点击图片查看原图
T8472 Trusted
T8472 Trusted
T8472 Trusted
此方法能通过修订相似问题的成功结果来求解新问题。它能通过将获得新知识作为案例来进行学习，不需要详细地诊断对象模型。在这种推理方法中，主要包括：案例表达和索引、案例的检索、案例的修订、从失败中学习等。此方法的原理是，对于所诊断的对象，根据其特征从案例库中检索出与该对象的诊断问题**相似匹配的案例，然后对该案例的诊断结果进行修订作为该对象的诊断结果。此方法适用于领域定理难以表示成规则形式，而易表示成案例形式并且已经积累了丰富的案例的领域。它的局限性是：传统的方法难以表示案例之间的联系；对于大型案例库进行检索非常费时，并且难以决定应选择那些症状及它们的权重；此方法难以处理案例修订时的一致性检索，难以对诊断结果加以解释。
⑶基于人工神经网络（ANN）的方法
神经网络在故障诊断领域的应用研究主要集中在两个方面：一是从模式识别的角度，应用神经网络作为分类器进行故障诊断；二是将神经网络与其他诊断方法相结合而形成的复合故障诊断方法。
人工神经元网络用于故障诊断主要有四种方式：①用神经元网络产生残差；②用神经元网络评价残差；③用神经元网络做进一步诊断；④用神经元网络作自适应误差补偿。把模糊数学与神经网络相结合，可以在神经网络框架下引入定性知识，能得到更好的诊断性能，具有巨大的应用前景。联合多个神经网络的诊断方法能提高故障诊断的可靠性。因为神经网络存在诸如：训练样本获取困难、网络权值表达方式难以理解、忽视了领域**的经验知识等问题，所以通过与基于模型的方法、**系统、信息融合等理论相结合，可以弥补其不足。
神经网络是由大量的神经元广泛互连而成的网络。根据连接方式不同，可分为两大类：没有反馈的前向网络和相互结合型网络。ANN的工作过程有两个阶段组成。一个是学习期（自适应期或设计期），此时各计算单元状态不变，各连接权值可修改（通过学习样本或其它方法）。另一个阶段是工作期，此时各连接权值固定，计算单元的状态变化，以求达到稳定状态。神经网络的优点是，具有复杂多模式及进行联想、推理和记忆功能。目前有五种常用于故障诊断的神经网络模型种类，如图2.6所示。文献[10]对这五种模型作了详细介绍。