人工智能在故障诊断领域的应用.doc

人工智能在故障诊断领域的应用人工智能在故障诊断领域的应用摘要：本文在简要介绍故障诊断和人工智能的基础上，详细分析人工智能在故障诊断领域中的应用，包括智能故障诊断技术和故障诊断专家系统，最后总结基于人工智能的故障检测的发展趋势。关键词：故障诊断；人工智能；专家系统；智能诊断Application of Artificial Intelligence in the field of Fault DiagnosisAbstract: Based on a brief introduction on the fault diagnosis and artificial intelligence, this paper detailedly analyses the application of artificial intelligence in the field of fault diagnosis, including intelligent fault diagnosis and fault diagnosis expert system. Finally, this paper summarizes the development trend of fault detection based on artificial intelligence.Keywords: Fault Diagnosis; Artificial Intelligence; Expert System; Intelligent Diagnosis1 引言随着科学技术的发展，装备的结构越来越复杂，功能也越来越完善，自动化程度越来越高，不但同一设备的不同部分之间相互关联，紧密耦合，而且不同设备之间也存在着紧密的联系，在运行过程中形成一个整体。一处故障可能引起一系列连锁反应，导致整个过程不能正常运行，甚至会造成重大的损失。因此，对故障诊断的要求也越来越高。另一方面，人工智能技术近年来得到很大发展，基于人工智能的故障诊断专家系统已成为当前研究和应用的一个热点。系统的故障是指系统的运行处于不正常状态(劣化状态)，并可导致系统相应的功能失调，即导致系统相应的行为(输出)超过允许范围，使系统的功能低于规定的水平，这种劣化状态就称为故障。故障诊断是指系统在一定工作环境下查明导致系统某种功能失调的原因或者性质，判断劣化状态发生的部位和部件，以及预测状态劣化的发展趋势等1,2,3。故障诊断的基本思想可以这样描述：设被检测对象全部可能发生的状态(包括正常和故障状态)组成状态空问S，它的可观测量特征的取值范围全体构成特征空问Y，状态空间与特征空间的关系如下图来表示。图1 状态空间与特征空间的关系图故障诊断的过程主要分成三个步骤：第一步检测设备状态的特征信号；第二步从检测到的信号中提取征兆；第三步根据征兆和其他诊断信息来识别设备的状态，从而完成故障诊断。4故障诊断技术的发展大体经历了三个阶段5：第一阶段是故障诊断的初级阶段，诊断结果是建立在领域专家的感官和专业经验基础上，仅对诊断信息作简单的处理，其诊断水平受到个人技术能力和工作经验的限制。第二阶段是以传感器技术和动态测试技术为手段、以信号处理和建模处理为基础的常规诊断技术。其中，信号处理包括统计分析、相关分析、频谱分析、小波分析和模态分析等；建模处理包括参数估计、系统辨识、模式识别等，其理论基础是系统论、信息论和控制论。在这一阶段，故障诊断技术在工程上得到了广泛的应用，其自身也得到了空前的发展，诞生出许多新的诊断方法。如振动诊断技术、声发射诊断技术、频谱诊断技术、光谱诊断技术、无损诊断技术和热成像检测诊断技术等。第三阶段是智能诊断技术阶段。所谓诊断系统的智能就是它可以有效地获取、传递、处理、再生和利用诊断信息，从而具有对给定环境下的诊断对象进行成功状态识别和状态预测的能力。至80年代中期以后，由于机器设备的大型化、复杂化以及连续高速运行的需要，加之自动化制造系统的诞生和发展，单靠信号处理和人工分析判断又难以实现在线的精确诊断。目前, 国内检测诊断技术的研究主要集中在以下几个方面:l 传感技术研究: 传感技术是反映设备状态参数的仪表技术。国内先后开发了各种类型的传感器, 如屯涡流传感器、速度传感器、加速度传感器和温度传感器等; 最近开发的传感技术有光导纤维、激光、声发射等。l 关于信号分析与处理技术的研究: 从传统的谱分析、时序分析和时域分析, 开始引入了一些先进的信号分析手段, 如快速傅立叶变换, Wigner谱分析和小波变换等。这类新方法的引入弥补了传统分析法的不足。l 关于人工智能和专家系统的研究: 这方面的研究已成为诊断技术的发展主流, 目前已有日程机械故障诊断专家系统，但这一技术在工程方面的研究尚未达到人们所期望的水平。l 关于神经网络的研究: 比如旋转机械神经网络分类系统等的研究已经取得了应用, 取得了满意的效果。l 关于诊断系统的开发与研究: 从单机巡检与诊断到上下位机式主从机结构, 直至以网络为基础的布式系统的结构越来越复杂, 实时性越来越高。l 专门化与便携式诊断仪器和设备的研制与开发。目前, 我国的冶金、电力、化工等行业的故障诊断技术己经很成熟, 得到了广泛的应用。2 人工智能人工智能是计算机科学的一个重要组成部分。它的任务是：让计算机模拟人类的智能活动，使之具有应用知识、逻辑推理、解决实际问题的能力。人工智能的研究，始于1956年，是从所谓难题求解开始的。早期的问题，大都限于下棋、猜谜和数学定理证明之类的简单领域。目前人工智能的研究，几乎涉及所有学科，其主要包括以下几个方面6： l 专家系统：让计算机模拟人类专家的决策过程，求解那些无法建立数学模型而必须依靠专家经验来解决实际问题。l 决策支持系统：通过计算机的推理、判断，对某些多元的、非精确的或不确定的难题进行辅助决策。l 自然语言理解系统：使计算机能够理解人类的语言，改善人机联系的条件。l 知识库系统把人类自己掌握的知识，用一定的规则表示出来，即经过形式比较处理存放在计算机中，为用户提供知识共享。l 智能机器人使机器人具有入的手、眼、脑的功能，不仅会看、会做、还会思考，并能根据环境条件决定自己的行为，智能机器人已在航天、核工业、冶金、机械、化工等各个领域开始部分代替人类的工作。l 智能计算机在知识库的支持下，能识别声音、图像、自动进行程序设计，具有推理、学习等功能的新一代计算机。人工智能系统还构成了新兴的知识工业，它将为新技术革命提供重要的工具，为变革人类的生产和生活方式做出了巨大贡献。Schreiber在1978年首次提出了自动测试生成技术（Automatic Test Generation Techniques）7。由于电路的日益复杂，故障诊断也变得越来越困难。在过去的几十年中，人工智能技术（AI）已经成为一个重要的研究课题。2001年Fenton等人对AI技术进行了很好地总结，并对这种技术进行了分类8。图2 AI技术分类2.1 专家系统专家系统是目前人工智能中最活跃、最有成效的一个研究领域，是基于知识的计算机智能程序系统。它从人类领域专家那里获取知识，并用来解决只有领域专家才能够解决的困难问题。因此可以这样来定义专家系统：专家系统是一种具有特定领域内大量知识与经验的程序系统，它应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理判断，模拟人类专家求解问题的思维过程，以解决该领域内的各种问题。人类对问题求解的过程离不开对知识的表示和利用来两个方面。下面由知识的表示，就专家系统及其原理进行深入阐述。专家系统一般被认为l 它是一个智能程序系统；l 它具有相关领域内大量的专家知识；l 能应用人工智能技术模拟人类专家求解问题的思维过程进行推理，解决相关领域内的困难问题，并达到领域专家的水平。专家系统按系统的体系结构可分为三种：l 集中式专家系统：指对知识及推理进行集中管理的专家系统。目前大多数成功应用的专家系统都属于这一类型。l 分布式专家系统：指把知识和推理机制分布在一个计算机网络上的专家系统。这种类型的系统具有具有较强的问题求解能力。它将复杂的问题进行分解，并在求解之后将各个子问题的解合为原问题的解，对那些单个机构难以解决的问题它都可以实现求解。l 神经网络专家系统：采用人工神经网络技术建立的一种专家系统。它以神经网络为体系结构实现知识表示和求解推理。一个专家系统通常具有以下功能：咨询功能，回答用户提出的问题，解决其决策过程；学习功能，专家的训练下，系统能不断扩充和完善自己的知识；教育功能，系统能回答用户的提问，使用户在与系统交流时掌握领域内的知识。专家系统特点是灵活性、透明性、交互性9。专家系统是在计算机中实现的。它由知识库、知识获取机构、综合数据库、推理机、人-机接口、解释器五个部分组成。其中知识库和推理机是专家系统的核心部分。各部分的关系如图所示。在上述各组成部分中，知识库与推理机是专家系统不可缺少的组成部分。某些应用领域中，可以缺少解释部分和知识获取部分，但是一个完善的专家系统应具备上述五个部分。被诊断对象人机接口知识库数据库推理机结果图3 故障诊断专家系统结构图2.2 机器学习在AI领域，知识获取已经成为建造专家系统的“瓶颈”问题。知识的自动获取更是人工智能研究的难点。机器学习是解决知识获取问题的主要途径。机器学习研究的主要目标是通过构造智能学习机让机器自身具有获取知识的能力，使其能在实际工作中不断总结成功和失败的经验教训，对知识库中的知识自动进行调整和修改，以丰富、完善系统的知识。机器学习从内在行为来看，是从未知到已知的过程，是知识增长的过程；从外在表现看，是系统的某些适应性改变，使得系统能完成原来不能完成的任务或把原来的任务做得更好。学习是一切智能系统最根本的特征。机器学习是人工智能最具智能特征和最前沿的研究领域之一。机器学习的研究取得重大进展往往意味着人工智能，甚至整个计算机科学向前迈进了坚实的一步。因此，机器学习是提高故障诊断系统智能水平的主要途径，一旦诊断系统具有了自学习能力，它就能从环境的变化中学习新知识，不断实现自我完善。关于学习的概念，多数人工智能学者认为学习是以组织化的知识出发，然后变得更为组织化HJ.Simon定义说：学习是系统发生了变化，使得下一次比这一次做得更好；Minsky的定义是：学习是我们头脑里有用的变化；Miehalski认为：学习是对经历描述的建立或修改；Diettvrich认为：学习是知识的增长。这些定义虽然不尽相同，但可以看出学习的形式不外乎两种：知识获取和技能改善。在人工智能领域中，学习系统的研究、认知模拟和理论性分析这三者之间的相互竞争和支持，反映了人工智能领域的整体情况，使问题和概念相互交融。机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征、最前沿的研究领域之一。自80年代以来，机器学习作为实现人工智能的途径，在人工智能界引起了广泛的兴趣。特别是近几年来，机器学习领域的研究工作发展很快，它已成为人工智能的重要课题之一。“。机器学习不仅在基于知识的系统中得到应用，而且在自然语言处理、非单调推理、机器视觉、模式识别等许多领域也得到了广泛开展。一个系统是否具有学习能力已成为是否具有“智能”的一个标志。机器学习研究的主要发展过程大致可分为四个阶段，并分别以四个重要事件为标志。l 第一阶段：第一个学习机器的创立。(60年代)l 第二阶段：学习理论基础的创立。(60-70年代)l 第三阶段：神经网络(ANN)的创立，(80年代)l 第四阶段：ANN替代方法的创立(90年代)3 人工智能在故障诊断领域的应用人工智能技术与诊断科学的结合，推动了一门崭新的分支学科，即基于知识的诊断推理的诞生和发展。智能诊断系统，是由领域专家、现代模拟脑功能的硬件及软件所组成的系统。从发展的成熟程度来看，诊断专家系统或基于知识的诊断系统是最为优秀的。而构造这些系统的一个重要理论基础就是基于知识的诊断推理。其研究工作发展迅速、成果迭出。专家系统实际上就是使计算机尽可能模拟人类专家解决某些实际问题的决策和工作过程的系统。人工智能技术的发展，特别是基于知识的专家系统和以并行分布处理为特征的人工神经网络等技术在智能故障诊断中的应用，使得故障诊断技术进入了一个新的智能化发展阶段。国外已经将一些典型的故障诊断技术应用于各个领域，如：1987年日本川崎钢铁公司将先进的GO-STOP系统应用于高炉的故障诊断，实现了高炉工作稳定性的控制，对坍塌等故障实现了预报和控制。我国在检测与诊断技术研究方面虽然起步较晚，但是由于国家重视发展较快。早在八五期间国家组织了若干个故障诊断技术方面的公关课题研究，分别在石化、电力等部门进行了应用于推广。目前我国在检测与故障诊断技术方面的理论研究已经接近世界水平，但是在应用技术方面与国外的先进国家比较差距较大。随着科学技术领域的不断进步，我国正面临着大型技术设备广泛应用的关键时期，所以为适应国民经济发展形式的要求，必须使设备检测与故障诊断技术上升到一个新的水平。智能故障诊断技术是人工智能技术在诊断领域内引用的产物，它随着人工智能，特别是专家系统、知识工程和人工神经网络的发展而不断发展。根据制式处理途径上的不同，智能诊断方法可以分为两个大类10,11：第一种基于符号推理的智能诊断方法。在基于符号推理的知识处理系统当中，知识是按照一定的规则用特定描述符加以表示、存储和处理的。知识的获取就是对事件性知识或者专家所拥有的功能性知识加以描述，并按照一定的规则存储这些知识到知识库的这个过程。然后，知识的处理系统就可以根据输入数据集体定的推理机制和策略进行逻辑推理，并最终输出所要的结果。目前基于符号推理的传统的人工智能故障诊断方法比较成熟。但是，该方法具有一个重大的缺陷：知识获取的“瓶颈”和逻辑推理的“组合爆炸”。这使得该方法受到了一定的制约。第二种是基于数值计算的智能诊断方法。如人工神经网络，她是当今故障诊断方法一个重要的研究领域。其制式是通过系统权值系数矩阵来加以表示和存储。知识的获取是按照一定的学习规则通过学习不断的调整确定其权值系数矩阵。在诊断过程中，系统按照相应的网络计算方法对输入数据进行计算，得到网络输出作为诊断结果。神经网络由于其本身强大的功能，对于不精确的、矛盾的或者是错误的数据，他都能进行推理计算，并能够给出好的计算结果。在神经网络的知识处理系统中，知识的获取、知识存储以及推理之间的联系很紧密，交融性很大。同时神经网络的知识处理系统中不存在知识获取的瓶颈问题和推理的组合爆炸问题。所以其发展空间更加广阔。对于这两种智能诊断方法，无论是就与符号还是基于数值的只是处理方法只是从两个不同方面对人工智能的模拟。符号系统模拟了人类复杂的逻辑思维，而数值系统则是模拟了人类抽象的形象思维，这是人类智能中不可缺少、不能够互相替代的两个部分。在这种情况下，如果能够将两种方法又记得结合到一起，从而有效的模拟人的逻辑思维与形象思维，这是当今智能故障诊断技术发展的方向。人工智能在故障诊断领域中的应用，实现了基于人类专家经验知识的故障诊断技术，并将其推进到一个新的水平智能化诊断水平。但是由于诊断对象日趋呈现复杂化的趋势，获取准确、完备、有效的诊断知识越来越困难。已知的领域知识大都具有证据不充分或结论不完全的特点，领域知识的分散性、随机性和模糊性的特点使之表现出很强的不确定性。另一方面，复杂系统为了满足生产的需求经常处在动态变化的过程中，其行为特点越来越不好把握，各种故障的发生具有很强的不确定性，所有这些都为有效的获取、表示和利用诊断知识进行智能化推理带来了很大的困难12-15。将专家系统方法应用于设备故障诊断领域是故障诊断技术发展的趋势。一般说来，为了对设备的故障进行诊断与维修，对设备的工作情况均要进行监控和测试。为获取设备的运动状态信息和位置状况，在设备的一些重要功能执行部件、部位安装传感器，以监测设备运动状态或位置信息，如振动、温度、压力和功率等信息。较先进的设备控制器内的数据还应包含有各种指示运动状态信号，控制器IO信号，设备功能控制产生的中间信号及位置信息等。如果故障发生，根据控制器内的各类信号及信号之间的逻辑关系一般可以找到出现故障的位置及部件。设备故障诊断专家系统是利用各种类型的诊断知识通过对监数据库测到的信息进行分析、处理、对设备运动状态进行判断和推理的软件系统。一旦设备发生异常，它可以通过推理判断找出故障的原因和发生故障的位置，最后给出诊断、推理过程的解释和故障处理结果。故障诊断专家系统的构成如下图所示。其中数据采集模块是把信息通过各种手段采集到系统的数据库，这些信息反映设备运行的各种状态，这样便于诊断专家系统对故障及设备的运行状态进行判别和诊断。数据库是按照一定的格式以文件的形式把设备的各种状态信息(如问题求解的初始状态数据、求解状态、中间结果、假设目标以及最终求解结果等)存储起来。推理机是控制整个系统运行的一组程序，它利用知识库中的知识，根据监测到的信息，按着一定的问题求解策略进行推理、诊断，并给出诊断结果。推理机是设备故障诊断专家系统的关键部分。图4 故障诊断专家系统结构图随着故障诊断专家系统技术的发展。进一步将人工智能引人监测与诊断实现监测、诊断的一体化，在传统故障诊断专家系统的基础上，利用专家系统开发工具进一步开发出集一成化的故障诊断专家系统。集成化故障诊断专家系统的特征是数值计算和符号推理的集成，多种知识处理技术和诊断技术的集成，多个功能子模块的集成，形成分布处理的较大的专家系统。故障诊断专家系统由各功能子模块分别独立地完成诊断的各部分工作，然后进行综合做出诊断决策其中每个功能子模块都包含数值计算和符号推理功能。其中综合推理机是集成诊断专家系统的核心，它不仅能利用状态监测结果进行推理，同时可分析判断来自设备控制器内部的数据，结合各种数据进行推理、综合，做出诊断决策。综合知识库中包含有关系统的物理知识、经验知识、设备运动过程状态知识、运动过程监测结果所能反映的异常状态知识，以及诊断对象的征兆与故障之间的各种因果联系知识等。多种知识的综合，便于对故障进行综合诊断，这样可以提高知识本身的有效性，而且可以更准确地定位故障点，将故障定位到最小范围。综合数据库是一个动态数据库，由监测与诊断共同生成、共同利用。4 结语从今后的发展看, 故障诊断技术必须跳出仅针对机械运行过程这个环节的局限性, 而应该放在产品的整个生命周期中来统筹考虑, 对机械系统的整个寿命周期进行有效的分析, 从而提高机械系统的可靠性和可维修性, 延长系统的寿命, 降低寿命周期费用。从诊断的方式上来看, 传统的诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用, 对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统, 就具有较大的局限性。专家系统主要用于复杂的机械系统, 能够克服基于模型的故障诊断方法对模型的过分依赖性, 人工神经网络对于故障的模式识别具有独特的优点。将人工智能的理论和方法应用于故障诊断, 发展智能化的故障诊断技术, 是故障诊断的一个新的途径, 成为故障诊断的一个重要研究方向。基于人工智能的故障诊断系统在未来的发展趋势为可概括为集成化、高精度化、智能化和网络化16-19。集成化是指采用虚拟仪器技术的平台将各类采集技术、信号处理技术和诊断理论方法有效地集成在一起，这样可根据实际需要对诊断系统进行升级和扩大系统的测试范围。目前很多故障诊断系统的诊断测试功能相对固定，难以升级，因此随着虚拟仪器技术在发动机故障诊断领域的应用不断广泛，集成化将成为其发展一个趋势。高精度化是指运用先进的信号处理方法从原始信号中提取敏感反映机器状态的特征因子。可以说，信号处理中每一项新技术在设备诊断中的应用，都是对诊断技术的一次重大推动。如利用多段时域平均法提高当前信号的强度，利用小波分析法良好的时频局部化特性进行奇异信号检测，其目的都在去除原始信号中的噪音干扰，提取故障诊断精度。智能化是指诊断系统具有专家系统和智能化功能，能对发动机技术状况进行检测，并能诊断出汽车故障发生的部位和原因，引导维修人员迅速排除故障。人工智能技术的发展及其在诊断推理中的应用，将使得诊断系统智能化程度不断提高。如神经网络推理方法的出现，有效解决了专家系统出现的“规则组合爆炸”的难题，而近期已有神经网络算法的完善和新神经网络算法的出现，又将推动着故障诊断系统向高度智能化方向发展20-23。故障诊断专家系统未来的发展方向如下：(1)基于多种模型结合的诊断专家系统。这里所说的模型是指专家系统的知识表示模型与推理模型。现有的各种模型都具有各自优势和特点,同时它们各自也存在着局限性,各种模型具有各自适用的领域。随着工业自动化发展对故障诊断的要求不断提高, 际被诊断对象也将更加复杂,这样必然造成对象的故障诊断知识的复杂化,因此,融合多种知识表示方法是提高故障诊断知识表示准确度的有效途径。故障诊断知识表示与推理方法有着密切的联系,这就要求将多种诊断方法加以融合,克服各诊断方法的局限性,从而提高诊断专家系统的智能性和诊断效率。(2)分布式诊断专家系统。现有的诊断专家系统大都是面向单机或单服务器的, 可扩充性、灵活性、通用性较差,各诊断系统之间相互独立,即使是不同开发单位研制的针对同类问题的诊断系统之间也不能进行有效的信息交流和共享,造成了巨大的资源浪费。现在很多大型系统或设备由远程分布的不同类子系统组成,相应地,其诊断系统中的系统级诊断和各子诊断也需要诊断信息的传输交流。同时, 由于故障源的不确定性和时发性,导致异地诊断和远程诊断的需求不断增加。随着网络的普及,通过局域网、因特网来传输诊断信息成为一种趋势,网络架构下的分布式多故障诊断成为新的研究热点,因此,建立远程分布式跨平台综合智能诊断系统,可以实现异地多种专家系统对同一系统、设备的协同诊断以及多台设备共享同一诊断系统,提高诊断的成功率和效率,同时也有利于诊断案例的积累, 以弥补单个诊断系统领域知识的不足,提高诊断的智能化水平。(3)实时诊断专家系统。随着用户对系统可靠性、稳定性的要求不断提高,故障诊断技术已经由原来简单的对故障设备进行离线故障检测、隔离,发展为对系统、设备全寿命周期提供可靠性保障,主要包括基于传感器网络的健康状态在线检测, 故障的早期预报以及故障发生后的在线实时定位与排除。这些都对未来故障诊断专家系统的实时性提出了很高的要求。参考文献1 杨叔子, 史铁林. 设备诊断技术的现状与未来J. 设备管理与维修, 1995, 11(133).2 机械设备故障诊断技术M. 上海科学技术文献出版社, 1994.3 侯靖欧. 机械故障诊断技术J. 渔业现代化, 1984, 6: 023.4 设备诊断工程M. 中国农业科技出版社, 1997.5 吴今培，肖建华智能故障诊断技术与专家系统【M】.北京：科学出版社1997.5106 人工智能原理及应用M. 东华大学出版社, 2005.7 Fenton B, McGinnity M, Maguire L. Fault diagnosis of electronic system using artificial intelligenceJ. Instrumentation & Measurement Magazine, IEEE, 2002, 5(3): 16-20.8 Schreiber H H. A review of analog automatic test generationC/AUTOTESTCON78. International Automatic Testing Conference. IEEE, 1978: 1-8.9 王万森. 人工智能原理及其应用M. 电子工业出版社, 2000.10 王道平, 张义忠. 故障智能诊断系统的理论与方法M. 冶金工业出版社, 2001.11 吴明强, 史慧, 朱晓华, 等. 故障诊断专家系统研究的现状与展望J. 计算机测量与控制, 2005, 13(12): 1301-1304.12 Hanson S J, Bauer M. Machine learning, clustering, and polymorphyJ. arXiv preprint arXiv:1304.3432, 2013.13 Cleophas T J, Zwinderman A H. Machine Learning and Common SenseM/Machine Learning in Medicine. Springer Netherlands, 2013: 207-211.14 Murphy K P. Machine learning: a probabilistic perspectiveM. The MIT Press, 2012.15 Low Y, Bickson D, Gonzalez J, et al. Distributed GraphLab: A framework for machine learning and data mining in the cloudJ. Proceedings of the VLDB Endowment, 2012, 5(8): 716-727.16 智能检测系统与数据融合M. 机械工业出版社, 2000.17 Fortino G, Nigro L. Development of virtual data acquisition systems based on multimedia internetworkingJ. Computer Standards & Interfaces, 1999, 21(5): 429-440.18 Raju G V S, Wang H. Sensor data fusion using Mahalanobis distance and single linkage algorithmC/Systems, Man, and Cybernetics, 1994.Humans, Information and Technology., 1994 IEEE International Conference on. IEEE, 1994, 3: 2605-2610.19 Gani A, Salami M J E. A LabVIEW based data acquisition system for vibration monitoring and analysisC/Research and Development, 2002. SCOReD 2002. Student Conference on. IEEE, 2002: 62-65.20 Ye F, Zhang Z, Chakrabarty K, et al. Board-Level Functional Fault Diagnosis Using Artificial Neural Networks, Support-Vector Machines, and Weighted-Majority 21 VotingJ. Computer-Aided Design of Integrated Circuits and Systems, IEEE Transactions on, 2013, 32(5): 723-736.22 Riesbeck C K, Schank R C. Inside case-based reasoningM. Psychology Press, 2013.23 Xiao J Z, Wang H R, Yang X C, et al. Multiple faults diagnosis in motion system based on SVMJ. International Journal of Machine Learning and Cybernetics, 2012, 3(1): 77-82.