多功能开沟机英语翻译

1、以知识为基础的岩石切割挖沟机性能预测的模糊模型M. H. den Hartog荷兰代尔夫特人，毕业于代尔夫特理工大学采矿和石油工程，地质工程专业R. Babuska荷兰代尔夫特人，毕业于代尔夫特理工大学电机工程学系，控制实验室H. J. R. Deketh, M. Alvarez Grima, and P. N. W. Verhoef荷兰代尔夫特人，毕业于代尔夫特理工大学采矿和石油工程，地质工程专业H. B. Verbruggen荷兰代尔夫特人，毕业于代尔夫特理工大学电机工程学系，控制实验室摘要一个以知识为基础的岩石切割挖沟机性能预测的模糊模型已经研制成功。开沟机是一种配备使用了旋转切割链的机

2、器，用来在岩石和土壤中挖掘战壕。因此，挖沟机的性能和特定的开挖项目的成本取决于其生产率和钻头消耗率（因磨损和破损）。这两个因素取决于挖出的岩石材料的性能和挖沟机的特性。挖沟机性能的数学建模是困难的，因为机床和环境之间的相互作用是动态的，不确定的，复杂的。测量的数据太小，无法使用统计方法。因此，基于专家的建议是建立一个以规则为基础的模糊模型。允许模糊逻辑的使用是为了使参与规则的定性信息与数值数据输入能顺利接口。R. Babuska的通信地址：荷兰代尔夫特理工大学,机电工程系，控制实验室。 电子邮件：r.babuskaet.tudelft.nl该文章于1996年7月1日被国际推理杂志社收到，199

3、6年10月被采纳，在1997年被发表。爱思唯尔科学公司 0888-613X/97/$ 17.00纽约美洲大道655 有价证券S0888-613X（96）00118-6开发模型使用6个输入变量岩石强度，设置在岩石质量上的三个联合（间断）套之间的间距，联合的方向，和沟槽的尺寸来预测定性语言值服务条款中的生产率和钻机消耗率。预测数值的获得是通过使用修改后的模糊均值模糊化过，允许简单适应随之而来的隶属函数以获得微调模式中的性能数据。专业知识被编码为如果-然后规则，在四个规则库中分层编辑。该模型是通过定性的使用依赖分析和定量使用现有的数据来验证的。迄今所取得的成果是令人满意的。关键词：以知识为基础的模糊

4、建模，决策支持系统，挖沟，挖掘机械，岩石切割挖沟，性能预测1. 引言挖沟机是一种配备有旋转切割链用来在地下岩石和土壤中挖掘大型插槽（战壕）电缆和管道的机器。挖沟机的性能是由生产（开挖）率和钻头消耗率（因磨损和破损）来决定的。挖掘生产率，即每一小时所能挖掘壕沟材料的体积。钻头消耗率，即每立方米岩石材料的出土需要替换的钻头的数量，钻头的替换影响设备的成本和停机时间。生产率和钻头消耗率确定了开挖项目的成本。因此，要估计预期成本，预测挖沟机的性能应该有合理的准确性。欧洲和中东地区的重要出口挖沟机制造商维米尔制造公司开发出一种计算机程序，以提醒经销商所选挖沟机的生产率和钻头消耗率，来帮助他们预测开挖项目

5、的预期成本。然而，照目前的计划，预测的准确性并不总是令人满意。因此，寻求新的解决方案，以提高预测的准确性是非常必要的。用岩石材料性能和挖沟机的性能之间的关系建模是困难的，因为两者之间的相互作用是动态的，是不确定的，复杂的。要更深入的了解这些关系，小规模和简化的的模糊模型性能预测实验已经被进行。这些实验表明，某些完整的岩石材料性能和试验参数影响刀具的磨损和岩石的切削加工。然而，岩石质量性质的相关因素（即风化或新鲜，裂隙或块状）和现场环境的关系以及特定的挖沟机的特点都不能用这些实验室的实验研究来调查。因此，一个挖沟机类型（类型T-850维米尔）的实地观测在不同网站也是不同的，该网站透露的这种挖沟机

6、性能上的信息是在不同的地质环境下测得的。到目前为止，十一个不同的经营T-850挖沟机的网站已经被访问了，为了收集有关于沟槽的尺寸，挖沟处的地质构造，生产速度，钻头消耗率等有关数据。在网站上所收集的样本在代尔夫特理工大学的实验室进行分析。数量有限的可用数据是不被允许用常规的统计方法来建立预测挖沟机性能的方程的。此外，如果可能的话，严谨的数学模型的推导是建立在底层的物理机制上的，是困难的，效率低下的。然而，由于专业知识的可用性，并随着经验的积累，现场和实验室的实验，越来越多的专家建议使用以知识为基础的方法来发展预测模型。由于输入的数据是一个由（可能不准确）测量数值和定性信息组成的混合物，根据模糊集

7、方法选择顺利接口的定性和定量信息并轻松地将专业知识合并。开发模型使用6个输入变量岩石强度，设置在岩石质量上的三个联合（间断）套之间的间距，联合的方向，和沟槽的尺寸来预测定性语言值服务条款中的生产率和钻头消耗率。数值预测是在模糊化后得到的，并且非常有可能自动调整职业规则中的专用功能来微调模型。专业知识是存储在有四个层次的组织规则中的如果-然后规则中的，是以规则的形式存在的。由于大部分输入变量是数值，经过隶属函数作用，以内部逻辑的知识表示出来。不同规则库之间的信息交流是通过使用具有真值的语言基础变量来完成的。该模型通过使用相关的定量分析和现有数据在质量上已经被验证了。据作者所知，在相关的文献中，还

8、没提出过类似的，用以知识为基础的方法为开沟机建模和性能预测。然而，类似性质问题的申请数目表明，由此衍生的人工智能技术和这些技术的应用，最近所收到的关注是越来越多了。当前文件是有六个部分组成的：第2节介绍了T-850挖沟机及其性能。第3节描述了模糊模型规则库和建立在专业知识上的隶属函数的发展前景。第4节描述了推理和模糊化在模型中使用的方法。第5节提出了结果和模型的验证。第6节总结文件。2.T-850挖沟机及其性能T-850挖沟机（维米尔，美国）是一个岩体开挖机，它的外表看起来就像一个巨大的链锯。如(a)图中显示了挖沟机的总体样式和规模的大小。在图（b）中V形图案处显示了挖沟机切割链是覆盖了钨和刚

9、硬质合金。切割链被推入地面后，随着挖沟机向后移动开始旋转，让钻机穿过岩石。经过剪切和撕裂的岩石材料通过一条传送带（运输和投放材料到一侧的沟槽）移走。挖沟机在理想情况下运行，链的速度是保持不变的（约3.3米/秒）。挖沟机的最高行驶速度是由沟槽的尺寸和岩体的阻力决定的。行驶速度变化范围从0到27米/分钟。2.1.影响挖沟性能的因素 挖沟机的性能是由其生产（开挖）率和钻头消耗率共同决定的。产率就是每一有效工作小时所挖掘物料的体积。通常情况下，坚硬的岩石体上覆盖一层土，这种土比岩石更容易被发掘。在大多数情况下，含有覆盖层的壕沟的产率远高于只含有坚硬的岩石的壕沟。本文所描述的方法仅仅适用于坚硬的岩石开挖

10、。 钻机消耗率就是钻机从开始投入使用到因破坏或磨损等必须被更换所出土的岩石材料立方数。 钻头消耗率影响开挖工程的成本是在两方面的：钻头收购成本和停机更换钻头所需时间。虽然钻头的总消耗率是由磨损和破损共同决定的，但破损是影响T-850挖沟机钻头消耗率的主要因素。 （a） (b)图1.(a) T-850挖沟机和（b）切割链的细节。岩石切割挖沟机的性能是和开挖的模式密切相关的。两种挖掘模式可可分为：切割模式和松土（松动和压裂岩石）模式，见图2。至于哪种模式在挖掘项目占主导地位，在很大程度上取决于岩体间断的间距。这些间断被称为节点，它使个别岩块和岩体分开。如果这些岩块小，挖沟机可以从岩体上松动（撕裂）

11、这些岩块。但是，如果这些岩石块太大无法从岩体上松动下来，那么钻头将削减岩石。因此，岩块的大小对预测生产率和钻头消耗率是非常重要的。然而，还是有很多因素影响开挖过程的6, 1, 7.。下面的列表给出了一个变量的概况，这些预测模型的输入是被认为有潜力的：l 岩体性质：节点间距（确定岩石块大小），节点的方向;l 岩石材料性质：岩石材料的强度和延展性，矿物沙的体积百分比，晶粒尺寸和形状，材料的胶凝性;l 机械特点：链（沟）的尺寸，进给（钻头到岩石表面的位移），从表面上看链的角度，钻头的类型有关于这些因素之间的关系及其对挖沟机性能的影响的知识是由专家提供的。这知识是设计基础的模糊模型规则的主要来源。选择

12、最相关因素背后的原因和将专业知识翻译成模糊的如果-然后规则中第3节中都详细描述了。经过实地观察16个发掘遗址从而得到的数值测量被用来验证模型。除上述测量因素，为每个项目提供的数据包括包括生产速度和钻头消耗率。性能预测的模糊模型产率的计算方法是用所挖掘的坚硬的岩石体量除以有效工作时间。钻头消耗率的计算方法是用在挖掘过程中被替换或丢失的总钻头数除以所挖掘的岩石的体积。3.模糊模型的描述根据调查挖沟项目获得的知识，模糊逻辑模型对挖沟机的性能预测是非常有发展前景的。本节给出了更详细的信息：相关输入变量的选择，专业知识翻译成如果-然后规则，隶属函数的设计。3.1.输入变量的选择正如2.1节中指出，许多不

13、同的因素都影响挖沟机的性能，但并不是所有的这些因素都被纳入模糊模型。其中一些变量不包括在内是因为对有关这些变量的影响力的了解仍是不够的。另外，专家认为他们的重要性很小。模型中所包含的因素是：间距不同的节点集（3个变量，他们决定了岩石块的大小和形状），沟槽中坚硬的岩石体的尺寸，岩石材料的强度，节点的方向（裂缝）。虽然专家认为材料的延性对开挖机的性能有显着影响，但是这个却不包括中模型中。原因是，岩石的脆性/韧性的性能是取决于对材料所施加的压力和在挖沟时所产生的温度。由于应力和温度不同项目中是不能确定的，所以岩石材料的性能这一因素要包括在模型中是不成立的。一般情况下，T-850挖沟机是配备有几种不同

14、类型的钻头，钻头的磨损率一般也是不同的。由于这种关系无法详细调查，钻头类型对钻头的消耗和生产率的影响是不知道的，所以这个因素不包括在模型中。其他参数，如矿物沙的体积百分比，晶粒尺寸和形状，材料的胶凝性，和钻臂的角度也没有包括在模型。当这些因素被包括在模型中时，钻头的生产和消耗的分类就变得过于详细。由于数据的数量是非常有限的，所以一开始就制定一个非常详细的模型是不可行的，因为这样的模式不能被验证。这些因素对进程的影响相比于那些被包括在模型中的因素是非常微弱的。此外，如果在以后的实践阶段显示了这方面的需求，输入变量的数目是可以增加的。模型选定输入的数量仍是相当大 ，尤其是如果将所有的变量视为对一个

15、单一的规则库的输入。因为这将导致形成大量的复杂规则，模型被分解成几个较小的子模型（变量的数目可以被控制）。如下所示，这种分解自然是遵循了专业知识的结构。其结果是产生了两个级别的分层知识库，将在下面小节进行描述。3.2 钻头消耗的规则库钻头消费率主要取决于钻头的破损。当钻头上施加的力量影响超过钻头材料的强度时，断裂就会发生。评估冲击力大小的主要因素是岩石块的大小（质量）和这些块的强度。当岩块很小时，岩石的强度对钻头的破坏影响很小。以下规则解释了此种情况：如果岩块很小，则钻头的消耗非常低；岩块越大，岩块材料强度对钻头消耗率的影响就越大。从而导致类似规则：如果岩块的大小为中等，岩石材料的强度为中等，

16、则钻头的消耗率也为中等。当开挖一个巨大的岩石（块直径大于60厘米左右），岩石块不能从岩体中松动下来只能用钻头切岩石。在这种情况下，钻头的消耗率主要取决于链的振动程度，这反过来又取决于岩石材料强度。链的剧烈振动会影响转头的运动规律，同时可能会使钻头破损。此相应的规则的一个例子情况是：如果岩块大小为大，岩石材料强度高，那么钻头消耗高。 岩块的大小不能被直接测量，但是它可以从三个节点集合（J1，J2和J3）中被测定，节点集合使用一个单独的规则库（规则库的间距1）如图3所示。变量J1对应节点间距最小的集合，J3对应节点间距最大的集合。图3。预测钻头消耗的基本规则，单行代表数值变量，双行表示模糊变量。和

17、非常大的（VL）。隶属函数的参数，如图4（a）所示，根据对不同的T-850挖沟工程的观察。图4。节点间距和强度的隶属函数：（a）节点间距 M（b）强度兆帕11个语言术语用于块大小的使用。没有隶属功能就与这些术语没有相关性，因为块大小是内部变量，直接连接到钻头消耗的基础规则上，如图3所示。语言类的数量是相当高的，因为他们不仅描述块大小，而且描述它们的形状。因此这个信息还用于确定生产速度，因为在3.3节中解释了，规则库1是常见的两种预测模型。岩石强度是一种数字输入，直接输入到模型中。几个不同的参数，可以用来描述岩石材料的强度。该模型采用无侧限抗压强度（UCS）的，三（低，中，高）语言术语进行了界定

18、。如图 4（b）所示，其梯形隶属函数划分按强度域（0-200兆帕）分为三个模糊的间隔大小大致相等的时间。钻头消耗的预测用相应的语言术语隶属度表示。以下五项经常被使用：低（VL），低（LO），中等（ME），高（HI），非常高（VH）。这几项的隶属函数在图7（a）显示了（第）。针对不同的开挖项目，钻头消耗率的波动在那些预期是高钻头消耗率的项目里比较大。预期的钻头消耗率越大，预测的结果越不精准。这反映在随之而来的高钻头消耗率的隶属函数宽度上。定义在规则库1（块大小）的规则的数目是25，并且定义在规则库2（相同消费）的规则的数目是21。为了获得一个数值预报，可以输出模糊集defuzzifled，使用4

19、.3.1节中描述的模糊平均法。3.3产率的基础原则 挖沟机的生产速度在很大程度上取决于挖掘模式，挖掘模式分为松土（松动和压裂岩石）或切割。小岩石块可以从岩体松动，可以很容易的被运出沟槽，从而导致高生产率。岩石块越大，越多的钻头不得不将岩块削减成更小的，可以从沟槽运出去的块。钻头的切削效率在很大程度上取决于进给（即钻头在岩石材料中随链旋转的位移）。 进给越高，切削过程的效率就越高对于那些不能从岩体松动的巨大岩石块（岩石块直径大于60厘米左右），岩石材料的强度与岩体的尺寸都显着影响进给。当岩石体的尺寸（即沟的宽度和被挖掘层的厚度）很大，更多的钻头必须同时被推进到岩石材料中，每个钻头的力量是降低的。

20、一个力量降低的钻头会导致进给值减小，这反过来又降低了生产的挖沟机的生产率。对于那些可以从岩体中被松动的岩石块，岩石体尺寸对于进给值的影响相比于岩石材料的强度和岩石块的大小来说，它的重要性是非常微小的。岩石块的大小（除了岩体的尺寸）确定了必须同一时间推到在岩石材料中的钻头的数目。举一个例子，考虑开挖一个中等强度的块状岩石，但岩体的尺寸是大的，这涉及到了一个在一个较低的进给水平的并且导致低产量的切割过程：如果岩石的体积大，强度为中等，那么进给是低，如果块大小为大和进给是低然后产量也低。从这一个例子上可以看到，推理过程分两个阶段：首先进给是由岩石强度和岩石尺寸决定的；然后，根据进给和块大小，预测生产

21、率。这就产生了两个层次的知识基础结构如图5所示。 图5.预测生产率的规则库。单一的线代表数值变量，而双行代表模糊变量。 除了这些变量，当挖掘薄板坯（几厘米厚）时，节点的方向起着的重要作用。节点的方向，决定钻头是否能够打破板坯。有关这种情况下的规则的一个例子是：如果J1小、J2大、J3大，然后，块的大小是薄板坯；如果块大小为薄板坯而且方向是有利的，那么生产将是非常高的。 这意味着一个有有利的方向薄板坯的挖掘，会有一个非常高的生产速度（挖沟机是能够打破板坯）。 岩石强度的隶属函数和在钻头消耗规则库里的强度是一样的。观看图4（b），岩石的多维变量也使用三种语言术语与同样大小的隶属函数。规则库3的输出

22、是进给，给予五种语言术语。像块大小，进给是一个内部的语言变量，因此，没有指定的隶属函数;；从4.1节可以看到更多的细节。最后一个输入变量，直接用于在规则库4，是通过最小间距节点的方向来确定节点集合的方向。它有被指定的三个定性条件：有利的，不利，非常不利，没有定义的隶属函数。 规则库4的输出是生产速度的预测，该预测用了六种语言术语。生产率的预测越大，预测结果将会越不精准。因此随之而来的隶属函数的宽度随着生产率（同钻头消耗率一样）的提高而增加。已经定义的规则的数目在规则库3（进给）中是九，在规则库4（产率）为41. 规则库1（块大小）包含25条规则和钻头消耗模式相同。4推理机制第3节中所述的模糊模

23、型包括两个层次的规则库，为了减少输入的数量同时减少一些规则的数目，否则将需要再增加一个层状结构。每个规则库都有它自己的建立在标准组成规则上的推理引擎。对经营者的选择和在规则库中的经营信息的详情将在下面小节给出。4.1规则库的结构每个规则库都是一个由多个如果-然后规则组成的语言集合，使用了前因与由此规则。ri: 如果xl 是Ai,l 和.和 xp 是 Ai, p 然后 y 是B i, ，i=1 . . . . . K, （1）那些xl, x 2 . . . . . xp 输入（前因）变量，p是数字输入，y是输出（由此）变量。Ai, j 是引用语言术语的实例，对一个给定的前因变量XJ定义：Aj=4

24、,k= 1,2 . . . . . Nj. 同样, B='klk= 1,2 . . . . . M,是对输出变量y定义的条款的设置。两种类型的变量区别在与对模糊模型的考虑，他们依靠对他们进行总体定义的论述。数值变量 这些变量的域名是一个实线的子集 ，XR .这些语言术语是通过那些隶属函数(x) : X 0, 1 定义得到的,通常以一些参数的形式表现。梯形,隶属函数在这个模型中经常被使用。u(x;a,c,d)=max(0,min(,1,)其中A，B，C和D是专家指定的梯形顶点的坐标，b=c是通过三角形隶属函数得到的。数值语言变量包括岩石性质的性质：如力量，节点间距，在沟内的岩体尺寸等。之

25、前的推论可以被应用，一个数值x被转换成相应的隶属度向量：u1（X），.，uk（X）。. 模糊变量 这些变量被直接定义为语言术语的参考集合-模糊集合。并被作为载体来表示，它的区域的是笛卡尔产物0，1Nj ,在那里的Nj表示为给给定的变量定义的语言术语的数量。模糊变量不能与任何数值的论域相关联。这可能是因为他们的价值观是定性的性质，或为了方便起见正在考虑定性。这是一个变量的例子，该变量是用语言术语输入到模糊模型中，是有语言术语集合的节点的方向。 方向=有利，不利，非常不利，语言术语的价值取向是模糊的单向的，1，0，0为有利，0，1，0为不利，0，0，1非常不利的。一般来说，一个模糊的变量XJ可以达

26、到任何价值u1 ,u2,uNj,，uk 0,1 ,各种色调之间的表达是参考术语的。例如，在上面的例子中，模糊集1，0.4，0 5月代表或多或少有利于方向。其他模糊变量的例子是通过内部变量之间的规则库，如进给或块的大小。即使数值域和隶属函数可以定义这些变量，但那需要额外的信息和设计师的精力。4.2推理推理机制是属于标准的推理规则的成分。每条规则ri 代表一种在产品空间x1×X2的××XP×的计算关系Ri=I(Ai,Bi),Ai 是一个多变量的模糊集被当成个人先件模糊集的结合来计算,Ai=Ai,1Ai,2Ai,3Ai,p并且Bi是随之而来的模糊集。操作员，I

27、代表了IF-THEN的关系。它可以是一个泛化的古典意蕴或是一个起结合作用的运算符。对于I的广义是通过概括古典意蕴得到的。模糊关系R通过聚合个别规则Ri并将它们结合从而代表了整个规则库：R=因为I是一个T-范数，聚合关系R是通过间断分布计算得到的：R=当一个输入为模糊集A时（一个数字输入值是一个模糊的单元素），相应的输出是模糊集B,通过使用对构图规则的推论推断所得：B=A。R其中。表示max-t的组成。如果使用真正的模糊影响，那么推理计划的实现必须通过使用关系组成。因而也是一个适当的离散域，但这并不是很实用。这种方法需要从造型工或用户那获得额外的参数。此外，大量的变量和精细离散会导致需要大量的内

28、存和计算时间。然而，“连接“经常是作为关系运算符使用的。它允许推理计划的简化并且绕过关系演算。当最低的运算符被使用时，知名的max-min推理给出了相同的结果。当第一个个别规则被使用后，随之而来的模糊集将被汇总。在隶属函数的术语中，模糊集合的后项BI 被推断为：u(y)=u(y)其中，i 是规则前件的真值，可以通过如下计算得到：i=uAi，1 uAi，2 uAi，p对于数字输入变量xj，uAi.j 是uAi.j(x) 的隶属度。模糊输入值被定义为模糊集A，uA(xj): xj0,1,隶属度uAi.j 是这样计算得到的：uAi,j =之后，模糊集的后件Bi替规则库3和规则库4中的所有规则计算。输

29、出结果的模糊集的隶属函数取最大值：uB(y)= 4.3。层次结构的中的信息传播从一个规则库出来的信息由两种可能的途径。比方说，在给定的等级制度上，规则库3输出信息到另一个规则库；或直接输入到规则库4。例如，图5：1. 在规则库3输出模糊集作用后，结果值作为数字输入到规则库4。2。在规则库3中的模糊集作为输出被直接送入规则库4。第一种方法需要有意义的隶属函数被定义为中间变量，并且需要选择一个合适的模糊化方法。规则库3输出的大量不确定的信息通过模糊化和随后的模糊化删除。这被看作是在我们的上下文中的缺点，由于这可能是对语言输出系统的偏见。另一个缺点是，用户有额外的自由度来选择隶属函数和模糊化方法。由

30、于中间变量的值不能使用数据来核实，所以没有直接的方式检查所做的选择是否正确。这就是我们为什么不选这种方法的主要原因。然而，第二种方法导致更复杂的执行。因为，在一般情况下，完整的最大最小组成必须是通过推断规则库4的输出得到的。相比于第一种方法，不确定性的增加，导致链中越来越多的规则不能使用，由此得到一个不确定的输出。当特殊情况发生时，模糊集合通过标准语言术语被定义为区域内的单元素，这意味着考虑的变量是一个语言变量。在这种情况下，模糊集输出的隶属度被直接作为真值，特别是在发生在语言术语的前提命题中。计算负荷时是最小（小于使用模糊化时）。作为一个例子，假设推理规则库3的结果在进给由以下模糊集表示：

31、进给=0/非常低的，0.7/低的，0.1/中，0/高，0/非常高隶属度的命题：“如果进给是低”，在规则库4是表示0.7，因此，命题的隶属：“如果进给为中”则为0.1，其余的语言术语的命题如“如果进给是高”的隶属度等于零。.模糊化 由于数值还要在模糊模型中输出，聚合的模糊集合的后项B必须是有限的。基于Mamdani的推理计划，连续插补输出可通过对重力中心的模糊化或对其进行一些修改来获得。在我们的方法中，由此产生的模糊集首先单独获得是一个清脆的代表值bi,随之得到后件集合Bi。这种模糊化是通过计算模糊集的平均最大值得到的,bi=mom(Bi)，i=1,2,M, (5)如图6所示。事实上，任何其他合

32、适的方法可以用来计算，例如bis.。如何选择取决于对由此产生的模糊集的特定解释。模糊模型的输出数值y0被作为单元素bi的模糊加权平均计算：yo=k是模糊集Bk=uB (bk) 的聚合后件bk的隶属度，sk 是第k个模糊集，M表示模糊集后件的数量，请注意，只有M模糊集有助于模糊化，而不是平时应用于模糊平均法的所有规则。因此，在几个积极的规则中，有限输出是不偏向聚合的单元素模糊集的连续的适应性测量 让k=/(Mi=1i)代表了规范化方程的圆满，方程（6）可以被改写为下面的表达式：yo=,图6。连续的模糊集，首先在本地规则库使用均值最大值方法。先由模型的数值输出，然后通过模糊平均法来确定（6）。bk

33、是连续的线性参数。对于已知的现有数据，输出数据y0是已经给定的，k是通过推理机制计算所得的。参数bk可以很容易地通过使用离线或递推最小二乘法方法估计得出。如图6所示，连续的隶属函数Bk 经过修改，然后保存在该区域内。因此，连续的模糊集的含义就是该区域的数据可以被微调。图7给出了一个初始的、经过调整的钻头消耗率的隶属函数的例子，该函数是经过最小二乘法得到的。如果有效数据很少，那就必须小心使用这种方法。有些情况下，有些规则只能被数据库中的单一数据点激活，他们对已给点的作用是“完美契合”的，但对新数据的性能可能是下降。数值对连续隶属函数的适应应该始终辅之以用适当的专业语言术语进行检验。 图7.（a）

34、初始的和（b）适应的连续的语言术语隶属度例如，当适合的隶属度函数低和中在区域中互换位置时，规则库中可能已经产生了错误。5.模型的检验和结果 检验的目的是为了验证以知识为基础的模型的执行是否符合要求。两种类型的验证已经被应用了：定性验证和定量验证。5.1定性验证 定性验证的目的是检查整体的、有参考文献的规则的正确性同时也是为了发现规则库中可能出现的错误。 由于系统的表现主要取决于知识的有效性，但定性验证的有效性在我们这种情况下更重要.。此刻，只有极少数的测量是有效的，这阻碍了我们进行彻底的定量验证。依赖性分析是通过改变输入变量的值，并观察其对系统输出的定性影响，同时检查推理机制的推理路径 。5.2.定量验证有效的实地测量数据经常被作为系统的输入使用，实地测试测量值还经常和预测的输出数据作比较。该数据集由两部分组成。模型开发阶段的第11次测量结果是可以的，虽然数据不能直接用于模型的建立，因为他们不能如验证性数据集那样被完全信任。在模型建立后的五次测量所获得的数据都可以作为真正的验证数据。请注意，由于相关的实际困难和收集的数据的成本，有效测量的数目是很小的。最小二乘估计法可应用于调整连续性的隶属函数，以尽量