CBR計算機硬件故障診斷系統

駱小彬

（廣東韶關市技師學院，廣東 韶關512026）

基于案例推理CBR（C ase-Based Reasoning）最早由美國耶魯大學Roger Schank教授在其1982年的著作《Dynamic Memory》中提出，是根據故障機的表現與特征而得到歷史記憶中的源案例，并由源案例指導解決故障機求解的一種策略[1]。主要包括表示與存儲、檢索與匹配、重用與修改、學習與評價4部分。

目前，中國的計算機用戶接近2億，而維修技師普遍缺乏。計算機各種硬件故障中,主板故障率較高。據2010年法國硬件網站Hardware.fr統計,以華碩為例,硬件故障達到2.49%，該品牌部分型號(如P5ND)達到7.8%。可見計算機故障數量巨大。這些故障的解決全靠數量嚴重不足的計算機維修人員及其經驗，使得維修出錯率及成本居高不下。在計算機故障診斷中引入CBR方法，可有效提高診斷準確率，減少維修人員數量，降低對維修人員經驗上的要求，進而降低成本，提高維修質量。

1 系統總體結構

維修經驗在維修技師的知識構成中占有十分重要的地位，而這又往往是一些維修技師所缺乏的。構建診斷系統可幫助維修人員建立案例庫，為缺乏經驗的維修人員提供參考，提高故障定位的準確率。

在參考整個計算機故障診斷過程的基礎上，把系統的工作過程定義為以下4步：

(1)維修技師將計算機故障值輸入系統；

(2)系統根據得到的故障值，判斷它屬于何種故障類型，給出故障單元部位建議及進一步檢測部位和檢測建議；

(3)維修技師將檢測到的參數、數據輸入系統；

(4)系統根據輸入的參數和數據，檢索出之前最為類似的案例，并給出維修方案供維修人員參考。

圖1描述了這一過程。在系統設計中，把系統案例庫分成兩個部分：確定故障大范圍的類型庫和具體到小范圍甚至到元件級別的維修庫。類型庫是指針對某些故障現象，大致將其劃分到某一單元電路，是對某一類故障的抽象；維修庫是在單元電路內具體故障元件的確定，是元件級維修建議的基礎。

2 系統的建立

2.1 設備故障案例表示方式

案例表示是對故障現象的具體情況盡可能地完整描述，是CBR運行的基礎。在系統設計中，把案例信息表示成故障信息表。這里，故障信息表有兩個：(1)故障部位表，由故障名稱、故障現象、故障部位和檢測建議組成；(2)檢測項目表，由檢測項目、檢測值、權重組成。以不開機故障為例，故障部位表設計結構如表1所示，檢測項目表如表2所示。

表1 故障部位表

表2 南橋檢測項目表

2.2 案例庫的建立

利用以往計算機硬件故障的歷史數據建立案例庫，根據上述案例的框架表示方法，單個案例可以采用SQL Server的關系型數據庫技術，通過設計一張主表和一系列關聯表來存儲相關知識。即案例由n個可能產生的故障單元組成，每個單元里面又有多個需要檢測的部位。將這些單元內檢測項目用一個表來描述，如上述南橋檢測項目表示如下：檢測編號(varchar)、檢測項目(varchar)、檢測值(varchar)、權重(float)、詳細說明(varchar)、備注(varchar)。

檢測項目的檢測值有兩種情況：一種是用文字表述，如“<80 Ω”，“燙手(無法忍受)”等；另一種是具體值，如“3.3 V”，“80 Ω”。 這些值可通過測量得到，看其落入哪一區間，從而得到診斷結果。

由于每一檢測值的可能程度不一樣，因此必須考慮它們的權重。權重的確定通常可以采取多種方法，如專家主觀確定法、GUM(Good-Up-Matching)方法和層次分析法 AHP(Analytic Hierarchy Process)。這里，選擇AHP法。

2.3 案例的檢索

案例的檢索就是在案例庫中，依據故障機的檢測值尋找與之相似的案例。基于案例的推理過程本質上是計算兩個案例相似度的過程。相似度是根據兩個案例的測量值計算出來。兩個案例的測量值越接近，其相似度越高，案例庫中案例的故障信息就越有參考價值[2]。

推理之前要輸入故障機的必要信息，即故障機的檢測值及相應權值。然后檢索案例庫中相關案例，計算兩者的相似度，取相似度大于0的前10組案例，就能獲得有效的診斷信息。目前使用的檢索方法主要有最近相鄰法、歸納索引法和知識引導法等。考慮到主板故障特點，這里采用最近相鄰法進行檢索，方法如下：

(1)輸入當前故障機I的測量值，確定權值：

其中 INk為測量項目名稱，IVk為測量值，IWk為權值，n為測量數量。

(2)從案例庫中檢索案例,獲得案例R的測量值及權值：

其中 RNk為測量項目名稱，RVk為測量值，RWi為權值，m為測量數量。

(3)比較當前故障機I與案例庫中案例R的元素，選出名稱相同的元素。

(4)計算總體相似度，如式（3）所示：

使用上述計算方法得出的案例相似度比較好地表示了案例的相似程度。案例的相似度以檢測項目結果為計算依據。這里采用的基于案例的推理過程，實際上就是根據檢測項目結果分析得到可能發生故障部件的過程。其前提是案例信息的表示，包括故障描述信息和檢測項目信息，以及檢測項目的權值。

2.4 案例的修正重用

CBR采用增量式學習，能不斷地增加知識量和解題能力，這要歸因于對新案例的保存。在行業中，一般會設置一個相似度閾限 (s1,s2)。即新案例與檢索到的案例相似度大于s2時，表示新案例與檢索到的案例很相似，信息量和知識含量不高，參考價值不大，不對這些案例進行保存；如果新案例與檢索到的案例相似度小于s1，表示新案例信息量和知識含量有較大參考價值，對該案例進行存儲[3]。

表3 實例分析表

3 實例分析

由上文給出的案例表示以及案例相似度的計算方法，在案例庫中選取3個典型主板故障案例作為檢索案例，選取1個已經發生的主板故障作為故障機，假設在具體原因未知的情況下，根據故障主板測量值與選取的3個案例進行比較，以此來檢驗系統的檢索機制，見表3。

應用上述計算方法計算出故障機與案例庫中3個案例的總體相似度分別為 0.9、0.4和0.45。可見，故障機與案例1最為相似。在實際故障維修過程中，維修人員可參考案例提供的維修方法進行維修。

CBR是世界前沿技術,其應用還要經過深入研究。這里將CBR應用在計算機硬件故障維修領域，通過故障案例的表示，將專家的經驗知識存儲起來；通過案例的檢索和查詢，部分替代了人的經驗判斷；通過案例的推理，初步完成了故障的診斷。本系統在計算機硬件故障診斷中取得了較好的效果，提高了故障診斷的準確度和效率，降低了維修人員的勞動強度。隨著案例庫的不斷完善，系統將能獲得更好的診斷效果。

[1]朱文博，劉莎，甘屹.基于案例推理的故障診斷系統軟件開發[J].上海電氣技術，2010，3（3）：29-33.

[2]顧東曉.案例檢索及權重優化方法研究及應用[J].系統工程學報，2009，24（6）：764-766.

[3]趙勇，趙厚仁.數據倉庫技術在飛行事故中的應用研究[J].微計算機信息，2009，25(9)：143-145.