面向?qū)ο蟮姆椒ㄗ鳛橐环N新的程序設(shè)計" title="程序設(shè)計">程序設(shè)計思想和認(rèn)知方法學(xué)引起了人們廣泛的重視。其基本特征有：信息隱蔽(或封裝)、數(shù)據(jù)抽象、動態(tài)鏈接和繼承。面向?qū)ο蟮某绦蚓哂心K化、表達(dá)廣泛概念、默認(rèn)值表達(dá)和代碼復(fù)用等特點(diǎn)。面向?qū)ο缶幊淌瓜到y(tǒng)軟件結(jié)構(gòu)和空間中對問題的描述相一致，把對應(yīng)于客觀存在實(shí)體的數(shù)據(jù)和作用于實(shí)體的過程包含在一個“對象”之內(nèi)，從而使對象成為比數(shù)據(jù)和過程具有更高結(jié)構(gòu)層次的計算實(shí)體^[1]。
　　診斷是在對某一研究對象的目前所處狀態(tài)及其有關(guān)參數(shù)作出判決后，得到有益的信息，進(jìn)而對所研究對象的運(yùn)行情況作出正確與否的結(jié)論。對于復(fù)雜系統(tǒng)的診斷問題，診斷過程復(fù)雜，診斷知識多樣。而采用面向?qū)ο蟮募夹g(shù)、則可以使故障診斷系統(tǒng)" title="故障診斷系統(tǒng)">故障診斷系統(tǒng)具有良好的可擴(kuò)充性和可重用性，便于從現(xiàn)實(shí)事物對象提取系統(tǒng)抽象模型，實(shí)現(xiàn)復(fù)雜系統(tǒng)的設(shè)計；并且有利于實(shí)現(xiàn)系統(tǒng)對故障知識進(jìn)行層次表示和混合表達(dá)，提高系統(tǒng)故障診斷效率?？梢哉f，面向?qū)ο蟮募夹g(shù)在故障診斷系統(tǒng)的設(shè)計及實(shí)現(xiàn)中得到了充分的體現(xiàn)。下面結(jié)合所研制的故障診斷系統(tǒng)對此作以描述。此系統(tǒng)由軟、硬件實(shí)現(xiàn)，主要是有目的地采集相關(guān)信息，用適當(dāng)?shù)姆治龇椒ㄌ崛∮幸饬x的特征；并應(yīng)用診斷知識與合適的分析策略，分析出系統(tǒng)中故障的部位及原因，并加以定量描述；最后作出診斷決策和狀態(tài)預(yù)測，實(shí)現(xiàn)采用了面向?qū)ο蟮姆治龊途幊谭椒?。主要包括?shù)據(jù)采集、信號分析、診斷對象建模、神經(jīng)網(wǎng)絡(luò)建模、診斷等模塊。
1 面向?qū)ο蟮幕咎卣?SUP>^[1][3][5][6]
1.1 層次性
　　面向?qū)ο蠓椒▽W(xué)認(rèn)為對象都可由相對簡單的對象經(jīng)層層組合而成，因此復(fù)雜對象可按其結(jié)構(gòu)抽象分解關(guān)系組成層次結(jié)構(gòu)，這樣可把復(fù)雜系統(tǒng)看成是一個由有限的結(jié)構(gòu)元素按一定規(guī)律聚合而成的系統(tǒng)，系統(tǒng)的元素是子系統(tǒng)，子系統(tǒng)的元素可以是更深層次的子系統(tǒng)，如此類推，直至把元素表示為某一具體的物理零件?，F(xiàn)以CE6140型車床的結(jié)構(gòu)分解來說明這種層次結(jié)構(gòu)，示意圖如圖1所示。同樣，復(fù)雜系統(tǒng)的故障也具有層次關(guān)系，這樣可深入到基本結(jié)構(gòu)元素，找到引起故障的最終原因，如圖2所示。因此，基于機(jī)床這一復(fù)雜診斷對象的層次特性，可對其進(jìn)行結(jié)構(gòu)分解和故障分解，以逐步細(xì)化縮小故障范圍，降低診斷問題求解的復(fù)雜性，提高診斷的準(zhǔn)確性和靈活性。

　　由于機(jī)械設(shè)備機(jī)構(gòu)和故障的層次性與面向?qū)ο蠹夹g(shù)中的對象的繼承性和層次性相對應(yīng)，因此設(shè)備診斷對象的構(gòu)成適合采用面向?qū)ο蟮姆椒?。在機(jī)械設(shè)備中，如果設(shè)備的元素或系統(tǒng)有故障，則所有包含這個元素的上級設(shè)備子系統(tǒng)直至設(shè)備本身也有故障。而當(dāng)上一級設(shè)備元素有故障，則此故障必源于下一級相應(yīng)的元素或聯(lián)系的故障^[2]。
1.2 類和實(shí)例
　　在面向?qū)ο蠓椒▽W(xué)中，所有對象都是類的實(shí)例。對象類是建立在對象概念基礎(chǔ)上，由類所描述的對象即稱為類的實(shí)例。類是實(shí)例的模板，也是數(shù)據(jù)的抽象；實(shí)例是類的一個個體。設(shè)備的基本元件有齒輪、軸、軸承等?？煞謩e設(shè)計類，包含其屬性描述和功能描述。如齒輪類聲明如下：
TGearTool：public TBoxTool { //從TboxTool繼承
public:
　　TGearTool():TBoxTool(″″);
　　TGearTool(char* name):TBoxTool(name); //運(yùn)用多態(tài)性技術(shù)
　　～TGearTool(); //析構(gòu)函數(shù)
　　virtual void DrawObject(TDC&); //畫齒輪
　　bool operator ＝＝(const TGearTool& other) const;
　　GearParam gearparam; //齒輪屬性
protected:
　　friend ostream& operator ＜＜(ostream& os、 const TGearTool& tool); //運(yùn)用流類的輸入來保存永久對象
　　friend istream& operator＞＞(istream&is、TGearTool& tool); //運(yùn)用流類的輸出打開永久對象
　　......
　　};
　　類與類之間的繼承關(guān)系也即子類－父類的關(guān)系。上面三個類分別從零部件類Component繼承特性，因?yàn)辇X輪、軸、軸承等可進(jìn)一步抽取其共性如型號、材料、特征故障頻率等，形成零部件類。齒輪類、軸類等也可進(jìn)一步派生其它類，如圖3所示。

　　在軟件系統(tǒng)中，這種面向?qū)ο蟪绦蛟O(shè)計提供的繼承機(jī)制，可以避免對象的數(shù)據(jù)和操作的大量重復(fù)，實(shí)現(xiàn)代碼重用，大大地減少了對象、對象類的創(chuàng)建工作量。這種繼承性使所建的軟件系統(tǒng)具有開放性，要建立的系統(tǒng)并非從空白開始，而是盡可能利用已建立的系統(tǒng)或已建立的類，以它們?yōu)榛A(chǔ)進(jìn)行擴(kuò)充，考慮向上或向下的接口方法^[3]。
1.3 消息傳遞
　　對象間除了通過消息傳遞完成通信外，不再有任何其它的聯(lián)系。消息中可以包含運(yùn)算參數(shù)，也可有對象名。向某對象發(fā)送消息就是要求它根據(jù)目前狀態(tài)和處理能力執(zhí)行某個操作。在消息傳遞過程中，消息發(fā)送者只是知道消息接受者具有某種功能，而不知道它的內(nèi)部結(jié)構(gòu)以及如何實(shí)現(xiàn)這種功能，從而支撐了數(shù)據(jù)的抽象和封裝。診斷系統(tǒng)，主要由齒輪、軸、軸承等零部件對象通過一定的傳動關(guān)系有序組成，當(dāng)此傳動鏈上的某根軸接受到賦予其轉(zhuǎn)速的消息時，則根據(jù)對象內(nèi)所提供的操作計算出該軸的特征頻率，同時發(fā)送消息給此傳動鏈上相關(guān)對象。這些對象接受到消息后，分別在其內(nèi)部根據(jù)一定的傳動信息計算出對象的特征頻率。診斷過程也是用消息來觸發(fā)，例如對于齒輪故障診斷，當(dāng)齒輪對象接受到其它對象所發(fā)出的診斷消息時，它會根據(jù)其當(dāng)時的狀態(tài)如故障特征頻率、故障特征頻率處的相對幅值比、歸一化值等信息，發(fā)送消息給相應(yīng)的模糊神經(jīng)網(wǎng)絡(luò)" title="模糊神經(jīng)網(wǎng)絡(luò)">模糊神經(jīng)網(wǎng)絡(luò)自動進(jìn)行推理、診斷，而不需要外部的干涉，并且其它對象也不知道它的內(nèi)部實(shí)現(xiàn)過程。對象間的發(fā)送消息實(shí)現(xiàn)了機(jī)械設(shè)備的診斷，如圖4所示，圖中FNN(Fuzzy Neural Network)表示模糊神經(jīng)網(wǎng)絡(luò)模型。

2 知識的面向?qū)ο蟊硎?/STRONG>
　　復(fù)雜系統(tǒng)診斷問題求解中涉及到的診斷知識很多，不僅包括診斷對象的結(jié)構(gòu)與功能方面的知識，還包括各種因果知識、啟發(fā)性知識經(jīng)驗(yàn)等，因此需把各種知識有機(jī)地結(jié)合起來。面向?qū)ο蟮姆椒梢詫⒐收显\斷知識組成一種混合知識表達(dá)形式，即以對象為中心，將對象的屬性動態(tài)行為特征、相關(guān)領(lǐng)域知識庫和處理方法等有關(guān)知識封裝在表達(dá)對象的結(jié)構(gòu)中，使故障診斷知識庫或文檔具有良好的體系結(jié)構(gòu)；通過對象類的知識表達(dá)，實(shí)現(xiàn)數(shù)據(jù)抽象與信息共享。
2.1 機(jī)械設(shè)備的面向?qū)ο蟊硎?/STRONG>
　　由前面敘述可知，診斷對象可分離出各個零部件對象，同時以對象的形式寫出其功能描述和行為描述。每個對象以知識的載體獨(dú)立于其它對象，每個子對象可寫出其功能和結(jié)構(gòu)接口描述，以便零部件對象出現(xiàn)在某一特定子對象中，建立與其它零部件對象的功能和接口聯(lián)系。診斷對象的知識庫可由這些零部件知識對象有機(jī)地“堆”在一起組成，我們所開發(fā)的面向?qū)ο蟮摹皺C(jī)械設(shè)備建模工具”把此特性提高到了新的高度。工程師可方便地根據(jù)機(jī)械設(shè)備的傳動關(guān)系，利用系統(tǒng)所提供的軸、軸承、齒輪、離合器等建模工具方便地作出設(shè)備的機(jī)械構(gòu)造示意圖，并可通過友好的人機(jī)接口賦予零部件對象一定的信息，如軸承滾動體的個數(shù)、接觸角、節(jié)徑等。此診斷對象可方便地修改、查詢，當(dāng)此傳動鏈上的任意一根軸被賦予一定的轉(zhuǎn)速后，診斷對象能根據(jù)對象間的消息傳遞自動搜索其傳動鏈關(guān)系并計算工作頻率等參數(shù)，搜索后的信息保存在各零部件對象中。診斷設(shè)備的面向?qū)ο蟮闹R表示和建模方法增加了知識的可重用性和通用性，減輕了工作人員的計算任務(wù)。
2.2 診斷知識的面向?qū)ο蟊硎?/STRONG>
　　不同零部件對象的故障模式對應(yīng)不同的故障文檔庫，為此可分別對軸、軸承、齒輪、離合器等建立故障文檔庫，文檔庫的知識應(yīng)可方便地修改、增加、刪除等。每個文檔庫包含的知識可分為兩部分，一部分為故障知識的模糊規(guī)則表示；另一部分為儲存模糊診斷知識的神經(jīng)網(wǎng)絡(luò)。之所以用神經(jīng)網(wǎng)絡(luò)來儲存模糊規(guī)則，是因?yàn)樯窠?jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制可對原有規(guī)則進(jìn)行修改、加入新規(guī)則、對修改的規(guī)則和新加入的規(guī)則進(jìn)行檢查等，且可避免在模糊推理過程中增加模糊性的缺點(diǎn)。在具體實(shí)現(xiàn)中，可采用五層FNN保存診斷知識，用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)模糊推理^[7]；而模糊規(guī)則則用網(wǎng)絡(luò)的節(jié)點(diǎn)對象、連接權(quán)對象、連接結(jié)構(gòu)等來翻譯解釋。網(wǎng)絡(luò)對象可由開發(fā)的“神經(jīng)網(wǎng)絡(luò)建模工具”來實(shí)現(xiàn)，根據(jù)不同的故障規(guī)則知識表示可建立不同的網(wǎng)絡(luò)對象。
　　對于具體網(wǎng)絡(luò)，可通過網(wǎng)絡(luò)對象所提供的初始化方法完成信息的搜尋，如：網(wǎng)絡(luò)的最大層數(shù)，網(wǎng)絡(luò)的輸入節(jié)點(diǎn)、輸出節(jié)點(diǎn)及隱層節(jié)點(diǎn)，每個節(jié)點(diǎn)對應(yīng)的網(wǎng)絡(luò)層號，與每個節(jié)點(diǎn)相連的前層所有的節(jié)點(diǎn)、連線，與每個節(jié)點(diǎn)相連的下一層所有的節(jié)點(diǎn)、連線，以及每個節(jié)點(diǎn)對象的所選函數(shù)、閾值等。所以網(wǎng)絡(luò)的節(jié)點(diǎn)對象和連線對象通過初始化根據(jù)不同的診斷知識保存了不同的信息。這符合面向?qū)ο蟮闹R表達(dá)，即以對象為中心，包含與其相關(guān)的完成特定任務(wù)的所有知識。
3 面向?qū)ο蟮脑\斷推理
　　面向?qū)ο蟮谋磉_(dá)機(jī)制在診斷推理中起著重要的作用，因?yàn)槊嫦驅(qū)ο蟊磉_(dá)的結(jié)構(gòu)特征有助于有效地組織和控制推理行為，同時其本身具有自動推理機(jī)制^[2]。診斷推理過程以五層模糊神經(jīng)網(wǎng)絡(luò)為例。它能根據(jù)網(wǎng)絡(luò)中各個輸入節(jié)點(diǎn)對象的輸入值、閾值、輸入輸出函數(shù)，連線對象的權(quán)值，隱層節(jié)點(diǎn)對象的輸入值、閾值、輸入輸出函數(shù)等一層層地前向推理，最終得到輸出節(jié)點(diǎn)對象所存儲的診斷值，如圖5所示。之所以能自動地前向推理，是因?yàn)槊繉拥墓?jié)點(diǎn)對象及連線對象不僅存儲了一定的故障規(guī)則知識，還存儲了對象間的接口連接信息。這種診斷推理算法迅速、可靠。它不僅僅適用于某一特定網(wǎng)絡(luò)，而且適用于其它具體網(wǎng)絡(luò)，網(wǎng)絡(luò)的層數(shù)及節(jié)點(diǎn)函數(shù)等網(wǎng)絡(luò)信息均未定死。前面提到的網(wǎng)絡(luò)對象的建模使它可對故障知識的更新適應(yīng)得非?？?，而故障知識的及時更新又保證了診斷的可靠、準(zhǔn)確。所以這種面向?qū)ο蟮脑\斷推理方法可用于動態(tài)變化的系統(tǒng)，系統(tǒng)變化時，只要非常簡單地操作即可更新故障信息。因此，當(dāng)設(shè)備故障發(fā)生時，診斷網(wǎng)絡(luò)會用最新的信息去進(jìn)行診斷工作。