人工智能在故障診斷領域的應用

1、人工智能在故障診斷領域的應用摘要：本文在簡要介紹故障診斷和人工智能的基礎上，詳細分析人工智能在 故障診斷領域中的應用，包括智能故障診斷技術和故障診斷專家系統(tǒng)，最后總結(jié)基 于人工智能的故障檢測的發(fā)展趨勢。關鍵詞：故障診斷；人工智能；專家系統(tǒng)；智能診斷Application of Artificial Intelligence in the field of Fault DiagnosisAbstract:Based on a brief introduction on the fault diagnosis and artificialintelligence, this paper detai

2、ledly analyses the application of artificial intelligence in thefield of fault diagnosis, including intelligent fault diagnosis and fault diagnosis expertsystem. Finally, this paper summarizes the development trend of fault detection basedon artificial intelligence.Keywords: Fault Diagnosis; Artific

3、ial Intelligence; Expert System; IntelligentDiagnosis1引言隨著科學技術的發(fā)展，裝備的結(jié)構(gòu)越來越復雜，功能也越來越完善，自動化 程度越來越高，不但同一設備的不同部分之間相互關聯(lián)，緊密耦合，而且不同設備 之間也存在著緊密的聯(lián)系，在運行過程中形成一個整體。一處故障可能引起一系列 連鎖反應，導致整個過程不能正常運行，甚至會造成重大的損失。因此，對故障診 斷的要求也越來越高。另一方面，人工智能技術近年來得到很大發(fā)展，基于人工智 能的故障診斷專家系統(tǒng)已成為當前研究和應用的一個熱點。系統(tǒng)的故障是指系統(tǒng)的運行處于不正常狀態(tài)（劣化狀態(tài)），并可導致系統(tǒng)相應 的

4、功能失調(diào)，即導致系統(tǒng)相應的行為（輸出）超過允許范圍，使系統(tǒng)的功能低于規(guī)定 的水平，這種劣化狀態(tài)就稱為故障。故障診斷是指系統(tǒng)在一定工作環(huán)境下查明導致 系統(tǒng)某種功能失調(diào)的原因或者性質(zhì)，判斷劣化狀態(tài)發(fā)生的部位和部件，以及預測狀 態(tài)劣化的發(fā)展趨勢等1,2,3。故障診斷的基本思想可以這樣描述：設被檢測對象全部可能發(fā)生的狀態(tài)（包括正常和故障狀態(tài)）組成狀態(tài)空問S,它的可觀測量特征的取值范圍全體構(gòu)成特征空 問丫，狀態(tài)空間與特征空間的關系如下圖來表示。_廠 r、F持征宰間狀態(tài)牢間S ）、-/ ：1G一、圖1狀態(tài)空間與特征空間的關系圖故障診斷的過程主要分成三個步驟：第一步檢測設備狀態(tài)的特征信號；第二 步從檢測到的

5、信號中提取征兆；第三步根據(jù)征兆和其他診斷信息來識別設備的狀 態(tài)，從而完成故障診斷。4故障診斷技術的發(fā)展大體經(jīng)歷了三個階段5:第一階段是故障診斷的初級階段，診斷結(jié)果是建立在領域?qū)＜业母泄俸蛯I(yè) 經(jīng)驗基礎上，僅對診斷信息作簡單的處理，其診斷水平受到個人技術能力和工作經(jīng) 驗的限制。第二階段是以傳感器技術和動態(tài)測試技術為手段、以信號處理和建模處理為 基礎的常規(guī)診斷技術。其中，信號處理包括統(tǒng)計分析、相關分析、頻譜分析、小波 分析和模態(tài)分析等；建模處理包括參數(shù)估計、系統(tǒng)辨識、模式識別等，其理論基礎 是系統(tǒng)論、信息論和控制論。在這一階段，故障診斷技術在工程上得到了廣泛的應 用，其自身也得到了空前的發(fā)展，誕生

6、出許多新的診斷方法。如振動診斷技術、聲發(fā)射診斷技術、頻譜診斷技術、光譜診斷技術、無損診斷技術和熱成像檢測診斷技 術等。第三階段是智能診斷技術階段。所謂診斷系統(tǒng)的智能就是它可以有效地獲 取、傳遞、處理、再生和利用診斷信息，從而具有對給定環(huán)境下的診斷對象進行成 功狀態(tài)識別和狀態(tài)預測的能力。至80年代中期以后，由于機器設備的大型化、復 雜化以及連續(xù)高速運行的需要，加之自動化制造系統(tǒng)的誕生和發(fā)展，單靠信號處理 和人工分析判斷又難以實現(xiàn)在線的精確診斷。目前,國內(nèi)檢測診斷技術的研究主要集中在以下幾個方面: 傳感技術研究:傳感技術是反映設備狀態(tài)參數(shù)的儀表技術。國內(nèi)先后開發(fā) 了各種類型的傳感器,如屯渦流傳感器

7、、速度傳感器、加速度傳感器和溫度傳感器 等;最近開發(fā)的傳感技術有光導纖維、激光、聲發(fā)射等。 關于信號分析與處理技術的研究:從傳統(tǒng)的譜分析、時序分析和時域分析 開始引入了一些先進的信號分析手段,如快速傅立葉變換, Wigner譜分析和小波 變換等。這類新方法的引入彌補了傳統(tǒng)分析法的不足。 關于人工智能和專家系統(tǒng)的研究:這方面的研究已成為診斷技術的發(fā)展主 流,目前已有日程機械故障診斷專家系統(tǒng)， 但這一技術在工程方面的研究尚未達到 人們所期望的水平。 關于神經(jīng)網(wǎng)絡的研究:比如旋轉(zhuǎn)機械神經(jīng)網(wǎng)絡分類系統(tǒng)等的研究已經(jīng)取得 了應用,取得了滿意的效果。 關于診斷系統(tǒng)的開發(fā)與研究:從單機巡檢與診斷到上下位機式主

8、從機結(jié)構(gòu) 直至以網(wǎng)絡為基礎的布式系統(tǒng)的結(jié)構(gòu)越來越復雜,實時性越來越高。 專門化與便攜式診斷儀器和設備的研制與開發(fā)。目前,我國的冶金、電 力、化工等行業(yè)的故障診斷技術己經(jīng)很成熟,得到了廣泛的應用2人工智能人工智能是計算機科學的一個重要組成部分。它的任務是：讓計算機模擬人 類的智能活動，使之具有應用知識、邏輯推理、解決實際問題的能力。人工智能的 研究，始于1956年，是從所謂難題求解開始的。早期的問題，大都限于下棋、猜 謎和數(shù)學定理證明之類的簡單領域。目前人工智能的研究，幾乎涉及所有學科，其 主要包括以下幾個方面6： 專家系統(tǒng)：讓計算機模擬人類專家的決策過程，求解那些無法建立數(shù)學模 型而必須依靠專

9、家經(jīng)驗來解決實際問題。 決策支持系統(tǒng)：通過計算機的推理、判斷，對某些多元的、非精確的或不 確定的難題進行輔助決策。 自然語言理解系統(tǒng)：使計算機能夠理解人類的語言，改善人機聯(lián)系的條 件。 知識庫系統(tǒng)把人類自己掌握的知識，用一定的規(guī)則表示出來，即經(jīng)過形式 比較處理存放在計算機中，為用戶提供知識共享。 智能機器人使機器人具有入的手、眼、腦的功能，不僅會看、會做、還會 思考，并能根據(jù)環(huán)境條件決定自己的行為，智能機器人已在航天、核工業(yè)、冶金、 機械、化工等各個領域開始部分代替人類的工作。 智能計算機在知識庫的支持下，能識別聲音、圖像、自動進行程序設計， 具有推理、學習等功能的新一代計算機。人工智能系統(tǒng)還

10、構(gòu)成了新興的知識工業(yè)，它將為新技術革命提供重要的工 具，為變革人類的生產(chǎn)和生活方式做出了巨大貢獻。Schreiber在1978年首次提出了自動測試生成技術(Automatic Test Generation Techniques)7。由于電路的日益復雜，故障診斷也變得越來越困難。在過去的幾十年中，人工智能技術(AI)已經(jīng)成為一個重要的研究課題。2001年Fenton等人對AI技術進行了很好 地總結(jié)，并對這種技術進行了分類8。昭rrttt粵圖2 AI技術分類2.1專豕系統(tǒng)專家系統(tǒng)是目前人工智能中最活躍、最有成效的一個研究領域，是基于知識 的計算機智能程序系統(tǒng)。它從人類領域?qū)＜夷抢铽@取知識，并用來

11、解決只有領域?qū)?家才能夠解決的困難問題。因此可以這樣來定義專家系統(tǒng)：專家系統(tǒng)是一種具有特 定領域內(nèi)大量知識與經(jīng)驗的程序系統(tǒng)，它應用人工智能技術，根據(jù)某個領域一個或 多個人類專家提供的知識和經(jīng)驗進行推理判斷，模擬人類專家求解問題的思維過 程，以解決該領域內(nèi)的各種問題。人類對問題求解的過程離不開對知識的表示和利用來兩個方面。下面由知識 的表示，就專家系統(tǒng)及其原理進行深入闡述。專家系統(tǒng)一般被認為它是一個智能程序系統(tǒng)；它具有相關領域內(nèi)大量的專家知識；能應用人工智能技術模擬人類專家求解問題的思維過程進行推理， 解決相 關領域內(nèi)的困難問題，并達到領域?qū)＜业乃?。專家系統(tǒng)按系統(tǒng)的體系結(jié)構(gòu)可分為三種:F 堆3

12、W集中式專家系統(tǒng)：指對知識及推理進行集中管理的專家系統(tǒng)。目前大多數(shù) 成功應用的專家系統(tǒng)都屬于這一類型。分布式專家系統(tǒng)：指把知識和推理機制分布在一個計算機網(wǎng)絡上的專家系 統(tǒng)。這種類型的系統(tǒng)具有具有較強的問題求解能力。它將復雜的問題進行分解，并 在求解之后將各個子問題的解合為原問題的解，對那些單個機構(gòu)難以解決的問題它 都可以實現(xiàn)求解。神經(jīng)網(wǎng)絡專家系統(tǒng)：采用人工神經(jīng)網(wǎng)絡技術建立的一種專家系統(tǒng)。它以神 經(jīng)網(wǎng)絡為體系結(jié)構(gòu)實現(xiàn)知識表示和求解推理。一個專家系統(tǒng)通常具有以下功能：咨詢功能，回答用戶提出的問題，解決其 決策過程；學習功能，專家的訓練下，系統(tǒng)能不斷擴充和完善自己的知識；教育功 能，系統(tǒng)能回答用戶的

13、提問，使用戶在與系統(tǒng)交流時掌握領域內(nèi)的知識。專家系統(tǒng) 特點是靈活性、透明性、交互性9。專家系統(tǒng)是在計算機中實現(xiàn)的。它由知識庫、知識獲取機構(gòu)、綜合數(shù)據(jù)庫、 推理機、人-機接口、解釋器五個部分組成。其中知識庫和推理機是專家系統(tǒng)的核 心部分。各部分的關系如圖所示。在上述各組成部分中，知識庫與推理機是專家系 統(tǒng)不可缺少的組成部分。某些應用領域中，可以缺少解釋部分和知識獲取部分，但 是一個完善的專家系統(tǒng)應具備上述五個部分。圖3故障診斷專家系統(tǒng)結(jié)構(gòu)圖2.2機器學習在AI領域，知識獲取已經(jīng)成為建造專家系統(tǒng)的“瓶頸”問題。知識的自動獲 取更是人工智能研究的難點。機器學習是解決知識獲取問題的主要途徑。機器學習

14、研究的主要目標是通過構(gòu)造智能學習機讓機器自身具有獲取知識的能力，使其能在 實際工作中不斷總結(jié)成功和失敗的經(jīng)驗教訓，對知識庫中的知識自動進行調(diào)整和修 改，以豐富、完善系統(tǒng)的知識。機器學習從內(nèi)在行為來看，是從未知到已知的過 程，是知識增長的過程；從外在表現(xiàn)看，是系統(tǒng)的某些適應性改變，使得系統(tǒng)能完 成原來不能完成的任務或把原來的任務做得更好。學習是一切智能系統(tǒng)最根本的特征。機器學習是人工智能最具智能特征和最 前沿的研究領域之一。機器學習的研究取得重大進展往往意味著人工智能，甚至整 個計算機科學向前邁進了堅實的一步。因此，機器學習是提高故障診斷系統(tǒng)智能水 平的主要途徑，一旦診斷系統(tǒng)具有了自學習能力，它

15、就能從環(huán)境的變化中學習新知 識，不斷實現(xiàn)自我完善。關于學習的概念，多數(shù)人工智能學者認為學習是以組織化的知識出發(fā)，然后 變得更為組織化HJ.Simon定義說：學習是系統(tǒng)發(fā)生了變化，使得下一次比這一次 做得更好；Minsky的定義是：學習是我們頭腦里有用的變化；Miehalski認為：學 習是對經(jīng)歷描述的建立或修改；Diettvrich認為：學習是知識的增長。這些定義 雖然不盡相同，但可以看出學習的形式不外乎兩種：知識獲取和技能改善。在人工 智能領域中，學習系統(tǒng)的研究、認知模擬和理論性分析這三者之間的相互競爭和支 持，反映了人工智能領域的整體情況，使問題和概念相互交融。機器學習是研究怎樣使用計算機

16、模擬或?qū)崿F(xiàn)人類學習活動的科學，是人工智 能中最具智能特征、最前沿的研究領域之一。自80年代以來，機器學習作為實現(xiàn) 人工智能的途徑，在人工智能界引起了廣泛的興趣。特別是近幾年來，機器學習領 域的研究工作發(fā)展很快，它已成為人工智能的重要課題之一?！?。機器學習不僅在 基于知識的系統(tǒng)中得到應用，而且在自然語言處理、非單調(diào)推理、機器視覺、模式 識別等許多領域也得到了廣泛開展。一個系統(tǒng)是否具有學習能力已成為是否具有智能”的一個標志。機器學習研究的主要發(fā)展過程大致可分為四個階段，并分別 以四個重要事件為標志 第一階段：第一個學習機器的創(chuàng)立。（60年代） 第二階段：學習理論基礎的創(chuàng)立。（60-70年代）第三階

17、段：神經(jīng)網(wǎng)絡（ANN）的創(chuàng)立，（80年代）第四階段：ANN替代方法的創(chuàng)立（90年代）3人工智能在故障診斷領域的應用人工智能技術與診斷科學的結(jié)合，推動了一門嶄新的分支學科，即基于知識 的診斷推理的誕生和發(fā)展。智能診斷系統(tǒng)，是由領域?qū)＜?、現(xiàn)代模擬腦功能的硬件 及軟件所組成的系統(tǒng)。從發(fā)展的成熟程度來看，診斷專家系統(tǒng)或基于知識的診斷系 統(tǒng)是最為優(yōu)秀的。而構(gòu)造這些系統(tǒng)的一個重要理論基礎就是基于知識的診斷推理。 其研究工作發(fā)展迅速、成果迭出。專家系統(tǒng)實際上就是使計算機盡可能模擬人類專 家解決某些實際問題的決策和工作過程的系統(tǒng)。人工智能技術的發(fā)展，特別是基于知識的專家系統(tǒng)和以并行分布處理為特征 的人工神經(jīng)網(wǎng)

18、絡等技術在智能故障診斷中的應用，使得故障診斷技術進入了一個新 的智能化發(fā)展階段。國外已經(jīng)將一些典型的故障診斷技術應用于各個領域，如：1987年日本川崎鋼鐵公司將先進的GO-STOPS統(tǒng)應用于高爐的故障診斷，實現(xiàn) 了高爐工作穩(wěn)定性的控制，對坍塌等故障實現(xiàn)了預報和控制。我國在檢測與診斷技 術研究方面雖然起步較晚，但是由于國家重視發(fā)展較快。早在八五期間國家組織了 若干個故障診斷技術方面的公關課題研究，分別在石化、電力等部門進行了應用于 推廣。目前我國在檢測與故障診斷技術方面的理論研究已經(jīng)接近世界水平，但是在應用技術方面與國外的先進國家比較差距較大。隨著科學技術領域的不斷進步，我 國正面臨著大型技術設

19、備廣泛應用的關鍵時期，所以為適應國民經(jīng)濟發(fā)展形式的要 求，必須使設備檢測與故障診斷技術上升到一個新的水平。智能故障診斷技術是人工智能技術在診斷領域內(nèi)引用的產(chǎn)物，它隨著人工智 能，特別是專家系統(tǒng)、知識工程和人工神經(jīng)網(wǎng)絡的發(fā)展而不斷發(fā)展。根據(jù)制式處理 途徑上的不同，智能診斷方法可以分為兩個大類10,11：第一種基于符號推理的智能診斷方法。在基于符號推理的知識處理系統(tǒng)當 中，知識是按照一定的規(guī)則用特定描述符加以表示、存儲和處理的。知識的獲取就 是對事件性知識或者專家所擁有的功能性知識加以描述，并按照一定的規(guī)則存儲這 些知識到知識庫的這個過程。然后，知識的處理系統(tǒng)就可以根據(jù)輸入數(shù)據(jù)集體定的 推理機制和

20、策略進行邏輯推理，并最終輸出所要的結(jié)果。目前基于符號推理的傳統(tǒng) 的人工智能故障診斷方法比較成熟。但是，該方法具有一個重大的缺陷：知識獲取 的“瓶頸”和邏輯推理的“組合爆炸”。這使得該方法受到了一定的制約。第二種是基于數(shù)值計算的智能診斷方法。如人工神經(jīng)網(wǎng)絡，她是當今故障診 斷方法一個重要的研究領域。其制式是通過系統(tǒng)權值系數(shù)矩陣來加以表示和存儲。 知識的獲取是按照一定的學習規(guī)則通過學習不斷的調(diào)整確定其權值系數(shù)矩陣。在診 斷過程中，系統(tǒng)按照相應的網(wǎng)絡計算方法對輸入數(shù)據(jù)進行計算，得到網(wǎng)絡輸出作為 診斷結(jié)果。神經(jīng)網(wǎng)絡由于其本身強大的功能，對于不精確的、矛盾的或者是錯誤的 數(shù)據(jù)，他都能進行推理計算，并能夠

21、給出好的計算結(jié)果。在神經(jīng)網(wǎng)絡的知識處理系 統(tǒng)中，知識的獲取、知識存儲以及推理之間的聯(lián)系很緊密，交融性很大。同時神經(jīng) 網(wǎng)絡的知識處理系統(tǒng)中不存在知識獲取的瓶頸問題和推理的組合爆炸問題。所以其 發(fā)展空間更加廣闊。對于這兩種智能診斷方法，無論是就與符號還是基于數(shù)值的只是處理方法只 是從兩個不同方面對人工智能的模擬。符號系統(tǒng)模擬了人類復雜的邏輯思維，而數(shù) 值系統(tǒng)則是模擬了人類抽象的形象思維，這是人類智能中不可缺少、不能夠互相替 代的兩個部分。在這種情況下，如果能夠?qū)煞N方法又記得結(jié)合到一起，從而有效 的模擬人的邏輯思維與形象思維，這是當今智能故障診斷技術發(fā)展的方向。人工智能在故障診斷領域中的應用，實現(xiàn)

22、了基于人類專家經(jīng)驗知識的故障診 斷技術，并將其推進到一個新的水平智能化診斷水平。但是由于診斷對象日趨 呈現(xiàn)復雜化的趨勢，獲取準確、完備、有效的診斷知識越來越困難。已知的領域知 識大都具有證據(jù)不充分或結(jié)論不完全的特點，領域知識的分散性、隨機性和模糊性 的特點使之表現(xiàn)出很強的不確定性。另一方面，復雜系統(tǒng)為了滿足生產(chǎn)的需求經(jīng)常 處在動態(tài)變化的過程中，其行為特點越來越不好把握，各種故障的發(fā)生具有很強的 不確定性，所有這些都為有效的獲取、表示和利用診斷知識進行智能化推理帶來了 很大的困難12-15。將專家系統(tǒng)方法應用于設備故障診斷領域是故障診斷技術發(fā)展的趨勢。一般 說來，為了對設備的故障進行診斷與維修，

23、對設備的工作情況均要進行監(jiān)控和測 試。為獲取設備的運動狀態(tài)信息和位置狀況，在設備的一些重要功能執(zhí)行部件、部 位安裝傳感器，以監(jiān)測設備運動狀態(tài)或位置信息，如振動、溫度、壓力和功率等信 息。較先進的設備控制器內(nèi)的數(shù)據(jù)還應包含有各種指示運動狀態(tài)信號，控制器0信號，設備功能控制產(chǎn)生的中間信號及位置信息等。如果故障發(fā)生，根據(jù)控制器 內(nèi)的各類信號及信號之間的邏輯關系一般可以找到出現(xiàn)故障的位置及部件。設備故 障診斷專家系統(tǒng)是利用各種類型的診斷知識通過對監(jiān)數(shù)據(jù)庫測到的信息進行分析、處理、對設備運動狀態(tài)進行判斷和推理的軟件系統(tǒng)。一旦設備發(fā)生異常，它可以通 過推理判斷找出故障的原因和發(fā)生故障的位置，最后給出診斷、

24、推理過程的解釋和 故障處理結(jié)果。故障診斷專家系統(tǒng)的構(gòu)成如下圖所示。其中數(shù)據(jù)采集模塊是把信息通過各種 手段采集到系統(tǒng)的數(shù)據(jù)庫，這些信息反映設備運行的各種狀態(tài)，這樣便于診斷專家 系統(tǒng)對故障及設備的運行狀態(tài)進行判別和診斷。數(shù)據(jù)庫是按照一定的格式以文件的 形式把設備的各種狀態(tài)信息（如問題求解的初始狀態(tài)數(shù)據(jù)、求解狀態(tài)、中間結(jié)果、 假設目標以及最終求解結(jié)果等）存儲起來。推理機是控制整個系統(tǒng)運行的一組程 序，它利用知識庫中的知識，根據(jù)監(jiān)測到的信息，按著一定的問題求解策略進行推 理、診斷，并給出診斷結(jié)果。推理機是設備故障診斷專家系統(tǒng)的關鍵部分。I圖4故障診斷專家系統(tǒng)結(jié)構(gòu)圖隨著故障診斷專家系統(tǒng)技術的發(fā)展。進一步

25、將人工智能引人監(jiān)測與診斷實現(xiàn) 監(jiān)測、診斷的一體化，在傳統(tǒng)故障診斷專家系統(tǒng)的基礎上，利用專家系統(tǒng)開發(fā)工具 進一步開發(fā)出集一成化的故障診斷專家系統(tǒng)。集成化故障診斷專家系統(tǒng)的特征是數(shù) 值計算和符號推理的集成，多種知識處理技術和診斷技術的集成，多個功能子模塊 的集成，形成分布處理的較大的專家系統(tǒng)。故障診斷專家系統(tǒng)由各功能子模塊分別獨立地完成診斷的各部分工作，然后 進行綜合做出診斷決策其中每個功能子模塊都包含數(shù)值計算和符號推理功能。其 中綜合推理機是集成診斷專家系統(tǒng)的核心，它不僅能利用狀態(tài)監(jiān)測結(jié)果進行推理， 同時可分析判斷來自設備控制器內(nèi)部的數(shù)據(jù)，結(jié)合各種數(shù)據(jù)進行推理、綜合，做出 診斷決策。綜合知識庫中

26、包含有關系統(tǒng)的物理知識、經(jīng)驗知識、設備運動過程狀態(tài) 知識、運動過程監(jiān)測結(jié)果所能反映的異常狀態(tài)知識，以及診斷對象的征兆與故障之 間的各種因果聯(lián)系知識等。多種知識的綜合，便于對故障進行綜合診斷，這樣可以 提高知識本身的有效性，而且可以更準確地定位故障點，將故障定位到最小范圍。綜合數(shù)據(jù)庫是一個動態(tài)數(shù)據(jù)庫，由監(jiān)測與診斷共同生成、共同利用。4結(jié)語從今后的發(fā)展看,故障診斷技術必須跳出僅針對機械運行過程這個環(huán)節(jié)的局 限性,而應該放在產(chǎn)品的整個生命周期中來統(tǒng)籌考慮,對機械系統(tǒng)的整個壽命周期 進行有效的分析,從而提高機械系統(tǒng)的可靠性和可維修性,延長系統(tǒng)的壽命,降低 壽命周期費用。從診斷的方式上來看,傳統(tǒng)的診斷方法和理論對單過程、單故障和 漸發(fā)性故障的簡單系統(tǒng)可以發(fā)揮較好的作用,對于多過程、多故障和突發(fā)性故障以 及復雜龐大、高度自動化的大型設備和系統(tǒng),就具有較大的局限性。專家系統(tǒng)主要 用于復雜的機械系統(tǒng),能夠克服基于模型的故障診斷方法對模型的過分依賴性,人 工神經(jīng)網(wǎng)絡對于故障的模式識別具有獨特的優(yōu)點。將人工智