基于夹角余弦值的冷链物流设备故障处理研究

(商丘工学院 河南 商丘 476000)

一、研究环境

案例推理是人工智能领域中一种重要的基于知识的问题求解和学习方法，具有良好的可扩充性和可移植性以及自学习能力[1]。基于案例推理的故障诊断系统基本原理是，将以往已成功解决的故障事件以案例的形式存储起来，每个案例包括条件属性、决策属性以及解决方案，当有新的故障出现时，输入新故障的特征条件属性值，然后在历史案例库中检索与待解决故障案例最相似的案例，即可根据检索出来的最大相似度案例的解决办法对待解决故障案例进行适配。

二、冷链物流设备故障诊断系统

在冷链物流设备故障诊断系统中，输入端为待解决冷链物流设备的故障属性值；运算中心由熵权法运用相应的历史案例库中各故障案例的条件属性值及决策属性值计算各属性权重的计算模块和夹角余弦值计算历史故障案例与待解决故障案例的相似度的计算模块组成；输出即为各历史故障案例与待解决故障案例的相似度。

(一)熵权法确定属性权重

要计算历史故障案例与待解决故障案例的视图相似度，首先要确定故障案例的视图，即冷链物流设备故障的各属性权重向量。

应用熵可以度量冷链物流设备故障案例方面中数据所蕴含的信息量，并以此确定各方面的权重。采用熵权法确定方面权重的步骤如下[2]-[4]：

1.构建无量纲冷链物流设备故障方面值矩阵。假设有m个待检测案例，每个案例有n项

属性即方面，vij表示第i个案例在第j项属性下的属性值。根据属性值构建矩阵V=(vij)m×n，由于每个属性在量纲、数值等方面上存在差异，因此需要对各属性值进行无量纲处理。得到标准化矩阵R=(rij)m×n；

(二)夹角余弦值计算相似度

夹角余弦值又称余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。在采用夹角余弦值计算冷链物流设备历史故障案例与待解决故障案例的相似度时，每个案例属性视为多维空间中的一个维度。余弦夹角注重于目标案例与历史案例方向上的差异。本文将在传统夹角余弦算法的基础上，加上由熵权法给出的各属性权重，来计算冷链物流设备故障视图相似度。

加权的余弦相似度算法：

三、案例分析

以某冷链物流设备的一个电路板故障维修为例，故障信息包括条件属性集和决策属性集，选取与待解决故障相关的一组子案例库，如表1所示，待解决故障即目标案例为：Cq::={vCq_ac1:323;vCq_ac2:514;vCq_ac3:472;vCq_ac4:139;vCq_ad1:null}；用户通过测量物流设备电路板不同位置的电压值来判断电路板的故障类型，从而采取相应的解决措施。将故障案例及目标案例的方面值进行离散化并将故障ID转换成知识表达系统的论域新值，结果如表1所示。案例c1各方面值为3,3,2,3，属于第一类问题；案例c2各方面值为2,1,1,2,属于第二类问题；案例c3各方面值为1,1,1,2,属于第二类问题；案例c4各方面值为3,1,2,3,属于第一类问题；案例c5各方面值为1,1,1,1,属于第三类问题；案例c6各方面值为3,1,2,2,属于第一类问题；案例c7各方面值为2,1,2,1,属于第三类问题。

利用熵权法计算各属性权重得p1：0.2314；p2:0.3248;p3:0.2325;p4:0.2113；通过加权的余弦相似度算法得历史案例与目标案例的夹角余弦值相似度分别为：0.9095；0.9616；0.9824；0.9676；0.9731；0.9539；0.9497。通过欧氏距离与余弦夹角相融合的隐性知识外显案例视图相似度计算后，得到历史案例库中C3与待解决故障案例有最大相似度，此时输入待解决问题的条件部，可给出其解方面值，即：

Cq::={vCq_ac1:323;vCq_ac2:514;vCq_ac3:472;vCq_ac4:139;vCq_ad1:II}，冷链物流设备维修员可按类型II对应的维修方法展开修理过程。

四、结束语

本文在分析相关文献的基础上，基于CBR的系统思想，建立了智能化的熵权法和夹角余弦值的冷链物流设备故障案例相似度匹配算法。并在文末通过算例检验了本文方法的有效性。不需要构建详细的模型就能进行故障诊断。其较高的灵活性和可操作性可以使冷链物流设备诊断系统更加高效、准确。但是对于最大相似度案例仍不能满足维修需求是的修正与存储过程还需进一步研究。