TELKOM NIKA , Vol.12, No .4, Dece mbe r  2014, pp. 98 5~9 9 6   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v12i4.367    985      Re cei v ed Se ptem ber 3, 2014; Re vi sed  Octob e r 29, 2 014; Accepte d  No vem ber  13, 2014   Information Support Technology of Ship Survey Based  on Case-based  Reasoning      Cao Jiy i n* 1 , Fan  Shidong 1 , Lu Wen 1 , Liu Haiy un 2  1  Energ y   an d Po w e r En gin eer i ng Co lle ge, W uha n Univ ersit y  of T e chnolo g y , W uha n Chi n a  2  Metallurg y a n d  Po w e r En gi n eeri ng Co lle ge,  Hebe i Unite d  Univers i t y , T angsha n Chi n a   *Corres p o ndi n g  author, e-ma i l : caoji y i n _ w h u t @ 16 3.com       A b st r a ct   Rece ntly, the signific anc e of  ship i n specti o n s has b e e n  i n creas ing l y re cogn i z e d   bec a u se se a  poll u tio n  a nd s a fety pro b le ms  are  occurri ng  mor e  a nd mor e   freq uently. C u rrently, most ship ins pectio n s   rely o n  th e ex p e rie n ce  and  pr ofessio nal  kn o w ledge  of th e   w o rkers. Henc e, it is  difficult f o r new  w o rker s to  assess th e sh i p  state i n  th e  ship  ins pectio n s .T he pres ent   prob le ms  are t hat the  shi p  i n spectio n  tech ni cal  supp ort leve l  in Ch in a is n o t bal ance d ,  espec ial l y as   to the curre nt situatio n w i th low  level,  po or   techno lo gyin  u nder- deve l o p e d  ar eas. In  this  pa per, th e ca se tech nol ogy   abo ut the  case -base d  re aso n i n g   to the ship  in spectio n  is pr opos ed. T he  meth ods  of normative i n sp ection cas e  r epres entati on  are   discuss ed.T h is  is consi der ed t o  be th e bas is  of case-b as ed  reaso n in g. T h e n  the tertiary c a se structure w i th  the in dex is  de fined, i n  w h ich  the  K-ne arest  nei ghb or  meth od to ca lcul ate  the si mil a rity b e tw een cases w as  used s o  th at the sh ip ’ s  i n sp ection  infor m ation c an  be s e arche d  effectiv ely. In a d d i tio n , an  i m prov e d   retrievalstr ateg y of the ne ar est nei ghb or  meth od  is  intr oduc ed. T her e f ore, in the  in spectio n  site,  the  insp ectors ca n  acq u ire  sup p o rt infor m ation  by th e cas e   bases,  an d th en th e n e w  ca ses ar e ca lcul ate d   auto m atic ally.  Further, a ship  inspecti on c a s e  mana ge ment  w a s introduce d  to i m prov e the stab ility of th e   system . By carrying the case-bas ed  reas oning into an inspection, an  inspector can generat e fault   infor m ati on  an d ins pecti on i n formatio n  si mp l y  and  eas ily . S o me ex a m pl es  of the or gan i z ation  an d retrie val   are show n at the  en d of the p aper.      Ke y w ords :  shi p  insp ectio n , case-b ased r e a s oni ng, case re trieval, K-ne igh bor metho d , ca se ma na ge me nt      1. Introduc tion  With the  rapi d develo p me nt of our cou n try's  ship buil d ing a nd  ship  tran spo r t, the volum e   of shi p  inspection  business  will  al so sy nchronous grow [1],[2]. In  order to ensure  the safety of   navigation, jo b security a nd p r event t he poll u tion  of the ma rin e  environme n t, it need s  shi p   insp ectio n  to  en su re th at the  shi p  h a ve a  goo d  tech nical  condition  [3]. Ship i n spe c tion   institution s  can inspe c t the marin e  ma teri als, me ch anical equip m ent and m a rine e ngin e e ring   facilities  according to the  provisi o ns of  state a nd the rel e vant procedure,  so t hat the  ship  will  meet the req u irem ents of  the relevant i n ter natio nal  conve n tion s and follo w the national la ws,   regul ation s  a nd the tech n i cal ind e xes  of inspe c tion  agen cy rule s [4]. Theref ore, it is very  importa nt to improve the q uality of the ship inspe c tion  [5].    Curre n tly, shi p  in spe c tion s are  po orly  contro lle d, an d their detail s  rely o n  the  e m piri cal  knowledge of the pers ons in charge.  Therefore,  the  business capability  and knowledge  cla ssifi cation  survey data  of  a Surveyor dire ctly affects t he q uality and le vel of the shi p   insp ectio n  [6]. In this situat ion, shi p  in sp ec tion  ability of the shi p  m anag ement d epartm ent ve ry  difficult to improve, resulting in low ship i n sp ectio n  technical su ppo rt level in China.   By the sup p o rt of the  mode rn  com puter  te ch no logy [7], network te ch nol ogy [8],  informatio n tech nolo g y [9], ship inspe c tion te chnol ogy is al so i n  the ne w chang es. Sm art,  efficient, an d  reliabl e i s  the  goal  of mo de rn  ship  in spe c tion te ch nol ogy re se arch.  The te ch nolo g y  of case-b ase d  rea s oni ng i s  one effe ct ive method of solving this problem.   Re cently, the case of surv eyor usi ng kn owle dge to solve the probl em of ship in spe c tion   is g r ad ually i n crea sing. T h e inspe c tion i n stitutio n s  oft en  con s um e  a large a m ou nt of man p o w er,  material  and  pre c iou s  ti me re so urce s when fa ci n g  the ship i n sp ectio n . T herefo r e,  we  can   stand ardi ze d  manag e the  ship in spe c tio n  knowl edg e  and exp e ri en ce  of the exi s ting re gulatio ns,  and use  th e case -ba s e d  re aso n ing   me chani sm  to   gui de solving   th e sub s eq uent  problem. It is of  great hel p for inspe c tors to  redu ce the rese ar ch time,  ensu r e the q uality of inspe c tion.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 985  – 996   986 Curre n tly, th e ca se-ba s e d  rea s oni ng  has b een u s ed in many other field s . A solution   retrieval  syst em for expert  finding and  probl em diag nosi s  by usin g ca se-ba s ed  reasonin g  was  prop osed [10 ]. And a hybrid model was  develop ed  by integrat-i ng a ca se-ba s ed  data clu s teri ng   method  and   a fuzzy d e ci sion  tree  for medi cal  dat a cl assification [11]. In t he  ship  field, an   automated  case  lea r nin g   method fo r  CBR-b a s ed co llision avoida nce   sy stems wa s  introdu ced  [12]. Howeve r, the techn o lo-gy of ca se -based re ason ing ha s not b een u s ed for  ship in sp ectio n .  In this  pap er,  we m a ke a  prelimina r y stu d y of  the  ca se re presentati on of  shi p  in spectio n   and th e b u ild  issue s   abo ut the  ca se  ba se. In  additio n , the  ship  in spe c tion  case fram e mo d e l is  con s tru c ted a nd  the  ca se retrieval strat egy  by  the purpo se of researchin g the  ship in sp ecti on  techni cal  re source s i s  di scusse d. Th e last,  a n  i n formatio n tech nolo g y to su ppo rt ship   insp ectio n s,  whi c h u s e s  the ca se-ba s ed  reasoni n g  for ship s, is co m p reh e n s ively examined.         2. Case  Repr esen tatio n  of Ship Inspe c tion   2.1 Cas e -b as ed Rea s onin g  Technolog y   O v er v i e w   CBR (Ca s e - based Rea s oning ) tech n o logy origi n ates in the  United Sta t es Yale   university Ro ger Sch a n k  i n  19 82 i n  th e  Dyna mic de scriptio n  of the  Memo ry, is a  ne w  rise in  t he  area of artifi cial intellige n c e, is an im portant kno w ledge -ba s e d  probl em solvi ng and lea r n i ng   method. It is  to solve th e  probl em by  reusi ng o r  m o dify the sol u tion to the  pro b lem of  simil a r  before [13]. As we all kn ow, huma n  being s always se arch fro m  their mem o rie s  for sim ila r  probl em s tha t  they have solved  s u c c es s-fully in the pas t to  fi n d  a solutio n , when they  are  confronted  wi th a ne w  prob lem. Th e  so - c alled ex p e ri e n ce  is  st o r ed   in CB R  sy st e m  in t h e  f o rm  of  ca se s.  Wh e n  en cou n t e ri ng ne w p r o b lems,   CB R  sy st em s  s ear ch  ca se  bas e f o r  si milar  experie nces t o  cou n t on.  Usi ng  ca se-b ase d  re asoni ng me cha n isms to g u ide  the re solutio n  of shi p  in spectio n   probl em s, ca n re du ce te sting time, imp r ove test e ffici ency a nd a ssure i n spectio n  quality, so  that   insp ect i o n   t a sk s ca n be s u c c e ssf ully  c o mplet e d   by l o w te ch nolo g i cal l e vel  su rveyor. The r e   are  comm only four cy clical proce s se s in CBR [14],  besi des the  attempt in trying to build-up a  hig h   quality ca se  base [15] an d rep r e s e n t ca se s: Re tri e ving simila r  ca se s; Re usi ng solution s  of  simila r ca se s;  Revisin g  the prop osed sol u tions; an d Retaining the n e w case.  The ship inspectio n  tech nology ba se d on ca se  -based re aso n ing is  simil a r to other  method s to solve the probl em with the CBR, is sh own  in figure 1.   A case is u s e d  to rep r e s en t the state de scri ption  of a probl em an d  its sol u tion st rategy.   The pri m ary  missi on of d e sig n ing a  Case -ba s e d  re aso n ing te ch nology ship i n sp ectio n  ca se   libra ry is to  repre s e n t ship  insp ectio n  te chni cal i n formation a s  th e form  of case re asona bly and   effec t ively.      2.2 Cas e  Tep r esen ta tion Metho d   Ca se  rep r e s e n tation mu st  be b a se d o n   the vario u s e x isting  kno w l edge  re pre s e n tation,  almost all  exi s ting kn owle d ge  rep r e s ent ation can   be use d   a s  ca se   rep r e s e n tation  meth od  [1 6].  For the sam e  ca se, Ca ses can be e x presse d usi ng different  method s. Ho wever, to sol v e a  probl em, Different  rep r e s entation s  ma y produ ce  co mpletely dif f erent results. Therefo r e,  for   solving the  probl em s in different are a s, sel e ct  th e appropri a te ca se re pre s entatio n is very  importa nt. A tech nical ca se  of ship in spe c tion cont ain s  test items, in spe c tion lo cat i on, insp ectio n   stand ard s  a n d  so  on. The r efore, a  singl e ca se  of re p r esentation i s  difficult to m eet the ne ed s. In   this p ape r,  obje c t-o r iente d  technol ogy  and  d a taba se te ch nolo g y  com b ine d  into th e  ca se  rep r e s entatio n.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Inform ation Suppo rt Techn o log y  of Ship Survey Ba se d on Ca se -ba s ed  Rea s o n in g (Ca o  Ji yin )   987     Figure 1. Basic step s to sol v e the ship in spe c tion p r ob lem based on  CBR      So the adva n tage s of re pre s entatio n  can b e  u s ed.  And usin g this meth od can also  make goo d use of  inhe ritance  rel a tion ship of  cla sses, e s tabli s h  a hierarchy  betwe en  ca ses,  facilitate the  organi zatio n  and retri e val of case library, p a ckag e attribute data 、 cas e   retriev a l 、、 m o dification  met hod s p reservation metho d s a nd  so  on . Dynami c ally con s truct  ca se- objects when  the system i s  runni ng[17],[18].      2.3  Cas e  Re presen ta tion  of Ship Inspection   Ca se  conte n t usu a lly con s ists  of thre e p a rt s  <De s crip tion of the p r oblem,  De scription of   the solutio n , De scription of  the effect>  (1)  De scriptio n of the probl em:  De scribe d the state of environ m ent  whe n  the pro b lem occu rs.  (2)  De scriptio n of the soluti on: Illu strate s the solution f o r the proble m s.   (3)  De scriptio n of the effect: asse ss ment  and sum m ary of treatment plan.  So, case of ship inspe c tio n  that based  on ca se -b ase d  rea s o n ing  can b e  defin ed as  a   quad rupl e:    ,, , CD S R T                                                                                                           (1)     In whic h,  12 3 4 ,,, . . . Dd d d d is a  non-empty fin i te set, it re prese n t de scrip t ion  of shi p  in spe c tion, in cludi n g  case nu mb er, ship  para m eters, ship i n sp ectio n  p r o c e s ses, type   of  ship's inspect i on ；  12 3 4 , , , ... Ss s s s is a non-empty finite set, it represe n t feature set  of  ship  in spe c ti on  ca se;  R i s   con c lu sio n   informatio n o f  ca se; T  is feedb ack  of case. S o , a  ship   insp ectio n  ca se can defin e  object s   of structure sh own  in Table 1.        Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 985  – 996   988 Table 1. Stru cture s  of Ship  Inspe c tion Ca se   Structure  Content   Description of ship  inspection case   case number   ship parameters   ship inspection p r ocesses  …  t y pe of ship insp ection  feature set of shi p   inspection case   eigenvector  w e ight vector  conclusion  information of ca se  conclusions  IETM  cer t ificates   …  feedback of case  evaluation of results and  summary   case study   quality  the number  of su ccessful  match  r eusability       Ca se for  shi p  insp ectio n  fe ature  set is  d e scri b ed in  d e tail, ship in spectio n  Case  feature   set is a no n-e m pty finite set, repre s entin g the  value, prope rty and d a ta type of each featu r e.     (1) Ship in sp ection  Ca se  Eigenvecto rs  Ship inspe c tion ca se  eige nvectors me a n s all ei genv alue s co mpo s ed in  a ce rt ain order  vector, after  para m eteri z e d  treatme nt. The mai n   fe ature s  in clud e: ship i n spe c tion  reg u latory   requi rem ents,  previo us  su rveyor in spe c ti on data,  environmental   pa rameters  et c. Before ca rryi n g   out ca se  re asoning ， ch ara c teri stic val u e s  mu st be  expre s sed a s   a  rang e o r  limit ed set of valu es.  Ship insp ecti on feature ve ctor i s  expre s sed a s :       12 1 2 ..., ,..., , 1 , , 1 , ii A A A Ak An i m k n    ，， , i A     mean s shi p  insp ectio n  eig envecto rs in  the i-th ca se, i Ak mean s the ei genvalu e s th at come   from the k-th indic a tors   after  the  pa ra meteri zed  tre a tment in th e i-th  ca se.  As the  statut ory   insp ectio n   ch ara c teri stics t o  die s el,  of which  sh ip i n sp ection  characteristics gen e r al p e rfo r ma n c e  as thre e types:  a.    Logi c type. State exists o n l y True o r  Fa ls e.0 me an s the si gn do es not app ear,1  mean s th e   sign  ap pea r.  Like  the  safe ty interlo c k b e twee n p o we r tra n sfe r   dev ice  and  sta r ti ng d e vice  in  diesel engin e :     0 () 1 i i i a T RUE Va a F ALSE                                                                                                        (2)    In which, a i is  the i-th attribute, i Va  is the value of it.  b. Nume ric.  Quantitativ e data, Such a s  po wer 、、 sp e e d c ommuta tion time of a diesel engi ne,  ship in sp ecti on pro c e s s is always con s ide r ed that  the value is i n  a rang e of  rea s ona ble,  regul ation s  al so p r ovide s  i n  a ra nge. F o r this fe ature, Ca se cha r acteri stic val ue is e qual t o   the actual m easure m ent value of shi p  insp ecti o n  dat a. Ship inspe c tion case attribute s  hav e   different dim e nsio ns  and o r de rs  of mag n itude in p r a c tical  appli c at ions,  so it mu st be u n ified   before  we ne ed apply the s e prop ertie s .      1 ,1 - ( , ) 1 - ( , ) n ii i i SI M X Y D I S T X Y W D X Y                                                           (3)    In which, i V  is prope rty value s ,  12 si , . . . i mVV V  is attribute  values after  dimen s ionl ess  transfo rme d , and   12 si , . . . 1 , 1 i mV V V  .  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Inform ation Suppo rt Techn o log y  of Ship Survey Ba se d on Ca se -ba s ed  Rea s o n in g (Ca o  Ji yin )   989 c. With a text description  of the disord er  enu meration data. For example, bo iler feed water  pressure: “too large, norm al, too small”  etc. In  order to facilitate data  processi ng, we required  to digitize them. We  can establish the corr esponding index table, scilicet, create a index   table of which pro p e r ty an d Its index va lue are corre s po ndin g . Ind e x values  are  rep r e s ente d   with intege rs 0, 1, 2 etc. Particula r ly, prov ide s  th at all normal  attribute values  can  be   rep r e s ente d  with 0.Differe nt situation s   have di ffere n t  attribute ind i cate s, you can ma ke the   approp riate chang es, table  2  sho w s the i ndex table.       Table 2. Di so rde r ed  Data Indexing Ta bl e  Index Propert y   0 Normal   1  Too high or  too l a rge etc.   2  Too lo w  or  too s m all etc.       (2) Ca se  c har acteri st ics we ight vector  Different  ca se ch ara c te ristic attribute s   in ship i n spe c tion fun c tion  is differe nt in shi p   insp ectio n  proce s s. By introdu cing  t he  weig ht  v e ct or ,  it  makes t h e  result s of  si milarit y  cal c ul at ion  more rea s on able [19].Th e  traditional  methods  fo r determi nin g  a feature  weight s co ntain   con s ultin g  experts, d o mai n  kno w le dge,  survey st ati s tics, etc. The s e meth ods  are  simple, fast   but due to  over-relia nce on  subj ective ju dgment a nd  experie nce, it is sometime s difficult to g e t a   rea s on able  solution  ca se.  No n-traditio nal meth od s co ntain g e n e tic alg o rith ms  (GA), An alytic  Hierarchy Proce s s (AHP ),  which  overcomes th e sh ortco m ing s  o f  traditional  method s. But the  algorith m  is  compl e x and  it is difficult  to ac hieve. K nowl edge in  this field will  adopt la ws a nd  roug h  set the o ry combin ed  method  to e x tract t he wei ghts. Ca se  fe ature wei ght vector ca n  b e   expre s sed  as: {Ca s e  featu r e  weig ht, nu mber weight  value}  t w o pa rts. Due   to space  limitatio n s   not descri bed  in detail here .       3. Organizati on and Re tri e v a l of Ship  Inspec tion Case Base   3.1. Ship Inspection  Cas e  Bas e  Orga nization   Orga nize the index ca se i s  conveni ent for the  ret r ieval. Acco rdin g  to the chara c teri stics  of the ship in spe c tion, the  retrieval  strat egy co m b inin g ship i n spe c tion pro c e s s with the ne arest   neigh bor  alg o rithm i s  taken in this  pa per. When t he case ba se is  small, a nd the any t w o  prop ertie s   are mutually i n depe ndent, t he  simple st  a nd n earest  n e ighb or  algo rithm is th e m o st  effective retri e val techni q ues. But wh en nea re st n e ighb or meth od is u s e d  to cal c ulate t he  simila rity, ea ch  ca se  ha s  to be  cal c ul a t ed ag ain.  A s  t he  ca se  ba se i n c r e a se s,  it  will  def init ely  lowe r  ca se  retrieval effici ency, it is ne ce ssary  to  organi ze the  case  ba se.  Now,  shippi ng  test   case library  will be divi ded into three  classes,  the inspection  pr ocesses  of whi c h are  different.  The con s tru c tion insp ectio n  pro c e s s of  a 2700 0DWT multi-pu rpo s e s  vessel  was ta ken a s   an  example, the ca se ba se  st ructure sh own  in Figure 2.   E a ch t y pe  of   spe c if ic  c a s e s  con s t i t u t e s   a sm alle r  spe c if ic  ca se  libr a ry ,  nam ely  a  sp ecif i c   layer. Sele cting a  rep r e s e n tative of ca se in  the  spe c ific  ca se  as the ind e x of the catego ry o f   ca se s, all  cla s s represent atives  con s titute a  re pre s entative case  ba se,  whi c h  belo n g s  to  an   abstractio n  la yer an d is  a  typical, re pre s entativ e  ca se, on be half  of a cl ass  ca se in  ret r ieva l.  Process-l e vel  Ca se  Lib r ary  refe rs to a  case  ba se  un der  a in sp ecti on p r o c e ss.  Whe n   sea r ch ing  it, the first st ep is to  dete r mine which o ne p r oces s i n  a inspe c tion  mode, the n  to find the m o st  simila r  rep r e s entative case  on  re pre s e n tative ca se   ba se  (thi s  step i s  e quivale nt to ne w i s sue s   of   cla ssif i cat i on,  t o  jud g ing  w h ich  c a t ego ry  of   cas e s  it  belongs  to), finally to  cond uct further retrie val   in the most si milar case co rre sp ondi ng to the ca se of that kind.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 985  – 996   990     Figure 2. Ship insp ectio n  case b a se stru cture       3.2.Similar Design of Cas e  Bas e   The fun dam e n tal pu rpo s e   of invoki ng  case s i s  to  co mpare the  si milarity bet ween th e   ca se in ba se  case and th e pro b lem s  to be solve d  and find the  most simil a r  ca se s. Thu s , the   simila rity is the basi s  for  ca lling ca se.   This pa per t a ke s K-ne arest neigh bou r method se arching meth od to calcul ate the  simila rity betwee n  ca se s [20]. Whe r e the nea re st neighb or meth od (Nea re st Neig hbo r Met hod,   NNM ) is a  sp ecial  ca se of K-nea re st nei ghbo r metho d  (K=1 ) [18].  Suppo sing 12 X{ } n XX X ，， ， , 1 i X in  is its i-th eigen value.  i W  is its  weight. X  is a  poi nt of  n-dim e n s iona l feature  spa c e 12 D n DD D  . ii X D , As  the X,  Y in  s p ac e D,   X, Y distance  on D is follo wed:      1 (, ) ( , ) n r r ii i i DIS T X Y W D X Y                                                                                  (4)    i i i i i i i  0 W hen  D i s d i sc r e te and X Y ( , ) 1 W h e n  D i s  di s c r e t e and X Y W hen D i s  c onti nued ma x m i n ii ii ii DX Y XY  ， ，                                                      (5)  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Inform ation Suppo rt Techn o log y  of Ship Survey Ba se d on Ca se -ba s ed  Rea s o n in g (Ca o  Ji yin )   991 Whe r e:  ma x i  and   mi n i denote the maximum an d minimum  values of th e prop erty  respec tively,  when r is  2 in the formula (4), (, ) DIST X Y  is the Euclidean di stan ce.  Whe n  the  distance  bet wee n  the  ca se i s  defin e d , the n  the  simila rity betwe en  ca se s  ca n   be define d  as:     1 ,1 - ( , ) 1 - ( , ) n ii i i SI M X Y D I S T X Y W D X Y                                                              (6)      3.3. Search  Strateg y  of  Cas e   Ca se ret r ieva l is not only a key step to  achi eve  CBR, but also t he co re of CBR expert   system. T he  main p u rp ose is to  retri e ve a g r ou p of  simila r cases as little a s   p o ssible f r om t h e   ca se li brary b a se d o n  the  n e w  problem  d e finition a nd  descri p tion,  which  have  referen c e  value   to   the probl em  as the ba si s for solving  new p r oble m s. Typically , case  kno w l edge  sea r chi ng  strategy h a s nearest nei ghbo r strate gy, inducti ve  rea s oni ng strategie s , kn owle dge g u i d ing   strategi es, te mplates retri e val strategi es  and  so  o n . Wh ether  sea r ch  strate gy sel e ction  is  approp riate, the high -spee d and effici en t completio n  of case ret r ie val performa n ce h a s  a direct   impact on problem solving.  The detaile d step s to retrie ve in the case of a class li bra r y are follo wed:   (1)    Comp ari ng n e w i s sue  with  the m ca se i n  the  library (comp a ri so n o f  n con d itiona l attribute),   the comp ared  result s are saved as a ma trix of the form:     11 12 1 12 n ij mm m n                                                                                                 (7)    Whe r e i  = 1 , 2 ……m, j = 1,2… … n. i denote s   the i-th  ca se,  j represents the j-th   con d itional at tributes,  ij is th e local  simila rity compari n g  new p r obl em s with the i - th  ca se of the  j-th con d ition  attributes       (2)    The wei ght vector  T 12 n ww w   is multiplied by the matrix  ( j w  is the j condition at tribute   weig hts), th e  result of  which is  T 12 n   , namely  the overall si milarity betwe en the  ne w  ca se s and e a c h of the m case. Spe c ific  formula i s  as  follows:    11 11 1 2 1 22 12 n ij mm m n nn w w w                                                                                       (8)    (3)    Selecting  a o r  k  ca se s  wit h  the maxim u m val ue  of a degree of  sim ilarity  as a se arch  result.  Retrieve d ca se may  b e  positive ca se   scen ar io  o r  co unte r exa m ple. Po sitive exam ples  provide   expe rien ce, while  cou n ter-exam ples  provide  a le sson, whi c h  ca n avoid  rep eating   past mi stake s .    j w , as the val u e of th e p r o perty ri ghts  of t he ca se, reflect s   th e  d egre e  of  infl uen ce   whi c h th e p r operty  ha s o n  the  re sult s .the rea s on able  wei ghts ha s g r e a t i n feren c e  on   the  accuracy  of t he  re sults of  the  ca se. T here  a r e  usu a lly two  setti ng m e thod s:  one  is for the   surveyo r  to  set the level of  experie nce, whi c h  h a s  a  high d egree  of subj ectivity; another way is  the analysi s  a nd cal c ul ation  of existing histor i c al data t o  get derived  weig hts obj ectively.  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 985  – 996   992 In orde r to a c hieve the  o b jective s , na mely  rapid  retrieval of si milar cases  of current  ca se s and  o f  the matchi ng ca se  as  little as po ssible, this  p aper  esta blished a  ship pi ng   insp ectio n  ca se ret r ieval m odel, sh own in Figure 3.  The sp ecifi c  impleme n tatio n  pro c e ss i s  as follo ws:   (1)  Jud ge  ca se s in the p r o c e ss  und er  so me ki nd of in spe c tion s th rough th e hu man-com pute r   intera ction int e rface.  (2)  Find th e m o st  similar  ca se i n  th e  re pre s entative   ca se  ba se  u s ing  the  nea rest  nei ghb or  method (K = 1).  Th e  repre s entative ca se  is putt ed  fo rwa r d with ne w ca ses, and   the  rest  a r e   filtered out. T h is ste p  is e q u ivalent to cl assi fy new  ca se s whi c h  bel ong to the re pre s entative  ca se.   (3)  Put forward K neighbo r me thod for furth e r retri e val in a related sp ecific  case to find the most   simila r ca se.   In the la st two  stage s, set two  simila rity thre shol d respectively, 11 01 )  （ ,  22 (0 1 )  , only a ca se simila rity whi c h i s  gre a ter than th e  corre s p ondi ng thre sh old s  is  c h os en . The two thres holds  c a n artific i ally s e t.          Figure 3. Retrieval model       4. Case Ma n a gemen t  of  Ship Inspection  CBR-ba se d ship in spe c tio n  dep end s o n  not only th e pe rform ance of ca se  ba se  ca se   rep r e s entatio n, re asonin g  and  retriev a l st ra tegi es,  but  also t he  ca se  ma nagem ent  a n d   maintena nce. So the CBR ca se ba se m anag ement system is an in disp en sable  part.     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Inform ation Suppo rt Techn o log y  of Ship Survey Ba se d on Ca se -ba s ed  Rea s o n in g (Ca o  Ji yin )   993     Figure 4. Ship insp ectio n  case d a taba se  manage ment         4.1. Unit Ca s e  manageme nt   (1)  Adding ne w  ca se is the case b a se passive lear ning  pro c e ss. In o r de r to keep  rich lib ra ry of  the ca se, in a ddition to exp e rt or p r ofe ssional  o r ga nization su rveyo r  ca n get a c tual ca se s o r   data sto r ag e  con s oli dation,  local  ship in spe c tion p e rsonnel  sho u ld  also e s tabli s h ince ntive  mech ani sm s  to encou rage  their p a rtici p ation in  the   work, to m obi lize the  enthu sia s m of the   entire ind u st ry maximize the wealth of case b a se.   (2)  Ca se  co rre ct ed. Ca se  am endme n ts in clude am end m ents to th e co ntent of the  case  and  ca se  st ru ct ur e  o p t i mizat i on.  Ca se co nt ent  correctio n  refers to  revise  ch ara c te risti c  attrib utes,   attribute wei g hts, and tre a tment option s  of ship in spe c tion ca se.   (3)  Ca se del ete d . Case ba se cap a city is not better  whe n  it is bi gger. In the  prog re ss that  appli c ation  b a se d on  CB R  ca se b a se ship in sp e c tion, the r e  may be  so me cases of   mismat che d  or sl ave. The r ef ore, the knowl edge  ba se shoul d be  streamli ned  on a re gula r   basi s , and  make the n e ce ssary del etion und er  the guida nce  and parti ci pation of the   profe ssi onal s.      4.2. Mainten a nce o f  Ship Inspection  Cas e  Librar y   In orde r to m a intain the  efficien cy of re as o n ing and inferen c e accura cy  of  the results,   ca se  b a se sh ould  b e  controlled  at a certain  scal e,  an d the p o tenti a lly misle adin g  case s  (noi se)  on  the ca se b a se sh ould b e   delete d   o r  update d .  An d  timely optimi z e the  organi zation al st ru cture   and sto r ag e structu r e s  of case lib ra ry.      5. Examplesand Re sults   5.1. Example of Cas e  Ba s e  Organi zati on   The fault in the mari ne en gine fuel sy stem and  cooli ng syste m  occurs fre que ntly, so it  use s  the two  parts of a fault to analyse. The  insp ection fault case s present s as a form  o f   deci s io n tabl e, then use s  ro ugh  set  theory to  calcul ate. The  deci s ion ta ble co ntain s  six  con d ition s  p r opertie s : to rq ue, temp erat ure, th e th rot t le ope ning,   air flo w   rate,  rotational   spe ed  and pul se  wi dth. Deci sio n  prop ertie s  a r e fault ty pes, inclu d ing  six kind s of  failure s: normal,  cooli ng wate r temperatu r e  is too high, a cylinde r  ha s no inje ct ion  circ uit ,  t o rqu e  sen s o r  cir c uit,  temperature  sen s o r  ci rcuit, air flow se n s or i s  dam ag ed, re spe c tively corre s po n d ing to 0,1,2,3,4,  and 5.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 4, Dece mb er 201 4: 985  – 996   994 Table 3. Engi ne Insp ectio n  Failure  Ca se   Case  number   Torque   （ V ）   Temper ature   （ V ）   Throttle  percentage （ V ）   Air  flow   rate   （ V ）   Rotational  Speed   （ r/mi n ）   Pulse  wi d t h   （ ms ）   Fault  t y pes   1 0.373   0.282   0.943   1.406   1317.6   4.49  2  2 0.31  0.83  1.07  1.625   1797.4   4.136   0  3 0.952   0.231   1.641   2.403   1855.6   7.638   0  4 3.179   0.498   2.072   1.676   1255.0   5.857   3  5 0.419   0.572   0.727   3.747   687.4   4.5  5  6 0.483   4.957   0.942   1.396   1053.9   5.224   4  7 1.26  0.055   1.726   2.314   1411.4   9.376   1  8 0.84  0.154   1.626   2.285   1403.3   8.8  2  9 0.637   0.389   1.223   1.821   1350.986   6.864   0  10 0.415   0.943   0.857   1.26  1123.007   4.288   0  11 1.575   0.077   0.938   2.754   1760.563   11.068   1  12 3.194   0.97  1.38  2.009   1210.38   7.888   3  13 0.39  0.665   0.727   3.767   625.904   4.5  5      Table 4.Simil a rity Matrix of Case 4     {1}  {2}  {3}   {7}  {8}  {9}   {10}   {11}   {1}  1  0.8924  0.6449   0.5019  0.5675  0.8483   0.8595  0.3286   {2}  0.8924   1  0.6230   0.4687  0.5357  0.8212   0.9152  0.3024   {3}  0.6449  0.6230   1  0.8293  0.8882  0.7925   0.5851  0.6724   {7}  0.5019  0.4687  0.8293   1  0.9108  0.6440   0.4442  0.8247   {8}  0.5675  0.5357  0.8882   0.9108   1  0.7103   0.5089  0.7522   {9}  0.8483  0.8212  0.7925   0.6440  0.7103   1  0.7828  0.4743   {10}  0.8595  0.9152  0.5851   0.4442  0.5089  0.7828   1  0.2775   {11}  0.3286  0.3024  0.6724   0.8247  0.7522  0.4743   0.2775   1      Make  a cl ust e ring  analy s i s  of the s e case s, u s e M A TLAB for computing, a  simila rity  threshold val u e =0 . 7 . The final  clu s terin g  tre e  is sh own in Figure 4.          Figure 5. Clu s terin g  Ttree  of Cast Ba se       So, the 4 s pec ific   c a ses   are put forwar d: CASE1={6}, CASE2= { 5,13}, CASE3= { 4,12},   CASE4= {1, 2 ,3,7,8,9,10,11}. Tak i ng  an exam ple of the  CA SE4=  {1,2,3,7,8,9,10,11},  the  Similarity matrix of case is  sho w n in tabl e 4.  The sum   of  t he similarity ca se 1  to with  othe r ca se s:  L =   0.8 934   + 0.643 9 + 0.5018   +  0.5675  +  0.8 483  + 0.8 595  +  0.3286 =4. 6430. In th e  same   way, the  sum  of  ca se  3, 7, 8, 9, 1 0 , 11   to other  ca se  similarity a r e :  4.5594, 4.6 232,  4.873 4, 5.0733, 4.3 7 32, 3. 6319. S o , ca se 9 i s  the  Evaluation Warning : The document was created with Spire.PDF for Python.