基于神经网络与案例推理的结晶器故障诊断研究

14 0.17 0.84 0.19 0.12 0.17 0.77 0.26 0.14 0.13 0.33 [2]吴昊.基于案例推理的民用飞机系统维修间隔期确定方法[J]. 航Р 权值Р 加入权值 0.55 0.32 0.35 0.92 0.42 0.27 0.35 0.90 0.52 0.32 0.29 0.58 空维修与工程, 2011(4):55 - 57. Р 同时,本文随机产生50个测试样本,验证未加入权值的CBR故障[3]付新哲,张优云等. 滚动轴承故障诊断的案例推理方法[J]. 西Р诊断方法与本文的基于ANN与CBR故障诊断方法(ANN-CBR)在诊断正安交通大学学报,2011,45(11):79-84.Р确率上的对比,如表2所示。从中可以看出基于ANN与CBR故障诊断[4]李峰,冯珊. 基于人工神经网络的案例检索及案例维护[J]. 系统Р方法能够获得更高的诊断正确率。采用ANN得到属性的权重,并将其工程与电子技术,2004,26( 8) :1053-1056.Р应用到CBR的相似度计算中,使得计算的结果更加的精确可靠,因而[5]P.K. Kankar, Satish C, et al. Fault diagnosis of ball bearings using Р能够得到更好的故障诊断结果。 machine learning methods[J]. Expert Systems with Applications, 2011, Р 表2 仿真结果 38(3): 1876–1886.Р CBR ANN-CBR [6]张耀辉,李浩等. 基于案例推理的装甲装备故障诊断方法[J]. Р 测试样本数 50 50Р 正确个数 45 48 兵工自动化,2014,33(9):21-23.Р 诊断正确率 90% 96%Р 经营管理者 Manager' JournalР 389