CN113065655B - 维修性设计专家***融合推理方法、装置及存储介质 - Google Patents
维修性设计专家***融合推理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113065655B CN113065655B CN202110278604.2A CN202110278604A CN113065655B CN 113065655 B CN113065655 B CN 113065655B CN 202110278604 A CN202110278604 A CN 202110278604A CN 113065655 B CN113065655 B CN 113065655B
- Authority
- CN
- China
- Prior art keywords
- evidence
- knowledge
- fusion
- design
- confidence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 227
- 238000013461 design Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012423 maintenance Methods 0.000 claims abstract description 30
- 238000012937 correction Methods 0.000 claims description 73
- 239000000571 coke Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000010865 sewage Substances 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 23
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种维修性设计专家***融合推理方法、装置及存储介质,通过对专家***原始推理得到的多种不同知识进行不确定性推理,能够提高维修性设计决策的置信度水平。该方法可以应用于各类不同知识的融合,包括各类案例知识、规则知识、模型知识等;三是在传统证据理论的基础上,通过引入证据偏好度的概念,能够很好地解决冲突问题。该方法非常适合于汽车、船舶、飞机等复杂机械产品和装备的维修性方案设计。
Description
技术领域
本申请涉及产品维修性设计技术领域,特别是涉及一种维修性设计专家***融合推理方法、装置及存储介质。
背景技术
维修性是产品本身的一种质量特性,是由产品设计所赋予的使其维修简便、迅速和经济的固有特性。解决维修性的根本出路在设计,维修性设计已在一些发达国家得到广泛的认可和重视,并在飞机、船舶、汽车等产品的设计开发中得到了应用,取得了可观的经济效益和社会效益。随着产品维修性设计思想和工具的不断发展,并行维修性设计成为现代产品设计研制的必然要求。
维修性设计专家***是一种能够优化设计过程并帮助设计人员进行维修性设计的辅助***,它根据维修性设计问题的描述,通过推理、决策,最终获得维修性设计问题的一个或若干个可行解,实现对产品设计过程的在线支持。它能将与舰船维修性设计有关的知识、经验数据等转化为专家***中的知识库,实现知识的积累和传承;能表达和处理舰船维修性设计的问题信息,进行维修性设计知识的推理决策,得到建议的维修性设计方案;可以利用已有的知识对舰船设计师进行培训,以提高新设计师的维修性专业水平和解决问题的经验。
维修性知识的推理是维修性专家***知识库的核心,推理的合理与否关系到整个专家***的性能优劣。一个性能优良的专家***,必定有一个合理的推理方式。对于维修性专家***来说,由于知识内容多、知识繁杂。单一的知识表达方式是不能够方便合理的表示所有的维修性知识的。由于多种知识类型的存在,知识表达方式的各异,维修性推理的方式方法也必定会各有不同。只有这样才能很好的与维修性知识表示相结合,高效的完成维修性推理。因此为实现实时高效推理,根据维修性知识的类型不同,拟采用基于案例的推理(CBR)、基于规则的推理(RBR)、基于模型的推理(MBR)相结合的混合推理机制,来表示完成维修性专家***的推理过程。
在产品维修性设计专家***使用过程中,往往会碰到以下两个问题:(1)随着维修性专家知识不断丰富,依据常规推理方法,经常会得到多种推理结果,然而设计师只需要给出最终的维修性设计方案,对于其它置信度不高的证据可以利用软件需要智能过滤。(2)不同专业的维修性领域专家对维修性设计的方法有不同的见解,导致知识冲突的发生,这种情况下,如何进行融合推理和综合决策,是专家***中亟待解决的难点问题。
发明内容
基于此,为了使得机械产品易于维修,针对其维修性设计问题,提供了维修性设计专家***融合推理方法、装置及存储介质,以增强专家***对于不确定性问题和冲突问题的推理能力。
一种维修性设计专家***融合推理方法,所述方法包括:
从维修性专家库获取机械产品维修性设计的知识体。
根据所述知识体构建证据体,并根据所述证据体构建融合识别框架;所述融合识别框架包括多个焦元,每一个所述焦元对应一个维修性设计方案。
根据所述证据体和所述融合识别框架,得到所述证据体置信度分配。
获取预先设置的证据偏好度向量;根据所述证据偏好度向量和所述置信度分配,得到证据体的冲突修正项。
根据所述证据体置信度分配、所述冲突修正项以及预设的冲突修正项权重系数,融合得到多知识体融合可信度;对所述多知识体融合可信度进行归一化处理,得到归一化多知识体融合可信度;所述归一化多知识体融合可信度包括:证据体对所述融合识别框架中所有维修性设计方案的可信度以及证据体的不确定度。
根据所有维修性设计方案的可信度、证据体的不确定度以及预先设置的决策规则,确定最终维修性设计方案。
在其中一个实施例中,根据所述案例知识、所述规则知识和所述模型知识,构建证据体;根据所述证据体构建融合识别框架,还包括:
将案例知识中每条知识作为一个案例证据体。
根据规则知识,得到规则证据体。
将模型知识中每条知识作为一个模型证据体。
根据所述案例证据体、所述规则证据体以及所述模型证据体,得到所述证据体。
初始化融合识别框架为空集,即:Θ=Φ,其中Θ为融合识别框架。
设置计数x,所述计数x是大于等于零的整数。
对r个所述案例证据体和s个所述规则证据体中出现的各个元素进行融合,如果元素hx为新的元素,则Θ=Θ∪{hx};如果元素hx不是新的元素,则Θ=Θ。
当所述计数满足预先设置的输出条件时,融合停止,得到所述融合识别框架;所述预先设置的查找输出条件为其中jv代表第j个证据体包含的焦元数;所述知识元素框架包括n个焦元。
在其中一个实施例中,根据所述证据体和所述融合识别框架,得到所述证据体置信度分配,还包括:
对案例知识进行案例推理,得到案例库中各个案例的案例综合相似度。
根据预设的案例的设计决策属性、所述案例综合相似度以及预设的相似度下限,得到融合识别框架Θ中的第j个焦元Aj的焦元总相似度;所述第j个焦元Aj的焦元总相似度计算公式为:
其中:sim'j代表第j个焦元的焦元总相似度,simk代表案例库中各个案例的案例综合相似度,simk>δ,δ为预设的相似度下限,DCS_Dcpk代表第k个案例的设计决策属性,Aj代表第j个焦元;
对焦元总相似度进行归一化处理,得到归一化的案例知识置信度分配。
根据所述规则知识进行规则推理,得到规则知识置信度分配。
对所述规则知识信度分配进行归一化处理,得到归一化的规则知识置信度分配。
根据所述模型知识推理得到的解的数量,确定模型知识置信度分配;当所述解的数量为1时,模型知识置信度分配为1;当所述解的数量大于1时,则对置信度进行平均分配得到模型知识置信度。
根据所述案例知识置信度分配、规则知识置信度分配以及模型知识置信度分配得到所述证据体置信度分配。
在其中一个实施例中,设置证据偏好度向量;根据所述证据偏好度向量和所述证据体置信度分配,得到证据体的冲突修正项,包括:
设置证据偏好度向量;所述证据偏好度向量是一个行向量,维数与所述元素框架中包括的焦元数量相同。
所述证据偏好度向量中元素的值定义为:对应于给定焦元的偏好度为:
其中λi代表证据体Ei的可信度边界;代表证据体Ei的证据体置信度分配;代表第i个焦元Ai的偏好度。
根据所述证据偏好度向量中元素的值、所述证据体Ei的证据体置信度分配以及所述焦元数量,得到证据体的冲突修正项;所述证据体的冲突修正项的计算公式为:
其中:q(A)代表证据体的冲突修正项;代表证据体Ei的证据体置信度分配;/>代表第i个焦元Ai的偏好度;n代表焦元数量。
在其中一个实施例中,根据所述证据体置信度分配、所述冲突修正项以及预设的冲突修正项权重系数,融合得到多知识体融合可信度;对所述多知识体融合可信度进行归一化处理,得到归一化多知识体融合可信度,还包括:根据所述证据体置信度分配、所述冲突修正项以及预设的冲突修正项权重系数,结合改进的证据理论合成法则进行知识融合,得到多知识体融合可信度;设置空集的可信度为0;所述多知识体融合可信度计算公式为:
m*(Φ)=0
其中: 代表对应于第1、2、…、n个证据体的第k1、k2、...、kn个焦元;k代表预设的冲突修正项权重系数;q(A)代表对应于融合识别框架中的子集A的冲突修正项;q(Θ)代表对应于融合识别框架Θ的冲突修正项;m*(A)代表对应于融合识别框架中的子集A的置信度分配函数;m*(Θ)代表对应于融合识别框架Θ的置信度分配函数。
对所述多知识体融合可信度进行归一化处理,得到证据体对融合识别框架中所有命题的可信度和证据的不确定度,所述证据体对融合识别框架中所有命题的可信度和证据的不确定度的计算公式为:
m(Φ)=0
其中:A代表融合识别框架中的某个子集;m(A)代表对应于子集A的归一化多知识体融合可信度分配函数;m(Θ)代表对应于融合识别框架Θ的归一化多知识体融合可信度分配函数;m*(A)代表对应于融合识别框架中的子集A的置信度分配函数;m*(Θ)代表对应于融合识别框架Θ的置信度分配函数。
在其中一个实施例中,预先设置的决策规则包括:规则1:将具有最大所述可信度的命题作为设计决策结论;规则2:所述设计决策结论的可信度比其他所有命题的可信度和证据体不确定度均大于预定阈值;所述预定阈值大于0;规则3:证据体的不确定度必须大于预定的不确定阈值,所述预定的不确定阈值大于0。
根据所有维修性设计方案的可信度、证据体的不确定度以及预先设置的决策规则,确定最终维修性设计方案,还包括:
在所有维修性设计方案的可信度中进行最大可信度查找,得到最大可信度。
获取预定阈值和预定的不确定阈值。
当所述最大可信度比其他所有命题的可信度和证据体不确定度均大于预定阈值,并且证据体的不确定度大于所述预定的不确定阈值时,将所述最大可信度对应的维修设计方案作为最终维修性设计方案。
在其中一个实施例中,还包括:对所述最终维修性设计方案进行分类识别,得到不同维修性设计要素的融合决策结果。
一种维修性设计专家***融合推理装置,其特征在于,所述装置包括:
知识体获取模块:用于从维修性专家库获取机械产品维修性设计的知识体。
融合识别框架构建模块:用于根据所述知识体构建证据体,并根据所述证据体构建融合识别框架;所述融合识别框架包括多个焦元,每一个所述焦元对应一个维修性设计方案。
证据体置信度分配确定模块:用于根据所述证据体和所述融合识别框架,得到所述证据体置信度分配。
冲突修正项确定模块:用于获取预先设置的证据偏好度向量;根据所述证据偏好度向量和所述置信度分配,得到证据体的冲突修正项。
一化多知识体融合可信度确定模块:用于根据所述证据体置信度分配、所述冲突修正项以及预设的冲突修正项权重系数,融合得到多知识体融合可信度;对所述多知识体融合可信度进行归一化处理,得到归一化多知识体融合可信度;所述归一化多知识体融合可信度包括:证据体对所述融合识别框架中所有维修性设计方案的可信度以及证据体的不确定度。
最终维修性设计方案确定模块:用于根据所有维修性设计方案的可信度、证据体的不确定度以及预先设置的决策规则,确定最终维修性设计方案。
在其中一个实施例中,融合识别框架构建模块还用于:将案例知识中每条知识作为一个案例证据体;根据规则知识,得到规则证据体;将模型知识中每条知识作为一个模型证据体;根据所述案例证据体、所述规则证据体以及所述模型证据体,得到所述证据体。初始化融合识别框架为空集,即:Θ=Φ,其中Θ为融合识别框架;设置计数x,所述计数x是大于等于零的整数;对r个所述案例证据体和s个所述规则证据体中出现的各个元素进行融合,如果所述元素hx为新的元素,则Θ=Θ∪{hx};如果所述元素hx不是新的元素,则Θ=Θ;当所述计数满足预先设置的输出条件时,融合停止,得到所述融合识别框架;所述预先设置的查找输出条件为其中jv代表第j个证据体包含的焦元数。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
从维修性专家库获取机械产品维修性设计的知识体。
根据所述知识体构建证据体,并根据所述证据体构建融合识别框架;所述融合识别框架包括多个焦元,每一个所述焦元对应一个维修性设计方案。
根据所述证据体和所述融合识别框架,得到所述证据体置信度分配。
获取预先设置的证据偏好度向量;根据所述证据偏好度向量和所述置信度分配,得到证据体的冲突修正项。
根据所述证据体置信度分配、冲突修正项以及预设的冲突修正项权重系数,融合得到多知识体融合可信度;对所述多知识体融合可信度进行归一化处理,得到归一化多知识体融合可信度;所述归一化多知识体融合可信度包括:证据体对所述融合识别框架中所有维修性设计方案的可信度以及证据体的不确定度。
根据所有维修性设计方案的可信度、证据体的不确定度以及预先设置的决策规则,确定最终维修性设计方案。
上述维修性设计专家***融合推理方法、装置及存储介质,通过对专家***原始推理得到的多种不同知识进行不确定性推理,能够提高维修性设计决策的置信度水平。该方法可以应用于各类不同知识的融合,包括各类案例知识、规则知识、模型知识等;三是在传统证据理论的基础上,通过引入证据偏好度的概念,能够很好地解决冲突问题。该方法非常适合于汽车、船舶、飞机等复杂机械产品和装备的维修性方案设计。
附图说明
图1为一个实施例中一种维修性设计专家***融合推理方法流程示意图;
图2为一个实施例中一种维修性设计专家***融合推理装置的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种维修性设计专家***融合推理方法,包括以下步骤:
步骤100:从维修性专家库获取机械产品维修性设计的知识体;
知识体包括:案例知识、规则知识和模型知识。
步骤102:根据知识体构建证据体,并根据证据体构建融合识别框架;融合识别框架包括多个焦元,每一个焦元对应一个维修性设计方案。
在产品维修性设计知识库当中,寻找与“产品对象”一致、“设计要素”与设计问题相一致的知识,重新组织形成证据体。
融合识别框架为非空集合,其中包含多个两两互斥的事件。
例如融合识别框架Θ=(x1,x2,x3),其中x1、x2、x3为两两互斥的事件,融合识别框架的幂集2Θ表示如下:{Φ,x1,x2,x3,(x1,x2),(x1,x3)(x2,x3)(x1,x2,x3)},其包含8个元素。
在融合识别框架内,定义基本证据函数表示不确定信息,一个mass函数为幂集2Θ在区间[0,1]上的映射,该映射满足如下关系式:m(Φ)=0,m(A)>0对应的事件即为焦元。在融合识别框架中每一个焦元对应一个维修性设计方案。
步骤104:根据证据体和融合识别框架,得到证据体置信度分配。
所述证据体包括案例证据体、规则证据体以及模型证据体。
根据案例证据体、规则证据体、模型证据体以及融合识别框架分别确定案例知识体置信度分配、规则知识体置信度分配以及模型知识体置信度分配得到证据体置信度分配;根据案例知识体置信度分配、规则知识体置信度分配以及模型知识体置信度分配得到证据体置信度分配。
步骤106:获取预先设置的证据偏好度向量;根据证据偏好度向量和置信度分配,得到证据体的冲突修正项。
预先设置的证据偏好度向量是每个证据体的偏好度组成的向量。
冲突修正项是消除证据冲突干扰的修正项,是每一个证据体的偏好度与其对应的置信度分配的乘积之和的平均值。
步骤108:根据证据体置信度分配、冲突修正项以及预设的冲突修正项权重系数,融合得到多知识体融合可信度;对多知识体融合可信度进行归一化处理,得到归一化多知识体融合可信度;归一化多知识体融合可信度包括:证据体对融合识别框架中所有维修性设计方案的可信度以及证据体的不确定度。
预设的冲突修正项权重系数是一个预设的参数,可以根据实际情况进行调整。
多知识体融合可信度是通过多个证据体可信度函数采用改进证据理论进行融合推理得到的。
证据体的不确定度是不能确定为任何一种维修性设计方案的概率。
步骤110:根据所有维修性设计方案的可信度、证据体的不确定度以及预先设置的决策规则,确定最终维修性设计方案。
上述维修性设计专家***融合推理方法,通过对专家***原始推理得到的多种不同知识进行不确定性推理,能够提高维修性设计决策的置信度水平。该方法可以应用于各类不同知识的融合,包括各类案例知识、规则知识、模型知识等;三是在传统证据理论的基础上,通过引入证据偏好度的概念,能够很好地解决冲突问题。该方法非常适合于汽车、船舶、飞机等复杂机械产品和装备的维修性方案设计。
在其中一个实施例中,知识体包括:案例知识体、规则知识体和模型知识体;步骤102还包括:将案例知识中每条知识作为一个案例证据体;根据规则知识,得到规则证据体;将模型知识中每条知识作为一个模型证据体;根据案例证据体、规则证据体以及模型证据体,得到证据体。初始化融合识别框架为空集,即:Θ=Φ,其中Θ为融合识别框架;设置计数x,计数x是大于等于零的整数;对r个案例证据体和s个规则证据体中出现的各个元素进行融合,如果元素hx为新的元素,则Θ=Θ∪{hx};如果元素hx不是新的元素,则Θ=Θ;当计数满足预先设置的输出条件时,融合停止,得到融合识别框架;预先设置的查找输出条件为其中jv代表第j个证据体包含的焦元数;知识元素框架包括n个焦元。
在其中一个实施例中,在产品维修性设计知识库当中,寻找与“产品对象”一致、“设计要素”与设计问题相一致的知识,重新组织形成证据体:
对于案例知识,每条知识为一个证据体。
对于规则知识,每个设计方案作为证据体的一个焦元。
对于模型知识,每条知识为一个证据体。
初始化知识元素框架计数x=0。对r个案例证据体和s个规则证据体中出现的各个元素进行循环:如果元素hx为新的元素,则Θ'=Θ'∪{hx}。如果不是,则Θ'=Θ'。若/>则循环结束。
这样得到融合后的知识元素框架Θ',共包含n个焦元。
在其中一个实施例中,步骤104还包括:对案例知识进行案例推理,得到案例库中各个案例的案例综合相似度;根据预设的案例的设计决策属性、案例综合相似度以及预设的相似度下限,得到融合识别框架Θ中的第j个焦元Aj的焦元总相似度;第j个焦元Aj的焦元总相似度计算公式为:
(其中:simk>δ)
其中:sim'j代表第j个焦元的焦元总相似度,simk代表案例库中各个案例的案例综合相似度,DCS_Dcpk代表第k个案例的设计决策属性,Aj代表第j个焦元,δ代表预设的相似度下限。
对焦元总相似度进行归一化处理,得到归一化的案例知识置信度分配;根据规则知识进行规则推理,得到规则知识置信度分配;对规则知识信度分配进行归一化处理,得到归一化的规则知识置信度分配;根据模型知识推理得到的解的数量,确定模型知识置信度分配;当解的数量为1时,模型知识置信度分配为1;当解的数量大于1时,则对置信度进行平均分配得到模型知识置信度;根据案例知识置信度分配、规则知识置信度分配以及模型知识置信度分配得到证据体置信度分配。
案例库是与案例知识对应的案例库。
在其中一个实施例中,案例知识置信度分配、规则知识置信度分配以及模型知识置信度分配的推导计算如下:
(2)案例知识体置信度分配
假设对某机械产品的进行案例推理时,得到与案例库中各个案例综合相似度为simi,根据案例的设计决策属性DCS_Dcp,便得到采用该决策的近似程度。
这样对于融合识别框架Θ中的第j个焦元Aj,定义其总相似度为决策属性同是Aj的案例相似度之和:
为了增强融合的快速性,当案例库中案例数量较多时,可以约定相似度下限δ,忽略相似度小于该下限的部分案例。
这样可以得到归一化的置信度分配为:
(2)规则知识体置信度分配
由于规则推理一般是以各种设计建议的可能性给出的,所以可直接以规则推理得到的置信概率作为信度分配,假如相应规则对于每个决策的可信度为fj,可以得到归一化的置信度分配为:
(3)模型知识体置信度分配
舰船维修性设计时,模型推理存在单一解和多解两种不同的情况。对于单一解,则不需要置信度分配,直接为1。如果出现多解,则需要根据实际情况和其它辅助知识进行具体分析,如果缺乏其它信息支持,一种简单的情况就是进行平均分配。
在其中一个实施例中,步骤106还包括:设置证据偏好度向量;证据偏好度向量是一个行向量,维数与元素框架中包括的焦元数量相同;证据偏好度向量中元素的值定义为:对应于给定焦元的偏好度为:
其中λi代表证据体Ei的可信度边界;代表证据体Ei的证据体置信度分配;代表第i个焦元Ai的偏好度。
根据证据偏好度向量中元素的值、证据体Ei的证据体置信度分配以及焦元数量,得到证据体的冲突修正项;证据体的冲突修正项的计算公式为:
其中:q(A)代表证据体的冲突修正项;代表证据体Ei的证据体置信度分配;/>代表第i个焦元Ai的偏好度;n代表焦元数量。
在一个实施例中,为解决传统的证据理论方法在证据冲突时将矛盾信息完全忽略,进而导致错误决策。本专利认为,在产生证据冲突时,首先要鉴别的是证据的“真伪”,尽量相信真实证据的决策结论,而不被受其它冲突证据所影响。但如果完全相信某一个或几个证据,则失去了融合的意义。对于实际的维修性设计支持***,不同证据可能对某些问题较为敏感,比如对于布局问题,基于数学模型的决策识别能力较强,很容易得出比较准确的设计结论,而基于专家规则的方法可能会建议其它方案,此时应相信前者,而摒弃后者的冲突干扰。
首先定义证据偏好度的概念:由于证据冲突是在证据体差异较大时产生的,假设λi为证据体Ei的可信度边界,定义该证据偏好度向量为其中/>对应于给定焦元的偏好度为:
为了使冲突较大时偏好度起到修正作用,定义冲突修正项为:
其中:q(A)代表证据体的冲突修正项;代表证据体Ei的证据体置信度分配;/>代表第i个焦元Ai的偏好度;n代表焦元数量。
在其中一个实施例中,步骤108还包括:根据证据体置信度分配、冲突修正项以及预设的冲突修正项权重系数,结合改进的证据理论合成法则进行知识融合,得到多知识体融合可信度;设置空集的可信度为0;多知识体融合可信度计算公式为:
m*(Φ)=0
其中: 代表对应于第1、2、…、n个证据体的第k1、k2、...、kn个焦元;k代表预设的冲突修正项权重系数;q(A)代表对应于融合识别框架中的子集A的冲突修正项;q(Θ)代表对应于融合识别框架Θ的冲突修正项;m*(A)代表对应于融合识别框架中的子集A的置信度分配函数;m*(Θ)代表对应于融合识别框架Θ的置信度分配函数;
对多知识体融合可信度进行归一化处理,得到证据体对融合识别框架中所有命题的可信度和证据的不确定度,证据体对融合识别框架中所有命题的可信度和证据的不确定度的计算公式为:
m(Φ)=0
其中:A代表融合识别框架中的某个子集;m(A)代表对应于子集A的归一化多知识体融合可信度分配函数;m(Θ)代表对应于融合识别框架Θ的归一化多知识体融合可信度分配函数;m*(A)代表对应于融合识别框架中的子集A的置信度分配函数;m*(Θ)代表对应于融合识别框架Θ的置信度分配函数;
多知识体融合可信度计算公式的意义非常鲜明,当k较小时,式中的第一项起主要作用,这和Dempster及Yager合成法则效果基本一致,而当k接近于1,即证据高冲突时,合成结果主要由k·q(·)所决定,这样便很好地解决了前两种方法存在的不足,减小了局部冲突对全局融合性能的不利影响。
在其中一个实施例中,预先设置的决策规则包括:规则1:将具有最大可信度的命题作为设计决策结论;规则2:设计决策结论的可信度比其他所有命题的可信度和证据体不确定度均大于预定阈值;预定阈值大于0;规则3:证据体的不确定度必须大于预定的不确定阈值,预定的不确定阈值大于0。步骤110还包括:在所有维修性设计方案的可信度中进行最大可信度查找,得到最大可信度;获取预定阈值和预定的不确定阈值;当最大可信度比其他所有命题的可信度和证据体不确定度均大于预定阈值,并且证据体的不确定度大于预定的不确定阈值时,将最大可信度对应的维修设计方案作为最终维修性设计方案。
在其中一个实施例中,基于预先设置的决策规则确定出设计结论Ac:
规则1 m(Ac)=max{m(Ai)};i=1,2,…,n
规则2 m(Ac)-m(Ai)>ε,m(Ac)-m(Θ)>ε,其中域值ε>0;
规则3 m(Θ)<γ,其中域值γ>0。
规则1表明设计决策结论是具有最大可信度的命题;规则2表明设计结论的可信度必须比其他所有命题的可信度和证据不确定性大ε;规则3表明证据的不确定性必须小于γ,其中ε和γ根据实际情况确定。
在其中一个实施例中,还包括:对最终维修性设计方案进行分类识别,得到不同维修性设计要素的融合决策结果。
在其中一个实施例中,完成每个要素的融合推理之后,对于每个设计要素,显示详细融合结果如下:对于“(**对象)”的“(**要素)”设计,应采用以下方案:(对应要素1中置信度最大的方案),并给出详细推理信息。列出推理结果如表1所示:
表1:对于“(对象)”的“(要素)”,融合后的置信度
在一个用来说明本发明用于维修性设计融合推理的具体过程与有益效果的实施例中,对于船舶生活污水处理装置的喷射泵,出舱是其维修的难点环节,也是维修性设计的重点内容。在设计中,四位技术专家给出了其4种出舱方案:
方案E:穿过相邻舱室和甲板,出舱路径最长,但不会破坏强结构部分,也不需要移动其它设备;
方案F:出舱路径较长,但不会破坏强结构部分,需要移动若个设备;
方案G:出舱路径较短,但不会破坏强结构部分,需要移动若个对安装精度有要求的设备;
方案H:纵向直接出舱,出舱路径短,破坏强结构部分,不需要移动其它设备。
建立的维修性设计融合框架为Θ={方案E,方案F,方案G,方案H}。四个专家作为四条不同置信度的规则知识,产生E1~E4推四个证据体,同时通过专家打分和归一化得到信度分配函数为:
E1:m1(E)=0.000,m1(F)=0.927,m1(G)=0.060,m1(H)=0.011
E2:m2(E)=0.902,m2(F)=0.000,m2(G)=0.042,m2(H)=0.056
E3:m3(E)=0.021,m3(F)=0.732,m3(G)=0.131,m3(H)=0.107
E4:m4(E)=0.057,m4(F)=0.682,m4(G)=0.012,m4(H)=0.051
可见冲突主要体现在m2上,它的决策结论明显有别于其它证据体。我们针对E2给出两种不同偏好:(1)对应于E1~E4四专家的证据偏好度向量为[1 1 1 1],其可信度边界为0.5;(2)证据偏好度向量为[1 5 1 1],可信度边界仍为0.5。分别由几种方法得到的融合结果如表所示。决策规则中,选择阈值ε=0.3,γ=0.4。
采用本专利给出的融合规则进行融合,并和传统的Dempster融合规则以及Yager规则进行比较。可以看出,Dempster合成法则得到的结果几乎是错误的,将各个证据均不支持的方案C作为融合结论,而方案A、方案B的可信度都很低,结果有悖常理;Yager合成法则在融合多个证据体时,明显表现出“保守”的弱点,不能判断何种设计方案。而改进的融合方法则很好地处理了冲突和偏好,在偏好度一致的情况下,认为被其他证据所支持程度越高的证据,在最终的融合结果中的影响越大,这样证据2实际上可以被看成是一种干扰而发挥了较小的作用;而在证据2明显偏好于E时,E命题的可能性是最大的,这样使不同证据的冲突矛盾得到了较好地解决。
表2不同合成规则的结果比较
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种维修性设计专家***融合推理装置,包括:知识体获取模块、融合识别框架构建模块、证据体置信度分配确定模块、冲突修正项确定模块、一化多知识体融合可信度确定模块以及最终维修性设计方案确定模块,其中:
知识体获取模块:用于从维修性专家库获取机械产品维修性设计的知识体。
融合识别框架构建模块:用于根据知识体构建证据体,并根据证据体构建融合识别框架;融合识别框架包括多个焦元,每一个焦元对应一个维修性设计方案。
证据体置信度分配确定模块:用于根据证据体和融合识别框架,得到证据体置信度分配。
冲突修正项确定模块:用于获取预先设置的证据偏好度向量;根据证据偏好度向量和置信度分配,得到证据体的冲突修正项。
归一化多知识体融合可信度确定模块:用于根据证据体置信度分配、冲突修正项以及冲突修正项对应的预设的冲突修正项权重系数,融合得到多知识体融合可信度;对多知识体融合可信度进行归一化处理,得到归一化多知识体融合可信度;归一化多知识体融合可信度包括:证据体对融合识别框架中所有维修性设计方案的可信度以及证据体的不确定度;
最终维修性设计方案确定模块:用于根据所有维修性设计方案的可信度、证据体的不确定度以及预先设置的决策规则,确定最终维修性设计方案。
在其中一个实施例中,知识体包括:案例知识体、规则知识体和模型知识体;融合识别框架构建模块还用于:将案例知识体中每条知识作为一个案例证据体;根据规则知识体,得到规则证据体;将模型知识体中每条知识作为一个模型证据体;根据案例证据体、规则证据体以及模型证据体,得到证据体。初始化融合识别框架为空集,即:Θ=Φ,其中Θ为融合识别框架;设置计数x,计数x是大于等于零的整数;对r个案例证据体和s个规则证据体中出现的各个元素进行融合,如果元素hx为新的元素,则Θ=Θ∪{hx};如果元素hx不是新的元素,则Θ=Θ;当计数满足预先设置的输出条件时,融合停止,得到融合识别框架;预先设置的查找输出条件为其中jv代表第j个证据体包含的焦元数;知识元素框架包括n个焦元。
在其中一个实施例中,证据体置信度分配确定模块还用于:对案例知识体进行案例推理,得到案例知识体中与案例库中各个案例综合相似度;根据预设的案例的设计决策属性、案例综合相似度以及预设的相似度下限,得到融合识别框架Θ中的第j个焦元Aj的焦元总相似度;第j个焦元Aj的焦元总相似度计算公式为:
(其中:simk>δ)
其中:sim'j代表第j个焦元的焦元总相似度,simk代表案例知识体中与案例库中各个案例综合相似度DCS_Dcpk代表第k个案例的设计决策属性,Aj代表第j个焦元,δ代表预设的相似度下限。
对焦元总相似度进行归一化处理,得到归一化的案例知识体置信度分配;根据规则知识体进行规则推理,得到规则知识体信度分配;对规则知识体信度分配进行归一化处理,得到归一化的规则知识体置信度分配;根据模型推理得到的解的数量,确定模型知识体置信度分配;当解的数量为1时,模型知识体置信度分配为1;当解的数量大于1时,则对置信度进行平均分配得到模型知识体置信度;根据案例知识体置信度分配、规则知识体置信度分配以及模型知识体置信度分配得到证据体置信度分配。
在其中一个实施例中,冲突修正项确定模块还用于:设置证据偏好度向量;证据偏好度向量是一个行向量,维数与元素框架中包括的焦元数量相同;证据偏好度向量中元素的值定义为:对应于给定焦元的偏好度为:
其中λi代表证据体Ei的可信度边界;代表证据体Ei的证据体置信度分配;代表第i个焦元Ai的偏好度。
根据证据偏好度向量中元素的值、证据体Ei的证据体置信度分配以及焦元数量,得到证据体的冲突修正项;证据体的冲突修正项的计算公式为:
/>
其中:q(A)代表证据体的冲突修正项;代表证据体Ei的证据体置信度分配;/>代表第i个焦元Ai的偏好度;n代表焦元数量。
在其中一个实施例中,归一化多知识体融合可信度确定模块还用于:根据证据体置信度分配、冲突修正项及预设的冲突修正项权重系数,结合改进的证据理论合成法则进行知识融合,得到多知识体融合可信度;设置空集的可信度为0;多知识体融合可信度计算公式为:
m*(Φ)=0
式中 代表对应于第1、2、…、n个证据体的第k1、k2、...、kn个焦元;k代表预设的冲突修正项权重系数;q(A)代表对应于融合识别框架中的子集A的冲突修正项;q(Θ)代表对应于融合识别框架Θ的冲突修正项;m*(A)代表对应于融合识别框架中的子集A的置信度分配函数;m*(Θ)代表对应于融合识别框架Θ的置信度分配函数。
对多知识体融合可信度进行归一化处理,得到证据体对融合识别框架中所有命题的可信度和证据的不确定度,证据体对融合识别框架中所有命题的可信度和证据的不确定度的计算公式为:
m(Φ)=0
其中:A代表融合识别框架中的某个子集;m(A)代表对应于子集A的归一化多知识体融合可信度分配函数;m(Θ)代表对应于融合识别框架Θ的归一化多知识体融合可信度分配函数;m*(A)代表对应于融合识别框架中的子集A的置信度分配函数;m*(Θ)代表对应于融合识别框架Θ的置信度分配函数。
在其中一个实施例中,预先设置的决策规则包括:规则1:将具有最大可信度的命题作为设计决策结论;规则2:设计决策结论的可信度比其他所有命题的可信度和证据体不确定度均大于预定阈值;预定阈值大于0;规则3:证据体的不确定度必须大于预定的不确定阈值,预定的不确定阈值大于0。最终维修性设计方案确定模块还用于:在所有维修性设计方案的可信度中进行最大可信度查找,得到最大可信度;获取预定阈值和预定的不确定阈值;当最大可信度比其他所有命题的可信度和证据体不确定度均大于预定阈值,并且证据体的不确定度大于预定的不确定阈值时,将最大可信度对应的维修设计方案作为最终维修性设计方案。
在其中一个实施例中,维修性设计专家***融合推理装置还包括决策结果显示模块:用于对最终维修性设计方案进行分类识别,得到不同维修性设计要素的融合决策结果。
关于维修性设计专家***融合推理装置的具体限定可以参见上文中对于多知识体融合方法的限定,在此不再赘述。上述维修性设计专家***融合推理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种维修性设计专家***融合推理方法,其特征在于,所述方法包括:
从维修性专家库获取机械产品维修性设计的知识体;所述维修性专家库为船舶维修性专家库,所述机械产品维修性设计的知识体为船舶生活污水处理装置的喷射泵出舱维修设计的知识体;所述知识体是多类知识的集合,所述知识是指从预设产品维修性设计知识库中选择的与产品对象一致、设计要素与设计问题一致的知识;所述设计问题是船舶生活污水处理装置的喷射泵的出舱设计问题;所述产品对象为船舶生活污水处理装置的喷射泵;
根据所述知识体构建证据体,并根据所述证据体构建融合识别框架;所述融合识别框架包括多个焦元,每一个所述焦元对应一个维修性设计方案;所述维修性设计方案为船舶生活污水处理装置的喷射泵出舱设计方案,包括:方案E:穿过相邻舱室和甲板,出舱路径最长,但不会破坏强结构部分,也不需要移动其它设备;方案F:出舱路径较长,但不会破坏强结构部分,需要移动若个设备;方案G:出舱路径较短,但不会破坏强结构部分,需要移动若个对安装精度有要求的设备;方案H:纵向直接出舱,出舱路径短,破坏强结构部分,不需要移动其它设备;
根据所述证据体和所述融合识别框架,得到证据体置信度分配;
获取预先设置的证据偏好度向量;根据所述证据偏好度向量和所述置信度分配,得到证据体的冲突修正项;
根据所述证据体置信度分配、所述冲突修正项以及预设的冲突修正项权重系数进行融合,得到多知识体融合可信度;对所述多知识体融合可信度进行归一化处理,得到归一化多知识体融合可信度;所述归一化多知识体融合可信度包括:证据体对所述融合识别框架中所有维修性设计方案的可信度以及证据体的不确定度;
根据所有维修性设计方案的可信度、证据体的不确定度以及预先设置的决策规则,确定船舶生活污水处理装置的喷射泵出舱设计的最终维修性设计方案。
2.根据权利要求1所述的方法,其特征在于,所述知识体包括:案例知识、规则知识和模型知识;
根据所述知识体构建证据体,并根据所述证据体构建融合识别框架,包括:
将所述案例知识中每条知识作为一个案例证据体;
根据所述规则知识,得到规则证据体;
将所述模型知识中每条知识作为一个模型证据体;
根据所述案例证据体、所述规则证据体以及所述模型证据体,得到证据体;
初始化融合识别框架为空集,即:Θ=Φ,其中Θ代表融合识别框架;
设置计数x,所述计数x是大于等于零的整数;
对r个所述案例证据体和s个所述规则证据体中出现的各个元素进行融合,如果元素hx为新的元素,则Θ=Θ∪{hx};如果元素hx不是新的元素,则Θ=Θ;
当所述计数x满足预先设置的输出条件时,融合停止,得到所述融合识别框架;所述预先设置的查找输出条件为其中jv代表第j个证据体包含的焦元数。
3.根据权利要求2所述的方法,其特征在于,根据所述证据体和所述融合识别框架,得到证据体置信度分配,包括:
对案例知识进行案例推理,得到案例库中各个案例的案例综合相似度;
根据预设的案例的设计决策属性、所述案例综合相似度以及预设的相似度下限,得到融合识别框架中的第j个焦元Aj的焦元总相似度;所述第j个焦元Aj的焦元总相似度计算公式为:
其中:sim'j代表第j个焦元的焦元总相似度;simk代表案例库中各个案例的案例综合相似度,simk>δ,δ代表预设的相似度下限;DCS_Dcpk代表第k个案例的设计决策属性;Aj代表第j个焦元;
对焦元总相似度进行归一化处理,得到归一化的案例知识置信度分配;
根据所述规则知识进行规则推理,得到规则知识置信度分配;
对所述规则知识信度分配进行归一化处理,得到归一化的规则知识置信度分配;
根据所述模型知识推理得到的解的数量,确定模型知识置信度分配;当所述解的数量为1时,模型知识置信度分配为1;当所述解的数量大于1时,则对置信度进行平均分配得到模型知识置信度;
根据所述案例知识置信度分配、规则知识置信度分配以及模型知识置信度分配得到所述证据体置信度分配。
4.根据权利要求1所述的方法,其特征在于,获取预先设置的证据偏好度向量;根据所述证据偏好度向量和所述置信度分配,得到证据体的冲突修正项,包括:
获取预先设置的证据偏好度向量;所述证据偏好度向量是一个行向量,维数与元素框架中包括的焦元数量相同;
所述证据偏好度向量中元素的值定义为:对应于给定焦元的偏好度为:
其中:λi代表证据体Ei的可信度边界;
代表证据体Ei的证据体置信度分配;
代表第i个焦元Ai的偏好度;
根据所述证据偏好度向量中元素的值、所述证据体Ei的证据体置信度分配以及所述焦元数量,得到证据体的冲突修正项;所述证据体的冲突修正项的计算公式为:
其中:q(A)代表证据体的冲突修正项;
代表证据体Ei的证据体置信度分配;
代表第i个焦元Ai的偏好度;
n代表焦元数量。
5.根据权利要求1所述的方法,其特征在于,根据所述证据体置信度分配、所述冲突修正项以及预设的冲突修正项权重系数,融合得到多知识体融合可信度;对所述多知识体融合可信度进行归一化处理,得到归一化多知识体融合可信度,包括:
根据所述证据体置信度分配、冲突修正项及预设的冲突修正项权重系数,结合改进的证据理论合成法则进行知识融合,得到多知识体融合可信度;设置空集的可信度为0;所述多知识体融合可信度计算公式为:
m*(Φ)=0
其中: 代表对应于第1、2、…、n个证据体的第k1、k2、…、kn个焦元;
k代表预设的冲突修正项权重系数;
q(A)代表对应于融合识别框架中的子集A的冲突修正项;
q(Θ)代表对应于融合识别框架Θ的冲突修正项;
m*(A)代表对应于融合识别框架中的子集A的置信度分配函数;
m*(Θ)代表对应于融合识别框架Θ的置信度分配函数;
对所述多知识体融合可信度进行归一化处理,得到证据体对融合识别框架中所有命题的可信度和证据的不确定度,所述证据体对融合识别框架中所有命题的可信度和证据的不确定度的计算公式为:
m(Φ)=0
其中:A代表融合识别框架中的某个子集;
m(A)代表对应于子集A的归一化多知识体融合可信度分配函数;
m(Θ)代表对应于融合识别框架Θ的归一化多知识体融合可信度分配函数;
m*(A)代表对应于融合识别框架中的子集A的置信度分配函数;
m*(Θ)代表对应于融合识别框架Θ的置信度分配函数。
6.根据权利要求1所述的方法,其特征在于,预先设置的决策规则包括:
规则1:将具有最大所述可信度的命题作为设计决策结论;
规则2:所述设计决策结论的可信度比其他所有命题的可信度和证据体不确定度均大于预定阈值;所述预定阈值大于0;
规则3:证据体的不确定度必须大于预定的不确定阈值,所述预定的不确定阈值大于0;
根据所有维修性设计方案的可信度、证据体的不确定度以及预先设置的决策规则,确定最终维修性设计方案,包括:
在所有维修性设计方案的可信度中进行最大可信度查找,得到最大可信度;
获取预定阈值和预定的不确定阈值;
当所述最大可信度比其他所有命题的可信度和证据体不确定度均大于预定阈值,并且证据体的不确定度大于所述预定的不确定阈值时,将所述最大可信度对应的维修设计方案作为最终维修性设计方案。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:对所述最终维修性设计方案进行分类识别,得到不同维修性设计要素的融合决策结果。
8.一种维修性设计专家***融合推理装置,其特征在于,所述装置包括:
知识体获取模块:用于从维修性专家库获取机械产品维修性设计的知识体;所述维修性专家库为船舶维修性专家库,所述机械产品维修性设计的知识体为船舶生活污水处理装置的喷射泵出舱维修设计的知识体;所述知识体是多类知识的集合,所述知识是指从预设产品维修性设计知识库中选择的与产品对象一致、设计要素与设计问题一致的知识;所述设计问题是船舶生活污水处理装置的喷射泵的出舱设计问题;所述产品对象为船舶生活污水处理装置的喷射泵;
融合识别框架构建模块:用于根据所述知识体构建证据体,并根据所述证据体构建融合识别框架;所述融合识别框架包括多个焦元,每一个所述焦元对应一个维修性设计方案;所述维修性设计方案为船舶生活污水处理装置的喷射泵出舱设计方案,包括:方案E:穿过相邻舱室和甲板,出舱路径最长,但不会破坏强结构部分,也不需要移动其它设备;方案F:出舱路径较长,但不会破坏强结构部分,需要移动若个设备;方案G:出舱路径较短,但不会破坏强结构部分,需要移动若个对安装精度有要求的设备;方案H:纵向直接出舱,出舱路径短,破坏强结构部分,不需要移动其它设备;
证据体置信度分配确定模块:用于根据所述证据体和所述融合识别框架,得到所述证据体置信度分配;
冲突修正项确定模块:用于获取预先设置的证据偏好度向量;根据所述证据偏好度向量和所述置信度分配,得到证据体的冲突修正项;
归一化多知识体融合可信度确定模块:用于根据所述证据体置信度分配、所述冲突修正项以及预设的冲突修正项权重系数,融合得到多知识体融合可信度;对所述多知识体融合可信度进行归一化处理,得到归一化多知识体融合可信度;所述归一化多知识体融合可信度包括:证据体对所述融合识别框架中所有维修性设计方案的可信度以及证据体的不确定度;
最终维修性设计方案确定模块:用于根据所有维修性设计方案的可信度、证据体的不确定度以及预先设置的决策规则,确定船舶生活污水处理装置的喷射泵出舱设计的最终维修性设计方案。
9.根据权利要求8所述的装置,其特征在于,所述知识体包括:案例知识、规则知识和模型知识;
所述融合识别框架构建模块还用于:
将案例知识中每条知识作为一个案例证据体;根据规则知识,得到规则证据体;将模型知识中每条知识作为一个模型证据体;根据所述案例证据体、所述规则证据体以及所述模型证据体,得到所述证据体。初始化融合识别框架为空集,即:Θ=Φ,其中Θ为融合识别框架;设置计数x,所述计数x是大于等于零的整数;对r个所述案例证据体和s个所述规则证据体中出现的各个元素进行融合,如果所述元素hx为新的元素,则Θ=Θ∪{hx};如果所述元素hx不是新的元素,则Θ=Θ;当所述计数满足预先设置的输出条件时,融合停止,得到所述融合识别框架;所述预先设置的查找输出条件为其中jv代表第j个证据体包含的焦元数。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278604.2A CN113065655B (zh) | 2021-03-16 | 2021-03-16 | 维修性设计专家***融合推理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278604.2A CN113065655B (zh) | 2021-03-16 | 2021-03-16 | 维修性设计专家***融合推理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065655A CN113065655A (zh) | 2021-07-02 |
CN113065655B true CN113065655B (zh) | 2024-02-23 |
Family
ID=76561328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110278604.2A Active CN113065655B (zh) | 2021-03-16 | 2021-03-16 | 维修性设计专家***融合推理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065655B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258482B (zh) * | 2023-05-16 | 2023-07-18 | 盐城数融智升科技有限公司 | 一种自动选择维修方案的方法、服务器、电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577707A (zh) * | 2013-11-15 | 2014-02-12 | 上海交通大学 | 一种利用多模式融合推理的机器人故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006017824B4 (de) * | 2006-04-13 | 2018-10-11 | Dspace Digital Signal Processing And Control Engineering Gmbh | Methode zum Konstruieren einer Diagnosefunktion |
-
2021
- 2021-03-16 CN CN202110278604.2A patent/CN113065655B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577707A (zh) * | 2013-11-15 | 2014-02-12 | 上海交通大学 | 一种利用多模式融合推理的机器人故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
融合多元信息的武器装备性能评估方法;陈雷雨;周志杰;唐帅文;曹友;;***工程与电子技术;20201031(第07期);全文 * |
证据推理方法在住宅质量评估中的应用;江兵;方军;徐冬玲;;建筑经济;20090630(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113065655A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493166B (zh) | 一种针对电子商务导购场景任务型对话***的构建方法 | |
Liu et al. | Combination of classifiers with different frames of discernment based on belief functions | |
CN111914085A (zh) | 文本细粒度情感分类方法、***、装置及存储介质 | |
CN110751355A (zh) | 一种科技成果评估方法和装置 | |
CN113343677B (zh) | 一种意图识别方法、装置、电子设备及存储介质 | |
CN116415170A (zh) | 基于预训练语言模型的提示学习小样本分类方法、***、设备及介质 | |
CN113065655B (zh) | 维修性设计专家***融合推理方法、装置及存储介质 | |
CN110457470A (zh) | 一种文本分类模型学习方法及装置 | |
CN110414005A (zh) | 意图识别方法、电子设备及存储介质 | |
CN110245700B (zh) | 分类模型构建方法、分类模型及物体识别方法 | |
CN113920379B (zh) | 一种基于知识辅助的零样本图像分类方法 | |
CN116861269A (zh) | 工程领域的多源异构数据融合及分析方法 | |
CN117668563B (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
CN111797195A (zh) | 配件名称识别方法、装置、计算机设备和存储介质 | |
CN112513901A (zh) | 使用人工神经网络来从给定文本中查找唯一协调制度代码的方法和用于实现该方法的*** | |
CN113724688B (zh) | 语音识别的后处理方法、装置和计算机设备 | |
KR20200112495A (ko) | 상권 분석 서비스 제공 서버 및 그 방법 | |
CN114970526A (zh) | 一种文本意图理解的连续学习方法和*** | |
CN115034847A (zh) | 基于深度学习的产品推荐方法、***、存储介质及设备 | |
CN114357177A (zh) | 知识超图的生成方法、装置、终端设备及存储介质 | |
CN114036289A (zh) | 一种意图识别方法、装置、设备及介质 | |
Trofimov | Prototype approach to design of the automated expert systems with multi-structural recognition of complex images | |
CN109710837B (zh) | 用户缺失画像的补充方法和相关设备 | |
CN113238947A (zh) | 一种人机协同的对话***评测方法及*** | |
CN113239193A (zh) | 一种文本挖掘方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |