基于MAS的建筑電氣故障診斷系統(tǒng)設(shè)計(jì)

胡浩

（云南先驅(qū)建筑工程有限公司，昆明650500）

0 引言

目前，故障診斷技術(shù)[1]在電力系統(tǒng)、機(jī)械、航空航天等領(lǐng)域得到了很好的發(fā)展，應(yīng)用最廣泛的方法包括專家系統(tǒng)、模糊理論、故障樹、神經(jīng)網(wǎng)絡(luò)和MAS等。然而，多Agent技術(shù)已經(jīng)成為一種新的故障診斷方法。它具有許多良好的特性，如主動性、交互性、協(xié)作性、流動性和社會性。近年來，Multi-Agent技術(shù)在故障診斷領(lǐng)域得到了廣泛的應(yīng)用。關(guān)于Multi-Agent技術(shù)的應(yīng)用，人們在機(jī)場管理、自動駕駛、先進(jìn)機(jī)器人系統(tǒng)、分布式電源管理和信息檢索等一些大型系統(tǒng)中做了大量的工作。但對建筑電氣系統(tǒng)故障診斷研究仍然是空白，故障原因基本上依賴人工檢測。究其原因，一方面是建筑電氣屬于配電網(wǎng)的終端，其電壓等級低。對于其他大型電力系統(tǒng)來說，故障風(fēng)險較低，故障排除容易。因此，大多數(shù)故障診斷學(xué)者更集中于電力系統(tǒng)。另一方面，建筑電氣子系統(tǒng)數(shù)量眾多，系統(tǒng)變得越來越龐大復(fù)雜，故障診斷研究困難重重。然而，根據(jù)建筑本身的特點(diǎn)，系統(tǒng)由電力、照明、空調(diào)、給排水、電梯商等組成，系統(tǒng)的每個部分都與人關(guān)系密切。這是人類生活所不可或缺的一部分。故而，在建筑電氣應(yīng)用領(lǐng)域，對于如何運(yùn)用現(xiàn)代科學(xué)技術(shù)提高系統(tǒng)的可靠性和穩(wěn)定性有很高的要求，建筑電氣系統(tǒng)研究勢在必行。

在過去的幾年中，我們的團(tuán)隊(duì)一直專注于故障診斷方法的研究，并取得了一些成果。為了將這些方法應(yīng)用到實(shí)踐中，我們需要建立一個故障診斷系統(tǒng)。因此，本文提出了基于MAS的建筑電氣故障診斷系統(tǒng)的設(shè)計(jì)方案。在文中，我們討論了系統(tǒng)的體系結(jié)構(gòu)和基本思想。這是進(jìn)一步實(shí)施的準(zhǔn)備工作。建筑電氣測試平臺是研究的對象。該系統(tǒng)具有監(jiān)控子系統(tǒng)、代理系統(tǒng)和用戶界面子系統(tǒng)。

1 Multi-Agent技術(shù)

1.1 Agent的定義

Agent的概念最早是在1970人工智能領(lǐng)域（AI）提出的[1]。它的發(fā)展時期是1980年代，中文意譯它為紳士，授權(quán)。它被認(rèn)為是計(jì)算機(jī)科學(xué)領(lǐng)域的授權(quán)個人輔助軟件，是一個能夠連續(xù)獨(dú)立地發(fā)揮作用的計(jì)算機(jī)實(shí)體，通常被稱為智能體。主要體現(xiàn)在其自主性、反應(yīng)性、自動性、社會性等自身特性上，使得這種系統(tǒng)在現(xiàn)代環(huán)境中更能滿足于人們的需要。

Agent的弱定義是：計(jì)算機(jī)軟硬件系統(tǒng)具有自主性、社會性、反應(yīng)性、主動性、連續(xù)性和面向客觀的特點(diǎn)。但是，除了弱定義外，Agent的強(qiáng)大定義還具有移動性、合理性、適應(yīng)性和協(xié)作性等特點(diǎn)。

1.2 Agent的分類

Agent可以根據(jù)其結(jié)構(gòu)定義為單個Agent（single-Agent）和多Agent（Multi-Agent）。單Agent（Single-Agent）是由單個智能體組成的系統(tǒng)，它具有感知、動作、控制和推理的一些基本功能，這種單Agent方法有許多用途。而多Agent是由多個single-Agent相互交互組成的系統(tǒng)，不同的Single-Agent通過相互協(xié)商、相互協(xié)調(diào)、相互配合共同解決問題。其具有協(xié)調(diào)、自學(xué)、自組織和自我推理的基本功能，可擴(kuò)展性、靈活性、有效性等多種優(yōu)勢。相對于單Agent系統(tǒng)，多Agent系統(tǒng)能夠更好的支持分布式計(jì)算的應(yīng)用以滿足用戶需求，還可以將任務(wù)分配給不同的單個Agent處理然后集成。

1.3 Agent結(jié)構(gòu)與理論模型

為了搭建一個合適的環(huán)境用來支撐MAS系統(tǒng)，需要：確定基本構(gòu)架；開放的頂層控制能力；自主的單個Agent。

布拉特曼提出的Agent的BDI（Belief Desire Intention）理論模型被認(rèn)為是分布式人工智能的基本理論之一。其中，信念（Belief）是Agent環(huán)境的基礎(chǔ)觀點(diǎn)。愿望（Desire）可以直接從信念中獲得，這是對未來Agent情境的判斷。Agent行為受限于意圖（Intention）。目前，許多研究涉及信念、愿望和意圖三者之間的關(guān)系，主要集中在理論模型上。推理系統(tǒng)過程的BID模型如圖1所示，它是一個Agent模型，主要由信念、愿望、意圖與策略組成。

信念庫存著Agent相信的實(shí)際情況，是對周圍環(huán)境的理解，相對于具體的對象屬性來說較為抽象。當(dāng)然，理解也可能不正確和不完整。信念可以是一個簡單的變量，也可以是一個事實(shí)的象征性表征。

愿望在BDI推理機(jī)制中屬于關(guān)鍵的概念，是Agent想要達(dá)到的條件。這個條件可以是Agent的一個或多個任務(wù)。戰(zhàn)略基礎(chǔ)即Agent知識庫和方法庫，它使Agent達(dá)到目的，主要是一些所謂的數(shù)據(jù)和策略。愿望需要外部消息或內(nèi)部的事件的觸發(fā)才能實(shí)現(xiàn)。

意圖是一套有序的策略，它是Agent采取的一系列步驟規(guī)劃來實(shí)現(xiàn)的愿望。它可能包括名稱、過濾器、觸發(fā)器和規(guī)劃體部分。意圖可能會產(chǎn)生新的行動步驟，以及使得Agent外部環(huán)境發(fā)生變化。

要想實(shí)現(xiàn)完整的推理功能，不僅以上三點(diǎn)缺一不可，還需要其他元素的配合，如消息、事件等。解釋器使整個Agent運(yùn)作。觀察外部環(huán)境，不斷重新評估自己的信念。同時，它更新了信念，并產(chǎn)生新的意圖。這些變化將激活一些策略。Agent的運(yùn)行過程[2]如圖2所示。

圖1 Agent的BDI模型結(jié)構(gòu)

圖2 Agent的運(yùn)行過程

由圖2可知，Agent實(shí)際運(yùn)行過程主要涉及三個方面：感知環(huán)境的變化；選擇應(yīng)對環(huán)境變化的策略；調(diào)整策略，實(shí)現(xiàn)目標(biāo)。此種流程突出的是綜合了反應(yīng)和邏輯推理機(jī)制的特點(diǎn)，過程簡潔明了，反應(yīng)迅速，還可以用來處理較為復(fù)雜的問題。

1.4 Agent的優(yōu)點(diǎn)

Agent有很多優(yōu)點(diǎn)：

1)提高系統(tǒng)的效率?；贏gent的計(jì)算是分布式計(jì)算，系統(tǒng)中的每個節(jié)點(diǎn)可以并行運(yùn)行，從而提高系統(tǒng)的效率。

2)具有可擴(kuò)展性。每個代理的功能獨(dú)立。但是，為了提高信息的性能和相互交流，只需要信息交換的標(biāo)準(zhǔn)，就可以很容易地插入或刪除一些代理主體。在一定程度上簡化了系統(tǒng)設(shè)計(jì)和編程。

3)提高系統(tǒng)容量。該系統(tǒng)可以通過增加或減少代理的診斷來繼續(xù)使用新技術(shù)和新算法，從而提高系統(tǒng)的診斷能力。

4)提高系統(tǒng)的適應(yīng)性。某些診斷方法在特定情況下是最優(yōu)的或更好的。這些方法可以分別構(gòu)成Agent。并且它在不同的環(huán)境中都有良好的算法。因此，它不僅為診斷結(jié)果提供了保證，而且大大提高了診斷的效率和適應(yīng)性。

5)解決方案的多樣性。盡管系統(tǒng)提供了代理之間的協(xié)調(diào)機(jī)制，但可能仍然會出現(xiàn)每個代理的診斷結(jié)果都有很大差異的現(xiàn)象，這反映了診斷的復(fù)雜性。多解決方案的結(jié)果為人類專家提供了幾種調(diào)查對象，也同樣為解決復(fù)雜的診斷問題提供了保證。

1.5 MAS體系結(jié)構(gòu)研究難點(diǎn)

1)盡管多Agent系統(tǒng)越來越被人熟知，但是想要找到一套成熟實(shí)用且具有針對性的多Agent系統(tǒng)對于現(xiàn)代生產(chǎn)建筑技術(shù)仍是一個巨大的挑戰(zhàn)。

2)這種新型模式，與以往舊的模式相比，有哪些優(yōu)缺點(diǎn)？其相似與差異的地方是什么？

3)怎樣尋找匯總多Agent系統(tǒng)對工程理論的貢獻(xiàn)？又如何廣泛的應(yīng)用在現(xiàn)代化的環(huán)境中？

2 Multi-Agent建筑電氣故障診斷系統(tǒng)的結(jié)構(gòu)

為了使故障診斷系統(tǒng)簡單明了、易于調(diào)整和維護(hù)，診斷系統(tǒng)分為監(jiān)控子系統(tǒng)、代理子系統(tǒng)和用戶接口子系統(tǒng)。如圖3所示。

圖3 診斷系統(tǒng)的結(jié)構(gòu)

2.1 監(jiān)測子系統(tǒng)

監(jiān)視系統(tǒng)可以監(jiān)視和存儲采樣數(shù)據(jù)。當(dāng)系統(tǒng)異常時，它會向代理子系統(tǒng)發(fā)出診斷請求并提供原始數(shù)據(jù)[3]。同時，它還可以與用戶界面子系統(tǒng)進(jìn)行通信，并通過接口通知用戶系統(tǒng)異常。

2.2 代理子系統(tǒng)

在建筑電氣工程故障診斷系統(tǒng)中，代理子系統(tǒng)分為代理診斷和代理管理。診斷代理可以實(shí)現(xiàn)多種診斷算法。代理的管理負(fù)責(zé)處理診斷結(jié)果，并形成最終結(jié)論。而且它通常會在不同的代理工作組之間進(jìn)行許多通信任務(wù)。根據(jù)物體的功能和結(jié)構(gòu)，物體的診斷通常分為幾個子對象。一個代理工作小組對應(yīng)一個子對象。它包含一個代理管理和幾個子工作小組與精細(xì)診斷對象通信。系統(tǒng)的底部是對代理的診斷。一般來說，智能代理是粗粒度的軟件實(shí)體，因此層次結(jié)構(gòu)的結(jié)構(gòu)并不多。將診斷對象分為子對象的方法降低了診斷系統(tǒng)的復(fù)雜性。該方法使代理之間的邏輯關(guān)系更加清晰，診斷結(jié)果的輸出更自然。劃分的原則是將每個子對象之間的耦合最小化，并且反復(fù)考慮使用現(xiàn)有的診斷資源。

根據(jù)代理診斷的輸出信息，其推理機(jī)制和先前的例子，代理的管理集成了各種不同的觀點(diǎn)，形成了最終的結(jié)論。通過綜合協(xié)調(diào)機(jī)制，形成了一種融合和高可信度的解決方案。但它可能無法協(xié)調(diào)和產(chǎn)生幾個置信度的解決方案。這種情況就像人類學(xué)家在這個問題上意見不一致，他們無法說服彼此。在這種情況下，人類學(xué)家需要對系統(tǒng)提供的可能解決方案進(jìn)行調(diào)查，并最終確定故障。

2.3 用戶界面子系統(tǒng)

它主要是為診斷結(jié)果提供更直觀的圖形界面，便于人們的觀察。子系統(tǒng)可以直接控制代理的行為。最后，診斷子系統(tǒng)的診斷結(jié)果應(yīng)該交付給用戶界面子系統(tǒng)。與此同時，診斷結(jié)果將被每一個診斷代理發(fā)送到用戶界面子系統(tǒng)，使代理完成自我適應(yīng)和學(xué)習(xí)的過程。

2.4 Agent間的通信

目前，Agent的流行國際通信語言是KQML（Knowledge Query Manipulation Languge）[4]，即知識查詢和操作語言。它是具有不同功能的Agent的通信語言。KQML預(yù)定義了豐富而可擴(kuò)展的語言,它可以實(shí)現(xiàn)Agent之間交互通信需求的基本操作，最終達(dá)到整個系統(tǒng)的通信連接。典型的KQML消息如下：

發(fā)送方：〈行為原語的發(fā)送者〉

內(nèi)容：〈類別數(shù)的類型〉

接收者：〈行為原語的接收者〉

回復(fù)：〈消息的ID〉

回復(fù)至：〈回復(fù)消息的ID〉

語言：〈語言內(nèi)容〉

本體：〈實(shí)體集的名稱〉

內(nèi)容：〈實(shí)際交換的消息內(nèi)容〉

代理的通信層如圖4所示。KQML信息的輸入被發(fā)送到信息分析器。KQML信息的內(nèi)容和動作被剝離，并被發(fā)送到推理機(jī)。最后，推理機(jī)作出相應(yīng)的反應(yīng)。推理機(jī)將在這個過程中查詢知識庫，知識庫包含關(guān)于KQML處理的動態(tài)和靜態(tài)知識。與Agent當(dāng)前狀態(tài)和任務(wù)相關(guān)的知識是動態(tài)的，并且隨時更新。關(guān)于KQML知識的其他信息處理大多是靜態(tài)的。推理機(jī)將決定是否接受請求，直接回答代理的某些方面問題，并將問題傳遞給相應(yīng)的進(jìn)程。類似地，在推理機(jī)處理之后，代理的輸出信息被傳輸?shù)叫畔⒑铣善鳎總€部分由KQML信息組成，然后傳輸?shù)酵饨纭?/p>

圖4 Agent的通信層結(jié)構(gòu)

3 故障診斷算法

建筑電氣故障類型有很多，一旦發(fā)生這類故障，就將危及人們的生產(chǎn)生活甚至生命財(cái)產(chǎn)，故而，生產(chǎn)前期預(yù)測與診斷非常重要。常見的故障有電氣線路故障、照明故障、防雷接地系統(tǒng)故障等。解決這類問題歸根結(jié)底是要將這些故障進(jìn)行分類識別，找出各個狀態(tài)對應(yīng)的某種故障類型，完成識別功能。

目前國內(nèi)外在故障診斷領(lǐng)域的智能診斷方法可分為專家系統(tǒng)、模糊理論、神經(jīng)網(wǎng)絡(luò)、故障樹和基于案例推理等方面的研究[5]。在這種情況下，我們的研究小組建立了電子測試平臺，模擬了幾次故障并收集了現(xiàn)場數(shù)據(jù)。同時，對RBF神經(jīng)網(wǎng)絡(luò)的算法進(jìn)行了深入的研究。

3.1 實(shí)驗(yàn)平臺的介紹

建筑電氣實(shí)驗(yàn)平臺是驗(yàn)證故障診斷算法的重要實(shí)驗(yàn)對象。圖5顯示了實(shí)驗(yàn)平臺的物理圖。它包含了低壓配電系統(tǒng)中的通用電氣設(shè)備，如斷路器、保險絲、RCD(剩余電流保護(hù)裝置)、單相插座、三相插座等，對住宅建筑低壓電氣系統(tǒng)進(jìn)行了良好的仿真。

實(shí)驗(yàn)平臺的內(nèi)部結(jié)構(gòu)如下。220 V和50 Hz的交流電源被轉(zhuǎn)換成15 V直流，并提供給弱保護(hù)板。因此，實(shí)驗(yàn)平臺的單相和三相系統(tǒng)都是受保護(hù)的。通過控制22個開關(guān)，可以模擬四種電力系統(tǒng)故障，這些開關(guān)來自控制面板。四種類型的故障是線路阻抗故障、連續(xù)故障、接地電阻故障和小電阻絕緣故障。當(dāng)交換機(jī)關(guān)閉時，會發(fā)生相應(yīng)的故障。

圖5 建筑電氣實(shí)驗(yàn)平臺

3.2 Agent算法的診斷

如何選擇故障診斷算法，是研究Agent診斷的重要依據(jù)[6]。我們的研究小組已經(jīng)研究了許多算法，如BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、SVM以及基于壓縮傳感等，并從實(shí)驗(yàn)平臺中收集了實(shí)驗(yàn)數(shù)據(jù)，驗(yàn)證了它們的正確性。結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法和RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行比較研究。結(jié)論是RBF神經(jīng)網(wǎng)絡(luò)算法比BP神經(jīng)網(wǎng)絡(luò)算法在穩(wěn)定性和診斷精度方面優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法。對支持向量機(jī)算法和壓縮傳感算法進(jìn)行了深入研究，診斷結(jié)果分別為96.4%和97.6%。這兩種方法可以滿足在小樣本的條件下建立電氣故障診斷工程應(yīng)用的要求。我們的下一步是如何將此算法與Agent的診斷相結(jié)合，達(dá)到理想的效果。

對于解決建筑電氣故障診斷來說，采用單一的智能模式不能夠解決復(fù)雜類型的問題，診斷出來的結(jié)果也有待商酌。因此，多Agent系統(tǒng)體系的出現(xiàn)，很好的解決了這類復(fù)雜性較強(qiáng)的問題。MAS的研究對于更好的構(gòu)建建筑電氣診斷模型[8]有著極大的推進(jìn)作用。

4 結(jié)語

本文提出了一種基于MAS的建筑電氣故障診斷系統(tǒng)設(shè)計(jì)。研究的對象是建筑電氣實(shí)驗(yàn)平臺。該系統(tǒng)不僅提高了診斷系統(tǒng)的能力，而且降低了整個系統(tǒng)結(jié)構(gòu)的復(fù)雜性。Agent功能的劃分是明確的。因此，他們可以很好地解決診斷問題。為了實(shí)現(xiàn)Agent的各種功能，面向?qū)ο蟮姆椒ㄔ诰唧w編程中得到應(yīng)用。該方法，將面向Agent和面向?qū)ο蟮姆椒ńY(jié)合起來，簡化了系統(tǒng)編程的實(shí)現(xiàn)，提高了診斷的自動化程度。故障診斷系統(tǒng)不僅具有一定的自主性，而且具有良好的交互作用。這是一種對于研究在實(shí)驗(yàn)室建立電氣系統(tǒng)故障診斷的新的、有效的方法。

[1] 王亞慧,張龍,韓寧.建筑電氣系統(tǒng)故障診斷方法研究[J].計(jì)算機(jī)仿真,2014(02):436-440.

[2] 董立永.故障智能診斷方法綜述[J].可編程控制器與工廠自動化，2010(12).

[3] 魏金成,顧薇.建筑電氣[M].重慶：重慶大學(xué)出版社，2002.

[4] KoivoHN.Artificial neural networks in fault diagnosis and contr01.Control Eng.Practice,1994,2(01):89-101.

[5] 吳茜.建筑電氣實(shí)驗(yàn)平臺故障智能診斷技術(shù)研究[D].北京：北京建筑大學(xué).2012.

[6] 彭強(qiáng).復(fù)雜系統(tǒng)遠(yuǎn)程智能故障診斷技術(shù)研究[D].南京：南京理工大學(xué)，2004.

[7] E．C．Payne，R．C．Mc Arthur．Developing Expert Systems．John Wiley&Sons，New York，1990．

[8] 岑玲,劉潔.Multi-agent的協(xié)作模型及其應(yīng)用[J].計(jì)算機(jī)應(yīng)用,2001,21(02):8-11.