0 引言

故障诊断方法自20世纪70年代以来，经过40多年的发展已有了较多的理论方法，且诊断方法逐渐偏向于基于人工智能的故障诊断方法[1-3]，常用的故障诊断方法有基于数学模型的诊断方法、基于故障树分析的诊断方法、基于专家系统的故障诊断方法、基于神经网络的故障诊断方法等。

基于数学模型的故障诊断方法[4-6]是一种比较成熟的方法，其特点是与原理紧密结合，非常的精确，然而对于起重机这种复杂的工程机械，往往很难建立准确的数学模型，诊断准确性得不到保证。基于故障树分析的故障诊断方法具有直观、简单、思路清晰、逻辑性强等特点，通过故障树结构图，能够从整体到部分的描绘出故障与各子系统之间的关系，从而可以对故障的原因做出详细的划分[7-8]。基于专家系统的故障诊断方法是依据某个领域专家长期积累的诊断经验作为知识库，通过有效的推理，将故障征兆与故障进行相应比对匹配，从而查看是否符合某种故障征兆，判断出故障 [9-10]。基于神经网络的故障诊断方法可通过自身的不断学习机制自动形成故障诊断的方案，把故障诊断的知识存储于网络的连接权当中，当周围环境改变时，可自动调整，从而解决各种问题。

如图2B所示，试管鳞茎中GA3含量变化趋势和上述商品鳞茎基本一致，但5 ℃贮藏下外层鳞叶GA3的含量在贮藏30th d以前要比内层鳞叶的含量稍低，30 d后表现稍高。25 ℃贮藏试管鳞茎的GA3含量在整个储藏期间表现为持续缓慢上升。

1 基于故障树的专家系统诊断方法

起重机的运行机构主要包括起升机构、大车机构、小车机构、回转机构、变幅机构等。各种运行机构的状态千差万别，出现的故障类型多种多样，各种成熟的故障诊断方法虽各有其优势，但在起重机运行机构故障诊断中使用单一的方法往往无法对复杂的故障进行精准诊断。

对流坑村文物建筑、古街巷空间重新划定保护区和保护点，并区分保护层次，如核心保护区：参照文化遗产保护要求进行保护，修缮重要古建筑群，明确“七横一竖”轴线关系，营造富有文化特色的街巷空间；建设控制区：对次要古建筑的保护，在保护传统面貌不变的基础上，可根据需要置换内部功能；环境协调区：属于外围区域，也是古建筑群的缓冲区，可根据周边建筑风格改建或新建相关设施，并充分保护原生环境[4]。

针对起重机运行机构故障的特殊性，可采用故障树分析法和专家系统诊断法相结合的方法进行故障诊断。

1.1 故障树分析法

故障树模型是一个针对于所研究对象功能特征、结构的行为模型，是一种定性的因果模型，模型以研究对象最不希望事件为顶事件，以可能导致顶事件发生的其他事件为中间事件和底事件，同时采用逻辑门表示事件之间关联的一种倒树状结构的逻辑图。若假设所研究对象或其组成元件只有正常和故障两种状态，那么若故障树模型具有n个底事件，若xi代表底事件i是否发生，其仅有1或0两种状态，同样对于顶事件φ也有0或1两种状态。那么应有如下定义：

 

 

顶事件φ是否发生完全取决于底事件xi，那么就有φ=φ(x)，其中x=(x1,x2,x3...,xn)，称φ(x)为故障树的结构函数。

故障树分析包括故障树建立、故障树定性分析和故障树定量分析。故障树定性分析是在建立故障树之后寻找导致研究对象顶事件发生的所有组合，即找出故障树所有割集。再找出所有割集之后就可以对故障树做定量分析，进行故障定位及处理。

1.2 专家系统诊断法

专家系统就是将领域内专家长期积累的经验知识，通过一定规则整理成计算机能够识别的知识库，利用计算人机交互界面获取用户的诊断需求，然后根据一定的推理策略，根据用户的提问给出相应的回答并在最后给出专家的诊断结果和维修建议。

参考文献:

电熔承插管件的原材料必须与连接管材为同批号、同等级，不同批号等级的管件和管材严禁进行焊接。除此之外，还应满足下列规定：

  

图1 专家系统结构

P(f1)=0.362 4，P(f2)=0.362 4，P(d)=0.862 3，P(c)=0.153 6，P(t)=0.126 9。由此便得出了事件发生的概率。通过底事件的概率同样可以算出各个各级出现的概率，依据割集出现的概率确定各级的优先级。各割集的重要度见表2。

1.3 故障树与专家系统联系

故障树与专家系统之间并不是完全独立的两个概念，他们存在着一定的联系。故障树的产生是为了以图形化的方式建立故障模型用于故障分析及诊断。专家系统的建立旨在当研究对象失效后根据知识库的知识结合多种诊断信息，通过一定的推理策略，向诊断人员提供故障发生的原因及故障应对策略。另外，知识获取一直是困扰专家系统扩展的一个瓶颈，通过在专家系统中引入故障树来生成专家系统诊断的知识库，这样便解决了专家系统知识获取不便的问题。

从组织层面看 首先，各市县师资培训中心工作不到位，在学习者参加培训时，没有对学习者作相应的前期调研，导致学习者对国培计划的了解、认识不够，增加了学习者的不适应感；其次，重视程度不高，市县师资中心、学校关于混合式远程学习的认识不到位，认为远程学习就是“看视频+提交作业”，没有为教师的实践活动提供服务和指导，学校也没有相应的学习气氛；最后，组织推进乏力，缺乏相应的制度建设，没有明确的管理和激励制度建设。学校层面管理不到位，导致教师任务重，产生厌烦心理。

2 起重机运行机构故障分析

起重机大车运行过程中常见的故障包括运行打滑和轮缘啃轨两大类。

运行打滑的原因可能是：1) 轨道上有油污或者冰霜。2) 轨道存在同一截面轨道标准差过大。3) 操作人员启动时过猛。

综上，特洛细胞存在于ApoE-/-小鼠的心脏、肝脏和肾脏内，在特定的区域内形成明显的网状结构，且因不同的组织结构表达不同的生物免疫学指标。由于本研究重点在于应用不同的免疫组织化学方法对特洛细胞进行研究，因生物标记物的不全面而难以全面地推测特洛细胞可能存在的功能，在接下来的研究中，需要增加免疫荧光、蛋白组学和光学透视电镜，甚至基因测序等不同实验方法综合性地对特洛细胞进行研究，明确其在特殊实验动物体内真正的调节功能。

1.实验设备：LC-10ATvp高效液相色谱仪；Hypersil ODS色谱柱(4.6mm×150mm，5μm)；色谱条件与系统适用性试验：以十八烷基硅烷键合硅胶为填充剂；理论板数按葛根素峰计算应不得低于4000；以甲醇－水（25∶75）为流动相；检测波长为250nm。

“131”院落自治模式之所以成功，离不开上级单位（从中央的顶层设计，市区的高度重视，街道的放手支持）的大力支持；离不开社区党委的无私付出；离不开社区居民的倾心参与。

轨道原因造成啃轨可能是起重机安装时就未达到要求或长期使用后造成的结果。安装时就未达到要求包括：① 轨道安装时没有达到平行的要求，安装的形状呈“八”字型。② 起重机两边的传动距离安装时相差较大，启动后便会出现不同步。③ 大车两边电机驱动不同步。

轮缘啃轨又分为车轮原因和轨道原因。车轮原因造成啃轨可归为车轮质量不合格，当其两边的车轮的直径相差过大时，在起重机运行时会出现行走偏斜，使得两边运行的速度不一样，造成啃轨故障的发生。

长期使用后造成啃轨故障的包括：整体承载结构发生变形，导致轨道产生偏差；轨道产生疲劳损伤；在使用过程中轨道上出现细微杂物。

3 起重机运行机构故障诊断推理机制

专家系统在诊断上的效率主要由推理机的实现机制决定，知识库的建立也是为了专家系统最后的推理服务的，所以推理机设计是专家系统诊断的核心。专家系统推理机常用的策略有正向推理、反向推理、混合推理。由于本系统所研究的对象较复杂，情况多变，采用正向推理较合理。本文采用的基于故障树与专家系统知识库融合的推理机模式，基于故障树定量定性分析的方法进行推理。

专家系统在诊断过程中首先要根据故障树节点的重要度、设备重要度来确定故障树事件中的检查优先级，确定好故障树优先级后系统通过人机交互界面获取用户要进行检查的顶事件，作为专家系统的输入，通过匹配知识库框架，如果匹配的框架是直接框架那么可以直接得出其故障原因不用再向下查找，如果匹配的框架是间接框架那么系统还要依据对应的规则向下查找，直到查找到最后的直接框架停止查找，然后输出故障原因。

故障树的定性分析就是通过建立好的故障树，根据门结构函数计算出所有能够导致顶事件发生的所有组合，这些组合就是用户需要进行检查的项目。

1.3 影像学评估时机及标准 所有患者均在术前经头颅CT平扫证实为蛛网膜下腔出血、脑室出血和(或)颅内血肿，且经头颅CTA或DSA确诊为颅内动脉瘤。所有患者术后即刻、第1 天、第1周、第2周(出院前)常规行头颅CT平扫。对于出现硬膜下并发症的患者，每3～4周进行1次头颅CT随访检查，至积液自行吸收或演变为慢性硬膜下血肿需行钻孔引流手术治疗时。

  

图2 故障树实例

依据机构函数的定义得出顶事件T发生的概率公式。T=((x1+y1+z1)(x2+y2+z2)+g)(x3+y3+z3)

[1] 王道平，张义忠. 故障智能诊断系统的理论与方法[M]. 北京：冶金工业出版社，2001.

 

表1 底事件发生概率

  

底事件x1x2x3y1y2y3z1z2z3g概率0．30．30．10．080．080．050．010．010．010．8

通过底事件发生的概率可以算出顶事件及中间事件的发生概率。

其中知识库是由启发性知识和事实知识构成，它是专家系统的核心，它由某一领域中若干专家长期积累的故障预警经验汇集整理而成，在系统中向用户提供关于故障的多个专家的经验知识。推理机作为系统代码实现的核心，决定着系统的诊断效率以及诊断的准确性。它通过用户接口获取用户想要诊断的故障，利用专家经验汇集成的知识库按照一定的分析策略来求解问题，并给出结论。通常系统的知识库与推理机是分离的，这种形式有利于知识库的管理和推理机的扩展。

 

表2 最小割集重要度

  

最小割集重要度最小割集重要度最小割集重要度x1x2x30．07092y1x2y30．00946z1x2z30．000236x1x2y30．0354y1x2z30．00189z1y2x30．00063x1x2z30．00709y1y2x30．00504z1y2y30．000315x1y2x30．0189y1y2y30．00252z1y2z30．000063x1y2y30．00946y1y2z30．00054z1z2x30．0000788x1y2z30．00189y1z2x30．00063z1z2y30．0000394x1z2x30．00236y1z2y30．000315z1z2z30．00000788x1z2y30．00118y1z2z30．000063gx30．63x1z2z30．000236z1x2x30．00236gy30．315y1x2x30．0189z1x2y30．00118gz30．063

表2列出了全部30个最小割集的重要度，重要度小于0.01的事件由于其发生概率过小，所以对其的处理是以不会发生进行处理，30个最小割集在处理之后有7个割集，那么在进行诊断时依据这7个集合进行诊断，相比于之前的30个集合工作量大大减少了，对于寻找故障原因也大大提高了命中率。

结合起重机运行机构故障的具体分析，获得图2简化后的故障树结构图。T为该故障树的顶事件，也即系统所不希望发生的事件。

由此可以得出基于故障树的专家系统推理机的工作主要流程如下：

1) 依据建立好的故障树进行定性分析，找出导致顶事件发生的最小割集。

2) 确定好导致顶事件发生的所有最小割集集合后，对所得到的集合进行定量分析，确定各最小割集的重要度，缩减用户检查范围。通过人机交互界面获取用户所要诊断事件的故障树顶事件，通过对顶事件所在的故障树进行查找，获得用户所要进行检查的所有割集，并依据重要度优先级提醒用户进行检查，最终找到故障原因。

4 结语

将专家系统和故障树分析方法相结合，对起重机运行机构进行故障诊断，可有效地找出故障发生的原因并给出相应的维修策略。在本方法中，专家系统是核心，知识库是专家系统中最重要的一部分，对于知识处理采用故障树分析方法。在实际应用中，需要针对不同起重机的特点和各运行机构的组成部分分别制定其故障推理机制，并在实际应用中进行推理机制的验证和修改。

对于所要诊断的领域不同，专家系统的结构可能会有所不同，但他们的组成核心通常是不变的，一般专家系统由用户接口、知识库、推理机、数据库、解释系统和知识获取构成，其基本架构如图1所示。

那么得出的所有最小割集集合为(x1x2x3，x1x2y3，x1x2z3，x1y2x3，x1y2y3，x1y2z3，x1z2x3，x1z2y3，x1z2z3，y1x2x3，y1x2y3，y1x2z3，y1y2x3，y1y2y3，y1y2z3，y1z2x3，y1z2y3，y1z2z3，z1x2x3，z1x2y3，z1x2z3，z1y2x3，z1y2y3，z1y2z3，z1z2x3，z1z2y3，z1z2z3，gx3，gy3，gz3)。由此可以看出稍微复杂的故障树在确定最小割集的时候也是比较复杂的，如果底事件数量增多那么所得出的最小割集集合元素数量也是会以倍数增加，所以在进行进一步分析之前要对最小割集集合进行一次定量处理。假设底事件发生的概率如表1所示。

[2] 何静，邱静，张昌凡. 一种滑模观测器的多故障诊断方法[J]. 动力学与控制学报，2009，7(1)：84-91.

[3] 于维倩，姜斌，刘剑慰. 一类非线性飞行控制系统鲁棒故障诊断[J]. 控制工程，2011，18(1)：147-151.

[4] 王旭峰. 基于到频谱的分析方法的滚动轴承故障诊断研究[D]. 昆明：昆明理工大学，2010.

综上可见，针对预防接种儿童，在接种疫苗、常规护理措施干预的同时，实施优质护理进行干预，可明显提高预防接种儿童的依从性，效果满意，故值得进一步推广。

[5] 卢艳军，孟凡龙，李一波. 机电设备故障诊断中的模式识别技术[J]. 机械设计与制造，2009(3)：82-83.

[6] 熊锐庭. 基于模糊神经网络的电梯故障诊断系统的研究[D]. 武汉：武汉理工大学，2009.

[7] 乔久鹏. 电梯故障检测及诊断系统研究[D]. 哈尔滨:哈尔滨工业大学，2007.

[8] 刘晓明. 基于故障树的神经网络的运载火箭故障诊断关键技术的研究[D]. 成都：电子科技大学，2010.

[9] 蔡鹃. 控制系统的神经网络故障诊断方法[D]. 长沙：湖南大学，2009.

在离开中南海时，卫士长阎长林派警卫战士金武森送他们去前门东火车站坐火车，并交代金武森说：“记住，为他们买好回湖南的火车票。”

无论是消费互联网还是工业互联网，两个江湖风景虽然有所差异，但是“To Be Or Not To Be”，却是两个江湖的共同点。

[10] 徐世杰. 人工神经网络在机械故障诊断技术中的应用[J]. 机电信息，2010(12)：40-43.