专家系统已被应用到各个知识领域，并取得了显著成果，如诊断领域、控制领域、教学领域等。但传统专家系统的构造方法已经无法满足需求，必须引入人工神经网络来弥补专家系统的缺陷，即将专家系统与神经网络结合构成综合型神经网络专家系统，这是一种发展趋势［4］。由于在电力设备故障诊断领域存在大量的实例知识、经验知识和模型知识，因此可以采用神经网络理论和专家系统结合的方法来模拟人的诊断思维过程，建立结合型的智能诊断子系统。
神经网络与专家系统的结合主要有两种策略：①将专家系统构成神经网络，把传统专家系统的基于符号的推理变成基于数值运算的推理，以提高专家系统的执行效率并利用其学习能力解决专家系统的学习问题；②将神经网络视为一类知识源的表达与处理模型，与其他知识表达模型一起去表达领域专家的知识。总之，基于神经网络的故障诊断专家系统是一类新的知识表达体系，与传统的专家系统的高层逻辑模型不同，它是一种低层数值模型，信息处理是通过大量称之为节点的简单处理单元之间的相互作用而进行的。由于它的分布式信息保持方式，为专家知识的获取和表达以及推理提供了一种全新的方式。通过对经验样本的学习，将专家知识以权值和阈值的形式存储在网络中，并且利用网络的信息保持性来完成不精确诊断推理，较好地模拟了专家凭经验、直觉而不是复杂计算的推理过程。
10.5.1 系统基本结构
综合型神经网络专家系统故障诊断结构如图10－6所示。智能诊断子系统可根据电力设备传输的故障状况进行诊断推理并得出诊断结果，迅速排除故障，恢复正常运行状态。
本系统分为两个分系统，即现场诊断分系统和远程诊断分系统。在对于现场设备级的诊断，即现场诊断部分采用传统的专家系统诊断模型，故障诊断作为监测设备的信息处理模块存在。远程诊断部分采用的是专家系统和神经网络混合式系统（集成式专家系统），即基于神经网络理论的专家系统诊断模型。这种专家系统知识的获取单独作为一个模块存在，采用两种方式：①通过专家和用户经验总结归纳诊断知识；②采用神经网络自动获取知识。
图10－6 故障诊断型神经网络专家系统结构图
现场诊断和远程诊断的专家系统两者均可独立运行，而它们的知识库是相互补充的，即两者的知识库之间存在一个接口［4］，见图10－7所示。
图10－7 知识库接口示意图
10.5.2 网络模型的选择
用于故障模式识别的人工神经网络（ANN）模型按学习方式可分为有监督学习模型和无监督学习模型。前者主要包括反向传播（BP）网和径向基函数（RBF）网；后者主要包括自适应共振（ART）网和自组织特征映射（SOM）网。
由于BP网是目前故障诊断中应用最多的一种模型，针对BP网络在故障诊断中的缺陷和局限性，当前提出了一些改进的神经网络模型，如基于椭球单元网络的诊断模型，它具有良好的学习和诊断性能，在故障诊断技术中有着良好的应用潜力。
10.5.3 专家系统中知识的获取方法
专家系统由专家知识库、推理机、用户接口和解释机等主要部分组成。知识是专家系统的核心与关键，是解决问题的出发点。远程故障诊断系统中涉及的知识按来源分为两类：
（1）根据相关领域的、确定性的先验知识。先验知识同已知信息一起构成诊断的原始前提。
（2）根据专家经验、运行实践归纳总结的具有启发性的诊断知识；它们表现了故障现象、故障性质与故障原因之间的内在联系。
推理机将信息作用于知识体，实现从已有的事实得出新信息的功能，从而揭示出蕴含在已知信息中的关于故障性质的描述。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
