故障模糊預測系統(tǒng)不同于傳統(tǒng)意義上的專家系統(tǒng)，它是一種以ADMAS仿真平臺開發(fā)出的裝備虛擬樣機為基礎，充分利用已有的維修領域的知識和專家經(jīng)驗建立動態(tài)的運算規(guī)則，經(jīng)過模糊推理機的科學運算，評判出故障部位，然后將其仿真結果參照故障域值定量判斷，預測故障發(fā)生的時機、狀況的智能性程序系統(tǒng)。模糊推理機是整個模糊預測系統(tǒng)的核心。在模糊理論中常用的模糊推理方法是在模糊規(guī)則集的基礎上，使用最大—最小合成法與各種蘊涵公式的組合，由于這種方法在模糊運算的過程中忽略了很多次要因素，使之對于裝備故障預測系統(tǒng)的適應性很不理想?；谶@一思想，本文建立了一種基于模糊評判的故障預測推理機制，以保證推理結果的準確性。
1 基于模糊綜合評判的推理機制
1.1 模糊推理運算模型
　　模糊推理運算模型是模糊推理機進行推理所使用的工具，運算模型的建立對系統(tǒng)預測的準確性有著直接的影響。
　　定義1 設U＝{u₁,u₂,……，u_n}是所有可能發(fā)生的影響因素的集合,V＝{v₁,v₂,……，v_m}是所有可能出現(xiàn)的故障點的集合,滿足U＝∪u_i,且i≠j時，u_i∩u_j＝。視考察對象，每大類因素又可分為若干個子類，即U_i＝{u_i1,u_i2,……，u_ip}。
　　其中n為大類影響因素，m為評判等級的個數(shù)，p為各個大類影響因素中子類影響因素個數(shù)。
　　定義2 A＝(a₁,a₂,...,a_n)是U上的一個模糊子集，ai表示因素u_i呈現(xiàn)的程度，即ui的權重大小，且。同理對ui有Ai＝(ai1,ai2,...,aip),且。
　　在U、V之間進行模糊推理，等價于建立一個從U到V的映射：
　　f:U→F(V) (_ui∈U)
　　
　　其中r_ij為模糊推理的隸屬函數(shù)，也可以理解為第i個影響因素導致第j個故障點出現(xiàn)的可信度。
　　那么由f導出U、V之間的模糊關系，即構成一個模糊規(guī)則集，可表示為一張模糊預測響應表，如表1所示?？紤]預測系統(tǒng)的實時性，模糊關系矩陣應為動態(tài)矩陣，即影響因素和故障點的隸屬關系應隨著使用情況的改變而變化。子類因素的模糊規(guī)則集依此類推。

　　模糊預測響應表對應了一個模糊關系矩陣R：
　　

　　于是(U，V，R)構成一個綜合評判空間。
　　將A與R進行廣義模糊合成運算，最后得到模糊推理運算的基本模型：
　　B＝A o R
　　記B＝(b₁,b₂,…，b_m), 它是V上的一個模糊子集，b_j(j＝1,2,...,m)表示v_j發(fā)生的可信度。一般習慣于把(b₁,b₂,…，b_m)歸一化，然后按模式識別的最大隸屬度法進行判別，即可評判出最佳故障部件。
1.2 合成算法的選擇
　　如果各種影響因素的權重系數(shù)A、模糊關系矩陣R及合成算子都已確定，則裝備故障模糊預測系統(tǒng)的推理模型也就基本確定。根據(jù)采用不同的算子，可分為“主因素突出型”、“主因素決定型”及“加權平均型”等合成運算，各模型有各自的特點和適用范圍。對于裝備的故障預測，應綜合考慮各方面因素的影響。因此，合成運算宜選用“加權平均型”算子M(·，⊕)。
1.3 模糊推理算法的實現(xiàn)
　　根據(jù)模糊運算規(guī)則：
　　If u_i and V then A_i and R_i
　　其含義為如果有某單因素u_i對應V的故障點集，則必有一個權重系數(shù)集A和表征它們隸屬關系的模糊關系矩陣R_i與之相對應。根據(jù)輸入的預測對象，可直接由數(shù)據(jù)庫調用。
　　對單因素u_i來說，一級推理結果可通過下式計算(右上角符號代表一級)
　　
　　以下一層所有因素的推理結果為行向量，組建上一層的模糊關系矩陣(模糊規(guī)則)，即可進行二級綜合評判，依次可以推廣到多層次的推理運算。在故障預測系統(tǒng)的運行中，首先對含因素較少的“類”作綜合評判，然后再對評判結果進行“類”之間的高層次的綜合評判，即進行所謂的多層次的綜合評判。
1.4 模糊推理機的設計
　　在進行故障預測時，需要考慮眾多因素的影響，其中絕大部分是模糊變量，很難尋求到它們與故障之間的精確數(shù)學關系式。有些因素如部件的磨損量等可以進行定量分析，而有些因素如環(huán)境條件的改變等只能進行定性分析，這就需要把定性分析與定量分析在系統(tǒng)內部有機地結合起來。由于故障預測系統(tǒng)推理時沒有明確的目標，為了提高推理的效率，本文采用正向的推理策略，即由影響因素正向找出一條最可能出現(xiàn)故障點的途徑。其推理流程如圖1所示。

　　首先根據(jù)用戶輸入的信息，掃描知識庫，調用可用規(guī)則集及定量推理所用的數(shù)學模型形成動態(tài)數(shù)據(jù)庫，按照動態(tài)數(shù)據(jù)庫中所調用的相關公式進行定量運算。當定量運算的結果超過閾值集中某些閾值時，系統(tǒng)將產(chǎn)生質變，然后將質變現(xiàn)象轉化為定性描述，并依此作為觸發(fā)條件，轉入定性推理，將定性推理的結果存入中間數(shù)據(jù)庫，按模式識別最大隸屬度原則選擇故障部件，結合仿真結果與故障域值進行定量判斷，輸出最后結果。定量推理結果小于閾值時，重新掃描知識庫，形成新的動態(tài)數(shù)據(jù)庫。系統(tǒng)運行的結果證明，正向推理具備比較直觀的優(yōu)點，用戶可以主動向系統(tǒng)提供有用的事實信息，適合故障預測問題的求解。
2 實例分析
　　在裝備故障預測問題的求解過程中，因裝備系統(tǒng)以子結構為基礎，首先把預測任務分配到各個子結構，根據(jù)其推理結果，再綜合整體結構形式、技術檔案，得出裝備總的預測結果。表2是以本方法預測某裝備駐退機漏液的結果表^[3]。