3.3案例的检索 检索就是开始于一个这样的待求问题的新案例，利用案例库的索引机制，根据相似性度量方法，在某个相似程度的阀值下，在案例库中找出一组与新案例匹配较好的旧实例，并从中选择最佳的案例作为我们的建议解。 案例库中，与故障C的相似度最大、最邻近的案例(F，S)，一般我们认为它的解S是对故障C最有用的解，也是案例库中能提供的最好的解。但是CBR本来就是以相似性概念为核心的，有时候最邻近解并不能够提供可接受的解决方案，一个不是最邻近解的案例，它的解却可能是最优解，为此在案例搜索时我们可以设定一个阀值β(本系统阀值β＝0.7)，如果SIM(新问题，旧案例)>β接受它们，这样就相当于把旧案例分成两部分：不可以接受的案例和可以接受的案例。 计算出相似度以后，根据预先设定的阈值，在阈值以上的旧案例作为匹配案例，按照相似度的值由大到小的顺序排列。它们的解决方案作为新问题的建议解，两个案例的相似度越高，建议解的重用性越强。验证建议解，如果建议解正确，就把新问题作为新的案例存放到案例库中；如果建议解不正确，就要对建议解进行修正。 3.4 CBR的自学习 CBR具有天生的学习功能，CBR正是通过自学习能力不断充实自己的案例库，对于新领域尤其如此。当诊断任务成功完成时，如果案例库中没有此案例就加入此新案例，增加系统对问题领域的覆盖范围。如果案例一味的增加势必导致案例库越来越庞大，所以案例学习还应该检查案例的使用频率，对那些使用频率极低的案例可以予以删除。 4. 应用实例 本文以印刷机械设备为应用背景，将基于案例的推理方法应用到设备的故障诊断领域。下面是案例推理方法在设备故障诊断过程中的应用实例。设备在一次生产过程中出现主机不能启动的现象，进入故障智能诊断系统，选择“主机不能启动”这个征兆，如果征兆是由设备PLC采集过来的话，该征兆会在征兆列表中自动选上，由于“主机不能启动”是人工添加的数据，所以需要人工选择这个征兆(如图4所示) 设备故障征兆 点击确定后，案例检索匹配后的诊断结果按照相似度的大小列表显示出来(本系统预设阈值β＝0.7)，如图5所示。 点击查看可以看到该案例的故障原因以及对应的处理方法是： 根据诊断结果去处理问题，结果发现限位开关损坏，更换限位开关后即恢复正常。 5. 结束语 本文借助案例推理在有效解决存在于传统的基于规则系统中的知识获取瓶颈；案例库维护方便，不需要专家干预；能扩大解决问题范围，节省问题求解时间等方面显示出的优越性和良好的适应能力，将它应用于印刷机械设备的故障诊断领域，解决了故障诊断技术向自动化、智能化方向发展面临的问题。通过五家制造企业的应用验证，该方法为印刷设备的故障诊断推理提供了更加科学的指导，具有较高的应用价值。 来源：佳工机电网
共有 网友评论