一种基于产生式规则的抽油井故障诊断专家系统的制作方法
本发明涉及一种抽油井故障诊断技术，具体为一种基于产生式规则的抽油井故障诊断专家系统。
背景技术：
有杆泵抽油机井示功图是有杆泵抽油系统工作状况的集中体现，诊断示功图是判断有杆抽油系统工况最有效而且快捷的途径。抽油泵示功图可以准确地显示出不同工况时井下采油设备的实际工况,其不同形状特征代表了不同工况。分析和解释示功图是直接探究抽油系统工况的一个主要手段,这一过程也被称作故障诊断。传统的方法有人工诊断法、网格法、矢量法、傅里叶位置法、傅里叶曲率法、功率谱密度法。这些方法仅限于分析示功图本身的形状信息,不能较好地描述各图形之间的细微差别,导致诊断正确率不高,特别是对于那些形状相似但故障类别却完全不同的情况未能给予考虑,所以均未达到工程实用化的程度。
产生式规则专家系统是人工智能中最重要的也是最活跃的一个应用领域，它实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统是早期人工智能的一个重要分支，它可以看作是一类具有专门知识和经验的计算机智能程序系统，一般采用人工智能中的知识表示和知识推理技术来模拟通常由领域专家才能解决的复杂问题。近年来,产生式规则专家系统已经在国内外许多工程领域得到了成功应用，但仍然存在诊断规则推理时存在“规则冲突”的问题需要解决。而决策树算法可以很好的解决这一规则冲突问题，但传统的id3决策树本身还存在着单纯以信息熵和信息增益来权衡属性的重要性，选择信息增益值最大的属性作为检验对象而导致的在一条路径上对同一属性的重复检验的问题。在正向推理过程中，经常会出现某一规则存在被重复启用的可能性，也就造成了规则的启用冲突，会导致推理过程重复执行而无法得出准确结果，增加决策树分枝，影响生成树的效率，从而导致最后决策的不准确性，使整个产生式规则专家系统的精度大大降低，不能满足实际工业上的要求。同时传统的针对示功图的特征提取主要是利用其面积、方向、纹理、灰度等方面，例如矩特征，这种方法计算量大，且易受噪声影响从而导致识别率低，造成信息丢失；方向梯度直方图，这种方法在描述生成过程冗长从而导致速度慢，而由于梯度性质的问题，对噪声也相当敏感。
技术实现要素：
针对现有技术中广泛使用的正向推理所带来的规则冲突导致推理过程重复执行而无法得出准确结果等不足，本发明要解决的技术问题是提供一种结合粗糙集改进的id3决策树算法、进一步提高效率的基于产生式规则的抽油井故障诊断专家系统。
为实现上述目的，本发明采用的技术方案是：
本发明一种基于产生式规则的抽油井故障诊断专家系统，包括人机接口、综合数据库以及产生式规则库，其中：
人机接口，用于用户和故障诊断系统各个模块之间进行信息交互，用户通过人机接口输入故障信息，所有诊断结果在人机接口上显示；
综合数据库，分别与推理机和解释机相连，用于存储在故障诊断过程中的表达信息，包括初始状态、中间结论以及最终结论；
产生式规则库，分别与推理机和解释机相连，包含所要解决问题领域中的诊断规则以及解决方法。
所述推理机，是根据当前的用户输入，调用产生式规则库中的诊断规则，对故障示功图进行推理，从而得到故障类型和初步建议采取的措施；
所述解释机，是利用预制文本法对推理得到的确定性结论做出解释，解释信息存放在数据库中，包括解释信息编号、故障编号、故障名称、故障原因编号以及故障原因。
所述产生式规则库包括规则条件表、规则结论表以及规则表，其中，规则条件表存储规则的条件，包括条件编号、条件描述以及结论编号；规则结论表存储规则的结论，包括结论编号和结论描述；规则表存储故障的诊断规则，包括规则编号、规则名称、条件编号以及结论编号。
产生式规则库中，基于示功图的物理意义特征参数以及具体规则的制订过程如下：
1)获得抽油井故障或良好运作时的一个周期的散点，把示功图看作由一个列向量x即位移向量和一个列向量y即载荷向量绘制而成；
2)采用移动平均滤波器对列向量y进行平滑处理，返回与y等长的列向量yy，把步骤1)中的列向量y改为yy，从散点折线图得到更平滑的示功图；
3)从步骤2)中平滑处理后的示功图上以及相应的井况油况机械参数提取物理特征；
4)将全部样本进行步骤1)到步骤3)的处理，然后把所有特征值转化为5～30个特征参数；从多口油井的实测数据、采油运行记录以及采油专家经验、有杆抽油系统工作理论,结合上述特征参数，制定出n种常见工况的识别规则，n为大于等于15的整数；
5)从多口油井的实测数据、采油运行记录以及采油专家经验、有杆抽油系统工作理论，结合上述特征参数，制定出多种常见工况的识别规则。
步骤3)中，从平滑处理后的示功图上以及相应的井况油况机械参数提取物理特征，步骤为：
301)提取示功图基本特征；
302)根据示功图基本特征进行计算，提取示功图隐藏特征；
303)通过抽油井基本参数以及所处抽油环境提取油况自身特征；
304)通过示功图外参数进行计算得到抽油井自身特征。
步骤301)提取示功图基本特征包括：
30101)在平滑处理后的示功图上提取最大位移点pr、最小位移点pl、最大载荷点pm以及最小载荷点pn，记ym、yn分别为pm、pn点的载荷；
30102)提取示功图实际面积am，示功图右上角面积aru，示功图右下角面积ard；
30103)提取pr与psc点间、pso与pl点间、ptc与pl点间、pto与pr点间、pr与pm点间、pl与pn点间、pm与pn点间的位移量分别为sr，sc、sl，so、sl，tc、sr，to、sr，m、sl，n、sm，n；pso为固定阀开启点，psc为固定阀关闭点psc，pto为游动阀开启点，ptc为游动阀关闭点。
步骤302)通过计算提取示功图隐藏特征包括：
30201)按照公式(2)求得散点图中所有相邻两个散点的载荷之差m，取一阈值m，记m中比m大的数字数量为相邻两点载荷跳变剧烈的点数；
m＝y(n+1)-y(n)，n≥1(2)
其中，y为此点处的纵坐标值，n为第n个点；
30202)以平滑处理后的示功图载荷、位移的中值点为原点坐标，把示功图分为第一～四象限；
30203)按照公式(3)进行计算，得出每个象限所有n个点的一阶导数y′和二阶导数y″；
其中x为此点处的横坐标值；
30204)按照公式(4)求出每个象限所有点的曲率k，并在每个象限获得曲率最大值的点，第一象限的曲率最大点为固定阀开启点pso，第二象限的曲率最大点为固定阀关闭点psc，第三象限的曲率最大点为游动阀开启点pto，第四象限的曲率最大点为游动阀关闭点ptc；
30205)求出最小位移点到最大位移点之间所有点的载荷之和，即示功图左上半部所有点载荷之和，记为pup；求出最大位移点到最小位移点之间所有点的载荷之和，即示功图右下半部所有点载荷之和，记为pdown；记(pup-pdown)为柱塞上流体载荷fw；
30206)求出左上半部点数nup，右下半部点数ndown，通过公式(5)计算计算fs、ft，记fs为上冲程时平均载荷，记ft为上冲程时平均载荷；
30207)记aruo为以fw、sr，sc为两边的示功图上三角空缺部位相似矩形面积，ardo为以fw、sr，to为两边的示功图下三角空缺部位相似矩形面积。
步骤303)通过抽油井基本参数以及所处抽油环境提取抽油井以及油况自身特征，具体为：
30301)通过抽油井机械参数获得泵柱塞面积，记为ap；
30302)通过抽油井所处地况以及油况确定气油比，记为rgo；
30303)通过监控排量可测得每日的实际排量，记为qt；
30304)通过机械测量，记pi、po分别为抽油泵的吸入口压力、排出口压力。
步骤304)通过示功图外参数进行计算得到物理意义特征，具体为：
30401)假设力在抽油杆柱中传递是瞬时的，凡尔的起落也是瞬时的，抽油设备在工作过程中，进入泵内的液体不可压缩，油井没有连抽带喷现象，油层供油能力充足，泵能够完全充满时，绘制理论示功图；
30402)在理论示功图上得出最大位移点与最小位移点之差为光杆冲程s，记fps、fpt分别为理论示功图上固定阀开闭线载荷、游动阀开闭线载荷；
30403)记qt为日理论排量，ap为柱塞面积，s为光杆冲程，n为每分钟冲次；在理想情况下，活塞上下一次过程中进入和排出的液体体积都等于柱塞让出的体积v，v＝apsn；通过公式(6)计算出日理论排量qt
qt＝1440apsn(6)
30404)考虑抽油杆柱振动载荷以及抽油杆柱上加速度分布后计算惯性载荷引起的附加柱塞冲程，记sp为柱塞冲程，由公式(7)推出；式中s为光杆冲程，β为静载荷引起的冲程损失，βi为抽油杆柱惯性载荷引起的冲程损失，βv为抽油杆柱自由振动引起的冲程损失，其单位均为米；由此可得冲程损失比为sp/s；
sp＝s-β-βi±βv(7)
30405)记amo为以fw、sp为两边的示功图相似矩形面积。
所述推理机基于粗糙集改进的id3决策树算法进行故障原因推理，是基于示功图基本特征、示功图隐藏特征、油况自身特征以及抽油井自身特征，建立特征参数，再建立规则，推理机是基于这些规则的步骤为：
a)将所有训练样本数据集合作为结点；
b)建立决策表，对训练样本进行判断，若都属于同一类或可供选择的条件属性为空，则该节点为叶子节点，循环结束，否则执行步骤c)；
c)计算条件属性相对于决策属性的相对核，若不存在，则进行步骤d)，存在，则进行步骤e)；
d)计算各个属性的信息增益，将信息增益最大值的点作为节点属性，对其检验实现分枝，各个分枝组成新的样本数据子集，并将已检验属性列删除；
e)按照相对泛化规则进行分枝，各个分枝组成新的样本数据子集，并将已检验属性列删除；
f)对各个分枝重复执行步骤2)～3)，最终得到决策树。
本发明具有以下有益效果及优点：
1.本发明使适用于对典型工况的诊断,相比较于目前流行的其他方法更多表达了专家思维，可面向完全没有专业知识背景的操作层用户。
2.本发明相对于神经网络等模型，基于id3决策树的产生式规则系统故障诊断过程是非黑盒模型，更加清晰易懂，不会造成使用人员不理解只是机械操作而导致一些不必要的生产问题。
3.本发明解决了产生式规则系统中广泛使用的正向推理所带来的规则冲突问题。在正向推理过程中，某一规则存在被重复启用的可能性，也就造成了规则的启用冲突，会导致推理过程重复执行而无法得出准确结果。使用id3决策树模型可以分析各个变量的取值范围重要程度，从而确保不会出现规则冲突、重复启用的问题。
4.采用粗糙集来对id3决策树模型进行改进。基于粗糙集的改进算法则首先求出条件属性相对于决策属性的相对核，利用属性之间的依赖性可以避免在一条路径上对同一属性的重复检验，由于相对核属性可能为多个属性的组合，分枝会减少，生成树的效率更高，从而提高了本系统的诊断速度和精度。
附图说明
图1为产生式规则专家系统结构示意图；
图2为本发明中单个规则以及规则库的组成示意图；
图3为本发明中散点绘制成的初步示功图；
图4为本发明中经过移动平均滤波器滤波之后的示功图；
图5为本发明中示功图特征点；
图6本发明中理论示功图；
图7本发明中决策树模型搭建流程图。
具体实施方式
如图1所示，本发明一种基于产生式规则的抽油井故障诊断专家系统，包括人机接口、综合数据库以及产生式规则库，其中：
人机接口，用于用户和故障诊断系统各个模块之间进行信息交互，用户通过人机接口输入故障信息，所有诊断结果在人机接口上显示；
综合数据库，分别与推理机和解释机相连，用于存储在故障诊断过程中的表达信息，包括初始状态、中间结论以及最终结论；
产生式规则库，分别与推理机和解释机相连，包含所要解决问题领域中的诊断规则以及解决方法。
推理机，是根据当前的用户输入，调用产生式规则库中的诊断规则，对故障示功图进行推理，从而得到故障类型和初步建议采取的措施；
所述解释机，是利用预制文本法对推理得到的确定性结论做出解释，解释信息存放在数据库中，包括解释信息编号、故障编号、故障名称、故障原因编号以及故障原因。
所述产生式规则库包括规则条件表、规则结论表以及规则表，其中，规则条件表存储规则的条件，包括条件编号、条件描述以及结论编号；规则结论表存储规则的结论，包括结论编号和结论描述；规则表存储故障的诊断规则，包括规则编号、规则名称、条件编号以及结论编号。
规则表存储故障的诊断规则，由规则编号、规则名称、条件编号、结论编号。构建规则库，则是利用规则的数据的统一性，建立一个链表把所有的规则联结成一个整体。单个规则以及规则库的组成如图2所示。所述产生式规则库里规则中条件获得方法为基于示功图的物理意义特征参数提取，结论为示功图发生某种变化时所发生的故障现象或是良好运行工况。示功图是一物理意义十分明确的几何封闭图形，横轴为位移，纵轴为在和其几何特征是进行故障识别与诊断的主要依据。根据抽油泵工作时的力学行为，可将抽油系统井下工况划分为连抽带喷、固定阀卡死、泵严重磨损等18种典型工况，每种典型工况都有相应的示功图图谱。
产生式规则库中，基于示功图的物理意义特征参数以及具体规则的制订过程如下：
1)获得抽油井某一故障或良好运作时的一个周期的散点，为250个(位移，载荷)点，此时示功图可看作由一个列向量x(位移向量)，和一个列向量y(载荷向量)绘制而成，如图3所示。
2)采用移动平均滤波器对列向量y进行平滑处理，返回与y等长的列向量yy，从250点折线图得到更平滑的示功图，如图4所示。移动平均滤波器公式如公式(1)所示：
yy(1)＝y(1)(1)
yy(1)＝(y(1)+y(2)+y(3))/3
yy(2)＝(y(1)+y(2)+y(3)+y(4)+y(5))/5
yy(3)＝(y(2)+y(3)+y(4)+y(5)+y(6))/5
…………
yy(n)＝(y(n-1)+y(n)+y(n+1)+y(n+2)+y(n+3))/5
其中y(n)为y向量的第n个元素，yy(n)为计算得到的yy中的第n个元素；
3)从步骤2)中平滑处理后的示功图上以及相应的井况油况机械参数提取物理特征；提取图中特征如图5所示。
步骤301)提取示功图基本特征。
步骤30101)提取最大位移点pr，最小位移点pl，最大载荷点pm，最小位移点pn，记ym、yn分别为pm、pn点的载荷。
步骤30102)提取示功图实际面积am，示功图右上角面积aru，示功图右下角面积ard。
步骤30103)提取pr与psc点间、pso与pl点间、ptc与pl点间、pto与pr点间、pr与pm点间、pl与pn点间、pm与pn点间的位移量分别为sr，sc、sl，so、sl，tc、sr，to、sr，m、sl，n、sm，n。
步骤302)通过计算提取示功图隐藏特征。
步骤30201)按照公式(2)，求得所有相邻两点的载荷之差m，取一阈值m，记m中比m大的数字数量为相邻两点载荷跳变剧烈的点数。
m＝y(n+1)-y(n)，n≥1(2)
步骤30202)以载荷、位移的中值点为原点坐标，把示功图分为一二三四，四个象限。
步骤30203)按照公式(3)，计算后得出每个象限所有n个点的一阶导数y′和二阶导数y″。
步骤30204)按照公式(4)求出每个象限所有点的曲率k，并在每个象限获得曲率最大值的点，第一象限的曲率最大点为固定阀开启点pso，第二象限的曲率最大点为固定阀关闭点psc，第三象限的曲率最大点为游动阀开启点pto，第四象限的曲率最大点为游动阀关闭点ptc。
步骤30205)求出最小位移点到最大位移点之间所有点的载荷之和，即示功图左上半部所有点载荷之和，记为pup，求出最大位移点到最小位移点之间所有点的载荷之和，即示功图右下半部所有点载荷之和，记为pdown。记(pup-pdown)为柱塞上流体载荷fw。
步骤30206)求出左上半部点数nup，右下半部点数ndown，通过公式(5)计算计算fs、ft。记fs为上冲程时平均载荷，记ft为上冲程时平均载荷。
步骤30207)记aruo为以fw、sr，sc为两边的示功图上三角空缺部位相似矩形面积，ardo为以fw、sr，to为两边的示功图下三角空缺部位相似矩形面积。
步骤303)通过抽油井基本参数以及所处抽油环境提取抽油井以及油况等自身特征。
步骤30301)通过抽油井机械参数获得泵柱塞面积，记为ap。
步骤30302)通过抽油井所处地况以及油况确定气油比，记为rgo。
步骤30303)通过监控排量可测得每日的实际排量，记为qt。
步骤30304)通过机械测量，记pi、po分别为抽油泵的吸入口压力、排出口压力。
步骤304)通过示功图外参数进行计算得到物理意义特征
步骤30401)在不考虑活塞在上、下冲程中，抽油杆柱所受到的摩擦力、惯性力、振动载荷与冲击载荷等的影响，假设力在抽油杆柱中传递是瞬时的，凡尔的起落也是瞬时的，抽油设备在工作过程中，不受砂、蜡、水、气等因素的影响，认为进入泵内的液体不可压缩，油井没有连抽带喷现象，油层供油能力充足，泵能够完全充满时，绘制理论示功图，如图6所示。
步骤30402)在理论示功图上可得出最大位移点与最小位移点之差为光杆冲程s，记fps、fpt分别为理论示功图上固定阀开闭线载荷、游动阀开闭线载荷
步骤30403)记qt为日理论排量，ap为柱塞面积，s为光杆冲程，n为每分钟冲次。在理想情况下，活塞上下一次过程中进入和排出的液体体积都等于柱塞让出的体积v，而v＝apsn。通过公式(6)可计算出日理论排量qt
qt＝1440apsn(6)
步骤30404)考虑到抽油杆柱振动载荷以及抽油杆柱上加速度分布后计算惯性载荷引起的附加柱塞冲程，记sp为柱塞冲程，由公式(7)推出。式中s为光杆冲程，β为静载荷引起的冲程损失，βi为抽油杆柱惯性载荷引起的冲程损失，βv为抽油杆柱自由振动引起的冲程损失，其单位均为米。由此可得冲程损失比为sp/s。
sp＝s-β-βi±βv(7)
步骤30405)记amo为以ew、sp为两边的示功图相似矩形面积。
4)将全部样本进行步骤1)到步骤3)的处理，然后把所有特征值转化为5～30个特征参数(本实例为c1到c20一共20个)；从多口油井的实测数据、采油运行记录以及采油专家经验、有杆抽油系统工作理论,结合上述特征参数，制定出n种常见工况的识别规则，n为大于等于15的整数。
根据相关论文文献以及专家经验，把所有特征值转化为表1所示的c1到c20一共20个特征参数。
表1
步骤5：从100多口油井的实测数据、采油运行记录以及采油专家经验、有杆抽油系统工作理论,结合上述特征参数，可以制定出18种常见工况的识别规则，如表2所示。至此，规则库搭建完毕。
表2
推理机根据当前的用户输入，调用产生式规则库中的诊断规则，对故障示功图进行推理，从而得到故障类型。所述推理机采用基于粗糙集的id3决策树模型的推理方式，解决了规则冲突的问题，同时利用相对核来避免在一条路径上对同一属性的重复检验，由于相对核属性可能为多个属性的组合，分枝会减少，生成树的效率更高。
基于粗糙集改进的id3决策树模型训练过程需要的5个计算定义如下：
计算定义1：熵。熵是表示随机变量不确定性的度量。设□是一个取有限个值的离散随机变量，其概率分布为
p(x＝xi)＝pi，i＝1，2，…，n
则随机变量的熵定义为公式(8)
熵越大，随机变量的不确定性就越大。
计算定义2：条件熵。设有随机变量(x,y)，其联合概率分布为
p(x＝xi，y＝yj)＝pij
i＝1,2,…,n；j＝1,2,…,m
条件熵h(y|x)表示在已知随机变量x的条件下随机变量y的不确定性。随机变量x给定的条件下随机变量y的条件熵h(y|x)，定义为x给定条件下y的条件概率分布的熵对x的数学期望，如公式(9)所示
计算定义3：信息增益。信息增益表示得知x的信息而使得类y的信息的不确定性减少的程度。特征a对训练数据集d的信息增益为g(d，a)，如公式(10)至公式(12)。
g(d，a)＝h(d)-h(d|a)(10)
计算定义4：相对核。在粗糙集中，对任意属性子集b∈r，假设xi，xj∈u，
计算定义5：相对泛化。若p和q为论域u的两组等价关系，同时满足公式(13)，(14)
u/p＝{x1，x2，......xn}
u/q＝{y1，y2，……ym}
那么，{z1，z2，……，zm}即为p相对q的泛化
根据以上计算方法，以及18条产生式规则信息得出决策树模型建立过程如下，流程图如图7所示：
步骤a)将所有训练样本数据集合作为结点；
步骤b)建立决策表，对训练样本进行判断，若都属于同一类或可供选择的条件属性为空，则该节点为叶子节点，循环结束，否则执行步骤3；
步骤c)计算条件属性相对于决策属性的相对核，若不存在，则进行步骤4，存在，则进行步骤5；
步骤d)计算各个属性的信息增益，将信息增益最大值的点作为节点属性，对其检验实现分枝，各个分枝组成新的样本数据子集，并将已检验属性列删除；
步骤e)按照相对泛化规则进行分枝，各个分枝组成新的样本数据子集，并将已检验属性列删除；
步骤f)对各个子树重复执行步骤2，步骤3，最终得到决策树。
至此，决策树模型训练完毕。
在本系统中，决策树模型输入为n1到n20一共20个变量，其取值与表1与表2中20个变量相关，其取值方式按照表2中的规则条件中的取值范围进行划分。具体如下：c1∈(-∞.0.32)时，n1＝1，c1∈(0.32.0.35)时，n1＝2，
c1∈(0.35.0.6)时，n1＝3，c1∈(0.6，1.2)时，n1＝4，
c1∈(1.2，+∞)时，n1＝5；
c2∈(-∞，0.35)时，n2＝1，c2∈(0.35，0.6)时，n2＝2，
c2∈(0.6，1.5)时，n2＝3，c2∈(1.5，2.35)时，n2＝4，
c2∈(2.35，2.5)时，n2＝5，c2∈(2.5，+∞)时，n2＝6；
c3∈(-∞，0.5)时，n3＝1，c3∈(0.5，+∞)时，n3＝2；
c4∈(-∞，0.5)时，n4＝1，c4∈(0.5，+∞)时，n4＝2；
c5∈(-∞，0.2)时，n5＝1，c5∈(0.2，0.32)时，n5＝2，
c5∈(0.32，0.35)时，n5＝3，c5∈(0.35，+∞)时，n5＝4；
c6∈(-∞，0.13)时，n6＝1，c6∈(0.13，+∞)时，n6＝2；
c7∈(-∞，0.2)时，n7＝1，c7∈(0.2，0.32)时，n7＝2，
c7∈(0.32，0.35)时，n7＝3，c7∈(0.35，+∞)时，n7＝4；
c8∈(-∞，0.13)时，n8＝1，c8∈(0.13，+∞)时，n8＝2；
c9∈(-∞，0.5)时，n9＝1，c9∈(0.5.+∞)时，n9＝2；
c10∈(-∞，0.15)时，n10＝1，c10∈(0.15，+∞)时，n10＝2；c11∈(-∞，1.5)时，n11＝1，c11∈(1.5，+∞)时，n11＝2；
c12∈(-∞，0.44)时，n12＝1，c12∈(0.44，1.5)时，n12＝2，
c12∈(1.5，+∞)时，n12＝2；
c13∈(-∞，0.8)时，n13＝1，c13∈(0.8，+∞)时，n13＝2；
c14∈(-∞，1.0)时，n14＝1，c14∈(1.0，+∞)时，n14＝2；
c15∈(-∞，0.1)时，n15＝1，c15∈(0.1，0.35)时，n15＝2，
c15∈(0.35，0.9)时，n15＝3，c15∈(0.9.+∞)时，n15＝4；
c16∈(-∞，9)时，n16＝1，c16∈(9，+∞)时，n16＝2；
c17∈(-∞，0.2)时，n17＝1，c17∈(0.2，+∞)时，n17＝2；
c18∈(-∞，0.2)时，n18＝1，c18∈(0.2，+∞)时，n18＝2；
c19∈(-∞，0.2)时，n19＝1，c19∈(0.2，2.0)时，n19＝2，
c19∈(2.0，2.5)时，n19＝3，c19∈(2.5，+∞)时，n19＝4；
c20∈(-∞，0.4)时，n20＝1，c20∈(0.4，+∞)时，n20＝2；
输入数据后，即可通过推理机以及解释机得到故障类型和初步建议采取的措施，其过程会存储在综合数据库中。
解释机，利用预制文本法对推理得到的确定性结论做出解释，使用户更容易理解。提前估计好的问题，错误信息，行为和推理方法等信息被添加到解释机的程序中，当需要时显示。解释信息库存放在数据库中，由解释信息编号、故障编号、故障名称、故障原因编号、故障原因组成。
实验结果：
本发明实施方案利用粗糙集对id3决策树算法进行改进，使用以改进后的id3决策树算法作为推理机的产生式规则专家系统进行抽油井的故障诊断，准确率可以达到97％。
- 还没有人留言评论。精彩留言会获得点赞！