CN102819684A - 一种远程协同诊断任务分配方法 - Google Patents

Abstract

一种远程协同诊断任务分配方法，针对复杂诊断任务，RCFD中心将复杂诊断任务分解为多个可执行的诊断任务并进行分配以供各参与协同诊断的诊断资源执行，各个可执行的诊断任务还通过基于扩展合同网的方法进行诊断任务分配。本发明分为诊断任务模型建立、诊断任务路径规划、诊断资源配置3个环节，具有模块化、扩展性好、应用场合广等优点，其中，诊断任务模型建立环节从不同的分解粒度关注不同类型模型的交集，并运用Bayesian网络方法优化模型的权值，诊断任务路径规划环节基于D算法建立了一种统一的关键路径规划算法，诊断资源配置则从服务角度，融合多约束指标建立一种配置算法。

Description

一种远程协同诊断任务分配方法

技术领域

本发明涉及适用于复杂装备远程协同诊断前端的现场信息智能处理技术，具体涉及一种远程协同诊断任务分配方法。 

背景技术

远程协同故障诊断（Remote Cooperative Fault Diagnosis,RCFD）是基于信息化和网络技术，为与某复杂诊断任务关联的多个诊断专家提供一个开放协同诊断环境并跟踪诊断过程，最后对诊断结果进行综合，实现快速有效诊断和维护的模式。目前的远程协同故障诊断仍然存在一些问题。相当一部分研究所关注的只是单一诊断方法从“现场”到“异地”的远程通讯问题，此类远程系统只是提供一个故障诊断的信息交流平台，属于“异地”诊断层面上的远程概念，其在协作策略等层面的研究工作相对不足。 

远程协同故障诊断涉及到异地信息传输、诊断任务分配、诊断决策融合等关键问题，其中，诊断任务分配存在问题简述如下： 

一项诊断任务通常指通过对装备的初始观测值的系列分析，从而得到装备运行状态及其故障发展趋势、故障发生时间、故障源位置等诊断结果的执行过程。 

设Symptom={Sym(i|i=1,2，…….,n}为当前可观测到的故障征兆，Source={Sou(j)|i=1,2，…….,m}为所有可能的故障源集合，Decision=[0,1]，×为笛卡尔乘积，记不确定性诊断任务为Task，则有任务分配  $\mathrm{Task}:\{\underset{i=1}{\overset{n}{\mathrm{\Π}}}\mathrm{Sym}\left(i\right)\×\mathrm{Decision}\left(i\right)\→\underset{j=1}{\overset{m}{\mathrm{\Π}}}\mathrm{Sou}\left(j\right)\×\mathrm{Decision}\left(j\right)\}|R,$ 由于诊断任务具备可分解性，不失一般性，记为Task=Task(Fusion)·Task(Subset)，Task(Fusion)为诊断决策融合任务，Task(Subset)=(T₁,T₂,......,T_k)为可求解的诊断子任务，目标函数R是指任务分配结果要达到的目标（优化指标）。 

在复杂动态的多诊断资源参与的诊断环境下，RCFD需要面对诊断资源 的分布性、异构性的静态特征，以及其动态性、可扩展性和整合性的闭包动态特征。这些使得诊断任务执行过程也具有显著动态性，如：现场环境的动态变化影响诊断任务的实施，总任务完成时间和诊断资源的动态变化制约各子任务的完成，诊断任务执行过程中的迭代与反复以及新任务突然插队造成分解子任务总量的不确定性。 

所以，在多诊断资源及多诊断任务系统中，诊断任务分配是一个NP完全问题。目前,在这方面已经形成了一些有代表性的算法，如传统的一类基于子任务优先级的List调度方法或逼近方法；基于图论的分配算法、0-1程序设计方法、启发式算法以及智能任务分配算法和专家系统方法等。近年来一些启发式进化算法(如模拟退火、蚁群算法、遗传算法、贪婪策略及混沌神经网络等)为此类问题解决提供了新途径。复杂装备在结构与功能上都具有分布性及层次性，诊断任务的分解可以从装备的功能与结构分解开始。这种思路常见的一种表现方式为任务树方法，即采用自上而下的方法对装备的功能、结构与故障进行树式分解。 

基于任务树的诊断任务分解方法依赖于领域专家，对诊断任务完成时间等约束条件问题的考量偏于主观，甚至未加考虑，使得解不唯一，其准确性与求解效率一直是有待进一步解决。在面对少数难以分解的非层次性问题时，也往往会无能为力。Petri网分解方法也是一种可行的方案，但其在复杂问题系统中的应用尚有待做进一步优化。关系模型是大规模复杂结构数据中常见的一种表示模型，它对于不确定信息的处理困难。 

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种远程协同诊断任务分配方法，具有模块化、扩展性好、应用场合广等优点。 

为了实现上述目的，本发明采用的技术方案是： 

一种远程协同诊断任务分配方法，由RCFD中心确定复杂诊断任务，然后将复杂诊断任务分解为多个可执行的诊断任务并分配给各参与协同诊断的诊断资源执行，所述分配包括如下步骤： 

步骤1，进行诊断任务关系分析： 

基于诊断任务关系矩阵，将诊断任务集按照有向无环图的形式建立诊断任务模型DTM，DTM={V，E}，它是由m个诊断任务结点V和e条反映诊断任务间关系的边E组成，m=e＋1，E_ij=T_ij，V_i对应的诊断任务为T_i(i＝0,1，...,m)，用有向箭头表示该箭头两端结点代表的诊断任务为串联关系，同一父诊断任务下的诊断任务间的关系为并联关系，无箭头联系的诊断任务间为独立关系。由于诊断任务模型的边权值未知，在该有向无环图中用对号表示，将其称为初始诊断任务模型； 

步骤2，运用Bayesian网络确定诊断任务间关系： 

(1)确立装备诊断任务关系矩阵后其对应的诊断任务Bayesian网络结构及其结点是可见的，由此构建用于确定诊断任务间关系问题的Bayesian网络； 

(2)对Bayesian网络中的每一个结点进行主观赋权，获得Bayesian网络的条件概率表CPT的w初始值，每一层w满足∑w_i=1，w表示权值； 

(3)通过数据库中原有的相关成功诊断案例提取出诊断任务关系样本集，获取权值学习的诊断任务关系训练样本集合TS={TS₁,TS₂，...,TS_n}； 

(4)使用梯度下降方法训练Bayesian网络，来学习CPT的值，p(v|TS_i)表示结点v在样本TS_i(i＝1,2，...,n)下的先验概率值，在Bayesian网络中相当于CPT的属性值，对Bayesian网络的每个结点v，计算 

实现最大化p_w(TS)=∏p_w(TS_i)，得到梯度；其中，p_w(TS)为训练样本集最后获得的概率值之和，在Bayesian网络中相当于该诊断任务关系确立问题的训练样本集的综合评判总值，p_w(TS_i)为某个样本最后获得的概率总值； 

(5)梯度下降策略采用贪心爬山法，用 

更新权值w，l为权值学习的步长，是一个小常数； 

(6)重新规格化权值，由于权值w在0和1之间，且每一层和为1，在权值按上一步更新后，要对每一层其它的w进行重新规格化，以保证∑w_i=1； 

(7)当 

时，Bayesian网络训练结束，ε为一极小值，此时 的w值作为Bayesian网络的权值，即诊断任务间关系的量化值，诊断任务关系确定；如果不满足，则需转(5)进一步重新确定诊断任务关系； 

(8)依次确定初始诊断任务模型中诊断任务T_ij间的量化关系值，即新的有向无环图中的边权值，此时的DTM中还存在一些被不同父诊断任务结点共用的诊断任务结点，为了便于以后的诊断执行路径规化，需要对其进行整理，整理前的DTM称为未整理DTM； 

步骤3，诊断任务模型分层模块化： 

将上述未整理DTM进行分层整理以模块化，在一个DTM中，上、下层结点之间结构联系形式包括三种：结点只包含子结点的fork型、结点只包含父结点的join型以及结点有父结点包含子结点的混合型。其中，通过添加一个虚拟结点将混合型转换为fork型或join型，从而得到模块化的DTM； 

步骤4，执行诊断任务的路径规划，首先从DTM模型中导出诊断任务执行路径集，然后确定关键路径，关键路径依据边权值参数类型的不同分为最长关键路径和最短关键路径两类，最长关键路径是诊断任务的诊断成功率或诊断效益或重要性最高的一系列诊断任务执行路径；最短关键路径是诊断任务从开始到结束时，平均执行时间最短或诊断成本最低的一系列诊断任务执行路径。接着，改进并运用D算法进行关键路径确立； 

步骤5，进行诊断资源配置，首先，依据诊断任务的属性信息建立一个DTM希望得到的诊断资源群，称做请求型诊断资源群，诊断任务希望得到的、并且请求型诊断资源群具备的服务集构成一个请求服务集，将这些请求服务进行列表登记，这个表简称请求服务登记表；然后，面对各个诊断任务，多个诊断资源根据各自自身属性信息联合提供一个拟执行诊断任务即提供诊断服务的诊断资源群，称做供给型诊断资源群，它们也产生一个供给服务集和供给服务登记表；接着，请求型诊断资源群和供给型诊断资源群根据服务进行匹配，确定出每个诊断任务对应的诊断资源。 

所述步骤2中装备诊断任务关系矩阵是根据被诊断对象的结构模型，或者功能模型，运用邻接矩阵建立的，即装备的结构模型对应着一个结构邻接 矩阵，故障模型对应着一个故障树，首先采用粗粒度的装备结构分解和细粒度的装备故障分解，然后根据这两种分解结果的交叉关联部分即可建立。 

更进一步，将复杂诊断任务分解为多个可执行的诊断任务后，各个可执行的诊断任务还通过基于合同网的方法进行诊断任务分配。 

与现有技术相比，本发明的优点是： 

1）本诊断任务分配方法分为诊断任务模型建立、诊断任务路径规划、诊断资源配置3个环节，而其他方法经常只是关注其中某一环节。本方法具有模块化、扩展性好、应用场合广等优点。 

2）诊断任务模型建立环节从不同的分解粒度关注多个不同类型模型的交集，以求建立完善、准确的诊断任务模型，并运用Bayesian网络方法优化模型的权值。 

3）诊断任务路径规划环节针对不同的DTM权值类型，设计了不同的关键路径确立算法。该算法易于计算机实现。 

4）诊断资源配置环节从服务角度建立了诊断任务需求和诊断资源功能的匹配算法，在匹配过程中融合了多约束算法。该算法柔性较强。 

附图说明

图1是诊断任务分解分配执行的流程图。 

图2是诊断任务模型图，圆圈表示诊断任务结点，箭头表示诊断任务结点间的关系。 

图3是初始诊断任务模型图，对号表示模型的边权值未知。 

图4是未整理诊断任务模型图，数字即边权值表示模型中诊断任务T_ij间的量化关系值，黑色结点表示此时的DTM中存在的被不同父诊断任务结点共用的诊断任务结点。 

图5a是结点只包含子结点的fork型上下层结点之间结构联系形式；图5b是结点只包含父结点的join型上下层结点之间结构联系形式；图5c是结点有父结点包含子结点的混合型上下层结点之间结构联系形式；图5d是通过添加一个虚拟结点将混合型转换为fork型或join型。 

图6是整理后的诊断任务模型图，实心圆表示虚拟结点。 

图7是本发明实施例中混凝土运输车制动系统结构组成。 

图8是本发明实施例中混凝土运输车制动系统故障的诊断任务关系矩阵。 

图9是本发明实施例中混凝土运输车制动系统单侧制动故障的诊断任务模型。 

图10是本发明实施例中混凝土运输车制动系统单侧制动故障诊断任务执行路径示意图。 

图11是本发明诊断资源匹配流程图。 

图12是本发明资源配置AGENT内部状态转换图。 

图13是本发明资源配置AGENT内部状态转换图。 

具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。 

如图1所示，本发明是一种远程协同诊断任务分配方法，由RCFD中心确定复杂诊断任务然后将复杂诊断任务分解为多个可执行的诊断任务并进行分配给各参与协同诊断的诊断资源执行。 

诊断任务分配首先将一个复杂诊断任务分解为多个可执行的诊断子任务，进而才能根据各个诊断子任务的需求和远程诊断资源的自身执行任务的能力等约束条件，来综合确定诊断资源需执行的诊断子任务。所以，诊断任务需要首先进行分解。诊断任务分解过程大体分为两步：(1)确定诊断任务集；(2)确定各个诊断任务间的关系。 

通常，装备的结构模型对应着一个结构邻接矩阵，故障模型对应着一个故障树。首先采用粗粒度的装备结构分解和细粒度的装备故障分解，然后关注这两种分解结果的交叉关联部分。结构分解后的某个装备基本结构部件和故障分解后的该部件是否可能出现故障这两个分解结果就共同反映了是否要对该部件实施监测、诊断任务等，这种综合分解一直进行到某个装备基本结构部件的一个明确故障问题。进而确定出诊断任务集，这些诊断任务间的关 系用一个诊断任务关系矩阵表示。例如：柴油发动机由机体、曲柄连杆机构、配气机构、冷却系、润滑系、燃料系等6部分组成，因此，从结构上将柴油发动机的诊断任务分为6种。每种诊断任务针对不同的部件，并根据每个部件所关联的故障再进行细分，以此类推，一直到装备某个基本结构的1个明确的故障问题。最后得到1个诊断任务集及其诊断任务关系矩阵。 

诊断任务关系矩阵是反映某故障征兆下的各个诊断任务间的联系的一个非对称矩阵，表示为T＝[T_ij]，其中，i＝0,1，...,m，而j=0,1，...,n。 

当装备的结构模型中有m个结构模块(结点)a_i，故障模型(如故障树)中有n个故障征兆f_i时，由于故障模型的故障征兆f_i反映了相关结构结点a_i出现故障的概率大小，以结构结点a_i为行，以故障征兆f_i为列，依次比较结构结点和故障征兆之间是否有联系，即T_ij=a_i∧f_i。a_i值取0或1，当a_i与f_i有联系时，a_i=1，反之a_i=0；故障征兆f_i∈(0,1]。当a_i与f_i无关时，T_ij=0，反之，T_ij∈(0,1]，其具体值由Bayesian网络确定。T_ij越接近于1，越说明结构结点a_i有可能产生故障征兆f_i。不为零的T_ij集合构成诊断任务集。 

被诊断装备的结构和故障复杂程度决定着对应的诊断任务分解、诊断任务执行等诊断领域问题的复杂程度。常用的诊断任务分解方法包括根据经验、基于结构或功能、基于故障模式和基于不同诊断方法等分解方法。对于复杂装备，很难用单一的分解方法建立合适的诊断任务分解层次并确定诊断任务关系，采用多层次混合分解方法，即首先按照装备的结构和功能进行粗略的大体分解，再将基于故障模型的分解作为诊断的中心层次，并利用Bayesian网络推理确定诊断任务间的关系，得到诊断任务模型，如图2所示。需要时，还要对诊断任务模型进行分层等整理工作。 

具体来讲，本发明所述分配的详细步骤如下： 

步骤1，进行诊断任务关系分析： 

进行诊断任务分配时，多个诊断任务的执行有一定的时序关系，各诊断任务的完成情况对上层任务甚至于顶层任务的执行都有影响。所以，多个诊断任务并不是孤立存在的，它们之间存在一定的关系，这些关系大体包括串 联、并联两大类。串联关系表明诊断任务间需要先后执行，而如果两个诊断任务是同时执行，则它们间的关系属于并联关系。 

有时，当无论从时序角度，还是从逻辑角度看，若两个诊断任务间都不存在相互影响，则认为这两个诊断任务间的关系为独立关系。 

根据被诊断对象的结构模型，或者功能模型，运用邻接矩阵建立诊断任务关系矩阵，即装备的结构模型对应着一个结构邻接矩阵，故障模型对应着一个故障树，首先采用粗粒度的装备结构分解和细粒度的装备故障分解，然后根据这两种分解结果的交叉关联部分即可建立诊断任务关系矩阵。 

基于诊断任务关系矩阵，将诊断任务集按照有向无环图的形式建立诊断任务模型DTM，DTM={V，E}，它是由m个诊断任务结点V和e条反映诊断任务间关系的边E组成，m=e＋1，E_j=T_ij，V_i对应的诊断任务为T_i(i＝0,1，...,m)，如图3所示。用有向箭头表示该箭头两端结点代表的诊断任务为串联关系，同一父诊断任务下的诊断任务间的关系为并联关系，无箭头联系的诊断任务间为独立关系。例如：图3中，诊断任务a和诊断任务b为串联关系，诊断任务c和诊断任务b为并联关系，而诊断任务c和诊断任务d则为独立关系。由于诊断任务模型的边权值未知，在图3中用对号表示，将其称为初始诊断任务模型。 

步骤2，运用Bayesian网络确定诊断任务间关系： 

确定诊断任务间关系的方法之一是在已有诊断任务分配案例样本基础上，运用Bayesian网络的推理(学习)来确定T_ij。 

Bayesian网络是一种基于概率分析、图论，进行不确定性知识表达和推理的模型。作为一个有向无环图，Bayesian网络的结点代表诊断任务结点，有向弧代表诊断任务结点之间的关系，诊断任务结点之间的关系强度由结点与其父结点之间的条件概率表示。 

(1)构建用于确定诊断任务间关系问题的Bayesian网络。在确立装备诊断任务关系矩阵后，其对应的诊断任务的Bayesian网络结构及其结点是可见的。 

(2)对Bayesian网络中的每一个结点进行主观赋权，获得Bayesian网络 的条件概率表(Conditional Probabilities Table,CPT)的w初始值，每一层w满足∑w_i=1，w表示权值； 

(3)通过数据库中原有的相关成功诊断案例提取出诊断任务关系样本集，获取权重学习的诊断任务关系训练样本集合TS{TS₁,TS₂，...,TS_n}； 

(4)使用梯度下降方法训练Bayesian网络，来学习CPT的值，p(v|TS_i)表示结点v在样本TS_i(i＝1,2，...,n)下的先验概率值，在Bayesian网络中相当于CPT的属性值，对Bayesian网络的每个结点v，计算 实现最大化p_w(TS)=∏p_w(TS_i)，得到梯度；其中，p_w(TS)为训练样本集最后获得的概率值之和，在Bayesian网络中相当于该诊断任务关系确立问题的训练样本集的综合评判总值，p_w(TS_i)为某个样本最后获得的概率总值； 

(5)梯度下降策略采用贪心爬山法，用 

更新权值w，l为权重学习的步长，是一个小常数； 

(6)重新规格化权值，由于权值w在0和1之间，且每一层和为1，在权值按上一步更新后，要对每一层其它的w进行重新规格化，以保证∑w_i=1； 

(7)当 

时，Bayesian网络训练结束，ε为一极小值，此时的w值作为Bayesian网络的权重值，即诊断任务间关系的量化值，诊断任务关系确定；如果不满足，则需转(5)进一步重新确定诊断任务关系； 

(8)依次确定初始诊断任务模型中诊断任务T_ij间的量化关系值，即新的有向无环图中的边权值，如图4中的边权值。此时的DTM中还存在一些被不同父诊断任务结点共用的诊断任务结点，为了便于以后的诊断执行路径规化，需要对其进行整理，整理前的DTM称为未整理DTM； 

步骤3，诊断任务模型分层模块化： 

为了使未整理DTM简洁明了，需要对其进行分层，将其模块化。DTM分层方法大体有三：最长路径法、层数限制法、添加虚拟结点法。本发明采用添加虚拟结点法。在一个DTM中，上、下层结点之间常见的结构联系形式包括三种：结点只包含子结点的fork型，如图5（a）所示；结点只包含父 结点的join型，如图5（b）所示；结点有父结点包含子结点的混合型，如图5（c）所示。其中，通过添加一个虚拟结点将混合型转换为fork型或join型，如图5(d)所示，从而得到模块化的DTM。 

图6为采用添加虚拟结点后的DTM。DTM的层数多少可以人为控制，通常，考虑到通信延迟和执行代价等，可将层数增多，即进行细粒度的诊断任务划分，如此划分的好处在于诊断任务并行度高，其精确性、目的性较强，但增加了DTM的模型复杂度。反之，在层数较少的DTM中，粗粒度诊断任务的并行度低，但速度快、开销小。 

步骤4，执行诊断任务的路径规划，首先从DTM模型中导出诊断任务执行路径集，然后确定关键路径，关键路径依据边权值参数类型的不同分为最长关键路径和最短关键路径两类，最长关键路径是诊断任务的诊断成功率或诊断效益或重要性最高的一系列诊断任务执行路径；最短关键路径是诊断任务从开始到结束时，平均执行时间最短或诊断成本最低的一系列诊断任务执行路径。接着，改进并运用D算法进行关键路径确立； 

步骤5，进行诊断资源配置，首先，依据诊断任务的属性信息建立一个DTM希望得到的诊断资源群，称做请求型诊断资源群，诊断任务希望得到的、并且请求型诊断资源群具备的服务集构成一个请求服务集，将这些请求服务进行列表登记，这个表简称请求服务登记表，然后，面对各个诊断任务，多个诊断资源根据各自自身属性信息联合提供一个拟执行诊断任务即提供诊断服务的诊断资源群，称做供给型诊断资源群，它们也产生一个供给服务集和供给服务登记表。接着，请求型诊断资源群和供给型诊断资源群根据服务进行匹配，确定出每个诊断任务对应的诊断资源。 

如图7所示，以混凝土运输车的制动系统为例。该制动系统有独立的空气和液压两套管路，是一种作用于所有车轮上的气动-液压式制动系统。三回路压力保护阀在空气系统漏气时切断空气回路，从而确保其它空气系统正常工作。空气压力调节器根据储气罐内空气压力，使空压机处于载荷或空载状态，从而使储气罐内空压保持在规定压力范围内。双重制动阀是一种控制阀， 包括踏板总成和阀总成两部分，根据制动踏板不同踩下角度向前、后制动加力器供给相应空压来控制车辆制动力。 

制动系统的制动性能检测常用压力传感器、温度传感器、五轮仪、减速度仪、制动试验台等设备或仪器。制动系统的故障主要有制动不灵、制动失效、制动托滞、制动跑偏等。在《工程机械状态检测与故障诊断》一书关于制动系统的制动不灵原因分析中，仅液压系统和气压系统的疑似原因就有28条之多。依据图7的制动系统结构组成和产生制动不灵这一故障征兆的疑似原因，以结构部件为行，故障征兆为列，仅挑出部分故障征兆及其对应结构部件，组成非对称的诊断任务关系矩阵如图8所示。 

图8中，制动液压系统包含图7的液体管路和制动液箱，制动气压系统包含图7的空压机、调节器等。图8也对双重制动阀、制动加力器和车轮制动器进行了细分。图8中的对号表示某结构部件有可能产生对应的故障征兆，所以需要对这些部件执行监测等诊断任务，进而形成诊断任务集。将这个诊断任务集用DTM形式来表示，就形成了初始诊断任务模型。 

接下来，基于已有的诊断任务分配成功案例样本，运用Bayesian网络推理出初始DTM中的诊断任务间的关系，也就是确定边权值E_ij。首先，人为依据经验确定各个诊断任务间关系的概率值，如p(v₇)=0.2。然后，基于从已有的诊断任务分配成功案例样本导出的诊断任务关系样本对这些概率值分别从上至下进行学习，进而确定合适的关系概率值，如 

依此类推，最终确立单侧制动故障的诊断任务模型，如图9所示，它分为4层，每一层诊断任务结点都是对上一层父诊断任务结点的细分。而且，不同层间的父结点诊断任务的执行是以其子结点诊断任务执行结果为基础的。 

图9的边权值分为两种，分子为Bayesian网络推理前的任务间的关系概率初始值，分母则为Bayesian网络推理后的任务间关系概率的推理值。 

边权值的大小体现了DTM中上、下层诊断任务结点间的串联关系的关 联程度，即子诊断任务对上一层父诊断任务的重要性。从部件角度而言，也就是在一个结构组成中，某部件相对于其它部件，更容易发生故障的概率，这个概率通常在装备故障树模型中有所描述。 

同时，比较不同边权值的大小也反映了相关诊断任务间的并联关系，例如：在图9中，虽然诊断任务结点v₀和v₂、v₃为串联关系，而v₂和v₃为并联关系，但是，v₂相对于v₀的重要性为0.8，而v₃相对于v₀的重要性为0.05，显然，对v₀而言，v₂比v₃重要，需要首先执行v₂。 

图9中也反映了诊断任务间的独立关系，比如诊断任务结点v₄与除了v₀和v₁以外的诊断任务结点就是独立关系。 

总之，图9中的诊断任务结点反映了单侧制动故障下的诊断任务集，这些诊断任务间的关系由边权值体现，而诊断任务间的执行顺序则由下面的诊断任务执行路径规划来确定。 

另外，有两点补充说明。 

(1)通常，一项诊断任务牵扯到使用某诊断资源对某部件进行诊断，来确定该故障是否发生故障以及确定故障成因等。由于还不能确定具体对应的诊断资源，所以图9下方的诊断任务仅是简单描述了的诊断任务，这些诊断任务形成一个诊断任务集。 

(2)在图9中，v₅、v₆、v₇和v₁₄也是有异常噪声时的部分诊断任务。当确定有异常噪声时的DTM时，为了DTM层次清晰，需要添加相应的这4个虚拟结点。 

图9的单侧制动故障的诊断任务模型确定了很多诊断任务及其间的关系，但这些诊断任务之间的执行顺序还没有确定。如在图9中，若要执行诊断任务T₂，必须先执行T₂的子诊断任务T₅、T₆、T₇。但是，每一个诊断任务的执行，都需要耗费一定的时间和成本，而且它们所对应的部件可能发生故障的概率也不一样。所以，为了提高诊断任务的执行效率，需要优先执行其中的某一个诊断任务。那么，诊断任务T₅、T₆、T₇中的哪一个被优先执行？这需要通过诊断任务执行路径规划来确定。 

针对DTM进行诊断任务执行路径规划包括执行路径建立、路径整理、路径确定等工作。诊断任务执行路径规划首先从DTM模型中导出诊断任务执行路径集，然后根据诊断任务的约束指标来确定和动态调整执行路径。 

作为一个赋权有向图，DTM的一条路径P＝{v_i,v_i+1，...,v_j}是一个非空的诊断任务结点和其相邻结点序偶构成的边所形成的序列。结点v_i到结点v_j的一条路径长度为该路径上包括起始结点v_i和终止结点v_j在内所有经过的边权值之和，v_i,v_j∈V且E_ij∈E。即路径长度 

$\mathrm{PL}=\left\{{\mathrm{\Σ}}_{j=0}^m{\mathrm{\Σ}}_{i=0}^n{E}_{\mathrm{ij}}\right|P\}---\left(1\right)$

定义1(关键路径)：在一个边权值为诊断成功率、诊断任务重要性等越大越好参数类型的DTM中，若某路径的路径长度达到最大，则该路径称为关键路径。反之，若边权值为诊断时间、诊断成本等越小越好的参数类型，则关键路径为DTM中路径长度最小的路径。 

关键路径代表的诊断任务执行路径是合理的(甚至是最优的)诊断任务执行路径。根据定义1，关键路径可分为最长关键路径和最短关键路径两类。最长关键路径是诊断任务的诊断成功率(或诊断效益、重要性等)最高的一系列诊断任务执行路径；最短关键路径是诊断任务从开始到结束时，平均执行时间最短(或诊断成本最低)的一系列诊断任务执行路径。因此，基于DTM边权值类型，关键路径法分为最长关键路径法和最短关键路径法。 

D算法是一种经典的求取图形中最长(短)关键路径方法。D算法从起始结点出发，依次对当前结点的子结点的权值进行更新，并用子结点中权值最小者对当前结点更新，直到遍历所有结点(即当前结点已为目标结点)为止。针对DTM，依据D算法，引入状态变量B和监视变量W两个辅助向量，向量B的每个分量B[i]表示当前所找到的从源点V₀到每个终点v_i的路径的最长(短)长度，i=0,1，...,m-1；向量W的每个分量W[i]表示B[i]是否已求出，若已求出则W[i]＝1，否则W[i]＝0。 

(1)令A=arcs[i][j]为DTM的邻接矩阵，arcs[i][j]表示E_ij上的权值。若E_ij 不存在，则在最长(短)关键路径法中令arcs[i][j]=0(∞)。 

(2)将包含所有关键路径信息的关键路径矩阵简称为CM，具体的， 

①初始化矩阵CM和向量W、B 

for(i=0;i≤m;i++){W[i]=0;W[0]=1;B[i]＝＝A[0][i];CM＝A}。 

②选择k，使得 $B\left[k\right]=\left\{\begin{array}{c}\min \{\left(B\right[i\left]\right|W\left[i\right]=0\},\mathrm{LCPM}\\ \max \{\left(B\right[i\left]\right|W\left[i\right]=0\},\mathrm{SCPM}\end{array}\right.,$ 并令W[k]=1。用B[k]修正矩阵CM第k+l行的值：若 $\mathrm{cm}\left[k\right]\left[i\right]=\left\{\begin{array}{c}\≠0,\mathrm{LCPM}\\ \≠\∞,\mathrm{SCPM}\end{array}\right.,$ 则cm[k][i]=cm[k][i]+B[i],否则cm[k][i]的值不变。 

③根据矩阵CM第k+l行的值修正B的值，若 $\left\{\begin{array}{c}B\left[i\right]<\mathrm{cm}\left[k\right]\left[i\right],\mathrm{LCPM}\\ B\left[i\right]>\mathrm{cm}\left[k\right]\left[i\right],\mathrm{SCPM}\end{array}\right.,$ 则B[i]=cm[k][i]且W[i]＝0；否则B[i]的值不变。 

④以W[i]是否全为1为判断标志判断该过程是否结束，若W[i]全为1，结束并转向(3)，否则转向②。 

(3)根据矩阵CM反向逆推出所有关键路径。先由公式 

pre(v)={w|cm[w][v],v≠w}                                   (3) 

求出每个顶点的前驱结点组成的集合，再根据求得结果输出从源点到汇点的所有关键路径。长度为 $B\left[j\right]=\left\{\begin{array}{c}\min \left\{B\right[i],v_i\&Element;V\},\mathrm{SCPM}\\ \max \left\{B\right[i],v_i\&Element;V\},\mathrm{LCPM}\end{array}\right.$ 的路径就是从v₀出发的一条最优路径。 

仍以图9为对象，考虑到DTM的边权值为诊断任务间的相对重要性，对其运用最长关键路径规划算法LCPM，确定诊断任务执行路径。 

(1)初始化CM、W、B，结果如下面所示： 

$\left[\begin{array}{cccccccccccccccccc}& v_0& v_1& v_2& v_3& v_4& v_5& v_6& v_7& v_8& v_9& v_{10}& v_{11}& v_{12}& v_{13}& v_{14}& v_{15}& v_{16}\\ v_0& 0& 0.23& 0.75& 0.02& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_1& 0& 0& 0& 0& 0.22& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_2& 0& 0& 0& 0& 0& 0.17& 0.14& 0.26& 0.21& 0& 0& 0& 0& 0& 0& 0& 0\\ v_3& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_4& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_5& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.1& 0.07& 0& 0& 0& 0& 0& 0\\ v_6& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.14& 0.06& 0& 0& 0& 0\\ v_7& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.06& 0.03& 0.11& 0\\ v_8& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.2\\ v_9& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{10}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{11}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{12}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{13}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{14}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{15}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{16}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\end{array}\right]$

$\left[\begin{array}{cccccccccccccccccc}B\left[i\right]& 0& 0.23& 0.75& 0.02& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ W\left[i\right]& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\end{array}\right]$

(2)上图的B[2]＝max{B[i]|S[i]＝0}=0.75，S[2]＝l。用B[2]修正矩阵CM第3行的值，并根据矩阵CM第3行的值重新修正B的值，如下图所示。 

$\left[\begin{array}{cccccccccccccccccc}& v_0& v_1& v_2& v_3& v_4& v_5& v_6& v_7& v_8& v_9& v_{10}& v_{11}& v_{12}& v_{13}& v_{14}& v_{15}& v_{16}\\ v_0& 0& 0.23& 0.75& 0.02& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_1& 0& 0& 0& 0& 0.22& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_2& 0& 0& 0& 0& 0& 0.92& 0.89& 1.01& 0.96& 0& 0& 0& 0& 0& 0& 0& 0\\ v_3& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_4& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_5& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.1& 0.07& 0& 0& 0& 0& 0& 0\\ v_6& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.14& 0.06& 0& 0& 0& 0\\ v_7& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.06& 0.03& 0.11& 0\\ v_8& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.2\\ v_9& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{10}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{11}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{12}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{13}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{14}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{15}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{16}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\end{array}\right]$

$\left[\begin{array}{cccccccccccccccccc}B\left[i\right]& 0& 0.23& 0.75& 0.02& 0& 0.92& 0.89& 1.01& 0.96& 0& 0& 0& 0& 0& 0& 0& 0\\ W\left[i\right]& 1& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\end{array}\right]$

(3)如此类推操作，直至得到B[17]的值，此时W[i]值全为1，最终运算结果图如下： 

$\left[\begin{array}{cccccccccccccccccc}& v_0& v_1& v_2& v_3& v_4& v_5& v_6& v_7& v_8& v_9& v_{10}& v_{11}& v_{12}& v_{13}& v_{14}& v_{15}& v_{16}\\ v_0& 0& 0.23& 0.75& 0.02& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_1& 0& 0& 0& 0& 0.22& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_2& 0& 0& 0& 0& 0& 1.15& 1.12& 1.24& 1.19& 0& 0& 0& 0& 0& 0& 0& 0\\ v_3& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_4& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_5& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1.06& 1.03& 0& 0& 0& 0& 0& 0\\ v_6& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.14& 0.06& 0& 0& 0& 0\\ v_7& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 2.19& 2.18& 2.24& 0\\ v_8& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0.2\\ v_9& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{10}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{11}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{12}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{13}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{14}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{15}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ v_{16}& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\end{array}\right]$

$\left[\begin{array}{cccccccccccccccccc}B\left[i\right]& 0& 0.23& 0.75& 0.02& 0.24& 1.15& 1.12& 1.24& 1.19& 1.06& 1.03& 0.14& 0.06& 2.19& 2.18& 2.24& 0.2\\ W\left[i\right]& 1& 1& 1& 1& 1& 1& 1& 1& 1& 1& 1& 1& 1& 1& 1& 1& 1\end{array}\right]$

(4)分别依据（1）确定关键路径为T₂，（2）确定关键路径为T₂和T₇，（3）确定关键路径为T₂、T₇和T₁₅，所以，最终得出关键路径为T＝{T₂,T₇,T₁₅}。但其执行顺序依次为T₁₅、T₇、T₂、T₀，参见图10。 

通过诊断任务执行路径规划确定了诊断任务间的执行顺序后，接下来确定执行这些诊断任务的诊断资源。因为网际范围内有时有多个诊断资源可用，而这些诊断资源的执行成本、执行环境等多不相同，需要通过诊断资源配置来确定合适的诊断资源执行相应的诊断任务。 

从服务角度看，诊断任务需要被诊断资源执行完成，也就是诊断资源具有一定的功能。所以，诊断任务需要服务，而诊断资源提供对应服务。 

依据诊断任务的属性信息建立一个DTM希望得到的诊断资源群，称做请求型诊断资源群，诊断任务希望得到的、并且请求型诊断资源群具备的服务集构成一个请求服务集，将这些请求服务进行列表登记，这个表简称请求服务登记表。同样，面对各个诊断任务，多个诊断资源根据各自自身属性信息联合提供一个拟执行诊断任务(即提供诊断服务)的诊断资源群，称做供给型诊断资源群，它们也产生一个供给服务集和供给服务登记表。然后，请求型诊断资源群和供给型诊断资源群根据服务进行匹配，确定出每个诊断任务对应的诊断资源。 

对于一组服务的匹配，当然期望精确匹配，但实际经常出现近似匹配，即与一组服务相匹配的服务集只有部分服务符合要求，还有一部分冗余。因此，引入定义2计算服务集之间的匹配程度。 

定义2：设S₁为任意的一个服务集，S₂是与S₁进行匹配的服务集，若存在(S_i∈S₁)∧(S_i∈S₂)，则有{S_i}=S₁∩S₂，并记C(S₁,S₂)为S₂对S₁的匹配度，C(S₁,S₂)=|S_i|/|S₁|。其中，|S₁|>0，0≤C(S₁,S₂)≤1。对应的，S₂对S₁的偏离度为D(S₁,S₂)=1-C(S₁,S₂)。i＝1,2，...,n，n为S₂中的服务数目。 

首先，根据诊断资源属性信息为供给服务集建立供给服务矩阵，并根据诊断任务属性信息为请求服务集建立请求服务矩阵。此过程可将诊断资源的匹配过程转换为服务的匹配过程。 

接着，查找到供给服务集中每个服务在供给服务登记表中所对应的诊断资源，并通过它建立起供给服务的匹配矩阵。同理建立请求服务的匹配矩阵。 

然后，对供给服务矩阵与其匹配矩阵执行乘操作，获得供给服务集与它相匹配服务之间的匹配点数。同理，对请求服务矩阵与其匹配矩阵执行乘操作，获得请求服务集与它相匹配服务之间的匹配点数。 

最后，根据相应的匹配点数计算出每个服务的匹配程度，并通过诊断资源的匹配度或多约束指标来整体规划得到一组诊断资源群。 

诊断资源匹配流程如图11所示，第(1)、(2)、(3)步为诊断资源配置的初始化过程，第(4)步为供给型诊断资源群的匹配过程，第(5)步为请求型诊断资源群的匹配过程，第(6)、(7)步为供给型诊断资源群和请求型诊断资源群的匹配过程，最后，第(8)步确定对应于诊断任务的诊断资源群。 

设诊断资源的属性信息反映的供给服务集为S_p={S₁,S₂，...,S_L}，诊断任务属性信息反映的请求服务集为S_r={S₁,S₂，...,S_k}，包括供给服务集和请求服务集的所有服务集为S＝S_p∪S_r={S₁,S₂，...,S_n}，诊断资源群为R={r₁,r₂，...,r_m}。 

(1)获取供给服务登记表Rs_p和请求服务登记表Rs_r。 

$R_{S_p}=\left[\begin{array}{ccccc}& S_1& S_2& ...& S_n\\ r_1& p_{11}& p_{12}& ...& p_{1n}\\ r_2& p_{21}& p_{22}& ...& p_{2n}\\ ...& ...& ...& ...& ...\\ r_m& p_{m1}& p_{m2}& ...& p_{\mathrm{mn}}\end{array}\right],$ $R_{s_r}=\left[\begin{array}{ccccc}& S_1& S_2& ...& S_n\\ r_1& q_{11}& q_{12}& ...& q_{1n}\\ r_2& q_{21}& q_{22}& ...& q_{2n}\\ ...& ...& ...& ...& ...\\ r_m& q_{m1}& q_{m2}& ...& q_{\mathrm{mn}}\end{array}\right].$ p_ij(1≤i≤m,1≤j≤n)表示诊断资源r_i的供给服务集中是否包含服务S_j，如果包含则p_ij=1，否则p_ij=0。q_ij(1≤i≤m,1≤j≤n)表示诊断资源r_i的请求服务集中是否包含服务S_j，如果包含则q_ij=1，否则q_ij=0。 

(2)根据供给型诊断资源群的一组供给服务和供给服务登记表建立供给服务矩阵S_p及供给服务匹配矩阵Sm_p。S_p=[S₁,S₂，...,S_L]^T， 

S_i(1≤i≤L)表示供给型诊断资源群的一个供给服务。p_ij(1≤i≤m,1≤j≤L)表示诊断资源r_i的请求服务集中是否包含服务S_j，如果包含则p_ij=1，否则p_ij=0。 

(3)根据请求型诊断资源群的一组请求服务和请求服务登记表建立请求服务矩阵S_r及请求服务匹配矩阵Sm_r。S_r=[S₁,S₂，...,S_k]^T， S_i(1≤i≤k)表示请求型诊断资源群的一个请求服务。q_ij(1≤i≤m,1≤j≤k)表示诊断资源r_i的请求服务集中是否包含服务S_j，如果包含则q_ij=1，否则q_ij=0。 

(4)供给服务矩阵和供给服务匹配矩阵进行乘操作，得到供给服务集与它相匹配服务之间的匹配点数矩阵D_p=Sm_p*S_p=[D_p(1),D_p(2)，...,D_p(L)]^T  (4) 

(5)请求服务矩阵和请求服务匹配矩阵进行乘操作，得到请求服务集与它相匹配服务之间的匹配点数矩阵D_r=Sm_r*S_r=[D_r(1),D_r(2),…,D_r(k)]^T    (5) 

(6)利用定义2分别对D_p和D_r进行匹配度和偏离度计算，得到D_p对供给服务集的匹配度为CD_p=|D_p|/|S_p|，偏离度DD_p=1-CD_p。同理，D_r对请求服务集的匹配度为CD_r=|D_r|/S_r|，偏离度DD_r=1-CD_r。 

(7)利用诊断资源匹配算法选出一组侯选诊断资源群Rs。 

匹配供给型诊断资源群R_p和请求型诊断资源群R_r时，具体匹配算法有二：第一种是将供给型诊断资源群和请求型诊断资源群分别进行匹配后，运用匹配度来取舍诊断资源。第二种是依据一些诊断资源配置的约束指标，将这些约束指标视为一体，整体上对候选诊断资源运用多约束指标下的整数规 划法进行确定。前者运算简单，后者则考虑更为全面。 

运用第2种算法时，假设已知网际范围内可获得m个诊断资源，某次诊断任务被分解成n个子任务，建立约束指标集合C＝{C_a,C_c,C_t}。其中，诊断能力约束矩阵C_a=[a_ij]_mn，a_ij表示第i个诊断资源对第j项子任务的诊断能力约束系数。类似的，诊断资源成本约束矩阵C_c=[c_ij]_m1、诊断资源执行时间约束矩阵C_t=[t_ij]_1n。 

建立诊断资源约束指标平衡矩阵B=[b_ij]_mn=[a_ijc_jt_i]_mn        (6) 

据此，建立诊断资源配置模型 

$\left\{\begin{array}{c}\max f={\mathrm{\&Sigma;}}_{j=1}^n{s}_j\left({\mathrm{\&Sigma;}}_{i=1}^m{b}_{\mathrm{ij}}{x}_{\mathrm{ij}}\right)\\ s.t.{\mathrm{\&Sigma;}}_{i=1}^m{x}_{\mathrm{ij}}=q_j,{\mathrm{\&Sigma;}}_{j=1}^n{x}_{\mathrm{ij}}\&le;1\end{array}\right.---\left(7\right)$

其中，q_j表示完成第j项诊断子任务所需的某类型诊断资源数目。当诊断资源i参与第j项诊断子任务时，x_ij=1，反之，x_ij=0。式(4-7)表示的优化问题是一个典型的0-1整数规划问题^[169]，采用分枝定界法进行求解。 

(8)从候选诊断资源群中选择符合要求的诊断资源，若候选诊断资源群为空，可放宽选择条件并转至步骤(7)。 

仍旧针对上述诊断任务执行路径规划确定的关键诊断任务T＝{T₂,T₇,T₁₅}进行诊断资源配置。以确定执行T₁₅的诊断资源为例，设参与的诊断资源包括维护人员r_m、远程液压泵频谱分析系统r_w、制动蹄检测仪(五轮仪)r_f，即R={r_m,r_w,r_f}                                                  (8) 

涉及到的服务集为S＝{S₁,S₂，...,S₆}                        (9) 

其中，S₁代表检查车轮分泵的放气螺钉及固定螺孔丝扣损坏情况服务，S₂代表检查分泵缸壁损伤服务，S₃代表检查分泵内部油污情况服务，S₄代表检查分泵的密封圈服务，S₅代表检查分泵的活塞服务，S₆代表检查分泵的皮碗是否有磨损及发胀现象服务。诊断任务T₁₅确定的请求型诊断资源群的请求服务集为S_r={S₂,S₃,S₅}                                       (10) 

供给型诊断资源群的供给服务集为 

S_p={S₄,S₅,S₆}                                               (11) 

针对诊断任务T₁₅，r_f可提供的供给服务集为{S₁,S₂,S₃}，而T₁₅希望其执行的服务为S₄和S₅，即请求服务集为{S₄,S₅}。同理，r_w的供给服务集为{S₂,S₄}，请求服务集为{S₁,S₂,S₃}。r_m的供给服务集为{S₃,S₅,S₆}，请求服务集为{S₂,S₃,S₅,S₆}。 

用“0”表示诊断资源没有登记相应的服务，“1”表示诊断资源已经登记相应的服务，则供给服务登记表为 

R_Sp=[{1,1,1,0,0,0},{0,1,0,1,0,0},{0,0,1,0,1,1}]^T            (12) 

请求服务登记表为 

R_Sr=[{0,0,0,1,1,0},{1,1,1,0,0,0},{0,1,1,0,1,1}]^T            (13) 

供给服务矩阵为S_p=[{S₄},{S₅},{S₆}]^T                          (14) 

供给服务匹配矩阵为S_mp=[{0,0,0},{1,0,0},{0,1,1}]^T            (15) 

请求服务矩阵为S_r=[{S₂},{S₃},{S₅}]^T                          (16) 

请求服务匹配矩阵为S_mr=[{0,0,1},{1,1,0},{1,1,1}]^T            (17) 

供给服务的匹配点数矩阵为D_p=S_mp*S_p=[{0},{S₄},{S₅+S₆}]^T       (18) 

请求服务的匹配点数矩阵为 

D_r=S_mr*S_r=[{S₅},{S₂+S₃},{S₂+S₅+S₆}]^T                        (19) 

D_p、D_r的匹配度和偏离度为 

CD_p=|D_p|/|S_p|=[{0},{1/3},{2/3}]^T=[{0},{33.3%},{66.6%}]^T     (20) 

DD_p=1-CD_p=[{100%},{66.6%},{33.3%}]^T                         (21) 

CD_r=|D_r|/|S_r|=[{1/3},{2/3},{1}]^T=[{33.3%},{66.6%},{100%}]^T  (22) 

DD_r=1-CD_r=[{66.6%},{33.3%},{0}]^T                            (23) 

若诊断任务T₁₅对其请求服务的匹配度要求CD_r≥85%，DD_r≤15%，对供给服务的诊断资源要求其匹配度CD_p≥65%，DD_p≤35%，则依据公式20、21、22、23的计算结果，只有CD_p(r_f)=66.6%，CD_r(r_f)=100%，即r_f最满足匹配度要求，所以R_s={r_f}，诊断任务T₁₅选择r_f作为执行任务的目标诊断资源。同理，确定执行T₇和T₂的诊断资源分别为r_w和r_m。 

当运用多约束指标下的整数规划法配置诊断资源时，针对诊断任务T＝{T₂,T₇,T₁₅}，设参与诊断资源包括制动蹄检测仪(五轮仪)r_f、远程液压泵频谱分析系统r_w、维护人员r_m、远程诊断专家r_e，即R={r_f，r_w,r_m,r_e}    (24) 

设已人为确定出诊断任务-诊断能力约束矩阵 

C_a=[{0,0.2,0.7,0.9},{0,0.9,0.3,0.7},{0.9,0.3,0.2,0.9}]^T     (25) 

诊断成本约束矩阵C_c＝[0.4,0.8,1,0.2]                         (26) 

诊断时间约束矩阵C_t＝[0.8,0.5,0.5]^T                          (27) 

依据公式(4-6)，得到约束指标平衡矩阵B=[{0,0.13,0.56,0.14},{0,0.36,0.15,0.07},{0.18,0.12,0.1,0.09}]^T                               (28) 

将该矩阵代入诊断资源配置模型，对其进行分枝定界法求解。根据求解结果，确定合适诊断资源，结果为：维护人员r_m执行检查制动器任务T₂，远程液压泵分析系统r_w执行泵诊断任务T₇，制动蹄检测仪r_f执行活塞检测任务T₁₅。 

上面的静态任务分配方法有时显得较生硬，适用于诊断中心对装备自身及其故障类型、诊断环境等都比较熟悉，或者DTM清晰简洁时。考虑到新生故障，或者对新加入的诊断资源诊断能力还没有实际验证时，或者DTM过于复杂庞大等情况，引入了基于合同网的诊断任务路径柔性动态规划。 

本发明通过范例推理和一个阈值规则增强了合同网初始发布信息的目的性，同时运用多约束决策理论选择出最满意效用的诊断资源来执行某诊断任务。引入扩展合同网（ECN，Extended Contract Net）的目的在于增强诊断路径规划和诊断资源分配间的柔性和自适应性。信息交流是合同网的本质活动，而对于多个异构诊断资源协作某诊断任务时，任务分配的信息交流格式成为其基础和前提。故首先对诊断任务范例记录、招投标、合同书等信息进行格式定义。 

定义3：在一个诊断任务范例库CB={C₀,C₁,C₂,C₃,…,C_n}中，每一条记录C_i{CaseID,Task，Man_announce,Res_Bid,Res_proposal,Res_success,λ,μ}，其中，CaseID是范例的标识；Task{a1:V₁,a₂:V₂，......,a_m:V_m}是任务的描述， 

a_i(i＝1,2,.....,m)是任务第i个属性，V_i(i＝1,2，......,m)是a_i对应的属性值； 

Man_announce={an_n1，an_n2，......,an_nm}是参与发布任务的子管理者的集合； 

Res_Bid={bid₁,bid₂，......,bid_m}是对任务进行投标的资源的集合； 

Res_proposal={rp₁,rp₂，......,rp_m}是中标的资源的集合； 

Res_success={r₁,r₂,......,r_m}是完成任务的资源的集合；λ是遗忘系数，μ是范例的时间因子，λ和μ参数用来调节该范例方案与当前任务的紧密程度。 

定义4：招标标书表示为{Bid_invite_ID,Task,Quality,Time,Bid-Deadline},其中,Bid_invite_ID为全局唯一的招标标书号，Task＝{T₁,T₂,......,T_n}表示需要招标的诊断任务，Quality和Time表示对完成该任务提出的时间和质量的要求，Bid-Deadline表示接受投标的截止时间。投标标书表示为{Bid_proposal_ID,Res_ID,Task，Quality,Cost,Time,Current_Load}，Bid_proposal_ID也为该诊断资源的投标书编号，Res_ID为该资源的编号，Current_Load为它当前所承担的负荷情况；投标标书的后4项内容组成了报价。任务合同书以招、投标标书为基础形成。 

定义5（效用函数）：效用是活动主体对于活动后果（损益值）的一种反应或倾向等价值观和偏好在活动中的综合反映。效用函数是综合考虑多约束条件的决策函数，体现“双赢”特点，它可分为任务管理中心关于某任务对相关诊断资源效用评价函数Man_Utility_ij、某诊断资源对某诊断任务的执行效用评价函数Res_Utility_ij、某诊断资源与管理中心关于某任务的联合效用函数Union-Utility_ij。 

令RP_h和RP_b分为协商中诊断管理中心与诊断资源的底价，OP为诊断资源报价，OP^e为最终成交价，则Man_Utility_ij=Tr(R_ij)∪Man_Cost-OP^e，其中，信任度Tr(R_ij)∈[Tr_i,Tr_h]， b、d、e、f、g为权值，C_a、C_s、C_t、C_c的定义如前面诊断资源配置环节所述，C_q为任务完成质量； 为不同量纲参数的统一转换函数，其最简形式是完全替代函数。 

同时，Res_Utility_ij＝OP^e-Com_Cost-Res_Cost-Exp_Punish-Res_Load，其中，Com_Cost 为完成任务进行必要通信成本， 

为完成此任务需要的人力资源、基本的物资消耗、辅助资源、资源耗费成本等，Exp_Punish是在奖惩机制下的风险成本，Res_Load为投标资源当前负载情况。 

最后，可达到帕累托最优的第i个任务与第j个诊断资源间的联合效用函数Union-Utility_ij=max(Man_Utility_ij)∩max(Res_Utility_ij)=(RP_h-OP^e)·(OP^e-RP_b)/(RP_h-RP_b)²。 

另外，考虑到诊断资源的负载平衡及协同诊断过程的效益度，对参与诊断资源成员数目|R|和单一诊断资源关于某诊断任务的能同时处理任务招标的最大值|P|增设阈值限制。 

扩展合同网分配方法将协同诊断任务分配的各方分为任务管理中心和诊断资源两大类，诊断资源的功能相对只要起到一个专家系统的功能即可。ECN具体描述为： 

（1）诊断任务管理中心选择一个诊断任务T_i。 

（2）依据定义3和任务相似度计算公式  $\mathrm{Similarity}(T_1,T_2)={\mathrm{\&Sigma;}}_{i=1}^m{\mathrm{\&Sigma;}}_{j=1}^{n}W(A_{1i},A_{2j})\&times;\mathrm{Equal}(V_{1i},V_{2j})$ 将该任务与任务范例库中的各任务记录相继比较，若有满意范例与之对应，则得到该任务的各项初始值，转到步骤（4）；若为新诊断任务，执行步骤（3）。 

（3）初始化，对于新生诊断任务，人为确定|R|及其奖惩因子，并令诊断资源的效用函数为最低值。直接转到（5）。 

（4）依据该诊断任务描述，运用多约束属性决策方法量化诊断资源联盟中各资源的效用值。 

（5）以效用值的高到低顺序依次向满足该量化约束条件值的前|R|个诊断资源发出招标标书。 

（6）收到招标标书的|R|个诊断资源根据其效用函数和负载情况进行投标或拒绝，并运用阈值确定规则调整自身阈值。 

（7）管理中心依据投标标书依次（或同时）与诊断资源进行协商， 协商行为包括报价、反报价、拒绝和接受等，多轮协商中的每一轮协商受协商时间 

限制，它与可用诊断资源的数目成正比，与 

成反比，α为管理中心与单一资源谈判的合理时间。若协商成功，确定最满意诊断资源，依据定义4签订合同后转到步骤（8），此处的最满意并非一定是最优；若没有资源可用，管理中心返回并要求重新划分或确定任务。 

（8）相应诊断资源签订合同后执行诊断任务，并依据阈值确定规则调整自身阈值|R_Ci|。 

（9）相应诊断资源向管理中心返回诊断结果，管理中心将诊断结果交由协同诊断决策中心进行判定，进而根据完成情况调整对诊断资源的信任度。用evl(R_i,T_j)表示对诊断资源R_i完成任务T_j的评价值，V_H为任务成功完成的评价阈值， 

为奖励因子， 

为惩罚因子，所以，若evl(R_i,T_j)≥V_H则信任度 $\mathrm{Tr}\left(R_{\mathrm{ij}}\right)=\min \{{\mathrm{Tr}}_h,\mathrm{Tr}\left(R_{\mathrm{ij}}\right)+{\mathrm{\&lambda;}}_{\mathrm{ij}}^{\mathrm{award}}\};$ 若evl(R_i,T_j)<V_H则 $\mathrm{Tr}\left(R_{\mathrm{ij}}\right)=\max \{{\mathrm{Tr}}_1,\mathrm{Tr}\left(R_{\mathrm{ij}}\right)-{\mathrm{\&lambda;}}_{\mathrm{ij}}^{\mathrm{punish}}\}.$

（10）将该诊断任务执行范例存入范例库并整理。 

（11）结束或转到（1）。 

协商分为两种：一为管理中心与诊断资源间的协商；一为一个诊断资源联盟内部成员间的协商。协商内容包括诊断时间、成本、效用等，同时还包括资源的负载情况；如N12代表诊断资源1和诊断资源2根据需要进行协商。 

柔性动态任务分配的最佳实现载体形式无疑是采用MAS结构，其中的AGENT形式多样，反应式AGENT相比慎思式AGENT而言，具有结构简单、易实现等优点。在对分配环境较了解前提下，前者是最佳选择。图12给出了单个AGENT从面向对象角度的任务分配流程的类实现，另外，图12中同时给出了从BDI智能体角度定义的部分协商行为驱动规则Bel(a,f)|Des(a，s)→Int(a,i)，它表示当诊断资源a相信行为f，且诊断资源a期望达到状态s，则诊断资源a有意愿i；Bel(a，f)表示诊断资源a相信行为f；Des(a,s)表示诊断资源a期望达到状态s；Int(a,i)表示诊断资源a有意愿i。发标行为 

中，a₁＝Announce(A,B,T)指A向B发关于任务T的标书这一行为， 

对招标对象进行了限制，Can(B,T)表示B有能力完成任务T，Utility(B,T)≥U₁表示A对B完成任务T的效用大于等于所设置的最低招标效用值U₁；投标行为 中，b₂=Bid(B,A,T)，即B向A就任务T进行投标，OK(B,T)表示B能按要求完成任务T。中标、流标、承揽任务、拒绝任务、状态报告等行为同样可以如此定义。图13为任务分配AGENT的内部状态转换解释。 

Claims (2)

1.一种远程协同诊断任务分配方法，由RCFD中心确定复杂诊断任务然后将复杂诊断任务分解为多个可执行的诊断任务并进行分配供各参与协同诊断的诊断资源执行，其特征在于，所述分配包括如下步骤：

步骤1，进行诊断任务关系分析：

基于诊断任务关系矩阵，将诊断任务集按照有向无环图的形式建立诊断任务模型DTM，DTM={V，E}，它是由m个诊断任务结点V和e条反映诊断任务间关系的边E组成，m=e＋1，E_ij=T_ij，V_i对应的诊断任务为T_i(i＝0,1，...,m)，用有向箭头表示该箭头两端结点代表的诊断任务为串联关系，同一父诊断任务下的诊断任务间关系为并联关系，无箭头联系的诊断任务间关系为独立关系，由于诊断任务模型的边权值未知，在该有向无环图中用对号表示，将其称为初始诊断任务模型；

步骤2，运用Bayesian网络确定诊断任务间关系：

(1)确立装备诊断任务关系矩阵对应的诊断任务Bayesian网络结构及其结点，构建用于确定诊断任务间关系问题的Bayesian网络；

(2)对Bayesian网络中的每一个结点进行主观赋权，获得Bayesian网络的条件概率表CPT的w初始值，每一层w满足∑w_i=1，w表示权值；

(3)通过数据库中原有的相关成功诊断案例提取出诊断任务关系样本集，获取权值学习的诊断任务关系训练样本集合TS={TS₁,TS₂，...,TS_n}；

(4)使用梯度下降方法训练Bayesian网络，来学习CPT的值，p(v|TS_i)表示结点v在样本TS_i(i＝1,2，...,n)下的先验概率值，在Bayesian网络中相当于CPT的属性值，对Bayesian网络的每个结点v，计算

实现最大化p_w(TS)=∏p_w(TS_i)，得到梯度；其中，p_w(TS)为训练样本集最后获得的概率值之和，在Bayesian网络中相当于该诊断任务关系确立问题的训练样本集的综合评判总值，p_w(TS_i)为某个样本最后获得的概率总值；

(5)梯度下降策略采用贪心爬山法，用

更新权值w，l为权值学习的步长，是一个小常数；

(6)重新规格化权值，由于权值w在0和1之间，且每一层和为1，在权值按上一步更新后，要对每一层其它的w进行重新规格化，以保证∑w_i=1；

(7)当

时，Bayesian网络训练结束，ε为一极小值，此时的w值作为Bayesian网络的权值，即诊断任务间关系的量化值，诊断任务关系确定；如果不满足，则需转(5)进一步重新确定诊断任务关系；

(8)依次确定初始诊断任务模型中诊断任务T_ij间的量化关系值，即新的有向无环图中的边权值，此时的DTM中还存在一些被不同父诊断任务结点共用的诊断任务结点，为了便于以后的诊断执行路径规化，需要对其进行整理，整理前的DTM称为未整理DTM；

步骤3，诊断任务模型分层模块化：

将上述未整理DTM进行分层整理以模块化，在一个DTM中，上、下层结点之间结构联系形式包括三种：结点只包含子结点的fork型、结点只包含父结点的join型以及结点有父结点包含子结点的混合型；其中，通过添加一个虚拟结点将混合型转换为fork型或join型，从而得到模块化的DTM；

步骤4，执行诊断任务的路径规划，首先从DTM模型中导出诊断任务执行路径集，然后确定关键路径，关键路径依据边权值参数类型的不同分为最长关键路径和最短关键路径两类，最长关键路径是诊断任务的诊断成功率或诊断效益或重要性最高的一系列诊断任务执行路径；最短关键路径是诊断任务从开始到结束时，平均执行时间最短或诊断成本最低的一系列诊断任务执行路径；接着，改进并运用D算法进行关键路径确立；

步骤5，进行诊断资源配置，首先，依据诊断任务的属性信息建立一个DTM希望得到的诊断资源群，称做请求型诊断资源群，诊断任务希望得到的、并且请求型诊断资源群具备的服务集构成一个请求服务集，将这些请求服务进行列表登记，这个表简称请求服务登记表；然后，面对各个诊断任务，多个诊断资源根据各自自身属性信息联合提供一个拟执行诊断任务即提供诊断服务的诊断资源群，称做供给型诊断资源群，它们也产生一个供给服务集和供给服务登记表；接着，请求型诊断资源群和供给型诊断资源群根据服务进行匹配，确定出每个诊断任务对应的诊断资源。

2.根据权利要求1所述的远程协同诊断任务分配方法，其特征在于，所述诊断任务关系矩阵是根据被诊断对象的结构模型，或者功能模型，运用邻接矩阵建立的，即装备的结构模型对应着一个结构邻接矩阵，故障模型对应着一个故障树，首先采用粗粒度的装备结构分解和细粒度的装备故障分解，然后根据这两种分解结果的交叉关联部分即可建立。

Images