CN110689062A - 使用多个Agent对机电装备进行综合健康管理的系统和方法 - Google Patents

使用多个Agent对机电装备进行综合健康管理的系统和方法 Download PDF

Info

Publication number
CN110689062A
CN110689062A CN201910887893.9A CN201910887893A CN110689062A CN 110689062 A CN110689062 A CN 110689062A CN 201910887893 A CN201910887893 A CN 201910887893A CN 110689062 A CN110689062 A CN 110689062A
Authority
CN
China
Prior art keywords
agent
diagnosis
equipment
management
database
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910887893.9A
Other languages
English (en)
Inventor
祝青钰
曲昌琦
陈忱
赵晓敏
隆金波
杜宝
周锐
刘萌萌
蒋觉义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Quality Excellent Quality Technical Service Beijing Co Ltd
China Aero Polytechnology Establishment
Original Assignee
China Quality Excellent Quality Technical Service Beijing Co Ltd
China Aero Polytechnology Establishment
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Quality Excellent Quality Technical Service Beijing Co Ltd, China Aero Polytechnology Establishment filed Critical China Quality Excellent Quality Technical Service Beijing Co Ltd
Priority to CN201910887893.9A priority Critical patent/CN110689062A/zh
Publication of CN110689062A publication Critical patent/CN110689062A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Abstract

本发明提供一种使用多个Agent对机电装备进行综合健康管理的系统和方法，该系统包括：人机交互Agent、设备状态监测Agent、数据采集和分析Agent、诊断Agent、管理Agent、数据库以及知识库，人机交互Agent分别与管理Agent和设备状态监测Agent相连接，管理Agent与诊断Agent相连接，诊断Agent分别与知识库和数据库相连接，数据库分别与数据采集和分析Agent和设备状态监测Agent相连接，数据采集和分析Agent与需要进行健康管理的机电设备相连接，以及在使用多个Agent对机电装备进行综合健康管理的系统对装备进行健康管理的过程中，诊断Agent使用贝叶斯OS‑ELM算法模型进行诊断。本申请实现了故障诊断的集体智能性，降低系统复杂程度，增强了故障诊断的目标性、有效性与快速性。

Description

使用多个Agent对机电装备进行综合健康管理的系统和方法
技术领域
本发明为人工智能领域，具体地涉及一种使用多个Agent对机电装备进行综合健康管理的系统和方法。
背景技术
随着工业生产的发展，设备现代化水平的提高，复杂机电装备应用越来越广泛，如何管理好这些装备，降低设备维修费用，提高设备的可靠性，延长设备使用寿命是现代化大型机电装备管理面临的一项重要研究课题。影响复杂机电装备健康状态的信息类型很多，这些信息从不同程度、不同侧面和不同层次反应了复杂机电装备的健康状态，如何对这些信息进行处理是决定复杂机电装备健康管理的关键。
起源于分布式人工智能的多Agent(代理)系统是近年来飞速发展的技术，它是为解决大规模问题的智能求解而发展起来的，涉及并行计算、分布式系统、知识工程和专家系统等许多领域，是传统对象技术的发展和飞跃，Agent通过对问题域的描述、分解和分配，构成分散的、面向特定问题相对简单的子系统，并协调各系统并行和相互协作地进行问题求解，其思想十分适合大规模诊断问题的智能求解对于一个动态的、分布的、实时的和不确定的复杂系统，多Agent系统在故障的分辨、诊断和控制方面表现出了极大的优势，多个Agent通过与所处环境、人以及个体之间进行交互、协调与合作表现出一定的社会智能，从而解决一些传统AI无法解决的大规模复杂的问题。
发明内容
本发明以复杂机电装备故障诊断为应用背景，以实现多诊断方法的协同诊断为目的，基于功能型多Agent故障诊断系统的理念进行整个架构设计，提出了一种使用多个Agent(代理)对机电装备进行综合健康管理的系统和方法，其具体为包括：
人机交互Agent、设备状态监测Agent、数据采集和分析Agent、诊断Agent、管理Agent、数据库以及知识库；
数据采集和分析Agent分别与需要进行健康管理的机电设备和数据库相连接，数据采集和分析Agent用于通过N个传感器对机电装备进行采样、分析和提取数据故障特征预处理，对数据信息的整合分析，并将机电设备实时状态数据存储于数据库中，N大于等于2；
人机交互Agent分别与管理Agent和设备状态监测Agent相连接，人机交互Agent用于接收用户输入、接收从设备状态监测Agent发送的异常状态报告、发送诊断请求至管理Agent、以及从管理Agent接收诊断结论给用户；
管理Agent分别与诊断Agent和人机交互Agent相连接，管理Agent包括任务分解Agent、诊断任务集、任务控制Agent和决策融合Agent；任务分解Agent用于将接收的诊断请求分解后放入诊断任务集，任务控制Agent用于从诊断任务集中读取诊断任务并发送诊断指令至诊断Agent，决策融合Agent用于接收诊断Agent发送的局部诊断结论融合生成全局诊断结果，并将全局诊断结果发送至人机交互Agent；
诊断Agent分别与管理Agent、数据库和知识库相连接，诊断Agent用于发送数据请求至数据库后从数据库获取请求的状态数据，再根据获取的状态数据和知识库进行诊断从而获得局部诊断结论；
设备状态监测Agent分别与数据库和人机交互Agent相连接，设备状态监测Agent用于从数据库中获取机电设备的状态数据、根据状态数据监测设备的健康状态、并发送异常状态报告给人机交互Agent；
数据库连接数据采集和分析Agent、设备状态监测Agent和诊断Agent，用于存储数据采集和分析Agent处理后的数据、并由设备状态监测Agent和诊断Agent进行调用；
知识库连接诊断Agent，用于存储诊断知识，由诊断Agent进行调用。
优选的，该系统还包括：通信Agent,通信Agent分别人机交互Agent、设备状态监测Agent、数据采集和分析Agent、诊断Agent和管理Agent相连接，用于管理所有设备之间的通信。
优选的，所述诊断Agent为诊断Agent组，诊断Agent组中包括至少两个子诊断Agent，每个所述子诊断Agent为专家系统诊断Agent、故障树诊断Agent、遗传算法诊断Agent、小波诊断Agent、模糊逻辑诊断Agent或神经网络诊断Agent中的一个，并且所述每个子诊断Agent采用不同的诊断算法。
优选地，使用多个Agent对机电装备进行综合健康管理的系统进行综合健康管理方法，包括以下操作步骤：
步骤一，数据采集和分析Agent使用传感器和A/D数据采集卡，按设定的采集频率采集需要诊断的电机装备的状态数据并存储在数据库中，供设备状态监测Agent和诊断Agent组读取；
步骤二，设备状态监测Agent读取数据库中状态数据，当检测到系统发生异常时，将所诊断电机装备的异常状态报告发送给人机交互Agent；
步骤三，当用户在人机交互Agent中输入控制命令或者人机交互Agent接收到从设备状态监测Agent发送的异常状态报告后，人机交互Agent发送诊断请求到管理Agent；
步骤四，管理Agent中的任务分解Agent依据所述机电装备故障行为的特点，使用现有技术将机电装备的全局诊断任务分解为局部的诊断子任务，形成诊断任务集；
步骤五，管理Agent中的任务控制Agent负责诊断任务的分配、调度以及控制，将诊断子任务发送至诊断Agent；
步骤六，诊断Agent接受任务控制Agent的任务分派，根据诊断请求从数据库中读取需要诊断的电机装备的状态数据，并且从知识库中读取诊断知识，完成诊断子任务，并将诊断结果发送给管理Agent；
步骤七，管理Agent中的决策融合Agent接收诊断Agent发送的诊断结论，并对诊断结论进行融合，得到全局诊断结论和处理意见，并返回给人机交互Agent子系统，将得到的诊断结果在人机交互Agent中进行保存或显示，完成故障诊断过程。
优选地，当所述诊断Agent为诊断Agent组时，任务控制Agent根据不同的诊断子任务，将诊断子任务分配到不同的子诊断Agent，子诊断Agent接收到任务控制Agent分派的诊断子任务后，从数据库中读取需要诊断的电机装备的状态数据，并且从知识库中读取诊断知识，来完成诊断子任务的诊断，并将诊断结果发送给管理Agent。
优选的，其中所述诊断Agent或子诊断Agent采用了贝叶斯OS-ELM算法模型进行诊断。
优选地，所述贝叶斯OS-ELM算法模型具体为，包括X个并行的OS-ELM分类器和一个贝叶斯二级分类器，具体步骤为：
1)初始化阶段：随机初始化权重，计算隐含层输出矩阵，计算输出权重；
2)在线学习阶段：对每一批样本进行隐含层输出矩阵计算，计算输出权重；
3)输入需要分类的对象，将对象同时发送给并行的OS-ELM分类器，再将每个OS-ELM分类器的分类结果都发送给贝叶斯二级分类器，在贝叶斯二级分类器中对OS-ELM分类器的分类结果再次进行分类，最后获得对象的分类。
与现有技术相比，本发明具有以下有益效果：
1、本发明的系统架构很好地解决了传统基于多Agent的故障诊断系统功能单一、诊断结果精度与稳定性低、配置灵活性不足的问题。
2、本发明的系统架构有效地实现了故障诊断的集体智能性，将各种诊断方法有机地集成在一起，充分利用各自的优点协同完成诊断任务。
3、利用Agent对任务的独立性与交互特性，在提高诊断系统能力的同时，降低了整个诊断系统构造的复杂程度，增强了故障诊断的目标性、有效性与快速性。
4、诊断Agent采用贝叶斯OS-ELM算法进行诊断，通过集成学习，将弱分类器转换成强分类器，减少了参数随机性带来的干扰，相比较传统的OS-ELM有着输出结果更稳定、精度准确度更高。
附图说明
图1为本发明使用多个Agent对机电装备进行综合健康管理的系统架构图；
图2传统OS-ELM框架模型；
图3本发明贝叶斯OS-ELM算法框架模型图；
图4本发明贝叶斯OS-ELM算法框架模型图的细化；以及
图5传统OS-ELM与本发明贝叶斯OS-ELM分类准确度对比图。
具体实施方式
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
使用多个Agent对机电装备进行综合健康管理的系统，其至少包括人机交互Agent、设备状态监测Agent、数据采集和分析Agent、诊断Agent、管理Agent、数据库以及知识库，具体系统结构如图1所示。
人机交互Agent分别与管理Agent和设备状态监测Agent相连接，管理Agent与诊断Agent相连接，诊断Agent又分别与知识库和数据库相连接，数据库又分别与数据采集和分析Agent和设备状态监测Agent相连接，数据采集和分析Agent与需要进行健康管理的机电设备相连接。
数据采集和分析Agent分别与需要进行健康管理的机电设备和数据库相连接。其中机电设备通常为复杂或者大型的机电设备，比如飞机设备、发电厂设备或者煤矿设备。数据采集和分析Agent子系统负责利用多个传感器系统对机电装备进行采样、分析和提取数据故障特征等预处理，实现数据信息的整合分析，并将机电设备实时状态数据存储于数据库中，数据库中存储的数据可以供其它Agent系统进行调用。
人机交互Agent分别与管理Agent和设备状态监测Agent相连接，人机交互Agent的主要功能是完成基本的用户交互工作，接收从设备状态监测Agent发送的异常状态报告,并负责与管理Agent建立连接。人机交互Agent采用的是一种间接管理风格，用户输入控制命令到人机交互Agent，人机交互Agent返回诊断结论给用户，在本实施例中，用户只需给出大概的指导即可以控制系统的运行，而无须显式地告诉计算机具体的行为。由于Agent本身具有面向目标(即能够展现出一种导向目标的行为)和协作性(可协商)的特点，因此它可以针对不同用户进行不同的处理。用户界面Agent可以针对不同的用户进行个性化处理，从而能够适应于特定用户的特定行为。当它能够确定用户在某个特定的情况下将如何作出反应时，它就开始替代或者帮助用户完成相应的任务。人机交互Agent发送诊断请求至管理Agent。
管理Agent分别与诊断Agent和人机交互Agent相连接。管理Agent是系统运行的基础，它位于应用服务层，负责诊断系统中Agent的任务分配、管理与协调，具体包括任务分解Agent、诊断任务集、任务控制Agent和决策融合Agent。任务分解Agent接收从人机交互Agent发送的诊断请求，将诊断请求分解为诊断任务集，任务控制Agent从诊断任务集中读取诊断任务，然后任务控制Agent根据读取的诊断任务发送诊断指令至诊断Agent。诊断Agent将局部诊断结论发送至决策融合Agent，决策融合Agent负责综合诊断方法Agent的诊断结果，即将接收到的多个局部诊断结论进行融合生成最终的全局诊断结果，并将全局诊断结果发送至人机交互Agent。
诊断Agent分别与管理Agent、数据库和知识库相连接，考虑到机电设备故障原因的复杂性以及表现征兆的不确定性，不同故障很难用同一种算法来进行推理或网络识别，因此在本实施例中采用面向故障类型的多诊断Agent结构，即诊断Agent为诊断Agent组，诊断Agent组中包括多个子诊断Agent负责实现各种诊断算法，如专家系统诊断Agent、故障树诊断Agent、遗传算法诊断Agent、小波诊断Agent、模糊逻辑诊断Agent和神经网络诊断Agent等。如在本实施例中有4个子诊断Agent，那么可以选择子诊断Agent1为专家系统诊断Agent、子诊断Agent2为故障树诊断Agent、子诊断Agent3为遗传算法诊断Agent和子诊断Agent4为神经网络诊断Agent。同时，管理Agent中的任务控制Agent与任务分解Agent根据具体的故障诊断任务采用现有技术实时地优化与安排诊断Agent组的调度，保证结果的准确性与效率。诊断Agent发送数据请求至数据库后从数据库获取请求的数据，再根据获取的数据和知识库使用现有技术进行诊断从而获得局部诊断结论。
设备状态监测Agent分别与数据库和人机交互Agent相连接。设备状态监测Agent从数据库中获取机电设备的状态数据信息，对设备的健康状态进行监测。当检测到机电设备的状态数据信息发生异常时，会将该异常状态报告给人机交互Agent，由人机交互Agent发送诊断请求到管理Agent进行系统的故障诊断。
使用多个Agent对机电装备进行综合健康管理的系统进行电机装备综合健康管理方法通过以下步骤：
步骤一，数据采集和分析Agent使用传感器和A/D数据采集卡，按设定的采集频率采集需要诊断的电机装备的状态数据并存储在数据库中，供设备状态监测Agent和诊断Agent组读取。
步骤二，设备状态监测Agent读取数据库中状态数据，当检测到系统发生异常时，将所诊断电机装备的异常状态报告发送给人机交互Agent。
步骤三，当用户在人机交互Agent中输入控制命令或者人机交互Agent接收到从设备状态监测Agent发送的异常状态报告后，人机交互Agent发送诊断请求到管理Agent。
步骤四，管理Agent中的任务分解Agent依据机电装备故障行为的特点，使用现有技术将机电装备的全局诊断任务分解为局部的诊断子任务，形成诊断任务集。
步骤五，管理Agent中的任务控制Agent负责诊断任务的分配、调度以及控制，将诊断子任务发送至诊断Agent。
步骤六，诊断Agent接受任务控制Agent的任务分派，根据诊断请求从数据库中读取需要诊断的电机装备的状态数据，并且从知识库中读取诊断知识，完成诊断子任务，并将诊断结果发送给管理Agent。当诊断Agent为诊断Agent组时，任务控制Agent根据不同的诊断子任务，将诊断子任务分配到不同的子诊断Agent，子诊断Agent接收到任务控制Agent分派的诊断子任务后，从数据库中读取需要诊断的电机装备的状态数据，并且从知识库中读取诊断知识，来完成诊断子任务的诊断，并将诊断结果发送给管理Agent。其中诊断Agent或子诊断Agent采用了贝叶斯OS-ELM算法模型进行诊断。
步骤七，管理Agent中的决策融合Agent接收诊断Agent发送的诊断结论，并对诊断结论进行融合，得到全局诊断结论和处理意见，并返回给人机交互Agent子系统，将得到的诊断结果在人机交互Agent中进行保存或显示，完成故障诊断过程。
现有技术中，OS-ELM(online sequential extreme learning machine在线序列极限学习机)框架模型如图2所示，包括输入层、隐藏层和输出层，其中xi为OS-ELM的输入，ti为OS-ELM的输出，首先OS-ELM像ELM标准算法一样先通过给定的训练数据计算输出权重，随后在在线学习的过程中，每当有新的数据块被接收，就重新运行一次ELM并得到新的输出权重，最后新旧输出权重会进行组合从而完成对神经网络的更新。
但是采用传统的分类方法具有耗时长，收敛速度慢以及容易局部最小化等缺点，并不完全适合本申请，因此在本实施例的步骤六中，诊断Agent或子诊断Agent采用了贝叶斯OS-ELM分类器进行诊断。贝叶斯OS-ELM分类器框架模型如图3所示，采样数据集分为测试数据集和训练数据集，然后对训练数据集在多个并行的OS-ELM分类器中进行学习并分类，然后再采用贝叶斯分类器进行二级分类，并使用测试数据集进行测试，获得实验结果。
图4为本发明贝叶斯OS-ELM分类器框架模型图的细化，从图中可以明显看出，该分类器与现有技术相比，首先在沿原有的基于OS-ELM的分类器的基础上，采用了多个OS-ELM分类器并行工作，并增加了贝叶斯二级分类器，用来融合子分类器的结果。由于OS-ELM分类器采用并行结构连接，该集成模型可以大大减小OS-ELM隐含层参数的随机性带来的干扰。本专利中利用已有的OS-ELM与贝叶斯相结合，采用二级分类的方式混合得出最终的结果，即通过集成学习，将弱分类器转换成强分类器，减少了参数随机性带来的干扰，相比较传统的OS-ELM有着输出结果更稳定、精度准确度更高等优点。在本实施例中，共有X个并行的OS-ELM分类器。
因此首先，将输入对象并行的输入到X个OS-ELM分类器中，每个OS-ELM分类器独立进行分类，再将分类结果发送到贝叶斯二级分类器进行分类，具体为：
1)初始化阶段：随机初始化权重，计算隐含层输出矩阵，计算输出权重；
2)在线学习阶段：对每一批样本进行隐含层输出矩阵计算，计算输出权重；
3)输入需要分类的对象，将对象同时发送给并行的OS-ELM分类器，再将每个OS-ELM分类器的分类结果都发送给贝叶斯二级分类器，在贝叶斯二级分类器中对OS-ELM分类器的分类结果再次进行分类，最后获得对象的分类。
在贝叶斯OS-ELM算法模型中ELM的算法模型的可以表达成：
Figure BDA0002207865200000071
其中，L表示隐藏层节点数；N表示输入层节点数；βj表示第j隐藏层节点到输出层节点的输出权重；aj表示输入层节点到第j隐藏层节点的输入权重；bj表示第j隐藏层节点的阈值；t表示输出样本；ɡ()表示激活函数；ajxi是aj和xi的内积；xi表示ELM的输入；ti表示ELM的输出；i,j为正整数；
在ELM中，隐藏层的参数aj和bj是被随机决定的，并且一直保持不变。输出的表达式为：
Figure BDA0002207865200000072
其中，H()表示计算隐层的输出矩阵；ɡ()表示激活函数；L表示隐藏层节点数；aj和bj表示随机设置隐藏层节点参数，
设置，
Figure BDA0002207865200000073
那么公式(1)可以表达成：
Hβ＝T， (2)
然后求解输出权重使得误差函数最小，其中误差函数如下：
min||Hβ-T||, (3)
其中H为输出矩阵，T为训练目标，||为矩阵元素的弗罗贝尼乌斯范数,min表示求最小值，m代表输出层的输出个数；
通过求解公式(3)，隐藏层的节点权重可以表达为：
Figure BDA0002207865200000074
其中，
Figure BDA0002207865200000081
表示初始隐藏层输出权重，H表示计算隐层的输出矩阵，H+表示H的moore-penrose(穆尔-彭罗斯)广义逆；
设定H0和隐藏层的权重值
Figure BDA0002207865200000082
具体为：
Figure BDA0002207865200000083
Figure BDA0002207865200000084
其中：H0表示隐藏层矩阵的输出；
Figure BDA0002207865200000085
对权重值的升级迭代公式根据现有技术定义如下：
Figure BDA0002207865200000086
Figure BDA0002207865200000087
p0＝H0 TH0；
其中，k表示迭代次数；βk表示第k次升级迭代的权重；βk+1表示k+1次升级迭代的权重；I表示单位矩阵；Pk表示第k次迭代隐藏层矩阵的转置乘以第k次迭代隐藏层矩阵得到的值取逆；Hk+1表示第k+1次迭代升级的隐藏层矩阵输出；Tk+1表示第k+1次升级迭代的输出样本；
Figure BDA0002207865200000088
表示Pk；
将多个并行的OS-ELM分类器的输出结果作为贝叶斯二级分类的输入，对在改进贝叶斯OS-ELM的算法中贝叶斯二级分类的算法模型为：
根据训练数据，先验概率P(cq)为：
其中，cq表示第q类标签；P()表示概率；P(cq)为先验概率；|C|表示标签的总数；E表示训练样本的数量；
Figure BDA00022078652000000810
表示属于标签Cq的训练样本数量；
特性条件概率为：
Figure BDA00022078652000000811
其中，s表示要素属性；k为正整数；dk表示第k个要素属性；p(dk|cq)表示每个要素属性的条件概率公式；
Figure BDA00022078652000000812
表示训练样本中属于标签c的样本中包含属性值d的样本数；Bk表示在训练样本中特征属性的个数；
联合条件概率p(D|cq)为：
Figure BDA0002207865200000091
其中，D表示dk的集合；
后验概率P(cq|D)为：
Figure BDA0002207865200000092
其中，r表示标签类数；
图5为在一个仿真的实施例中使用贝叶斯OS-ELM算法获得的测试集和训练集的分类准确度图，可以看出贝叶斯OS-ELM算法的准确度明显优于传统OS-ELM算法，因此在诊断Agent或子诊断Agent中采用了贝叶斯OS-ELM算法模型可以提高诊断结果的准确率，即提高了诊断结果的准确率。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种使用多个Agent对机电装备进行综合健康管理的系统，其特征在于：其至少包括：人机交互Agent、设备状态监测Agent、数据采集和分析Agent、诊断Agent、管理Agent、数据库以及知识库；
数据采集和分析Agent分别与需要进行健康管理的机电设备和数据库相连接，数据采集和分析Agent用于通过N个传感器对机电装备进行采样、分析和提取数据故障特征预处理，对数据信息的整合分析，并将机电设备实时状态数据存储于数据库中，N大于等于2；
人机交互Agent分别与管理Agent和设备状态监测Agent相连接，人机交互Agent用于接收用户输入、接收从设备状态监测Agent发送的异常状态报告、发送诊断请求至管理Agent、以及从管理Agent接收诊断结论给用户；
管理Agent分别与诊断Agent和人机交互Agent相连接，管理Agent包括任务分解Agent、诊断任务集、任务控制Agent和决策融合Agent；任务分解Agent用于将接收的诊断请求分解后放入诊断任务集，任务控制Agent用于从诊断任务集中读取诊断任务并发送诊断指令至诊断Agent，决策融合Agent用于接收诊断Agent发送的局部诊断结论融合生成全局诊断结果，并将全局诊断结果发送至人机交互Agent；
诊断Agent分别与管理Agent、数据库和知识库相连接，诊断Agent用于发送数据请求至数据库后从数据库获取请求的状态数据，再根据获取的状态数据和知识库进行诊断从而获得局部诊断结论；
设备状态监测Agent分别与数据库和人机交互Agent相连接，设备状态监测Agent用于从数据库中获取机电设备的状态数据、根据状态数据监测设备的健康状态、并发送异常状态报告给人机交互Agent；
数据库连接数据采集和分析Agent、设备状态监测Agent和诊断Agent，用于存储数据采集和分析Agent处理后的数据、并由设备状态监测Agent和诊断Agent进行调用；
知识库连接诊断Agent，用于存储诊断知识，由诊断Agent进行调用。
2.根据权利要求1所述的使用多个Agent对机电装备进行综合健康管理的系统，其特征在于：该系统还包括：通信Agent,通信Agent分别人机交互Agent、设备状态监测Agent、数据采集和分析Agent、诊断Agent和管理Agent相连接，用于管理所有设备之间的通信。
3.根据权利要求1所述的使用多个Agent对机电装备进行综合健康管理的系统，其特征在于：所述诊断Agent为诊断Agent组，诊断Agent组中包括多个子诊断Agent，每个所述子诊断Agent为专家系统诊断Agent、故障树诊断Agent、遗传算法诊断Agent、小波诊断Agent、模糊逻辑诊断Agent或神经网络诊断Agent中的一个，并且所述每个子诊断Agent采用不同的诊断算法。
4.一种使用权利要求3所述使用多个Agent对机电装备进行综合健康管理的系统进行综合健康管理的方法，其特征在于：其包括以下操作步骤：
步骤一，数据采集和分析Agent使用传感器和A/D数据采集卡，按设定的采集频率采集需要诊断的电机装备的状态数据并存储在数据库中，供设备状态监测Agent和诊断Agent组读取；
步骤二，设备状态监测Agent读取数据库中状态数据，当检测到系统发生异常时，将所诊断电机装备的异常状态报告发送给人机交互Agent；
步骤三，当用户在人机交互Agent中输入控制命令或者人机交互Agent接收到从设备状态监测Agent发送的异常状态报告后，人机交互Agent发送诊断请求到管理Agent；
步骤四，管理Agent中的任务分解Agent依据所述机电装备故障行为的特点，将机电装备的全局诊断任务分解为局部的诊断子任务，形成诊断任务集；
步骤五，管理Agent中的任务控制Agent负责诊断任务的分配、调度以及控制，将诊断子任务发送至诊断Agent；
步骤六，诊断Agent接受任务控制Agent的任务分派，根据诊断请求从数据库中读取需要诊断的电机装备的状态数据，并且从知识库中读取诊断知识，完成诊断子任务，并将诊断结果发送给管理Agent；
步骤七，管理Agent中的决策融合Agent接收诊断Agent发送的诊断结论，并对诊断结论进行融合，得到全局诊断结论和处理意见，并返回给人机交互Agent子系统，将得到的诊断结果在人机交互Agent中进行保存或显示，完成故障诊断过程。
5.一种使用权利要求4所述使用多个Agent对机电装备进行综合健康管理的系统进行综合健康管理的方法，其特征在于：
当所述诊断Agent为诊断Agent组时，任务控制Agent根据不同的诊断子任务，将诊断子任务分配到不同的子诊断Agent，子诊断Agent接收到任务控制Agent分派的诊断子任务后，从数据库中读取需要诊断的电机装备的状态数据，并且从知识库中读取诊断知识，来完成诊断子任务的诊断，并将诊断结果发送给管理Agent。
6.一种使用权利要求4或5所述使用多个Agent对机电装备进行综合健康管理的系统进行综合健康管理的方法，其特征在于：
其中所述诊断Agent或子诊断Agent采用了贝叶斯OS-ELM算法模型进行诊断。
7.一种使用权利要求6所述使用多个Agent对机电装备进行综合健康管理的系统进行综合健康管理的方法，其特征在于：
所述贝叶斯OS-ELM算法模型具体为，包括X个并行的OS-ELM分类器和一个贝叶斯二级分类器，具体步骤为：
1)初始化阶段：随机初始化权重，计算隐含层输出矩阵，计算输出权重；
2)在线学习阶段：对每一批样本进行隐含层输出矩阵计算，计算输出权重；
3)输入需要分类的对象，将对象同时发送给并行的OS-ELM分类器，再将每个OS-ELM分类器的分类结果都发送给贝叶斯二级分类器，在贝叶斯二级分类器中对OS-ELM分类器的分类结果再次进行分类，最后获得对象的分类。
CN201910887893.9A 2019-09-19 2019-09-19 使用多个Agent对机电装备进行综合健康管理的系统和方法 Pending CN110689062A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910887893.9A CN110689062A (zh) 2019-09-19 2019-09-19 使用多个Agent对机电装备进行综合健康管理的系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910887893.9A CN110689062A (zh) 2019-09-19 2019-09-19 使用多个Agent对机电装备进行综合健康管理的系统和方法

Publications (1)

Publication Number Publication Date
CN110689062A true CN110689062A (zh) 2020-01-14

Family

ID=69109531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910887893.9A Pending CN110689062A (zh) 2019-09-19 2019-09-19 使用多个Agent对机电装备进行综合健康管理的系统和方法

Country Status (1)

Country Link
CN (1) CN110689062A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541032A (zh) * 2021-01-15 2021-03-23 福州大学 工业电机健康管理系统及工作方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108073551A (zh) * 2017-12-14 2018-05-25 国网辽宁省电力有限公司大连供电公司 一种基于多Agent协同的高压开关柜在线故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108073551A (zh) * 2017-12-14 2018-05-25 国网辽宁省电力有限公司大连供电公司 一种基于多Agent协同的高压开关柜在线故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
QINGYU ZHU等: "Bayes-OS-ELM :An Novel Ensemble Method For Classification Application", 《2019 INTERNATIONAL CONFERENCE ON SENSING, DIAGNOSTICS, PROGNOSTICS, AND CONTROL (SDPC)》 *
张莉 等: "独立电源多智能体信息融合故障诊断方法", 《北京航空航天大学学报》 *
李宝鹏 等: "航空电子设备远程智能故障诊断与监测系统的研究", 《飞机设计》 *
杜纯 等: "基于多Agent的故障诊断方法集成体系结构", 《微计算机信息》 *
蒋伟进 等: "基于MAS的复杂系统分布式求解策略与推理研究", 《计算机研究与发展》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541032A (zh) * 2021-01-15 2021-03-23 福州大学 工业电机健康管理系统及工作方法

Similar Documents

Publication Publication Date Title
Nabil et al. Prediction of students’ academic performance based on courses’ grades using deep neural networks
Miao et al. Joint learning of degradation assessment and RUL prediction for aeroengines via dual-task deep LSTM networks
Iqbal et al. Fault detection and isolation in industrial processes using deep learning approaches
Desell et al. Evolving deep recurrent neural networks using ant colony optimization
CN113722985B (zh) 航空发动机健康状态评估和剩余寿命预测方法及系统
CN110516116A (zh) 一种多步分层的学习者认知水平挖掘方法及系统
CN109949929A (zh) 一种基于深度学习大规模病历的辅助诊断系统
Wang et al. An extended spiking neural P system for fuzzy knowledge representation
WO2020224433A1 (zh) 基于机器学习的目标对象属性预测方法及相关设备
CN108921230A (zh) 基于类均值核主元分析和bp神经网络的故障诊断方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
Gouriveau et al. Strategies to face imbalanced and unlabelled data in PHM applications.
CN112381320A (zh) 一种社区人员流量预测方法、系统、存储介质及设备
Guo et al. A deep learning based fault diagnosis method with hyperparameter optimization by using parallel computing
CN110580213A (zh) 一种基于循环标记时间点过程的数据库异常检测方法
CN116385850A (zh) 多目标检测方法、装置、电子设备及存储介质
CN112750529A (zh) 智能医疗问诊装置、设备及介质
Nguyen et al. System design for a data-driven and explainable customer sentiment monitor using IoT and enterprise data
CN112785183B (zh) 一种分层融合式车辆分队健康管理系统架构
Terziyan et al. Causality-aware convolutional neural networks for advanced image classification and generation
CN110689062A (zh) 使用多个Agent对机电装备进行综合健康管理的系统和方法
CN113744845A (zh) 基于人工智能的医学影像处理方法、装置、设备及介质
CN113093695A (zh) 一种数据驱动的sdn控制器故障诊断系统
Cheddadi et al. Improving equity and access to higher education using artificial intelligence
Krivtsov et al. Predictive model of COVID-19 epidemic process based on neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200114

RJ01 Rejection of invention patent application after publication