2.3 基于案例的推理 基于案例的推理是通过采用解决旧问题的答案来解决新问题，最相似的案例必须要在当前的案例库中找到。案例库是基于经验的知识库，这些经验是针对特定的问题领域的。这样的案例是文档化的经验，它由问题的描述、解答和结果的描述组成。 当出现一个新故障时，我们可以把它描述成一个不知道原因和解决方案的新案例，提供给系统，系统就会在案例库里尽可能搜索与当前问题相似的历史案例与之相匹配，很多情况下系统会提供几个相似度接近的方案，这就要求系统能够消除冲突找出一个与当前问题最相似的案例。 在实际应用中，基于案例的推理可以分为四个步骤[1]： 搜索――从案例库中搜索出与新问题最相似的案例。 重用――把系统的建议解应用于新问题，如果案例与新问题有足够的相似度，那么新问题就有望得到解决。 修正――有时建议解不能解决问题则必要对建议解进行修正。 保存――把修正过的案例添加到案例库中去。 CBR把过去处理过的问题，描述成由问题的特征集和解决方案组成的案例，储存在案例库中，当新问题到来时从案例库中检索出与之相近的旧案例。如果新问题旧与案例完全一致，则旧案例的解决方案可以用来解决新问题；否则就要对旧案例进行修改，得到新问题的解决方案。一般新案例的解决方案要保存倒案例库中去，充实案例库，实现CBR的自学习过程。3.基于CBR的系统实现 基于CBR的故障推理是实现对设备故障诊断的重要组成部分，其系统实现的结构框架如下图所示： 3.1案例库的建立 初始案例来源于专家以往的经验，根据专家对以往处理过的问题的描述，按照案例的表示方式建立故障案例，它是用各个故障案例的特征指标值进行描述的，采用关系数据库技术来建立案例库。如果CBR服务的领域存在多年、积累了丰富的故障处理经验，这时开发故障诊断案例库是比较容易的。我们把以往的经验进行整理归类，进行系统的总结和组织，最终把经验以案例的形式表示出来储存于案例库中，大部分案例可以在开发时入库；如果我们面对的是新兴领域，在故障诊断处理方面经验缺乏，经验积累的过程就是案例的添加过程，随着经验的不断积累、案例的不断添加、案例库的不断完善，又有许多案例需要修正。 3.2故障征兆的获取 当我们遇到一个故障(问题)时，通过观察或者后台的数据采集程序我们可以获得这个新故障的大部分征兆，征兆可以是数据采集程序从设备PLC上采集过来的数据，也可以是通过观察从人工添加的数据中选择的与实际情况相符合的征兆数据。由这些征兆就可以定义我们的“新故障”(新案例)，实际上我们所谓的新问题就是一个没有解决方法的新案例。如图3所示。 (待续)
共有 网友评论