案例推理分析范文

案例推理分析范文（精选8篇）

案例推理分析 第1篇

1 入侵检测的概念

入侵检测是网络安全重要的组成部分,是根据一定的安全策略,对网络和系统的运行进行监视,对网络数据包进行综合分析并进行的异常检测,对系统资源的非授权使用做出及时判断和报警,并能够识别入侵者和入侵行为、检测和监视已经成功的入侵,并进行入侵响应。目前已经成为计算机安全策略的核心技术之一。

入侵检测融合数据挖掘的归纳总结能力,以数据为中心,对系统日志和审计数据进行分析,从中抽取规则和知识,自动的构建检测模型,大大的减轻了对系统日志和审计数据进行人工分析的负担。

根据入侵检测系统的应用技术和特点,可将其归纳为以下几类:

1) 基于目标系统的入侵检测系统:包括基于主机和基于网络的入侵检测系统两大类;

2) 基于数据来源的入侵检测系统;

3) 基于入侵检测方法的入侵检测系统:包括异常和误用两大系统;

4) 基于模块运行分布方式的入侵检测系统:包括集中式和分布式两大系统;

5) 基于不同入侵响应处理方式的入侵检测系统:包括主动的入侵检测系统和被动的入侵检测系统。

2 案例推理理论的概念

案例推理(Case Based Reasoning,简称CBR),又称作实例推理。推理机制源自人类在现实生活中解决问题的一般过程。即生活中遇到问题时先在记忆中遍历搜索已经历过的、类似的问题处理过程,从而得到解决办法,若没有找到解决办法,就记录下该问题,生成一个新的条目,并分析判断产生新的解决办法,待问题成功解决后进行记录并生成新的记录。案例推理过程就是采用上述类比的过程,把当前所遇到问题通过以往已经解决的相同或相似案例来作为指导,并将新的问题保存下来作为以后求解指导的案例,从而充实案例库、知识库。但案例库、知识库的不断扩充直接导致检索时间的无限延长,推理效率下降。

3 案例推理过程及其优点

3.1 案例推理的一般过程

案例推理的一般过程包含四个步骤:案例的检索(CASE RETRIEVE)、案例的复用(CASE REUSE)、案例的修正(CASE REVISE)、案例的保存(CASE RETAIN)

案例推理的一般处理过程:

1) 新问题的分析,在遇到问题后首先进行问题的分析,即找出问题的关键特征,以这些特征在已有的案例库中进行检索、匹配,根据检索和匹配的条件得到的匹配结果往往不是唯一的。所以,检索的结果数量应该尽可能的少,并尽量缩短检索、匹配所用的时间。

2) 应用检索、匹配的结果进新问题求解的过程。在上一步检索、匹配到结果后,将新问题与库中原有的案例进行比较,针对二者的异同,直接或间接作用于新问题之上。

3) 案例修正,在问题处理完成后,将处理结果进行指标评价,对上一步检索、匹配并用于新问题求解的案例在用于新问题求解过程中无法得到正确结果,则要根据产生的偏差对所存储的案例进行修正,修正过程要依据实际运行结果的反馈进行。

4) 问题解决后,将该问题生成案例,并将其保存,以充实案例库。

3.2 案例推理机制的优点

1) 案例推理机制依据的是过去以存储的案例,不需要准确的规则和模型;

2) 案例推理机制对方法知识获取过程简单,简单易懂,求解效率高;

3) 案例推理机制有很好的自学习能力,它通过执行案例的修正和案例的保存来扩充案例库,从而实现案例库的有机灵活性。

4 案例推理在网络入侵识别中的应用

将案例推理应用到入侵识别过程的基本思想是将检测到的网络入侵作为新的案例问题进行保存,并开始在案例库中进行检索、匹配,查找与之类似的案例,在得到匹配结果后开始新问题的求解,即比照检索、匹配的结果进行处理。在实际的网络应用中,网络入侵行为均已网络安全漏洞为目标,虽然网络的入侵行为差异性很大,但还是有一定的规律的。网络入侵作为网络行为也要适应相应的网络协议和网络服务类型,这就为检索和匹配提供了直接的依据。即使每次入侵行为的表现及其特征不同,但可以根据相似度进行判断,从而得到检索、匹配的结果。若相似度过低,则认为是新案例,可以将其充实进案例库,若相似度较高,则说明有可参考的同类案例,即检索、匹配成功。

5 案例库的维护

案例库的建立、检索、维护是基于数据库和数据挖掘技术之上的。建库时要科学设定索引关键词,以尽量减少索引时间。在建立索引案例时,要对相同、类似的案例进行标记、处理,避免出现不必要的冗余。但无论是关键词的设定和冗余的避免策略如何应用,随着案例库容量的绝对增加,检索速度还是会有所降低的。所以,要对案例库进行周期性的维护。维护过程主要完成冗余案例的处理、案例的组织管理、不必要案例的删减,以保证案例库始终处于效率较高的规模。通常采用随机删除法、效用度量删除法、选择删除法等。

1) 随机删除法:随机删除法是一种最简单的管理策略,即在案例库维护时随机删减某些案例,以降低案例库的规模,以提高检索效率。随即删除的方法虽然简单,但由于其删除的随机性,容易删除一些重要、常用的案例,反而影响的案例的检索效率。

2) 效用度量删除法:建库时为每个案例建立效用值字段,在案例检索成功是修改效用值,以判断其使用频率,在维护时根据该字段值进行删除。这种方法能够很好的保留常用的案例,但也会删除一些使用频率低但较为重要的案例,导致对这些案例要重新加载、更新,增加库的维护工作量。

3) 选择删除法:选择删除的方法是用户根据相应的指标来进行库的维护。比如在效用度量的选择设置方法上,可以根据进库的历史时间和使用频率综合考虑,也可以比较案例检索的时间花费和匹配代价等。选择删除方法的使用最为灵活,效率也较前两种方法高,但对维护人员的要求较高。若规则设置存在欠缺,则会导致维护过程的缺陷。

6 结束语

入侵检测技术是在网络运行过程中,通过收集网络中的信息并通过过滤检测来发现违反安全策略的入侵行为,在现有网络安全防范体系中,是对防火墙、认证、加密等静态保护机制的补。同时,案例推理过程作为一种基于知识的问题求解和学习方法,在入侵检测过程中引入案例推理机制,可以在检测到入侵行为后进行入侵识别分类,从而为网络管理者提供可靠的、有针对性的入侵响应处理方法。对于案例库的建立和维护,以及案例推理机制,都还需要进一步改进,但案例推理机制在今后的应用领域是一个大的发展方向,有着很好的发展前景。

摘要：伴随着网络的应用普及,网络安全问题也不断表现出来。在防火墙、认证技术等传统安防技术日趋成熟的同时,作为主动防御技术之一的入侵检测技术为网络安全提供了新的有力的支持。在如前检测识别过程中引入基于知识的、有自学习能力的案例推理机制,能够为网络管理者提供可靠的、有针对性的入侵响应处理方法。

案例推理在汽车故障诊断中的运用 第2篇

关键词：案例推理；汽车故障诊断；汽车故障类型；故障排除；汽车检测 文献标识码：A

中图分类号：TP182 文章编号：1009-2374（2016）19-0058-02 DOI：10.13535/j.cnki.11-4406/n.2016.19.027

案例推理是现代化汽车故障诊断、排除的核心组成部分，能够准确确定汽车故障类型，同时也能详细列明故障主要排除途径，从而不断提升汽车本身的运行性能。将案例推理机制充分应用在汽车故障诊断工作中，使用效率较高，具有较高的应用价值。

1 汽车故障诊断系统架构

汽车故障诊断系统主要由专业知识库、故障推理系统、案例库、数据库构成，图1为案例推理下的汽车故障诊断系统框架图：

1.1 专业知识库

专业知识库的主要内容为汽车故障问题经验及相关知识，可对汽车故障进行有效分类，并突出重点、常见故障的特征，是案例库、数据库构建的基础。

1.2 故障推理系统

该系统是案例推理系统发挥作用的核心组成部分，能够进行故障案例检索，并将案例与实际问题进行匹配，根据实际情况予以适当调整。

1.3 案例库

案例库中相关内容主要由汽车用户提供，能够对旧故障案例进行有限存储，同时也能够为新案例产生和形成创造便利条件，为故障排除提供更多参考价值。

1.4 数据库

主要负责收集各类故障征兆数据及相关信息，具有汽车故障出现的潜在特点，能够明确汽车故障出现时各装置、设备运行状态。

2 案例推理在汽车故障诊断中的主要流程

通过观察案例推理系统在汽车故障诊断、排查中的应用情况，结合多年实际工作经验认为，案例推理系统不仅具有丰富详细的诊断“经验”，同时具备智能性、高效性等应用优势，能够不断提高汽车故障诊断的正确性，并具有较高的使用效率。在采用案例推理系统时，其具备的搜索功能能够第一时间将系统中最为接近的案例查找出来，进而使汽车故障排查更具针对性和时效性。为此，通常情况下，案例推理系统包含四大功能：一是检索（搜索）；二是启用；三是数据调整；四是案例学习。用户将故障案例传达给案例推理系统后，系统可及时对案例进行处理，并生成可供检索的案例。这样一来，汽车维修人员即可快速检索，寻找最佳答案。与此同时，在进行实践操作时，若相关人员没能在案例推理系统中搜寻到相似案例或匹配答案，系统会自动抽取案例库中的关键点，并对其进行合理调整，保证案例分析能够被有效利用在故障诊断及排除中。合理调整后的解决策略会被有效记录，并存储在案例库中，为汽车故障诊断提供方便。

3 案例推理在汽车故障诊断中的实际应用

3.1 实例分析

以某汽车品牌为例，分析分析案例推理在其故障诊断、排除中的实践应用。该汽车品牌主要故障表现为：汽车点火启动后，反应时间较长，且往往不能按照规定时间进行齿轮分离。在有些情况下，齿轮虽然能够有效分离，但是速度会明显受到影响。对于此类故障，设施案例推理，并分析其实际应用情况。

3.2 案例表示

可将“案例表示”的相关内容视为故障诊断的主要数据方案，也就是说，只要案例推理系统显示实际故障与案例故障相同，即可直接采用检索出来的案例进行相应处理，详细案例表示情况见表1。

3.3 案例调整、学习

对案例进行调整，此过程能够促进案例更加满足汽车故障排查工作，并将汽车故障诊断作为基础，快速实现良好诊断。例如根据案例推理系统界面显示的信息，可进行如下排序：故障解决案例号→故障代码→损坏（损伤）位置代码→汽车品牌→汽车型号→主要故障描述→相应处理结果→详细信息。这些案例通过调整后，就具备指导其他相同类型故障的作用，且系统界面反映出来的信息已经被修正完毕，能够进一步确保案例推理的正确性。

3.4 案例推理实践

在案例推理系统中找到“人机界面”及“检索”标志，选择“关键检测”条目，准确输入汽车品牌故障位置名称。例如“点火启动系统”，点击检索，案例推理系统收到检索信息后，会对相关信息进行筛查。同时在人机界面右侧“问题描述”栏中填写汽车故障表现，即“汽车点火启动后，反应时间较长，且往往不能按照规定时间进行齿轮分离。在有些情况下，齿轮虽然能够有效分离，但是速度会明显受到影响”。所描述的信息必须以实际故障为主，不要填写与故障部件无关的信息，有效防止对案例检索及同类型故障分析产生影响。

正确执行上述案例推理过程后，“人机界面”中会搜索出与问题相对应的故障解析内容。若观察故障诊断结果过多，且一时之间难以做出最准确的判断，则要返回至“问题描述”栏，对相关信息进行整合，并进行重新检索，进而搜索出诊断结果。两次检索操作完成后，系统会根据两次案例推理、检测结果，生成更为贴近的故障分析结果，并给出故障排除方式。这些内容将被完整地显示在案例推理系统的人机界面中，进而帮助维修人员及时查找故障原因及重点部位参数等，制定出与该品牌汽车相符的故障排除方案，为提高检修效率奠定良好的基础。

4 案例推理应用效益分析

4.1 关键技术注意事项

（1）案例描述：尽量避免故障部件描述不严谨，充分减少歧义，提高检索结果准确性。对信息描述进行规范，为快速诊断、排查提供方便；（2）案例检索：针对案例检索过程中常见的检索错误，要对其进行技术化约束，引进技术改进措施，完善案例推理系统，丰富检索内容。

4.2 案例推理积极作用

将案例推理系统充分应用在汽车故障诊断及排查工作中，实际效益非常显著，能够有效地解决汽车故障问题，引导汽车行业向着更高质量方向发展。根据实践经验认为，案例推理能够突出如下三点应用效益：（1）提高时间效率，直接根据智能化的推理或检索，即可及时得出最为详细准确的故障信息，避免故障诊断阶段浪费大量检修人员的工作时间；（2）强化故障维修与诊断的实践性，促使维修人员能够获取更多的实践经验，有利于推进故障维修的成熟发展，确保案例推理发挥实践能力，提升汽车故障维修的能力；（3）案例推理系统人机界面可准确反馈故障相关参数，并对故障原因进行分析，进而保证故障解决方案的科学性和可行性，提高汽车故障诊断质量及故障排除效率。

5 结语

现阶段，网络技术、计算机及信息技术不断发展，并逐渐向人们日常生产生活的各个领域延伸，为案例推理系统的不断成熟提供了技术保障。将案例推理系统充分应用到汽车故障诊断、排除中，是信息技术发展的必然，能够带动汽车故障解决的不断完善，对提高汽车维修质量及效率具有较为积极的影响。为此要科学合理地运用案例推理系统，有效节约故障诊断、排除时间，为推动汽车维修向智能化方向发展夯实基础。

参考文献

[1] 严军.案例推理和关联规则在汽车故障智能诊断中的

应用[D].合肥工业大学，2010.

[2] 李强.案例推理在汽车故障诊断中的应用研究[J].技

术与市场，2015，18（12）.

[3] 王春华.汽车维修故障诊断中案例推理的运用[J].轻

型汽车技术，2015，26（7）.

[4] 张素琪.案例推理关键技术研究及其在电信告警和故

障诊断中的应用[D].天津大学，2014.

案例推理分析 第3篇

关键词：多元线性回归,层次分析法,案例推理,上证指数预测

一、引言

就股市投资而言, 辨认市场的运动规律, 对将来时刻的股价指数进行预测, 是股票市场投资决策的关键。股票系统预测的研究具有重大的理论意义和诱人的应用价值, 人们一直探索其内在规律, 寻找其有效的预测方法和工具。由于股票市场的价格走势是极为复杂且难以预测的, 在许多经济学家的共同努力下, 股票定价方法向着量化方向发展。

Ta i-Lia ng Che n等使用基于Fib ona c c i数列的模糊时间序列的方法对股票进行预测;Melike Bildirici等使用人工神经网络扩展的GARCH模型族对伊斯坦布尔从1987到2008年的股票交易进行预测, 并且发现经过人工神经网络的扩展会提高GARCH模型族的预测效果;Ping-Fe ng Pa i等将自回归移动平均模型和支持向量机模型杂交成为自回归移动平均模型和支持向量机组合模型, 并且对股票价格进行预测, 计算测试发现效果良好;Henri Nyberg使用动态二值probit回归模型对每月的股票超额收益进行预测;冯家诚等提出适用于神经网络型数据挖掘的过程模型, 按照选取数据样本、数据转换、网络建模、网络仿真、结果评价的数据挖掘过程, 对上证指数走势进行预测, 得到了较高的预测精度。

案例推理技术是根据相似性对当前案例进行检索, 得到与当前案例最相似的已发生案例, 把该案例的结果作为当前案例的结果。本文开发了基于多元线性回归和层次分析法的案例推理上证指数预测模型。通过相关性分析, 排除与目标函数相关性低的参数, 建立上证指数预测参数集;当使用基于案例推理技术计算案例的相似度时, 需要确定各个影响因素的权值, 本文采用多元线性回归和层次分析法计算各个影响因素的权重;采用灰色关联度的方法对案例进行检索, 通过案例择优对检索结果进行处理。最终对上证指数进行预测, 并且将本方法的预测结果与传统案例推理、多元线性回归和人工神经网络的结果进行比较, 给出了结论。

二、基于多元线性回归和层次分析法的案例推理上证指数预测模型的开发及应用

基于多元线性回归和层次分析法的案例推理上证指数预测模型包括四部分:影响上证指数指标的选取, 多元线性回归, 案例推理和层次分析法, 如图1所示。通过相关性分析, 排除与目标函数明日收盘价相关性低的参数, 建立上证指数预测参数集;通过多元线性回归和层次分析法确定各个参数对目标函数的影响权重, 建立比较矩阵;最终采用案例推理技术对目标函数进行预测。

1. 影响上证指数指标的选取

影响股票价格的各个因素如宏观经济、政策、心理等都反映在其价格变化中, 可以将研究影响上证指数运行的各个因素转化为研究上证指数历史价格的变动上, 应用技术指标分析方法, 对股票的原始数据进行处理, 得出指标值, 这些指标反应了股票的规律或内涵, 根据这些指标对上证指数进行分析。由于这些指标值可能具有一定相关性, 通过相关性分析, 排除与目标函数相关性低的指标, 剩下的指标构成了上证指数预测参数集, 如表1所示。

2. 多元线性回归和层次分析法的应用

当使用基于案例推理技术时, 必须计算案例的相似度, 而计算相似度时需要确定各个影响因素的权值。

采用多元线性回归, 确定各个指标的权重。其基本原理是:目标函数明日收盘价y受x1, x2的影响, 利用选取的数据样本进行回归分析, 建立模型:

根据最小二乘法, 计算出模型中的参数a0 , a1 , a2的值, 从而确定各个指标对目标函数影响的权重。

层次分析法 (Analytic Hierarchy Process, AHP) 是一种定性和定量相结合的、系统的、层次化的分析方法[8,9,10]。假设比较的个指标对目标的影响, 如今日收盘价、昨日收盘价、DEA等对明日收盘价的影响。次取两个指标和, 用表示和对的影响之比, 全部比较结果可用以下成对比较矩阵来表示:

对矩阵的一致性采用如下一致性比率公式来判定:

其中, CR为一致性比率, 为一致性指 (为矩阵A的特征向值) , RI为随机一致性指标，取表2的值。

3. 案例描述

从2.1的分析可以得出, 影响上证指数的指标包括:今日收盘价、昨日收盘价、DEA等, 这些指标既可能是状态向量, 也可能是特征向量, 所谓状态向量, 指的是该指标取值形式为离散值, 如今日收盘价={正常、偏高、偏低};所谓特征向量, 指的是该指标取值形式为连续值, 如今日收盘价={t|t>0, t∈R}。本文将所有因素同时考虑为状态向量和特征向量。如图2所示。

4. 案例检索

本文基于灰色关联度的方法计算案例的相似度。设待分析案例为s0, 候选案例为s1, 案例的特征向量维数为n则案例s0和s1在n色相似度为:1s n1=

为案例s0和s1在特征向量的第k个属性上的灰色距离。

为s0和 s1案例和在特征向量的第k个属性上的关联系数, ς∈[0, 1]为分辨系数, 一般取ς=0.5, wk为特征向量的第k个属性的权值, 该权值由多元线性回归和层次分析法计算确定。

5. 案例择优

基于案例推理搜索出的结果是一个根据相似度进行降序排列的案例集, 本文的案例择优不是选择相似度最大的案例, 而是考虑大于相似度阈值的案例集合。因此, 上证指数预测的计算公式如下:

其中, Gi是匹配案例的相似度, iY是匹配案例的实际上证指数, G0是相似度阈值, 本文取0.75。

三、预测结果

上证指数从2011年2月1日到2011年7月28日一共120个交易日, 经历上涨下跌再上涨下跌的行情, 本文采用该时段的数据作为原始数据, 生成前100个案例 (从2011年2月1日到2011年6月30日) 为已有案例集, 后20个案例 (从2011年7月1日到2011年7月8日) 为预测案例。采用多元线性回归, 计算各个指标的权重系数, 如表3所示。根据指标的权重系数计算各个指标的相对权重, 如表4所示。根据指标的相对权重计算出比较矩阵, 如表5所示。

模型使用Java编程, 预测结果如图3所示。为了验证本方法预测股票价格的效果, 分别采用传统的案例推理 (未采用多元线性回归计算参数权重和案例择优算法) 、多元线性回归和人工神经网络预测股票价格, 预测结果如图6, 表6所示。由表6可知, 本模型预测股票价格具有较高的精度, 误差区间在[-5, +5]范围内, 本方法为45.0%, 其他方法都小于或等于30.0%;误差区间在[-10, +10]范围内, 本方法为75.0%, 其他方法都小于或等于55.0%;误差区间在[-20, +20]范围内, 本方法为95.0%, 其他方法都小于或等于90.0%。如果对每天的上证指数波动的预测在±10个点内被定义为预测准确的, 那么基于多元线性回归和层次分析法的案例推理的预测模型的准确率达到75%, 而上证指数±20个点的预测准确率为95%。

另外, 案例推理具有检索时间短的特点, 案例推理每个案例检索时间大约1秒, 20个案例检索只需要20秒左右, 而人工神经网络进行上证指数预测, 需要进行长时间训练, 大约需要217秒。下一步的研究将引入宏观经济指标和政策因素到模型中, 利用案例推理进行上证指数和个股股价的预测。本模型以天为单位进行预测, 改进后还可以进一步以5分钟或10分钟为一个时段对下一个或二个时段进行预测。

四、结论

本文开发了基于多元线性回归和层次分析法的案例推理的上证指数预测模型;通过相关性分析对上证指数预测指标进行筛选, 排除了与目标函数相关性低的参数;通过多元线性回归和层次分析法确定各个参数对目标函数的影响权重, 克服了传统定性分析方法不准确的缺点;通过案例推理对案例进行检索, 并且使用案例择优处理检索结果。最后基于同样的数据, 与传统的案例推理、多元线性回归和人工神经网络进行比较。

(1) 本模型预测股票价格具有较高的精度, 误差区间在[-5, +5]范围内, 本方法为45.0%, 其他方法都小于或等于30.0%;误差区间在[-10, +10]范围内, 本方法为75.0%, 其他方法都小于或等于55.0%;误差区间在[-20, +20]范围内, 本方法为95.0%, 其他方法都小于或等于90.0%。

(2) 案例推理具有检索时间短的特点, 案例推理每个案例检索时间大约1秒, 20个案例检索只需要20秒左右, 而人工神经网络进行上证指数预测, 需要进行长时间训练, 大约需要217秒。

参考文献

[1]冯家诚, 马锐.基于神经网络型数据挖掘技术的股价预测[J].计算机应用, 2009, 29:155-156. (Feng Jia-cheng, Ma Rui.Stock price forecast based on data mining of neural networks[J].Journal of Computer Application, 2009, 29:155-156.)

[2]李响.基于BP神经网络的股价预测[J].大连海事大学学报, 2008, 34 (增刊) :114-116. (Li Xiang.Prediction of the price of stock based on the BP neutral network[J].Journal of Dalian Maritime University, 2008, 34 (Suppl) :114-116.)

[3]储小俊, 刘思峰.基于新陈代谢GM-Markov模型的股价预测[J].山东财政学院学报, 2007, 3:43-45. (Chu Xiaojun, Liu Sifeng.Forecasting of Stock Prices Based on Metabolic GM-Markov Model[J].Journal of Shandong University of Finance and Economics, 2007, 3:43-45.)

[4]Tai-Liang Chena, Ching-Hsue Cheng, Hia Jong Teoha.Fuzzy time-series based on Fibonacci sequence for stock price forecasting[J].Physica A, 2007, 380:377-390.

[5]Melike Bildirici.Improving forecasts of GARCH family models with the artificial neural networks:An application to the daily returns in Istanbul Stock Exchange[J].Expert Systems with Applications, 2009, 36:7355-7362.

[6]Ping-Feng Pai, Chih-Sheng Lin.A hybrid ARIMA and support vector machines model in stock price forecasting[J].Omega, 2005, 33:497-505.

[7]Henri Nyberg.Forecasting the direction of the US stock market with dynamic binary probit models[J].International Journal of Forecasting, 2011, 27:561-578.

[8]Saaty TL.The analytical hierarchy process[M].New York:McGraw Hill.1980.

[9]冯伟.基于层次分析法的税收征管质量评价指标体系研究[J].广西师范学院学报自然科学版, 2011, 28 (2) :87-92. (Feng Wei.Evaluation Index System of Quality of Tax Collection and Administration Based on AHP Method[J].Journal of Guangxi Teachers Education University:Natural Science Edition, 2011, 28 (2) :87-92.)

[10]林丽, 关德君.基于层次分析法的空间信息网管理域划分算法[J].计算机应用, 2011, 31 (8) :2279-2285. (Lin li, Guang De-jun.Management domain division algorithm based on analytic hierarchy process in space information network[J].Journal of Computer Applications, 2011, 31 (8) :2279-2285.)

[11]许树柏.层次分析法原理[M].天津:天津大学出版社, 1988.

基于云模型的案例推理研究 第4篇

知识库中只是推理的方法各不相同，因此在设计推理机的时候也会有很大的区别，但他们的主体思想是相同的，只是推理的过程中会涉及到许多的不确定性因素。如果运用模态逻辑来处理会增加推理的复杂度。这里我们对其中的不确定数据用云模型理论来处理，使模糊信息数量化，既增加了信息的可读性又能在推理过程中更方便的处理，也减轻了推理的压力。推理按照作用的层次即AI (Artificial Intelegence) 系统的地位知识大体可分为两大类

定义设U是一个论域U={x}，T是与U相关联的语言值。U中的元素x对于T所表达的定性概念的隶属度CT (x) （或称x与T的相容度）是一个具有稳定倾向的随机数，隶属度在论域上的分布称为隶属云，简称云。

CT (x) 在[0, 1]中取值，云是从论域U到区间[0, 1]的映射，即

对于社会和自然科学的大量事实，其数据隶属云的期望曲线近似的服从正态分布，因此，通常研究正态隶属云（正态云）的性质。正态云一般表示为 (Ex, %En, %He%) ，Ex表示定性概念或理想值，它是正态云的中心；En是熵（方差），但它同时也是He的期望值或中心值，它是用来衡量概念模糊程度的尺度，是衡量带宽的唯一标准；He是超熵（熵的熵），它反映了En的不确定程度，体现了云的离散程度。这三个特征值是云理论的主要框架，利用这三个值，定性概念就可以用云模型表示。

基于云模型的对象型知识推理

随着面向对象技术的应用和发展，面向对象的知识表示和推理方法已被应用于人工智能和专家系统领域。一般地，用面向对象的类或对象进行知识推理的方法，都可以称为面向对象型

知识推理（OOKR, Object oriented knowledge reasoning）。OOKR借

助面向对象的抽象性、封装性、继承性和多态性，以抽象数据类型为基础，能方便地描述复杂知识对象的静态特征和动态行为。

1、对象类的定义

对象类的组成：类名、属性名、函数与其他对象的类系。如下所示：

Class<类名>：[<超类名>]

Attribute<对象的静态结构描述>

Method<对象操作方法的定义>

例如：建立车辆的知识库，可定义"卡车"对象类如下：

2、基于云模型的案例推理

案例推理是一种类比推理方法，案例知识库和推理机是案例推理专家系统的两个重要组成部分。它提供了一种了类似于人的思维模型的建造专家系统的新的方法学，这与人对自然的求解相一致，它强调这样的思维，人在解决问题时，常常回忆过去积累下来的类似情况的处理，通过对过去类似情况的处理的适当修改来解决新的问题。过去类似的情况及处理技术被称为案例，过去的案例还可以来评价新的问题及新问题的求解方案，并且对可能的错误进行预防。

对于空调调温这个案例，例如：空调的温度32度，温度太高了。"太高了"这个语句没有一个明确的界限。我们建立这个语句的云模型，对案例进行处理后，推理的效率更高。如果我们说"空调的温度24度，温度太高了"，这时，我们由"温度太高了"的云模型判断这个案例是错误的。

基于云模型的案例推理（见图1）的知识库系统有自己的推理方法，它是将过去对问题的求解案例按一定的组织方式存储在案例库中, 当用户输入待求解的新问题时，系统首先针对人机界面输入的问题进行分析，看看能否用云模型理论来处理，如果不能用云模型处理，说明此案例不存在不确定性，可信度为布尔值，直接与案例库中的检索案例进行对比，判断其对错。如果能用云模型处理则进行云模型处理，再与检索到的案例进行比较，如果可靠的话，进入正常推理，并将此案例加入到案例库。如果新案例与案例库中的案例不符，则说明此案例匹配失败，删除此项新案例。初始案例库中的案例数量是有限的，在系统投入运行后通过不断学习，加入新案例进行知识积累，最终以求获得更好的案例检索结果。

3、结束语

基于云模型的案例推理技术尝试将叙述能力、知识整理进行融合，对有关问题的事件或案例的知识进行萃取。基于云模型的案例推理从认知上来讲是一种合理的推理模式，是一种建立智能系统的方法。

摘要：本文首先介绍了基础的对象型知识推理形式, 把对象型知识推理又细分为面向框架和面向案例两种。在此基础上对这几种推理引进云模型理论, 从而使得推理过程更接近于人的思维, 虽然与原来相比在一定程度上增加了推理的繁琐度, 但得到的推理结果更符合实际要求。

关键词：云模型,框架推理,案例推理

参考文献

[1]李德毅, 孟海军, 史雪梅.隶属云和隶属云发生器.计算机研究与发展, 1995

[2]李德毅.知识表示中的不确定性.中国工程科学, 2000, 10:75-76

基于案例推理的车辆故障诊断系统 第5篇

本文提出一种基于案例推理的故障诊断方法。首先建立一个所要诊断系统的模型,为系统中各个要素之间建立关系,进而生成一个因果关系网,使得系统可以进行因果关系推理,然后输入若干已经解决的案例,生成较全面的案例库,出现新案例的时候系统可以通过对比的方法在案例库中找到最相似的几个案例,从而给出解决的方法。

使用的程序是TROLLCREEK系统。首先对系统进行建模,建立各个要素之间的关系,建立案例库,然后输入故障案例,依据其与已有案例的相似性给出建议解,从而实现自动故障诊断。主要讨论在故障诊断过程中,如何使用基于案例推理(CBR)的方法进行分析、构造模型、解决问题。

1 基于案例推理

现实世界有些问题往往较为复杂,致使我们不能使用数学模拟的方法来解决。一些简单的限制条件在我们建模的时候也许变得很难实现。此时我们的另一个方案就是使用基于案例推理的方法。它是通过搜寻过去解决相似问题的经验而得到解决新问题的方法和线索。通过这种方法可以帮助我们解决许多问题。

基于案例推理是人工智能中发展比较成熟的一个分支,它是在特定的领域里提取推理的关键特征,存储过去已解决的案例,对新的案例和已解决的案例进行相似度比较得到结果的推理方法。一个典型的CBR系统如图1所示。

一个基于案例推理系统的关键部分为因果关系模型的建立、相似度算法的实现、案例库的存储和检索。

因果关系模型是在专业领域知识的基础上建立的,将专业领域中所涉及到的知识存储到模型中,对知识进行分类并且互相联系起来形成一个分析链,进而可以进行推理和匹配。首先需要提取重要的知

识特征,即所有可能产生故障的因素,也是出现故障时需要用户提供的参数,然后依据专业领域的知识定义因果关系并且为每一个因果关系定义强度(位于0和1之间),最终形成一个可以推理的因果关系模型。

比较新案例和已有案例之间的相似度,从中选出最相似的案例,进而得到解决方法。相似度算法的描述如下:

设案例集合:C={C1,C2,,Ci},第i个案例的属性集为{Ci1,Ci2,,Cin},目标案例Ci和案例库中已有案例Cr之间的相似度其中:n为案例属性的个数,wj∈[0,1]为第i个属性的权值,属性相似度sim(Cij,Crj)∈[0,1],p为直接匹配(即两个案例的特征属性值相同),q为间接匹配(即两个案例的某些特征属性通过关系模型可达到同一结果)。

案例库要存储已解决的案例。一个案例必须包含问题描述和解决方法,问题描述是各特征属性的值,解决方法是某个确定状态。

故障诊断是我们生产生活中经常碰到的问题,如汽车故障诊断,电器故障诊断,医学的疾病诊断等等,通常需要专业领域的专家,通过实践经验的积累,观察和分析故障的特征和数据,进而得出问题的所在位置和解决的方法。由于需要具有丰富经验的专家进行诊断,限制了对问题的解决时间和地点,不利于及时排除故障,通过智能化的故障诊断系统可以克服以上弊端,一旦建立好系统后,通过不断的自学习,可以使得诊断趋于准确。

2 实验系统的建立

TrollCreek(Tore Brede,Frode Sormo,2004)是一个有智能推理能力的基于案例推理的系统知识编辑器。使用它创建一个故障诊断系统的步骤为:完善一个因果关系推理模型,加入已解决案例,输入新案例进行分析和推理,得到结果,确认结果。

编辑因果关系推理模型是整个系统的基础和主要部分,分为增加节点,建立层次结构,建立因果关系模型。首先从准备创建的领域中抽取重要的特征项,将它们作为节点加入到系统,然后将各特征项的相关状态添加到系统中,接下来完善所有节点的层次结构,形成一个分类的层次结构(例如图2所示的一个模型),进一步将系统故障的各种状态作为节点加入到因果关系中,将它和层次结构中特征项的状态节点使用因果关系强度联系起来建立因果关系模型,最终形成一个层次化的因果关系推理模型。

加入已解决的案例是将已有的案例的各状态和结论添加到系统中,形成案例库。现有的已解决案例越多,后期系统的推理结果越准确。

输入新案例进行推理是对新输入的未解决案例和已解决的所有案例进行相似度比较,按相似度的大小进行排序,列出最接近的10个案例。

确认结果是将此推理出的结果进行实际验证,如果相符则将其标记为已解决状态,将其添加到案例库中。

3 测试与分析

我们建立一个汽车启动故障诊断的因果关系推理模型,包括两个部分,首先建立层次结构,其次建立因果关系。

建立层次结构是指整个汽车启动过程中的所有相关的特征项作为节点加入到层次结构图中。和汽车启动有关的几个条件:发动机状态、电池状态、供电系统状态、燃油状态、燃油系统状态。对应于每个状态有许多可能,例如对于发动机状态有:正常,不运转,不打火,转动缓慢等,将所有的特征项加入完后形成图2这样的层次结构。

建立因果关系是根据实际的因果关系将各个有因果关系的状态使用强度联系起来形成因果关系模型。如电池电量低可能引起灯光不亮,马达不转,通常会引起马达转动缓慢等等。将所有的因果关系通过节点状态连接起来,最终便形成了完善的因果关系推理模型。

将已求解过的案例加入案例库。

输入新的待解决案例,使用系统进行自动匹配,得出结果。如图3。

如上所示,系统和已经解决的三个案例进行相似度比较,按照相似度大小顺序列出和已有案例的分析比较结果。随着解决案例的增加,可比较的案例及相似度更高的案例就会出现,给我们提供的分析结果就更加准确。

4 总结

基于案例推理原理比较简单,但是实现起来有较大难度,如知识的获取方法,案例的表示方法,相似度的全面比较方法等等。而使用以上的系统可以在很多领域中比较简单和清晰的建立一个推理系统。经过实践可以取得较准确的结果。

参考文献

[1]史忠植.高级人工智能[M].2版.北京:科学出版社,2006.

[2]周涵.基于范例学习的内燃机产品设计系统[D].北京:石油大学,1993.

[3]赵钢.基于范例推理技术及其在降水过程预测中的应用[D].北京:中国科学院计算技术研究所,1995.

基于案例推理的消防应急决策方法 第6篇

关键词：应急案例,相似度,消防安全,属性距离

突发事件是指可能造成重大人员伤亡和经济损失的突然发生的事件。近年来,我国突发事件频频发生,给人类的生命和财产造成了巨大损失,如仓库火灾、电动车火灾、高层建筑火灾等。因此,在突发事件即将发生或刚刚发生时,如何快速做出应急响应,以最大限度地减轻突发事件造成的损失,是目前的研究热点。

由于突发事件的突发性、紧迫性、严重性以及决策者经验和理性的有限性,借鉴以往发生的突发事件的解决方案进行应急决策,是提高决策有效性的重要方法。案例推理正是借鉴历史案例来解决当前问题的方法。因此,基于案例推理的应急决策方法研究引起了国内外学者的关注。廖振良等将其应用到环境应急预案系统中,袁晓芳将其应用到重大瓦斯爆炸应急决策中,Krupka等将其应用于火灾救援中等等。已有研究为应急管理提供了理论与方法层面的借鉴和指导,但大多从客观角度进行研究,在目标案例与历史案例相似度测算过程中并没有考虑正负距离的不同效果,也没有考虑决策者的偏好,认为决策者是完全理性的,而现实决策过程中,大多数决策者是有限理性的,具有个人的决策偏好。笔者针对突发事件应急决策的问题,提出了一种考虑决策主体偏好的应急决策方法。

1 考虑主体偏好的应急案例相似度测算模型

考虑应急决策问题,为方便起见,记C=(C0,C1,…,Cm)表示m个历史案例与1个目标案例,其中C0表示目标案例,Ci表示第i个历史案例;X=(X1,X2,…,Xn)表示n个属性集,其中Xj表示第j个属性;xij表示案例Ci关于指标Xj的原始数据;w=(w1,w2,…,wn)表示属性的权重向量,其中wj表示属性Xj的权重。笔者要解决的问题是:在考虑决策者的偏好的情境下,依据有关决策信息C、X和w,如何通过一个有效的决策方法来生成一个有效的应急方案。

1.1 计算目标案例与历史案例的属性相似度

(1)计算目标案例C0与历史案例Ci关于属性Aj的距离di0j。当属性值为精确数时,根据文献[7]的公式(2)计算属性距离di0j;当属性值为区间数时,根据文献[7]的公式(4)计算属性距离di0j。

(2)计算目标案例与历史案例的属性相似度。考虑到突发事件的危害性,决策主体即便消耗一定的应急资源,也要尽快控制住突发事件。那么,在一定的属性相似度范围内,决策者偏好更加恶劣的属性,因为相对恶劣的属性集所对应的应急方案的力度也相对更强。例如,某高层建筑发生火灾,火势等级为2,人员伤亡为18人,烧毁面积为20m2。

案例库中有2个历史案例,案例1的火势等级为1,人员伤亡为16人,烧毁面积为18m2;案例2的火势等级为3,人员伤亡为21人,烧毁面积为23m2。显然,案例1的情形比目标案例乐观,若采用案例1的应急方案进行响应,有可能造成救援力度不够,导致更严重的生命财产损失。因此,选择案例2作为应急方案更有效。当然,决策者也不是一味地采用更加恶劣的历史案例的方案作为目标案例的应急方案,只是在可以容忍的相似度范围内偏好相对恶劣的历史案例。

根据决策者对属性距离的偏好,设δ为决策主体对属性距离的偏好,δ∈[0,max{|di0j|}],δ越小,表明决策者对属性相似度的偏好越高。通常δ的取值由决策者根据经验和历史数据来确定。当属性为成本型时,决策者偏好阈值内的正向距离;当属性为效益型时,决策者偏好阈值内的负向距离。基于此,当属性为效益型时,属性距离在[0,δ]时,属性相似度Simj(C0,Ci)为(2-di0j);属性距离在[-δ,0]时,属性相似度为Simj(C0,Ci)为(2+di0j-δ)。当案例属性为效益型时,决策者的偏好正好相反,属性距离在[-δ,0]内时,属性相似度Simj(C0,Ci)为(2-di0j);属性距离在[0,δ]内时,属性相似度Simj(C0,Ci)为(2+di0j)。对于其他情况,属性相似度为Simj(C0,Ci)为(2-|di0j|-2δ)。

(3)利用指数函数对属性相似度进行转换,Sej(C0,Ci)=exp(Simj(C0,Ci))。由于基于指数函数的属性相似度能更好地与决策者观念中的相似度吻合,因此采用指数函数对属性相似度进行转换。

(4)通过计算属性相似度Sej(C0,Ci)与在属性Xj上最大属性相似度的比值,将相似度进行归一化为。

1.2 最优属性权重的确定

为了利用简单加权法求解案例的综合相似度值,必须知道案例的属性权重。由于应急决策时获取到的信息存在一定的局限性,因此需要考虑决策者的偏好。设决策者对属性权重的偏好表示为A=[aij]n×n。其中aji=1/aij>0,aii=1(i,j=1,…,n)根据文献[10],当矩阵A是一致成对比较矩阵时有Aw=nw。同时,决策者希望案例相似度总和越大越好。由于同时满足案例相似度极大和特征根法两个条件存在一定的困难,令|Aw-nw|≤ξ,其中,ξ=(ε1,…,εn)T,为了计算方便,去掉绝对值。建立求解权重优化模型,见式(1)~式(5)。

式(1)、式(2)为目标函数,式(1)的含义是最大化案例的相似度之和,式(2)的含义是最小化偏差向量,式(3)的含义是权重之和为1,式(4)和式(5)是|Aw-nw|≤ξ去掉绝对值后的表达式。

上述多目标问题可以通过线性加权法将目标函数转换为单目标优化问题,如式(6)所示。

式中:θ为决策者在实际决策中对z1和z2的偏好程度,通常由决策者决定,若考虑到决策者对z1和z2的同等重视,则取θ=0.5。

求解优化模型可得到最优解w*=(w1*,w2*,…,wn*)。

通过简单加权法求解案例相似度Vi*。显然,Vi*越大,表明该案例与目标案例的相似度越大。因此,根据Vi*的大小,选择最优的备选方案。

2 算例分析

某住宅发生火灾,当前火力(xi1)为1级,人员伤亡(xi1)为24~28人,烧毁面积(xi3)为80~85 m2,人口密度(xi4)为13人/km2,财产损失(xi5)为20~25万元。该类型火灾案例库中的数据,如表1所示。

表1 火灾案例库数据

案例库中的案例属性与目标案例属性之间的距离,如表2所示。

表2 目标案例与历史案例的距离

决策者根据经验给出属性距离的阀值δ为0.5,计算目标案例与历史案例的属性相似度。进一步计算目标案例与历史案例的指数属性相似度,并进行归一化,结果如表3所示。

在此基础上,决策者给出对决策属性的偏好矩阵A。

依据目标案例与历史案例的相似度价值V=[vij]m×n和偏好矩阵A,构建权重优化模型,根据线性加权法,把双目标函数转化为单目标函数,通过Lingo11.0求解该模型,得到最优属性权重w=(0.536 6,0.068 3,0.227 5,0.093 7,0.073 9)。

根据得到的权重,计算每个历史案例与目标案例的相似度Vi*,结果如表4所示。

根据文献[7]的方法计算目标案例与历史案例的相似度,并进行排名,结果如表4所示。

表4 两种计算方法的相似度及排名

由表4可知,应用此方法得到最相似的案例是C5,而应用传统方法得到最相似度的案例为C1。由表1可知,案例1中人员伤亡、烧毁面积、人口密度和财产损失属性值都比目标案例中的属性值小,而案例5中只有人员伤亡属性值比目标案例小。由表2可知,案例1与目标案例的属性距离均小于属性距离阀值δ=0.5,且案例5与目标案例的属性距离也均小于属性距离阀值,意味着决策者认为案例1与案例5的属性相似度均为收益的。因此,C1和C5都是与目标案例很相似度的案例,但是由于决策者期望能更快更有效地控制住突发事件,更偏向于属相值更加恶劣的C5。

3 结论

笔者针对决策主体期望能更快更有效地控制住突发事件的心理,根据决策主体对正负属性距离的偏好,计算历史案例与目标案例的属性相似度,并通过指数函数对属性相似度进行转换,在此基础上构建最优权重模型,通过求解该模型获得权重,并计算历史案例与目标案例的相似度。主要结论有:

(1)主体心理因素的引入丰富了应急案例生成方法的相关理论。

(2)主体对属性距离的偏好对案例选择结果有着重要的影响作用。

基于案例推理的工程造价估算研究 第7篇

1982年美国耶鲁大学的资深教授Roger Schank提出了案例推理理论 (CBR) , 之后由Kolodner J L教授完成实际应用。主要过程是模仿人类的大脑思维模式, 快速而准确的对每一问题进行分析并提出解决办法, 广泛应用于工程咨询方面, 尤其是知识管理这一领域。

案例推理的基本原理是, 把以往问题的解决过程按照一定方式储存在案例库中, 根据用户输入的问题, 在案例库中进行搜索, 如果没有搜索到与问题相符的案例则返回到问题描述环节, 对问题进行检查修改;如果搜索到了符合问题的工程案例, 对搜索出来的多个案例进行比较, 将相似度最大的价格案例进行整合, 得到最为符合问题的解决方案。如果用户满意这个方案, 则将其输出, 并进行完整的描述, 形成问题案例储存到案例库;如若不然, 则需要根据实际情况返回问题描述环节或方案整改环节, 重新对问题进行解答。

二、基于案例推理的工程造价估算系统设计

(一) 系统结构

系统结构如图1所示。管理人员可以根据不同需要通过人机接口对案例进行编写、输入、修正、输入、储存、输出。用户可以在案例描述模块对需要搜索的案例特征进行编写, 之后通过案例搜索模块, 进行案例相似度计算。如果搜索出的案例与用户输入特征不符时, 需要对案例进行适当地调整。搜索出的案例只是一种参考, 需要评估者做出最终的调整, 并对其进行评估和学习。

(二) 案例表示

如何表示案例是案例推理技术 (CBR) 的主要研究问题.案例表示包括许多问题, 例如, 案例是什么;案例库中需要怎样的信息;案例的描述结构如何选择;为了使重复检索更为顺畅, 该如何对案例库中的内容进行编排和搜索。

以往的案例通常使用框架的方式进行表示, 随着需要检索的案例增多, 使旧的框架无法满足新的特征, 导致搜索出来的信息过度陈旧。基于案例推理的工程造价估算系统具有良好的时效性、广泛性、规范性、独立性, 在概念的划分上清楚明了, 有较好的推理能力, 可以更完善的将案例表达出来, 并被用户使用。值得注意的是, 当案例的知识结构发生改变时, 系统还可通过自身的更新来调整。

(三) 案例库

案例库是储存案例的机构, 其作用是为案例描述和案例搜索提供数据支持。案例库中储存的大多是企业典型的竣工案例, 这些案例包括工程的基本特征和工程估算的经济标准等信息。

工程造价估算案例库中的每个案例都有两部分组成, 一是问题, 二是问题的解决组成序列, 因素列是工程项目描述的特征, 主要包括工程案例的相关信息, 是案例的主要组成部分。对工程造价来说, 对其影响较大的特征有许多, 例如, 建构的类型、建筑的面积大小、建筑层数多少、每层的高度、具体建设地点、建设周期等。

(四) 案例模块

案例的模块主要分为四部分。第一部分是模块描述检索功能, 主要负责将案例的信息表达出来, 通过人机接口获得工程的基础信息, 将用户提出的特征转述成与案例库中的案例相似的形式, 对用户的案例特征搜索起着辅助性的作用。第二部分是案例检索功能, 案例的检索是案例推理技术的关键内容, 其核心是检索机, 主要是对检索的方法进行策划, 使用封装检索法, 对案例进行更为细致的检索。第三部分是案例模块调整功能, 其主要负责对相似的工程造价估算案例进行调整和整合, 根据用户需要的工程特征与从案例库中检索出相似的案例之间的差异, 对已检索出的案例进行调整, 从而得到与用户需要的案例特征最为相近的工程估算。第四部分是案例模块学习功能, 由于案例库中原始的案例有限, 需要实时的加入新的工程案例, 从而丰富工程案例库的内容。与此同时, 要注意案例的相同率, 避免重复加入, 造成案例库的负担。案例库需要不断地更新, 保证案例库可以又快又准的进行推理。案例模块的学习功能是, 加入案例库中没有的案例;加入与原有案例相似度低的案例;舍弃案例库中原本存在的案例。

三、结束语

综上所述, 本文对基于案例推理的工程造价估算系统进行设计, 经实验证明本系统具有实用性。这个系统与传统的工程造价估算相比更为便捷、高效, 具有很大的使用价值, 不仅可以为工程建设提供有利的科学依据, 而且还可以降低工程造价估算的风险。所以基于案例推理的工程造价估算系统应得到进一步的完善和普及, 将工程施工前的估算做到尽善尽美, 提升企业的经济收益和社会效益, 进一步促进我国工程造价系统的进步与发展。

参考文献

[1]刘伟军, 刘琼.基于案例推理的道路工程造价估算模型研究[J].公路与汽运, 2012 (4) :249-252.

[2]乔曙.基于案例推理的工程造价估算探讨[J].建筑工程技术与设计, 2015 (4) :197-197.

案例推理分析 第8篇

基于案例的推理[1](Case-Based Reasoning, CBR)是人工智能中一种新的推理技术,它使用以前解决类似问题的经验进行推理,从而得到当前问题的求解结果,适用于有丰富经验和大量历史记录的领域[2,3,4]。与基于规则的诊断推理相比,基于案例的诊断推理需要检索的是现场发生的故障案例,大大减小了知识获取的难度,在诊断对象的故障与案例之间不完全匹配时,也能给出相似的解。

离心压缩机、透平等是石化企业中的大型旋转机械,其结构复杂,许多故障现象难以用结构化的知识描述,提取大量完备的故障诊断知识并转化为规则难以实现,采用基于规则的推理诊断方法不能取得较好的效果。企业中在对离心压缩机进行故障检维修作业时,通常要记录机械的型号、故障部位、故障现象、故障原因、维修措施等信息,经过长时间的积累,这些检维修与故障诊断记录成为一项宝贵的财富,是维修人员与诊断专家经验知识的反映。但由于这些记录冗多繁杂,相互之间没有有机的联系,不利于故障诊断人员参考,当再次发生相似故障时,很难快速地找到相似的检维修记录,诊断的效率与准确性无法提高。因此,将CBR方法应用于旋转机械故障诊断中,可以避开规则难以提取,知识获取困难等问题,而且诊断结果是具体案例,易于理解及接受。

对旋转机械故障案例库的构建,案例相似度匹配,及案例的调整和学习等关键问题进行了研究,逐步实现了基于CBR的故障诊断原型系统。

1 故障诊断系统的总体结构

基于CBR的故障诊断原型系统的总体结构如图1所示。

主要部分的功能描述如下。

(1) 目标案例征兆及基本信息输入:

主要完成公司、分厂等基本信息和目标案例征兆集的输入工作,在输入的过程中,用户通过用户界面与旋转机械字典数据库交互,以使得输入的知识描述准确。

(2) 旋转机械字典数据库:

知识库的一部分,知识库是整个系统的一个核心。字典数据库存储的是旋转机械的结构知识、企业相关信息、故障原因、故障征兆等,通过将这些知识统一编码,可以使得用户对案例征兆集及基本信息的描述准确,不影响检索。

(3) 故障案例库:

知识库的一部分。主要存储用于案例推理的故障案例知识。

(4) 知识库管理及维护:

主要完成对案例库、字典数据库的添加、修改、删除等工作,检查并删除案例库的冗余案例,对案例征兆的权值进行必要的调整。

(5) 案例推理系统:

是整个系统的另一个核心。从案例库中检索出与目标案例相似的源案例,进行案例重用,当相似案例不完全适合目标案例的求解时,则进行案例调整,得到合适的解决方案,生成目标案例的故障诊断结论及维修建议。

(6) 案例学习系统:

通过本文制定的案例学习机制和学习策略,对案例进行审核,确定案例是否有必要保存入案例库。

2 案例库构建

2.1 案例表示

案例表示就是将案例的内容用合理结构表示出来,应该对案例发生时的具体情况进行尽可能详细的描述,并且有利于案例的检索和匹配[1]。通过对旋转机械故障情况的具体分析,确定旋转机械故障案例可表示为如下的多元组:

$C=\langle {\rm I},E,S,F,A\rangle (1)$

式(1)中各元素的含义如下

(1) I 表示案例编号,是案例的唯一标识;

(2) E={e1,e2,,er},表示案例基本信息的集合,主要包括案例名称、公司名称、分厂名称、机组名称、案例发生时间、案例审核状态等;

(3) S={s1,s2,,sm},表示案例的征兆集,由于征兆信息可能收集不全,造成征兆值缺失,所以,不同的案例征兆集的长度m可能不同。征兆集中任一征兆

$s{}_j=\{sn{}_j,sv{}_j,sw{}_j\}(j=1,2,\cdots ,m)(2)$

式(2)中,snj表示一个征兆名称的编号,且当i≠k时,sni≠snk,即征兆集中征兆名称不重复;svj表示一个征兆值的编号;swj表示征兆权值,即该征兆对案例的重要度,且${\displaystyle \sum _{j=1}^{m}s}w{}_j=1$。

根据征兆名称编号和征兆值编号可以从字典数据库中获取相应的征兆名称和征兆值。其中,征兆名称表和征兆值表分别如表1和表2所示。由于篇幅限制,表2只给出了部分征兆的征兆值及编号。

征兆权值对于相似案例的检索起着非常重要的作用,本文下一节将给出征兆权值swj的确定方法。

(4) F={f1,f2,,fk},是有限非空集合,表示案例的故障集,由故障编号组成,由于一个案例发生时可能存在多种故障,所以故障集的长度k不定。根据故障编号可以从字典数据库故障表中获取相应的故障名称。

(5) A={a1,a2,,al},表示案例附件的集合,其中aj(j=1,2,,l)表示一个附件,可以为:诊断分析过程的文档、图谱、数据,检维修记录等。使用附件集合可以将案例中许多难以结构化表示的重要信息保存入案例中,提高案例解决问题的能力。

2.2 案例故障征兆权值的确定

由于哪个征兆重要随着不同故障案例的具体情况不同而变化,所以无论是目标案例还是案例库中的源案例都需要根据各自案例发生时的具体情况确定征兆权值,而层次分析法[5]能将人们主观的判断进行量化描述,所以用该方法来确定征兆权值更为合理有效。然而,传统的AHP法存在一些缺陷[6,7]:当问题复杂,因素较多时,通过因素两两比较构成的成对比较矩阵可能不满足一致性要求,传统的AHP法采用19标度法对因素间的相对重要性进行量化,分级太多,人们不容易把握。

所以现在采用改进的基于三标度的层次分析法[7]确定故障征兆权值,该方法得出的判断矩阵自然满足一致性要求,不需要进行一致性检验和成对比较矩阵调整,利用三标度法对因素间的相对重要性进行量化很容易操作,使用者可以快速准确地做出判断。具体步骤如下。

2.2.1 建立层次结构模型

根据本文提出的案例表示方法,提出如图2所示的层次结构模型。

2.2.2 构造成对比较矩阵

依照第一步建立的层次结构模型,构造各层次的成对比较矩阵。由于建立的层次结构模型中准则层只有一个因素,所以只需构造对象层的成对比较矩阵,将对象层各个征兆之间的相对重要性进行两两比较,采用三标度法进行量化,得到成对比较矩阵

$A=\left[\begin{array}{cccc}a{}_{11}& a{}_{12}& \cdots & a{}_{1m}\\ a{}_{21}& a{}_{22}& \cdots & a{}_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ a{}_{m1}& a{}_{m2}& \cdots & a{}_{mm}\end{array}\right](3)$

式(3)中,各元素aij的含义如表3所示,且有,aii=1,aij+aji=2

2.2.3 将成对比较矩阵转化为一致性判断矩阵

① 计算比较矩阵的各行元素之和

$r{}_i={\displaystyle \sum _{j=1}^{m}a}{}_{ij}(i=1,2,\cdots ,m)(4)$

② 令rmax=max{r1,r2,,rm},rmin=min{r1,r2,,rm},用极比法构造一致性判断矩阵C=(cij)mm,其中若rmax=rmin,则cij=1;

若rmax≠rmin,则cij=(ri/rj)lgRck。

式中,i=1,2,,m,j=1,2,,m,R=rmax/rmin为极比,ck为预先给定的极差元素对[7]的相对重要程度,本文中取ck=9。

2.2.4 征兆权值的计算

构造出判断矩阵后,求出判断矩阵最大的特征值对应的特征向量w,特征向量归一化后即为单排序权值向量sw,即对象层中的各征兆相对于准则层的案例征兆集的相对重要性权值。由于建立的层次结构模型中准则层只有一个因素,所以单排序权值向量也就是层次总排序权值向量,即各征兆相对于案例故障的权值。

2.3 案例索引与存储

案例索引就是能将案例与其他案例区分开来的属性特征的集合[8,9],当案例库的规模很大时,利用有效的案例索引可以快速缩小案例检索范围,提高检索速度。目前常用的案例索引有:归纳索引、知识引导索引等。根据旋转机械故障案例的特点,对旋转机械故障案例库采用两级索引结构。

1) 由于石化企业的组织具有集团分公司分厂装置的层次性,因此通过归纳分析,选择在案例的集团、分公司、分厂等基本信息上建立索引,这是本文建立的第一级索引,它将故障案例库划分成层次结构。

2)经过第一级索引检索,将得到与企业信息相关的案例集,利用知识引导索引进一步筛选,由旋转机械故障诊断知识的特点[10]可知,根据主导特征频率,可以大致区分可能的故障原因,在许多场合可排除一大部分或部分故障原因,因此主导频率征兆的取值对于案例检索起着重要的作用,本文将主导频率的征兆值作为第二级索引,对基于第一级索引检索出来的候选案例集进行筛选,将其中与目标案例的主导频率征兆值不同的案例排除掉,得到经过筛选的候选案例集,把目标案例与这个案例集中的案例进行相似度精确匹配,可以得到最相似的案例。

由于关系数据库具有强大而成熟的数据管理功能,现选择关系数据库来建立旋转机械故障知识库,可以方便地对知识进行检索、浏览、添加、修改、删除等操作,极大简化系统管理和维护的难度。

3 案例相似度匹配

目前常用的案例检索方法是最近邻法[8],它基于案例的相似度进行检索。

令D与C分别为目标案例和案例库中某一源案例,S={s1,s2,,sm}为案例征兆集,传统的最近邻法相似度计算函数为

$\text{s}\text{i}\text{m}(C,D)={\displaystyle \sum _{i=1}^{m}s}w{}_i\text{s}\text{i}\text{m}(s{}_i^C,s{}_i^D)/{\displaystyle \sum _{i=1}^{m}s}w{}_i(5)$

式(5)中,swi为案例第i个征兆的权值,且${\displaystyle \sum _{i=1}^{m}s}w{}_i=1‚\text{s}\text{i}\text{m}(s{}_i^C,s{}_i^D)$源案例C的第i个征兆和目标案例D的第i个征兆之间的局部相似度,s${}_i^C$和s${}_i^D$为源案例C和目标案例D在第i个征兆上的取值。

由式(5)可以看出,传统的最近邻算法并没有考虑两个案例在征兆集结构上可能存在的差异,要求相比较的两个案例具有相同长度的征兆集,且对应的征兆具有相同的名称和权值。利用式(5)将很难准确地度量本文设计的案例的相似性。

为此,提出了一种改进的最近邻相似度计算方法,令目标案例D的征兆集为SD={s${}_1^D$,s${}_2^D$,,s${}_n^D$},源案例C的征兆集为SC={s${}_1^C$,s${}_2^C$,,s${}_m^C$},且两个征兆集的长度不等,即n≠m,任一征兆由征兆名称sn、征兆值sv、权值sw三部分构成,则改进的最近邻相似度计算函数为

$\begin{array}{l}\text{s}\text{i}\text{m}(C,D)={\displaystyle \sum _{i=1}^{u}s}w{}_i^D\text{s}\text{i}\text{m}{}_v(s{}_i^C,s{}_i^D)\text{s}\text{i}\text{m}{}_w(s{}_i^C,s{}_i^D)/\\ {\displaystyle \sum _{i=1}^{n}s}w{}_i^D(6)\end{array}$

式(6)中,u为目标案例征兆集SD与源案例征兆集SC中名称相同的征兆的个数;sw${}_i^D$为第i个名称相同的征兆在目标案例中的权值,且${\displaystyle \sum _{i=1}^{n}s}w{}_i{}^D=1$;simv(s${}_i^C$,s${}_i^D$)为第i个名称相同的征兆在征兆值上的局部相似度;simw(s${}_i^C$,s${}_i^D$)为第i个名称相同的征兆在权值上的局部相似度;sim(C,D)为两个案例的相似度,0sim(C,D)1,两个案例越相似,相似度越大,当案例完全不同时,相似度为0。

改进的最近邻相似度的计算过程为:

1) 首先,选出源案例和目标案例征兆集中名称均相同的征兆,针对每一个名称相同的征兆,分别计算其在征兆值上的局部相似度和在权值上的局部相似度,将两者的乘积作为两个案例该征兆总的局部相似度;

2) 然后,由于目标案例中各个征兆的重要度不同,各征兆局部相似度在案例整体相似度计算中所起的作用也应该不同,所以将所有名称相同的征兆的总的局部相似度进行加权求和,权值采用目标案例在该征兆上的权值,最终确定源案例和目标案例的相似度。

3.1 征兆值局部相似度的定义

征兆在征兆值上的局部相似度的定义与传统最近邻法局部相似度定义相同,本文案例表示中征兆值的数据类型为符号枚举型,所以征兆值局部相似度定义为

$\text{s}\text{i}\text{m}{}_v(s{}_i^C,s{}_i^D)=\{\begin{array}{cc}1‚& sv{}_i^C=sv{}_i^D\\ 0‚& sv{}_i^C\ne sv{}_i^D\end{array}(7)$

式(7)中,sv${}_i^C$和sv${}_i^D$为源案例C和目标案例D在第i个名称相同的征兆上的取值,simv(s${}_i^C$,s${}_i^D$)为两个案例第i个名称相同的征兆在征兆值上的局部相似度。

3.2 权值局部相似度的定义

为了度量两个案例中名称相同的征兆的权值的相似性,定义权值局部相似度如下

simw(s${}_i^C$,s${}_i^D$)=1-|sw${}_i^C$-sw${}_i^D$| (8)

式(8)中,sw${}_i^C$和sw${}_i^D$为源案例C和目标案例D的第i个名称相同的征兆的权值,simw(s${}_i^C$,s${}_i^D$)为第i个名称相同的征兆在权值上的局部相似度,其取值范围在[0,1]之间,征兆在两个案例中的权值越接近,则权值局部相似度越大,当权值相同时,权值局部相似度为1。

以表4中两个案例分别为目标案例和源案例,采用改进的最近邻法计算两者相似度。首先,选出两个案例中征兆名称相同的征兆,共有三个:主导频率、伴随频率、轴心轨迹。然后,针对每一个名称相同的征兆,分别按照式(7)和式(8)计算其在征兆值上的局部相似度和在权值上的局部相似度,该征兆总的局部相似度为两者乘积,结果如表5所示。

最终得到源案例和目标案例的相似度

sim(C,D)=0.850.47+0.850.47+0.980.06=0.85。

从表4可以看出,目标案例的三个征兆在源案例中具有相同的征兆值,权值较为接近,但源案例比目标案例多一个征兆:振动稳定性,且该征兆的重要度很高,不可忽略,所以,源案例与目标案例较为相似,但存在明显差别,所以,利用改进的最近邻法计算出的相似度能有效地反映出案例的相似性。

4 案例调整和学习

采用由使用人员直接将检索出来的相似案例重用于新问题的解决,如果不能完全解决新问题,则可以从案例库中其他较相似的案例中寻找有用的解决方案或者从其他途径获取解决方案,在此基础上,使用人员对相似案例进行调整,直到新问题的解决,然后可以将调整后的案例提交入案例库进行学习。

诊断专家、普通技术人员由于经验不同,对于同一个案例的价值和质量的辨别能力存在很大差别,如果让任何人员都可以将案例保存入案例库,将使案例库的质量不能保证。为此,设计了基于案例审核的学习机制。

系统中设计两种形式的故障案例库:临时故障案例库和正式故障案例库。普通技术人员可以建立新案例,输入新案例的信息后,将其添加入临时案例库,然后将案例提交,等待诊断专家的审核。诊断专家可以对提交的案例进行审核,专家认为有价值的、质量高的案例将审核通过,并转入正式故障案例库存放,审核未通过的案例仍存放于临时故障案例库中。案例的检索是基于正式故障案例库中的案例进行的。

通过以上机制,可以充分发挥不同人员的作用,在保证案例质量的前提下不断丰富案例库。

5 应用实例

基于案例推理的旋转系统故障诊断系统原型采用C#语言开发,数据库采用MySql 5.0。系统对一个新问题的故障诊断流程如下。

(1) 问题描述 用户输入企业信息和目标案例的征兆集信息,如图3所示。

(2) 基于案例索引的案例检索,得到候选案例集。

(3) 利用改进的最近邻相似度进行案例精确匹配,按照相似度由高到低对案例进行排序,结果如图4所示。

(4) 案例重用与调整 对检索出来的相似案例,结合案例发生时的具体情况进行分析,选择合适的案例进行必要的调整,得到最终的解决方案。

6 结 论

针对大型旋转机械结构复杂,检维修记录丰富但无法有效发挥作用的特点,将CBR方法应用于旋转机械故障诊断,探讨了旋转机械故障诊断系统的总体结构、案例表示、案例征兆权值的确定方法、案例相似度匹配、案例调整和学习等CBR方法的关键技术,开发了基于CBR的旋转机械故障诊断原型系统,并给出了应用实例。

摘要：针对大型旋转机械结构复杂,故障现象难以用结构化知识表示,故障诊断规则难以提炼的特点,将基于案例推理(CBR)方法应用于旋转机械故障诊断。从旋转机械故障诊断的需求出发,在分析旋转机械故障诊断知识特点的基础上,对故障诊断系统的总体结构、故障案例库的构建、案例相似度匹配、案例调整和学习等CBR方法的关键技术进行了研究。重点设计了故障案例表示方法,采用基于三标度的层次分析法(AHP)确定案例征兆权值。提出了改进的最近邻法计算案例相似度,可以从征兆名称、征兆值、权值三方面对案例进行精确匹配。提出了基于案例审核的学习机制,可以充分发挥不同人员的作用。开发了基于CBR的旋转机械故障诊断系统原型,并给出了应用实例。

关键词：旋转机械,案例推理,故障诊断,层次分析法,最近邻相似度

参考文献

[1] Aamodt A,Plaza E.Case-based reasoning:Foundational issues,methodological variations,and system approaches.AI communica-tions,1994;7:39—59

[2] Yang B S,Kwon Jeong S,Oh Y M,et al.Case-based reasoning sys-tem with Petri nets for induction motor fault diagnosis.Expert Sys-tems with applications,2004;27:301—311

[3] Jung S,Lim T,Kim D.Integrating radial basis function networkswith case-based reasoning for product design.Expert Systems withapplications,2009;36:5695—5701

[4] Chuang C L.Case-based reasoning support for liver disease diagno-sis.Artificial Intelligence in Medicine 53(2011),15—23

[5] Saaty T L.The analytic hierarchy process.New York:McGraw-Hill,1980

[6]常建娥,蒋太立.层次分析法确定权重的研究.武汉理工大学学报(信息与管理工程版),2007;29(1):153—156

[7]孙家乐,蒋德鹏.层次分析中一致判断矩阵的构造方法.东南大学学报,1991;21(3):69—74

[8] Kolodner J L.Case-Based Reasoning.Los Altos,CA:Morgan Kauf-mann,1993

[9] Allen B P.Case-based reasoning:business applications.Communi-cations of the ACM 37(1994),40—42