基于案例推理的故障诊断
发布网友
发布时间：2022-04-28 22:54
共1个回答
热心网友
时间：2022-06-24 17:12
基于案例的推理简介（Case Based Reasoning,CBR）
设备在应用过程中由于各种因素的影响难免出现故障，如何判断设备的故障类型和故障部位并给出正确的处理办法就显得尤为重要，为了保证设备性能良好，维持正常的运转，降低维修成本，提高经济效益，增强企业竞争能力等，对设备进行故障诊断和预防是重要的和必需的，尤其是使用同类型批量设备的单位和部门，如环保行业的在线监测仪、除尘仪；钢铁行业的锅炉、轧机机械等。但是，目前对于这些复杂系统和设备，建立系统数学模型和故障过程模型是非常困难的。当前，用于这类对象的故障诊断方法主要有专家系统和智能的人工神经网络；但是应用时，又有其明显的缺点，见下表：
表1专家系统和神经网络系统的缺点
诊断方法 缺点
专家系统 1)诊断的效果与知识库的完善程度以及知识表示方法直接相关
2)知识的抽取和推理规则的建立是一项非常艰巨而且困难的任务
3)故障的多样性和不可预测性，一次性构建完善的知识库和推理库是不可能的
4)知识推理系统的可扩充性和灵活性不够，*了它的应用范围
5)存在“知识获取”瓶颈
神经网络 1)结构和训练算法的确定需要得到大量试验资料
2)对于未经训练过的新故障难以进行诊断
案例推理(CBR)是人工智能领域新兴的一种问题求解方法，它通过目标案例的提示得到历史记忆中结构化存储的源案例，并由源案例进行相应的判断与推理来指导目标案例求解。所以CBR有以下优点:
1)、 利用案例中隐含的难以规则化的知识，以辅助规则推理的不足。
2)、 案例的获取比规则获取要容易，较好解决“知识获取”的瓶颈问题。
3)、 对过去的求解结果进行复用，提高对新问题的求解效率。
4)、 有持续不断的学习能力。
安可AKCBR介绍
一、安可AKCBRS简介
AKCBRS是安可科技研发的基于案例推理的故障诊断系统,是应用于各行业设备的一项现代故障智能诊断技术。
基于案例的推理（Case Based Reasoning,CBR）技术是人工智能中新崛起的一项重要推理技术，在很大程度上符合领域专家求解新问题的过程，利用CBR技术解决故障诊断问题是当今人工智能故障诊断领域的研究热点，作为专家系统中的一个分支，其研究得到了学术界和工程界的高度重视，并相继在各行各业中得到成功应用。不过在这些已报道的基于案例推理的故障诊断系统中，大多数都是针对某一具体设备的专用专家系统，虽然其对具体设备故障诊断比较实用，但其缺陷是通用性不强，因为不同问题领域，设备种类不同，其专家知识及推理机制也不相同；即使同一问题领域，也有各种功能不同的设备，这样一来给通用基于案例推理的故障诊断系统的设计开发增加了较多的困难。AKCBRS是以用户为中心的通用性基于案例推理的故障诊断系统，只要领域专家设置好必要的知识模块，就可自行生成专用于同种功能设备的基于案例推理的故障诊断系统。
二、系统特点：
图形化的参数层次结构建模
提供图形化的工具配置案例集，使得领域专家通过鼠标操作即可完成案例集和状态向量、特征向量关联；特征向量权重关系设置。如下图：
优化的检索策略
案例检索是CBR的核心技术，从源案例库中检索出与新问题的目标案例最相似的历史案例，将直接决定CBR的速度和精度。在基于案例推理的故障诊断系统中，由于故障可以根据其内部机理进行分类，且各案例的特征包括故障状态和故障数据两种故障信息，因此通过领域专家对案例进行合理分类的基础上，利用案例的故障状态信息和改进的灰色关联度计算方法，针对故障诊断系统，提出了一种类选、粗选、精选、择优“四步走”的检索策略。如下图：
应用领域的广泛性
在已报道的基于案例推理的故障诊断系统中，大多数都是针对某一具体设备的专用专家系统，虽然其对具体设备故障诊断比较实用，但其缺陷是通用性不强，因为不同问题领域，设备种类不同，其专家知识及推理机制也不相同；即使同一问题领域，也有各种功能不同的设备，这样一来给通用基于案例推理的故障诊断系统的设计开发增加了较多的困难。AKCBRS是以用户为中心的通用性基于案例推理的故障诊断系统，只要领域专家设置好必要的知识模块，就可自行生成专用于同种功能设备的基于案例推理的故障诊断系统。
基于WEB的故障检索访问
方便用户通过网络，对故障记录进行检索。
方便的数据导出功能
可以选择四种数据导出格式，PDF文件、Word文件、Excel文件及文本文件。
三、系统设计思路：
依据专家系统的特点和CBR的工作原理，AKCBRS设计思路分为以下几个部分：
1)案例集配置。领域专家根据设备的情况，划分案例类别，并设置案例集的状态参数，关键指标状态参数的值；特征参数及特征参数的权重，系统通过层次分析法计算特征参数的权重向量，并进行一致性检查。案例集配置好以后领域专家根据以往处理设备故障的经验或类似的经历,按照案例集的组织结构和属性输入各案例集中的案例，形成案例库。
2)设备故障产生。设备故障产生后,记录故障产生的经过、现象等。依据优化的案例检索策略进行案例检索。
3)设备故障匹配。对于有大于相似度预设阀值的案例按相似度大小和故障发生频率给出故障处理报告。
4)案例库学习、调整、扩充。对于匹配结果没有大于相似度阀值的情况系统给出提示，由用户对故障信息处理后并给出处理结论，然后由领域专家验证是否扩充到案例库中；领域专家也可以对一下案例集中的案例处理结论进行修正，也可以对一些无效案例进行删除。
四、系统模块：
