在阅读此文前，诚邀您请点点右上方的“关注”，既方便您进行讨论与分享，还能及时阅读最新内容，感谢您的支持。

虽然专家系统需要简单的实现，但是它的知识库依赖于专家，因此是脆弱的，需要频繁的维护。

它不能提供直观的结果，并产生很高的计算成本此外，专家系统不能处理航空航天模型中涉及的动态和不确定性因此。它与中的其他框架集成在一起黑板架构in BEST(基于黑板的专家系统工具包)来增强应用程序的性能。它也与基于模型的方法一起使用。一个例子是通用电气公司申请专利的专家系统，该系统应用基于模型的推理来诊断旋转机器中的故障。在这个系统中，模型由偏微分方程基于它们的第一顺序；基于规则的专家系统使用测得的振动来确定根本原因。

PRS是一个基于知识的推理系统，其知识以程序的形式存在，称为知识领域。PRS为动态系统的实时推理实现了建模的信念-愿望-意图概念它由以下模块组成目标或目的集，具有领域知识和信念的数据库。其用新知识更新自身，知识区域，其是用于实现目标的动作和测试的程序库，意图图，其部分完成了实时运行的程序，以及解释器，其与所有这些模块通信并执行推理。

解释器接收系统的目的或目标，从知识区域中选择所需的正确过程，将其放置在意图图上以缩小动作集，基于意图选择正确的动作，最后启动将更新下一个目标的过程显示了程序推理系统的一般架PRS已被用于监测美国航天局航天飞机的RCS的故障。也用于诊断和控制电信网络 PRS架构易于执行并减少了计算时间，因为过程可以跳过特定问题的不必要步骤，并直接将规则缩小到相关集合PRS可以实现实时推理和处理动态系统，但它只能处理简单的计划；对现有计划和程序的任何改变都将是耗时且乏味的。

它有一个简单的框架，由四个阶段组成:检索，重用，修订，保留里检索阶段搜索数据库(案例库)中与应用相关的先前经验和历史(案例)形式的知识。然后，根据索引检索这些旧案例，并针对当前问题进行解释。在重用阶段，旧的案例被修改以适应当前的情况，从而找到解决方案。对新案例进行评估，并在修订阶段提出解决方案，然后作为保留阶段的一部分，将新案例添加到案例库中以供将来学案例推理应用的一个例子是飞机冲突解决智能系统(ISAC)是为了帮助飞机管制员的决策过程解决飞机之间的冲突而开发的。CBR是最常用的推理系统之一，因为它的体系结构能够容纳任何高级算法，主要是文本处理技术。

此外，CBR不需要关于系统的先验知识，因为它仅仅依赖于过去的经验。由于CBR将学习作为其支持知识进化的方法的一部分，CBR可以进化并成为该领域的专家，从而有可能成为未来的专家系统这是优于其他框架的一个优点，因为其他推理系统需要维护时间来更新知识库。然而，与PRS和简单的基于规则的专家系统相比，CBR系统在计算上要求很高。来自历史记录或案例的知识可以用多种形式表示图形表示。语义网就是这样一种方法，用于表示通常用语言信息描述的概念之间的关系。知识是通过使用一组定义好的规则挖掘文本并找出短语之间的关系来提取的，并且以表格或矩阵等可访问的格式来表示。

语义网用在CBR中，例如搜索维护维修记录以找到相似的案例们还可以用于文本挖掘数据集以发现异常依赖矩阵或D矩阵也是诊断领域中常用的表示法。它由依赖/因果模型组成，使用元素之间的逻辑关系以矩阵的形式表示。在CBR中使用d矩阵来表示测试和诊断之间的关系，其中案例是测试结果的集合，这些测试结果被映射到基于其结果的适当诊断。因此，当给出新的病例或测试结果时，检索相似的病例并选择相应的诊断除了语义网和D-矩阵之外，还有几种其他的图形化方法可以用来表示历史知识。这些方法也可以用来表示基于模型的系统的知识和数据驱动系统的先验知识。当存在关于系统的丰富领域知识时，使用基于模型的推理系统。

它的知识，即概念和它们与其他概念的关系是基于它们基于物理的或功能的关系来表示的例如，美国宇航局开发了一个基于物理学的模型来诊断液体氢推进剂装载系统，因为它需要一个详细的模型来了解系统在健康和故障条件下的情况，以便在发生故障时能够快速检测和恢复相比之下，燃料系统由功能模型来表示，在该模型中，各部件之间的能量、材料和信号的功能流动。该模型区分了名义情况和故障，并有助于隔离已识别的故障基于模型的诊断理论首先由de Kleer提出并应用于通用诊断引擎该框架使用诊断推理机来识别模型和观察值之间的行为差异，并利用基于假设的真理维护系统来实现效率。自那以后，人们开发了许多方法来有效地表示和解决基于模型的问题。

目前，基于模型的推理使用定性和定量的方法来解决它的问题。定量方法包括比较通过分析产生的输出预测值冗余模型，用来自系统的测量传感器值生成残差。可以通过求解最佳参数集的代数或微分方程来减小误差。奇偶方程是一种残差生成方法，包括线性方程通过数学关系将不同的变量联系起来。可以通过残差找到参数的偏差，并且如果误差超过设定的阈值，则可以标记故障这些方程也可以以这样的方式分组，一组奇偶方程可以代表一个诊断模型，并且被求解以隔离故障于所涉及的复杂性，开发这种模型非常耗时。

卡尔曼滤波器是残差产生的另一种方法，它在存在噪声的情况下估计系统的状态，并且由于其能够自适应地估计的状态参数而广泛用于诊断退化模型，随着时间的推移这种方法的一个缺点。它假设方程是线性的，噪声是高斯分布的通过使用这种方法的衍生物，如粒子滤波器、切换卡尔曼滤波器和扩展卡尔曼滤波器 在定性方法中，计时故障传播图表(TFPG) 用于故障传播期间系统行为的抽象表示。它是一个有向图，由表示故障模式以及以差异形式出现的系统行为中的可能偏差的节点，以及将故障模式与其各自差异相连接的边组成。

TFPG有助于追踪传播故障的根本原因以及进一步故障发展的可能性，并广泛用于表示复杂的动态系统。TFPG应用于嵌入式系统隔离故障的环境和TFPG的混合版本被应用于开关系统的诊断Petri网偶图是在基于模型的推理中使用的另一个定性模型。它是一种数学建模语言，用于表示分布式系统中条件和事件之间的关系。它包括I)表示事件或转换的节点，ii)表示条件并包含标记的地点，以及iii)表示从地点(条件)转换的方向的弧。Petri网用于分析系统的动态行为，其中令牌从一个地方到另一个地方的发射表示系统中发生的转变。

Petri网被用于许多系统的故障分析和一个混合版本的Petri网，结合模糊推理，称为模糊Petri网，用于故障诊断，同时处理不确定性其他常用的定性方法有故障树形图分析和多流模型。

故障树表达了故障及其可能原因之间的逻辑关系，但它只能为预期的故障建模。多流模型根据系统的目标、功能和连接这些功能流的网络来表示系统及其子系统。数据驱动的推理方法提取数据集中的潜在模式，并使用它们来理解系统的特征，以通过它们进行推理。它们通常用于拥有丰富数据集，而自身却很少或没有领域知识的情况。本节简要讨论最广泛使用的数据驱动方法。贝叶斯推理使用基于统计数据的估计，并处理系统模型中的不确定性。

变量之间的因果关系必须在概率上已知，但不需要整个系统模型知识贝叶斯网络是一种概率图形模型，它使用一组节点来表示系统的变量和有向边，即变量之间的关系。

它使用贝叶斯定理作为其原理，根据关于观察值的先验概率来确定根本原因。条件概率并且基于每个新的观察值更新概率估计。贝叶斯网络是由Pearl在20世纪80年代首次提出的并且已经在诊断的广阔领域内广泛用于包括跟踪不确定性在内的各种目的。例如，贝叶斯网络及其衍生物如动态贝叶斯网络和树扩充朴素贝叶斯网络已经被应用于燃料系统的故障诊断，用于电力系统诊断的网络的自动生成，基准测试诊断系统 ，增强现有的诊断模型，并用于燃料系统中的阀故障的变化点检测无人驾驶飞行器 ，模糊推理是一种数据驱动的方法，使用模糊集合论和模糊关系理论。

模糊逻辑是由扎德(1965年)引入的，目的是描述对于数学分析来说“太复杂或太不明确”的系统模糊逻辑是一个三步过程:I)模糊化，ii)评估，以及iii)去模糊化。在第一步中，通过应用隶属函数来模糊化表示重叠区域中的一系列变量的输入。这些功能重叠，因此，变量可能属于一个以上的成员。然后，应用一组“如果-那么”规则(通常称为演绎形式)来评估对每个输入的响应。然后对这些结果集进行评估，使用聚合原理给出一个最终输出。

然后在去模糊化阶段将输出转换成清晰的数量模糊推理已经直接用于各种行业的故障诊断或与Petri网结合的派生形式，除开发决策支持系统(DSS)外同样，证据推理是另一种数据驱动的方法，通过处理证据做出断言来处理不确定性和不精确的信息。它使用Dempster-Shafer信念理论，用信念函数代替概率分布。这一理论在模拟不确定条件时非常有用，在这种情况下，主观判断中的概率可以被分配一个基本的信任度。这种信任度也可以从多个独立的证据中组合。Dempster-Shafer的一个主要优点是，它能够利用部分或相互冲突的证据进行推理缺乏对证据的信任度和计算复杂性的认识，使其成为一种“难以使用”的推理方法。