統(tǒng)的基于專家系統(tǒng)的故障診斷方法能夠利用專家豐富的領域知識、經驗，無需對系統(tǒng)進行數學建模并且診斷結果易于理解，因此在很多領域得到了廣泛應用且取得了不少成果，并且顯示出了相當出色的工作能力，在某些方面達到甚至超過了人類專家的工作水平，然而這種模擬人類抽象思維的符號處理系統(tǒng)在其開發(fā)研制過程中也碰到了不少問題:

1）知識獲取和表達比較困難，這成為專家系統(tǒng)的“瓶頸”問題。

2）知識的“窄臺階效應”。目前一般的專家系統(tǒng)只能在比較窄的專業(yè)知識領域內求解專門的問題。對于相近領域的邊緣性問題，求解能力較差，對于其他領域，則是一無所知。

3）推理能力弱。專家系統(tǒng)的本質特性是基于規(guī)則的推理思維，然而迄今的邏輯理論仍然很不完善，推理速度慢、效率低、容易出現“匹配沖突”、“組合爆炸”及“無窮遞歸”等問題。

4）智能水平低。專家系統(tǒng)的知識存儲是一一對應的，且限定于最低速度，沒有冗余性，因而也就失去了靈活性?，F有的專家系統(tǒng)一般還不具備自學習能力和聯(lián)想記憶的能力，一個專家系統(tǒng)往往要包含上萬甚至數萬條規(guī)則，使得維護和管理工作十分困難。這是與知識的表示方法有關的困難。

5）實用性差。由于上面的這些嚴重缺陷，使得一些專家系統(tǒng)很難進入實用階段。同時由于推理速度慢，導致一般的專家系統(tǒng)難以適應在線工作要求，只能在離線、非實時條件下工作。

基于規(guī)則的診斷專家系統(tǒng)就是傳統(tǒng)的專家診斷系統(tǒng)，將領域專家的經驗、知識抽象為if-then形式的規(guī)則，利用這些規(guī)則進行推理判斷?；谝?guī)則的推理是先根據推理策略從規(guī)則庫中選擇相應的規(guī)則，再匹配規(guī)則的前提部分，最后根據匹配結果得出診斷結論。其知識表述直觀、形式統(tǒng)一、易理解和解釋方便，適合于具有豐富經驗的專業(yè)領域故障診斷。盡管基于規(guī)則的診斷專家系統(tǒng)獲得了一定的成功，但對于復雜系統(tǒng)，所觀測到的癥狀與所對應診斷之間的聯(lián)系是相當復雜的，通過歸納專家經驗來獲取規(guī)則，有相當的難度，且一致性難以保證，而且只能對事先預想到的并能與規(guī)則前提相匹配的時間進行推理，存在著知識獲取困難、知識臺階“窄”以及控制策略不靈活等缺點。

3 一些改進的故障診斷專家系統(tǒng)

傳統(tǒng)的診斷專家系統(tǒng)存在著一些自身難以解決的問題，如：知識獲取的“瓶頸”問題、邏輯推理的“組合爆炸”；在自適應、學習能力及實時性方面也有局限性。為克服這些不足，有人提出一些新的專家系統(tǒng)故障診斷方法?；赑etri網建立對象行為模型，結合專家系統(tǒng)的優(yōu)點，對電力系統(tǒng)輸電網絡故障進行診斷[5]。該方法不僅有效、準確、通用，還提高了故障診斷速度。文獻[6]把遺傳算法與專家系統(tǒng)相結合進行故障診斷，提高了系統(tǒng)抑制噪聲的能力，同時較好地解決了推理速度和知識獲取困難的問題。同樣，在專家系統(tǒng)中引入故障樹[7]，可以避免建立繁瑣而龐大的規(guī)則庫。下面就著重介紹一些改進的診斷專家系統(tǒng)：

1）基于事例推理的診斷專家系統(tǒng)

基于事例推理（Case-Based Reasoning，簡稱CBR）是近年來人工智能領域興起的一種診斷推理技術，是采用以前的事例求解當前問題的技術。它是通過訪問事例庫中過去相似事例的處理經驗而獲得當前問題解決方案的一種新的推理模式。首先獲取當前問題信息，接著尋找最相似的以往事例。如果找到了合理的匹配，就建議使用和過去所用相同的解；如果搜索相似事例失敗，則將這個事例作為新事例。因此，基于事例的專家系統(tǒng)能夠不斷學習新的經驗，以增加系統(tǒng)求解問題的能力?；谑吕评淼膶＜以\斷系統(tǒng)具有諸多優(yōu)點：無須顯示領域知識；開放體系、增量式學習，事例庫的覆蓋度隨系統(tǒng)的不斷使用而組建增加；此外，在CBR系統(tǒng)中，知識是以事例的形式存儲的，不存在知識獲取困難的問題，所以在故障診斷、設計、規(guī)劃和法律等經驗知識豐富，而知識又難以形式化描述的領域得到了廣泛的應用。

圖1 基于事例的專家系統(tǒng)流程圖Fig.1 Procedure of CBR-expert system

基于事例推理的專家系統(tǒng)的難點是，如何從事例庫中尋找與當前問題條件最匹配的一個事例。然而，過大的事例庫會導致系統(tǒng)搜索時間過長，因此，往往需要進行預處理，刪去過分相似的事例。基于事例推理面臨的另一個問題是事例庫能否覆蓋所有解空間，因為覆蓋度小會導致搜索時可能漏掉最優(yōu)解，造成誤診或漏診。

2）基于模糊理論的診斷專家系統(tǒng)

模糊性是指客觀事物在狀態(tài)及其屬性方面的不分明性，其根源是在類似事物間存在一系列過渡狀態(tài)，它們互相滲透、互相貫通，使得彼此之間沒有明顯的分界線。在一定條件下，利用模糊數學的理論來分析、處理不確定性問題往往能夠得到事物的真相和本質。在基于模糊理論的診斷專家系統(tǒng)中，其知識表示采用模糊產生式規(guī)則，引入模糊的概念是為了更好地模擬人類的思維與決策過程，采用模糊理論與專家系統(tǒng)相融合的方法，彌補了傳統(tǒng)的專家系統(tǒng)解決知識不確定性問題的不足。

模糊診斷的實質是引入隸屬函數概念，模糊邏輯以其較強的結構性知識表達能力，適合處理診斷中的不確定信息和不完整信息[8]。模糊專家系統(tǒng)的推理機的功能是基于模糊邏輯的，可以更充分地利用過程信息。在模糊推理中建立模糊隸屬度是一個重要工作，確定隸屬度的方法有對比排序法、專家評判法、模糊統(tǒng)計法、概念擴張法等。模糊推理機將根據用戶提供的故障癥狀，從模糊知識庫中選擇與當前模糊信息具有一定匹配程度的模糊規(guī)則，通過處理，得到帶有隸屬度的故障原因。最后根據系統(tǒng)給定的閾值，得到故障現象的可能原因，對知識庫中的信息進行推理。

基于模糊理論的診斷專家系統(tǒng)的優(yōu)點:①具有專家水平的專門知識，能表現專家技能和高度的技巧以及有足夠的魯棒性；②能進行有效的推理，具有啟發(fā)性，能夠運用人類專家的經驗和知識進行啟發(fā)性的搜索、試探性的推理；③具有靈活性和透明性。然而基于模糊理論的診斷專家系統(tǒng)知識獲取困難，尤其是故障與征兆的模糊關系較難確定，且系統(tǒng)的診斷能力依賴模糊知識庫，學習能力差，容易發(fā)生漏診或誤診。由于模糊語言變量是用隸屬函數表示的，實現語言變量與隸屬函數之間的轉換是一個難點。

3）基于人工神經網絡的診斷專家系統(tǒng)

人工神經網絡（Artificial Neural Network，ANN）是大量神經元廣泛互連而成的復雜網絡系統(tǒng)，ANN是人類大腦神經細胞結構和功能的模仿，具有與人腦類似的記憶、學習、聯(lián)想等能力。在ANN中，信息處理是通過神經元之間的相互作用來實現的，知識與信息的存儲表現為分布式網絡元件之間的關聯(lián)，網絡的學習和識別取決于各神經元連接權值的動態(tài)演化過程。ANN是大規(guī)模并行結構，信息可以分布式存儲，并且具有良好的自適應性、自組織性和容錯性，因此ANN在故障診斷領域已經得到了廣泛的應用。同時，實際應用中的大多數被診斷對象往往是復雜的非線性系統(tǒng)，無法得到其精確模型，甚至無法建模，由于神經網絡的構建與訓練不需要了解被診斷對象的精確模型，因而對于非線性被診斷對象，神經網絡也具有明顯優(yōu)勢[9]。

基于神經網絡的故障診斷專家系統(tǒng)與傳統(tǒng)的診斷專家系統(tǒng)存在著本質區(qū)別，首先知識表示從顯式變?yōu)殡[式；其次，知識不是通過人的加工，而是通過算子自動獲?。蛔詈?，推理機制不是傳統(tǒng)的歸納推理，而是變?yōu)樵诟偁帉訉嘀档母偁帯Ｅc傳統(tǒng)的專家系統(tǒng)相比，基于人工神經網絡的診斷專家系統(tǒng)有以下優(yōu)勢：①固有并行性；②分布式聯(lián)想存儲；③較好容錯性④自適應能力；⑤通過實例學習能力；⑥便于硬件實現。

然而，基于人工神經網絡的專家系統(tǒng)也存在固有的弱點：①系統(tǒng)性能受樣本集的限制，訓練樣本集選擇不當，特別是在訓練樣本集很少的情形下，很難指望它具有較好的歸納推理能力；②神經網絡沒有解釋能力；③對知識、輸入證據、輸出結果等要求數字化；④對解決小規(guī)模問題有優(yōu)勢，在模擬人類復雜層次的思維方面，如基于目標的管理、綜合判斷與因果分析等方面還遠遠不及傳統(tǒng)的專家系統(tǒng)。因此，人們正試圖研究符號推理與數值推理結合的相結合的集成式智能診斷系統(tǒng)，以期能更好地模擬人類的思維過程。

圖2 神經網絡專家診斷系統(tǒng)的集成圖Fig.2 Structure of ANN-expert system

目前較為常用的神經網絡有誤差反傳網絡（BP）、小腦網絡（CMAC）、自組織特征映射網絡（SOM）、自適應共振理論（ART）和徑向基網絡（REF）等。國內外對基于神經網絡的故障診斷研究多集中于BP網絡，盡管提出了一些改進算法，以避免BP算法存在的收斂慢、振蕩和局部極小等問題，但仍然存在一些困難。BP算法一個突出問題在于對異常類故障的處理能力低，其求解能力對樣本的依賴性極大，不具備增量學習功能。目前，通過將模糊算法、神經網絡和遺傳算法3個領域綜合在一起，利用模糊理論來處理診斷領域的模糊性問題，利用遺傳算法來優(yōu)化網絡結構和隸屬函數，有力的促進了不同研究領域之間的交叉滲透和共同發(fā)展。

4）基于多種模型結合的診斷專家系統(tǒng)

接下來介紹一種將遺傳算法、神經網絡和基于規(guī)則的專家系統(tǒng)相融合的一種新型的診斷專家系統(tǒng)。

遺傳算法（Genetic Algorithms，GA）是一種基于自然選擇和自然遺傳的全局優(yōu)化算法，采用從自然選擇機理中抽象出來的選擇，交叉和變異三種遺傳算子對參數編碼字符串進行操作。由于操作是針對多個可行解構成的群體進行，故在其世代更替中可以并行地對參數空間的不同區(qū)域進行搜索，并使搜索朝更有可能找到最優(yōu)的全局解方向進行。由于GA在尋優(yōu)過程中只使用評價函數，不要求目標函數的可微性，因此，GA算法具有全局性、并行性、快速性。較好的適應性和魯棒性的特點是訓練神經網絡的一種理想算法。

在傳統(tǒng)的故障診斷專家系統(tǒng)中，知識獲取、維護困難，推理能力弱，實時性差，這些成為制約其發(fā)展的“瓶頸”。為解決上述問題，我們將傳統(tǒng)的故障診斷專家系統(tǒng)同人工神經網絡和遺傳算法結合起來，形成基于神經網絡和遺傳算法的故障診斷專家系統(tǒng)，提高了故障診斷專家系統(tǒng)的透明性和靈活性，增強其實時性和在線操作能力。

一般神經網絡BP學習方法是一種建立和調整模糊推理控制系統(tǒng)的良好方法，但這種方法本質上是一種只考慮局部區(qū)域的梯度法，缺乏全局性，有可能僅優(yōu)化到局部極值部分，其調整的收斂性依賴于初始狀態(tài)的選擇。而遺傳算法通過交叉和變異大大減少了初始狀態(tài)的影響，使搜索得到最優(yōu)化結果而不停留在局部最小處[10]。遺傳算法不僅可優(yōu)化神經推理系統(tǒng)的參數，而且可以優(yōu)化神經推理系統(tǒng)的結構。 使用遺傳算法可以修正冗余的隸屬函數和網絡的節(jié)點數，以優(yōu)化模糊推理規(guī)則。為了發(fā)揮GA算法和BP算法的長處，用GA算法優(yōu)化具有全局性的參數和網絡結構，用BP算法調節(jié)和優(yōu)化具有局部性的參數.這樣GA算法作為一種離線訓練模糊神經推理控制器，用BP算法作為一種在線調節(jié)神經網絡的局部性參數。這樣采用GA算法訓練神經網絡，可以大大提高神經推理控制系統(tǒng)的自學習性能和魯棒性[11]。

圖3 基于遺傳算法和神經網絡的專家診斷系統(tǒng)結構圖Fig.3 Structure of expert system based on GA&ANN

該系統(tǒng)在運行時，模糊神經推理控制器進行動態(tài)學習，優(yōu)化神經網絡的權值。系統(tǒng)中的自學習控制模塊用來調度模糊神經推理控制器的離線學習。系統(tǒng)對被處理對象進行全局的分析，從系統(tǒng)角度識別對象的總體狀態(tài)，使得神經網絡和遺傳算法的數據處理與模式判別能力能夠進行總體協(xié)調，同時使基于規(guī)則的專家系統(tǒng)的啟發(fā)式推理能力得到充分的發(fā)揮，并在用戶的積極參與下實現知識和樣本的創(chuàng)造，并且使得專家經驗融人到系統(tǒng)中，極大地提高了系統(tǒng)的可塑性和擴充性。在系統(tǒng)中，調度及推理模塊對被處理對象進行全方位的描述，進行多重分析任務的調度，實現系統(tǒng)水平上的總控。系統(tǒng)也保持了傳統(tǒng)專家系統(tǒng)良好的解釋機制，使得系統(tǒng)的解釋清晰明了，易于理解。

4 故障診斷專家系統(tǒng)的發(fā)展趨勢

隨著高性能計算機與計算機網絡技術的發(fā)展，為分布式網絡診斷系統(tǒng)[11]和協(xié)同式專家的研究與實現提供了開發(fā)平臺。

分布式專家系統(tǒng)是具有分布處理特征的專家系統(tǒng)，一般來說，規(guī)模越大的專家系統(tǒng)對問題進行推理的時間需求就越多，所以可以把一個專家系統(tǒng)的功能分解為若干個任務程序分配到多個處理機上并行工作，以縮短求解時間。隨著網絡的普及，通過局域網，因特網來傳輸診斷信息成為一種趨勢，網絡架構下的集成故障診斷系統(tǒng)成為新的研究熱點，因此，建立遠程分布式全系統(tǒng)智能診斷系統(tǒng)，可以實現異地多專家對同一設備的協(xié)同診斷以及多臺設備共享同一診斷系統(tǒng)，提高診斷的準確率和效率，同時也有利于診斷案例的積累，以彌補單個診斷系統(tǒng)領域知識的不足，提高診斷的智能化水平，促進診斷學的綜合發(fā)展。

協(xié)同式專家系統(tǒng)是能綜合若干個相鄰領域或一個領域的多個方面的分專家系統(tǒng)，互相協(xié)作共同解決一個更廣領域中的問題的專家系統(tǒng)，也稱為群專家系統(tǒng)[12]。這種系統(tǒng)有時與分布式專家系統(tǒng)有些共性，因為他們都可能涉及多個子專家系統(tǒng)。但是這種系統(tǒng)更強調子系統(tǒng)之間的協(xié)同合作，而不著重于處理的分布和知識的分布。

目前將分布式專家系統(tǒng)與協(xié)同式專家系統(tǒng)相結合，提出了一種分布協(xié)同式專家系統(tǒng)。分布協(xié)同式專家系統(tǒng)是邏輯上或物理上分布在不同處理節(jié)點上的若干專家系統(tǒng)協(xié)同求解問題的系統(tǒng)?，F實中，有很多復雜的任務需要一個群體來協(xié)同解決問題，當單個專家系統(tǒng)難以有效地求解問題時，使用分布協(xié)同式專家系統(tǒng)求解是一個有效的途徑。

5 結 論

專家系統(tǒng)是從20世紀末開始的重大技術之一，是高技術的標志?；趯＜蚁到y(tǒng)的故障診斷方法，對于解決一些復雜系統(tǒng)的故障有著不可替代的優(yōu)勢。本文重點分析研究了基于規(guī)則、基于事例、基于模糊理論和基于人工神經網絡的診斷專家系統(tǒng)的工作原理。這些診斷方法各有其優(yōu)勢和特點，但他們各自也存在著局限性。對于實際對象的故障診斷，如用單一的知識表示方法，有時難以完整表示對象的故障診斷領域知識。因此，集成多種知識表示方法則能更好地表示對象的故障診斷領域知識。集成基于經驗規(guī)則、基于遺傳算法、基于神經網模型的集成型診斷方法能綜合各診斷方法的特點，克服各診斷方法的局限性，從而提高了診斷系統(tǒng)的智能性和診斷效率。最后，隨著高性能計算機與計算機網絡技術的發(fā)展，分布式網絡診斷系統(tǒng)和協(xié)同式專家系統(tǒng)將取得重大的發(fā)展，必將進一步推動科技的發(fā)展和社會的進步。

[1]karthik B，Vasant H.Intelligent Diagnosis Systems[J].Intelligent Systems，1998，8（34）：239-290.

[2]FEIGENBAUM E A.Panel： History of AI research，1956-1961：proe.Of the 6th IJCAI[C].Tokio，1979：1103-1105.

[3]吳明強，李霽紅.故障診斷專家系統(tǒng)綜合智能推理技術研究[J].計算機測量與控制，2004，12（10）：932-934.WU Ming-qiang，LI Ji-hong.Study on combined intelligent inference technology for fault diagnosis expert system[J].Computer Measurement&Control，2004，12（10）：932-934.

[4]Miller L，Lewis D，Ronald De Hoff.XMAN II-a real time main-tenance training aid [C]//Aerospace and Electronics Conference，1990：1360-1364.

[5]方培培，李永麗，楊曉軍.Petri網與專家系統(tǒng)結合的輸電網絡故障診斷方法[J].電力系統(tǒng)及其自動化學報，2005，17（2）:26-30.FANG Pei-pei，LI Yong-li，YANG Xiao-jun.Transmission power system fault diagnosis based on petri nets and expert system[J].Proceedings of the Chinese Society of Universities for Electric Power System and Automation，2005，17（2）:26-30.

[6]戴忠健，蘇利敏.基于遺傳算法的網絡故障診斷專家系統(tǒng)的設計與實現[J].北京理工大學學報，2005，25（1）：38-40.DAI Zhong-jian，SU Li-min.Design and realization of a network fault diagnosing expert system based on genetic algorithm[J].Transactions of Beijing Institute of Technology，2005，25（1）：38-40.

[7]余浩章，陳新華.基于故障樹的故障診斷推理新方法[J].上海海運學院學報，2001，22（3）：65-67.YU Hao-zhang，CHEN Xin-hua.A new reasoning method for fault diagnosis based on fault tree[J].Journal of Shanghai Maritime University，2001，22（3）：65-67.

[8]Liao S H，Expert system methodologies and applications-a decade review from 1995 to 2004[J].Expert Systems with Applications，2005，28（1）：93-103.

[9]EI-Fergany A A.A hybrid fault diagnosis system using ANNs-ES techniques[C]//Proceeding of the Universities Power Engineering Conference，2001，36：1487-1493.

[10]李路，袁震東.用于神經網絡權系數訓練的遺傳算法[J].上海技術工程大學學報，2004，18（3）：1241-1244.LI Lu，YUAN Zhen-dong.Using GA to train coefficients of neuralnetwork [J].JournalofShanghaiUniversity of Engineering Science，2004，18（3）：1241-1244.

[11]毛慶華，劉哲，許文彤.航天測控設備遠程診斷系統(tǒng)的研究[J].計算機測量與控制，2004，12 （6）：501-503.MAO Qing-hua，LIU Zhe，XU Wen-tong.Research on remote diagnosing systemin the aeronautics instrumentation equipment[J].Computer Measurement&Control，2004，12（6）：501-503.

[12]尹朝慶，尹皓.人工智能與專家系統(tǒng)[M].北京：中國水利水電出版社，2001.