文档介绍：基于ANN与CBR相结合的复杂装备故障诊断研究
大小。网络输出的相似度, 可以用 1, 0. 0. 0]来代表语言化的评语离散的一组数如[ 0. 75, 5, 25, ( 完全相同、很相似、相似、不太相似、完全不同) , 这实际上是相似度的阶跃隶属度函数取值的全集。当诊断案例 U 输入时, 应用训练好的网络得出与子案例库中第 i 个案例的相似度为 x i , 设 x 子案例库中有 m 个案例, 则得到检索的相似度向量为 X = [ 1 ,
程应用, 但同时也都存在局限性。神经网络技术的缺点主要表对诊断结果不能进行很好的说明; 对故现为: 推理过程不可见, 障案例的代表性和数目也有很高的要求; 对一些特殊新案例的诊断效果不佳。基于案例推理技术是利用以前知识解决现在问题的方法, 虽然具有明显的科学合理性, 但也存在以下不足: 案例索引难以建立; 案例之间的相似度难以确定; 案例库的规模不断膨胀会影响到了检索的效率和准确性; CBR 的推理过程完全忽略了统计规律, 信息冗余度大, 容错能力较弱。两种技术各自存在局限性, 同时也存在互补性, 如可以用神
198
计算机应用与软件
2010 年
x2 , x m ] 在相似度向量 X 中选出超过设定阈值的案例为最后…, 。检索出的案例。最后, 对得到的检索出案例集应用 FAM 网络进行修正, 得到最终的诊断结果。对于有价值的新案例, 可将其存储在案例库中, 这个过程实现了系统的自学习功能。检索出以不同相似度表示的案例并不能直接用于解决新问以往一般采用人工方法进行修改, 主观性太大, 而且对专业题, 领域知识有比较高的要求。针对这种情况本文引入联想记忆神经网络( FAM) 的方法对检索出的案例进行融合修改, 实现对故障的快速定位。联想记忆神经网络能够存储不同向量空间上相互关联的样 B ( B …, B 本对( U1 , 1 ) , U2 , 2 ) , ( U g , g ) 。当输入模式接近于某一学习样本的输入模式时, 输出模式亦会接近学习样本的输出模式。FAM 为 2 层结构, 如图 4 所示。
例库, 包括通信分系统设备故障子案例库、计算机与网络分系统设备故障子案例库、显示分系统设备和保障分系统设备故障子案例库。输入故障现象, 包括: ①显控台无某雷达站情报显示;②分合路器通道板 C 口有输入无输出信号; ③通信扩展箱对应端口有输入无输出信号; ④集线器口指示灯不亮。系统自动将输入进入计算机故障现象转换为故障征兆向量。经 BP 网络分类后, 与网络分系统设备故障子案例库进行检索。检索结果输出五个相似案例组成案例集, 如表 1 所示。案例中故障现象的权值根据该现象在案例中的重要程度用层次分析法确定, 故障原因向量用故障原因向量对应项分某现象下该故障原因发生的频率来表示
, 别为: ①分合路器损坏; ②通信扩展箱损坏; ③分合路器与通信扩展箱连线不通; ④集线器对应端口损坏; ⑤应用程序故障。相 0. 0. 0. 0. 0. , Z 似案例的相似度为, =[ 69, 75, 81, 58, 62] 由式( 4) 0. 0. 0. 0. 0. 。得权重 H =[ 200, 217, 235, 168, 180]
表1 序号 1 2 3 0. 41 0. 50 0. 28 0. 62 0. 38