基于夾角余弦值的冷鏈物流設備故障處理研究

(商丘工學院 河南 商丘 476000)

一、研究環境

案例推理是人工智能領域中一種重要的基于知識的問題求解和學習方法，具有良好的可擴充性和可移植性以及自學習能力[1]。基于案例推理的故障診斷系統基本原理是，將以往已成功解決的故障事件以案例的形式存儲起來，每個案例包括條件屬性、決策屬性以及解決方案，當有新的故障出現時，輸入新故障的特征條件屬性值，然后在歷史案例庫中檢索與待解決故障案例最相似的案例，即可根據檢索出來的最大相似度案例的解決辦法對待解決故障案例進行適配。

二、冷鏈物流設備故障診斷系統

在冷鏈物流設備故障診斷系統中，輸入端為待解決冷鏈物流設備的故障屬性值；運算中心由熵權法運用相應的歷史案例庫中各故障案例的條件屬性值及決策屬性值計算各屬性權重的計算模塊和夾角余弦值計算歷史故障案例與待解決故障案例的相似度的計算模塊組成；輸出即為各歷史故障案例與待解決故障案例的相似度。

(一)熵權法確定屬性權重

要計算歷史故障案例與待解決故障案例的視圖相似度，首先要確定故障案例的視圖，即冷鏈物流設備故障的各屬性權重向量。

應用熵可以度量冷鏈物流設備故障案例方面中數據所蘊含的信息量，并以此確定各方面的權重。采用熵權法確定方面權重的步驟如下[2]-[4]：

1.構建無量綱冷鏈物流設備故障方面值矩陣。假設有m個待檢測案例，每個案例有n項

屬性即方面，vij表示第i個案例在第j項屬性下的屬性值。根據屬性值構建矩陣V=(vij)m×n，由于每個屬性在量綱、數值等方面上存在差異，因此需要對各屬性值進行無量綱處理。得到標準化矩陣R=(rij)m×n；

(二)夾角余弦值計算相似度

夾角余弦值又稱余弦相似度，是用向量空間中兩個向量夾角的余弦值作為衡量兩個個體間差異的大小的度量。在采用夾角余弦值計算冷鏈物流設備歷史故障案例與待解決故障案例的相似度時，每個案例屬性視為多維空間中的一個維度。余弦夾角注重于目標案例與歷史案例方向上的差異。本文將在傳統夾角余弦算法的基礎上，加上由熵權法給出的各屬性權重，來計算冷鏈物流設備故障視圖相似度。

加權的余弦相似度算法：

三、案例分析

以某冷鏈物流設備的一個電路板故障維修為例，故障信息包括條件屬性集和決策屬性集，選取與待解決故障相關的一組子案例庫，如表1所示，待解決故障即目標案例為：Cq::={vCq_ac1:323;vCq_ac2:514;vCq_ac3:472;vCq_ac4:139;vCq_ad1:null}；用戶通過測量物流設備電路板不同位置的電壓值來判斷電路板的故障類型，從而采取相應的解決措施。將故障案例及目標案例的方面值進行離散化并將故障ID轉換成知識表達系統的論域新值，結果如表1所示。案例c1各方面值為3,3,2,3，屬于第一類問題；案例c2各方面值為2,1,1,2,屬于第二類問題；案例c3各方面值為1,1,1,2,屬于第二類問題；案例c4各方面值為3,1,2,3,屬于第一類問題；案例c5各方面值為1,1,1,1,屬于第三類問題；案例c6各方面值為3,1,2,2,屬于第一類問題；案例c7各方面值為2,1,2,1,屬于第三類問題。

利用熵權法計算各屬性權重得p1：0.2314；p2:0.3248;p3:0.2325;p4:0.2113；通過加權的余弦相似度算法得歷史案例與目標案例的夾角余弦值相似度分別為：0.9095；0.9616；0.9824；0.9676；0.9731；0.9539；0.9497。通過歐氏距離與余弦夾角相融合的隱性知識外顯案例視圖相似度計算后，得到歷史案例庫中C3與待解決故障案例有最大相似度，此時輸入待解決問題的條件部，可給出其解方面值，即：

Cq::={vCq_ac1:323;vCq_ac2:514;vCq_ac3:472;vCq_ac4:139;vCq_ad1:II}，冷鏈物流設備維修員可按類型II對應的維修方法展開修理過程。

四、結束語

本文在分析相關文獻的基礎上，基于CBR的系統思想，建立了智能化的熵權法和夾角余弦值的冷鏈物流設備故障案例相似度匹配算法。并在文末通過算例檢驗了本文方法的有效性。不需要構建詳細的模型就能進行故障診斷。其較高的靈活性和可操作性可以使冷鏈物流設備診斷系統更加高效、準確。但是對于最大相似度案例仍不能滿足維修需求是的修正與存儲過程還需進一步研究。