11、解释和诊断系统的智能应用

解释和诊断系统的智能应用

1 引言

在当今的科技领域，智能系统已经被广泛应用，尤其是在解释和诊断复杂问题方面。解释和诊断是智能系统的重要应用领域。诊断是指基于一组症状确定故障或功能异常的过程，而解释则是一个更广泛的问题，包括但不限于诊断。例如，解释可以涉及图像、计量表、仪表和统计数据等的解读。本篇文章将深入探讨智能系统在解释和诊断中的应用，特别是通过一个用于解释超声波图像的黑板系统案例研究，展示智能系统在实际应用中的重要性和有效性。

2 诊断中的演绎和溯因推理

在诊断和解释的过程中，推理起着至关重要的作用。具体来说，有两种主要的推理方法：演绎推理和溯因推理。

• 演绎推理 ：从给定的原因预测效果。例如，如果一个冰箱的电源被拔掉，我们可以预测冷冻室里的冰会融化，主隔间里的食物将不再冷藏。演绎推理是基于逻辑推断的，它确保了从给定的事实出发得出的结论是可靠的。

• 溯因推理 ：给定一个结果来查找原因，通常涉及提出一个合理的推断而不是确定的推断。例如，如果观察到冰箱中的冰已经融化，食物已经升温到室温，我们可以推断出冰箱可能被拔掉了，或者保险丝烧断了，或者发生了停电。溯因推理处理的是不确定性，因此需要结合其他信息来确认推断的合理性。

处理溯因推理的不确定性

为了处理溯因推理中的不确定性，可以采用以下三种方法：

1. 详尽测试 ：使用规则，其中条件部分详尽地测试每一种可能性。这种方法虽然理论上可行，但在实际应用中往往难以实现，因为规则库会变得过于庞大和复杂。

2. 显式建模不确定性 ：使用技术如贝叶斯更新（见第三章）等显式表示不确定性。这种方法可以更好地处理复杂和不确定的情况，但依赖于有效的假设和模型。

3. 假设与测试 ：生成一个假设（或最佳猜测），并根据假设是否与观察结果一致来确认或反驳假设。这种方法灵活且实用，能够应对各种不确定性和复杂性。

3 知识深度

在诊断和解释中，结合不同层次的知识可以提高系统的准确性和可靠性。知识深度分为浅层知识和深层知识。

• 浅层知识 ：涉及表面层次的信息，例如症状和直接观测到的现象。浅层知识可以快速提供初步诊断，但通常不足以解决复杂问题。

• 深层知识 ：涉及更深层次的机制和原理，例如设备的工作原理和故障模式。深层知识可以帮助理解问题的根本原因，并提供更全面的解决方案。

• 结合浅层和深层知识 ：通过结合浅层和深层知识，可以更全面地理解问题，并提供更准确的诊断和解释。例如，浅层知识可以快速识别表面现象，而深层知识可以进一步分析根本原因。

4 基于模型的推理

基于模型的推理是智能系统中一种强大的工具，它通过物理系统的模型来进行诊断和解释。相比于基于规则的系统，基于模型的推理具有以下优势：

• 易于维护 ：模型比规则库更易于维护，现实世界的改变可以轻松地反映在模型的变化中。

• 传感器验证 ：传感器与其他组件一样对待，因此有故障的传感器很可能被检测到，就像任何其他故障一样。

• 处理不常见故障 ：不寻常的故障和常见的故障一样容易诊断。基于规则的系统在处理常见故障时可能最为全面，但对于罕见故障则可能缺乏规则覆盖。

建模功能、结构和状态

为了有效地进行基于模型的推理，需要对系统的功能、结构和状态进行建模。具体步骤如下：

1. 定义组件 ：确定系统中的所有组件，并定义它们的功能和相互作用。

2. 建立结构 ：定义组件之间的连接和相互作用，形成系统的结构模型。

3. 设定状态 ：定义系统可能的状态，并设定状态变量的值，例如冰箱门的开关状态、恒温器的设置等。

功能	结构	状态
变压器	管道连接	冰箱门打开
调节器	导线连接	冰箱门关闭
水库	阀门连接	恒温器开启
导管	传感器连接	恒温器关闭

通过这种方法，可以更深入地理解系统的操作原理和可能出现的问题，从而进行更准确的诊断和解释。

5 使用模型

基于模型的推理不仅可以用于诊断，还可以用于监控、假设的生成以及通过模拟验证假设。以下是具体的应用场景：

监控

持续监控系统状态，及时发现异常情况。例如，通过实时监测冰箱的温度、湿度等参数，可以提前预警潜在问题，防止故障发生。

临时诊断

快速初步诊断，提供即时解决方案。例如，当检测到冰箱温度异常时，可以快速判断是由于电源问题还是内部组件故障引起的，从而采取相应的措施。

故障模拟

模拟故障以预测可能的影响。例如，通过模拟冰箱恒温器故障，可以预测其对整个系统的影响，从而提前做好应对准备。

故障修理

提供修理建议，帮助用户或技术人员快速解决问题。例如，当诊断出冰箱压缩机故障时，系统可以建议更换压缩机，并提供详细的修理步骤。

graph TD;
    A[故障模拟] --> B[预测影响];
    B --> C[提前应对];
    A --> D[提供修理建议];
    D --> E[快速解决问题];

6 案例研究：一个用于解释超声波图像的黑板系统

为了更好地理解智能系统在解释和诊断中的应用，接下来将介绍一个具体的案例研究——用于解释超声波图像的黑板系统（ARBS）。超声波成像广泛用于检测和表征制造组件中的特征，特别是缺陷。该技术属于无损检测方法的一种，其特点是能够在不造成任何损坏的情况下检查组件。

超声成像

超声成像是通过发射和接收高频声波来生成图像的技术。通常，一个超声波发射器和接收器位于一个探头内，该探头与组件接触。探头发出一束短暂的超声波脉冲，然后检测由于与样本内部特征相互作用而返回的波。如果假设检测到的波是由单一反射产生的，那么到达时间可以轻松转换为这些特征的深度（z）。通过在一维（y）上移动探头，可以绘制y与z的图像，强度通常通过颜色或灰度表示。这种图像被称为B型扫描，它近似于穿过组件的横截面。

ARBS中的知识来源

在ARBS中的每个知识来源（KS）都包含在一个记录中。记录是由不同数据类型组成的结构，大多数现代计算机语言中都有提供。与列表不同，记录的格式必须在为它的各个部分（或字段）赋值之前定义。用于定义ARBS知识来源的记录结构如下：

字段	描述
KS类型	程序化、基于规则、基于神经网络或基于遗传算法
前提条件	在KS可以被激活之前必须满足的条件
规则	要使用的规则名称
推理模式	推理引擎的名称
动作	当规则被耗尽时执行的动作

ARBS包含了六种不同类型的知识来源的规定。其中一种是程序化的，一种是用于神经网络的，一种是用于遗传算法的，另外三种都是基于规则的，但具有不同类型的推理机制。当一个知识源（KS）被激活时，它会将其知识应用于黑板的当前状态，对其进行增加或修改。

7 ARBS中的规则

ARBS中的规则用于解释超声波图像，这些规则不仅涉及符号推理，还涉及数值处理。具体来说，规则可以用于验证假设的缺陷分类，或者用于解释图像中的特定特征。例如，基于规则的假设与测试方法可以将关于缺陷的假设添加到黑板上。这些假设与平滑或粗糙的裂纹、孔隙度或夹杂物有关。通过从它们推导出与图像其他特征相关的期望（或预测）来进行测试。基于期望与图像之间的对应关系，ARBS得出关于缺陷性质的结论，或者，如果无法以任何确定性得出结论，它会向用户发出特定问题案例的警报。

编写规则以验证假设的缺陷分类是一项困难的任务，在实践中，根据经验需要不断地对规则进行细化和调整。使用神经网络结合证据并产生分类提供了一种绕过这一困难的方法，因为它们只需要代表性的训练示例集，而不是明确规则的制定。

8 图像解释的阶段

图像解释过程可以分为几个阶段，每个阶段都涉及到不同的技术。以下是图像解释的具体步骤：

1. 预处理 ：对原始数据进行初步处理，去除噪声和其他干扰因素。
2. 特征提取 ：识别图像中的关键特征，例如缺陷区域、回声动力学等。
3. 假设生成 ：基于提取的特征生成关于图像内容的假设。
4. 验证与修正 ：使用规则或其他方法验证假设，并根据需要进行修正。
5. 最终解释 ：提供最终的解释结果，包括缺陷分类、位置等信息。

graph TD;
    A[预处理] --> B[特征提取];
    B --> C[假设生成];
    C --> D[验证与修正];
    D --> E[最终解释];

9 神经网络的使用

神经网络在ARBS中用于两项截然不同的任务：缺陷分类和回声动力学分类。

使用神经网络进行缺陷分类

神经网络可以执行缺陷分类，前提是存在足够的训练示例，并且证据可以以数值形式呈现。在本研究中，数据不足以训练一个神经网络来进行四向分类，如在假设与测试方法下所做的。相反，训练了一个反向传播网络，根据四个局部因素将缺陷分类为关键或非关键：区域的大小、通过它的弧线数量、回声动力学的形状以及强度对探头角度的敏感性。这些局部因素中的每一个都表示为介于-1和1之间的数字。

使用神经网络的回声动力学分类

分类网络的一个输入需要一个介于-1和1之间的值来表示回声动力学的形状。这个值可以通过使用基于规则的知识源来获得，该知识源检查回声动力学的傅里叶分量，并使用启发式算法为形状提供一个数值。另一种方法是使用另一个神经网络来生成这个数字。

回声动力学是一个信号强度剖面，穿过缺陷区域，可以被分类为尖峰、高原或波动。理想情况下，神经网络会进行三向分类，给定一个输入向量，该向量来自前n个傅里叶系数的振幅分量，其中2n是回声动力学的采样率。然而，尖峰和高原很难区分，因为它们有相似的傅里叶分量，所以两向分类更实际，将尖峰和高原分组在一起。为此目的，已经使用了多层感知器。

结合神经网络的两种应用

在不同的KSs中使用两个独立的神经网络分别对回声动力学和潜在缺陷区域进行分类，这似乎是不必要的。因为前者通过黑板将输出反馈到后者的输入层，这种安排等同于一个分层多层感知器。原则上，这两个网络可以合并成一个大型神经网络，从而消除了使用预先分类的回声动力学集进行训练的需要。然而，这种方法将导致模块化和解释设施的丧失。此外，分别用几个小型神经网络在整体分类问题的子任务上进行训练，可能比一次性用一个大型网络尝试整个问题更容易。

10 验证神经网络的规则

缺陷分类，无论是通过假设与测试方法还是通过神经网络进行，仅从被审视的图像区域收集的证据方面进行了讨论。然而，图像中还有其他特征可以用来解决这个问题。这些特征的知识可以很容易地以规则形式表达，并可用于验证分类。使用规则来验证神经网络输出的概念已在第九章中介绍。在这种情况下，B型扫描图像中容易识别的一个特征是由于后墙回波而产生的指示线。样本中的缺陷，特别是平滑裂纹，往往会：

• 在直接下方的后墙上投射一个“阴影”。在预期位置出现阴影可以用来验证缺陷的位置和分类。
• 在这种应用中，缺少这种额外的证据不足以成为拒绝缺陷分类的充分理由。相反，在这种情况下，分类会被标记出来以引起人工操作员的注意，因为有理由怀疑其准确性。

11 总结

本篇文章介绍了智能系统在解释和诊断复杂问题中的应用，特别是通过一个用于解释超声波图像的黑板系统（ARBS）的案例研究。通过具体的案例研究，展示了智能系统在实际应用中的重要性和有效性。智能系统不仅能够处理复杂的推理问题，还能结合多种技术，如基于规则的系统、神经网络等，提供更全面和准确的解决方案。此外，基于模型的推理方法在处理复杂问题时表现出色，能够更好地应对不确定性和复杂性。通过这些技术的综合应用，智能系统在解释和诊断领域展现出巨大的潜力和前景。

表格：ARBS中不同知识来源的作用

知识来源类型	描述	应用场景
程序化	用于执行特定任务的代码	信号处理、数据预处理
基于规则	符号推理，基于规则的决策	缺陷分类、假设验证
神经网络	数值处理，模式识别	缺陷分类、回声动力学分类
遗传算法	优化问题求解	参数优化、模型调整

列表：智能系统在解释和诊断中的优势

• 灵活性 ：能够处理各种不确定性和复杂性。
• 准确性 ：结合不同层次的知识，提供更准确的诊断和解释。
• 适应性 ：通过学习和适应，不断改进性能。
• 综合性 ：整合多种技术，提供全面的解决方案。

通过这些技术的综合应用，智能系统在解释和诊断领域展现出巨大的潜力和前景，为实际应用提供了强有力的支持。