关键词：基于案例的推理(cbr)；印刷机械；故障诊断
1．引言
现代印刷机械的结构越来越复杂，自动化程度越来越高，功能出现多样化，使得设备故障也越来越复杂化，很难建立一个完整的数学模型来描述它,随之故障诊断与排除也越来越困难。一旦设备发生故障，将影响到整个生产系统的安全和稳定运行，特别是由于印刷的特殊性，在印刷工艺上要求高，加上纸张油墨的可变因素大，所以产生故障的因素很多，有时一种故障的产生有多种原因[2]。
当前印刷行业的维修人员主要是靠感觉和个人经验，对印刷机的故障进行诊断和排除。令他们最头痛的是印刷过程产生了故障而找不到产生故障的原因，往往为了套印不准，墨杠，重影，纸给，倒顺毛等故障，停机检修几个小时，有时为了解除一个故障甚至要花几天时间[3]，充分说明了现在应用在印刷领域的故障诊断技术已远远不能适应现代化印刷的要求。
利用人工智能技术的故障诊断系统已经成为设备故障诊断的发展方向。目前针对印刷领域的故障智能诊断系统主要有基于规则和神经网络的系统，由于这些系统采用的故障诊断方法存在某些不足，如知识获取非常困难，系统对求解超出范围的问题无能为力，诊断推理过程比较抽象，不容易理解等。而基于案例的诊断推理需要检索的是现场发生的故障案例，大大减少了从专家那里获取知识的必要，比较容易建立；在待诊断对象的故障与案例之间不完全匹配时也能给出相似的解；诊断结果是具体的案例，比较生动丰富，能够反映故障的总体概貌，容易理解接受等。因此，本文采用案例推理技术进行故障诊断，cbr的推广可以使一般技术人员也可以对印刷机械进行故障诊断。
2. 基于案例的推理技术
基于案例的推理(case-based reasoning, cbr)是人工智能领域新崛起的一种基于知识的问题求解和学习方法，它以独特的推理风格和成功的应用，向人们展示了很强的生命力。cbr方法同人类的日常推理活动十分接近，它来自于人们的认知心理活动，不同于传统的基于知识的系统，cbr系统所依赖的知识主要是系统中储存的相关领域中以前解决问题的具体记录，例如：医院中的病例。传统的基于规则(rbr)推理方法所依赖的知识是由领域专家以规则的形式给出，而cbr推理方法则不需要从权威专家那里抽取规则这种非常繁重的工作，从而避免了知识获取的瓶颈。
2.1 案例的表示
基于案例的推理首先要研究的是，怎样把过去所解决问题的实例表示成案例的形式，以便于储存在案例库中。从问题求解的角度来看，案例应该包含对问题的整体情况的描述，还应该包含对问题的解或解决方法的描述，所以案例可以用一个有序对：<问题的描述，解的描述>来表示。
案例就是把以前处理过的问题，描述成由问题的特征集和解决方案组成的案例，储存在案例库中。case base={c1,c2……cn}表示案例库,其中ci=c(fi,si)表示案例库中的第i个案例；fi=(fi1,fi2……fin)表示案例ci的征兆集，fin表示案例ci的第n个征兆；si=(si1,si2……sin)表示案例ci的解决方案集，sin案例ci的第n解决方案(或者解决方案的第n个步骤)。案例它代表的是过去的经验的积累，并不是一条规则，在案例库中每个案例描述的是一种故障状态，它们是相互独立的。案例的表示如图1所示。
2.2 相似度的计算
cbr是以相似性概念为中心的，而相似性是以相似度来衡量的，通过相似度客户在可能解中寻找近似解，合适的度量方法可以快速、准确地找到所需要的案例。所以在cbr系统中，相似度的计算显得尤为重要。相似度是用0－1之间的实数来表示的，值越大表示两个案例越相似，旧案例提供的建议解就越有用。
cbr相似度的计算公式：
给定两个故障案例c1和c2，,sim(c1,c2)；两个案例之间的相似度，simj ；两个案例对应征兆间的相似度，wj ；对应特征的权重，其中∑wj＝1。
(待续)