CN114578792B - 一种多智能体故障诊断方法及系统 - Google Patents
一种多智能体故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114578792B CN114578792B CN202210236329.2A CN202210236329A CN114578792B CN 114578792 B CN114578792 B CN 114578792B CN 202210236329 A CN202210236329 A CN 202210236329A CN 114578792 B CN114578792 B CN 114578792B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- model
- fault
- determining
- confidence
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004913 activation Effects 0.000 claims abstract description 56
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 description 114
- 239000011159 matrix material Substances 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000003930 cognitive ability Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及一种多智能体故障诊断方法及系统,涉及智能体控制领域,方法包括:获取多智能体系统故障状态下的系统模型;根据所述系统模型确定智能体自身观测信息;根据所述系统模型和内部参考模型确定智能体间相对量测信息;根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重;根据所述激活权重利用证据推理算法对置信规则进行融合,得到结果置信度;根据所述激活权重和所述结果置信度确定故障诊断模型;根据置信规则库对所述故障诊断模型进行优化,得到最终故障诊断模型并根据所述最终故障诊断模型确定故障诊断结果。本发明能够提高多智能体系统的故障诊断精度。
Description
技术领域
本发明涉及智能体控制领域,特别是涉及一种多智能体故障诊断方法及系统。
背景技术
诸如多无人机系统、多智能传感器系统和多导弹系统等作为我国未来发展的重要方向之一,对未来复杂环境具备较强的适应性,应用前景广泛。在多智能体应用过程中,由于其工作环境具有强不确定性和不可预测性,随着使用时间的增长,其内部元器件发生老化,性能状态发生退化。当多智能体系统工作状态发生变化或面临强环境扰动时,其系统内部执行器、传感器等关键部件极易发生故障,进而影响了多智能体系统的整体性能。因此,对多智能体系统开展准确故障检测、诊断及定位能够为使用者准确、及时掌控系统工作状态,为后续拓扑结构调整、针对性容错奠定基础。现有针对多智能体故障诊断方法多是基于系统准确数学模型进行,在工程环境中,受复杂环境不确定性干扰等因素的影响,专家所提供的知识不确定性较强,构建准确数学模型难度较大;另一方面,由于多智能体系统中所使用的电子设备可靠度较高,出现故障概率较低,能够得到的系统故障状态下的测试数据较为缺乏。因此,如何处理多智能体系统故障诊断中所面临故障样本缺乏是目前急需解决的问题之一。
发明内容
本发明的目的是提供一种多智能体故障诊断方法及系统,以提高多智能体系统的故障诊断精度。
为实现上述目的,本发明提供了如下方案:
一种多智能体故障诊断方法,包括:
获取多智能体系统故障状态下的系统模型;
根据所述系统模型确定智能体自身观测信息;
根据所述系统模型和内部参考模型确定智能体间相对量测信息;
根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重;
根据所述激活权重利用证据推理算法对置信规则进行融合,得到结果置信度;
根据所述激活权重和所述结果置信度确定故障诊断模型;
根据置信规则库对所述故障诊断模型进行优化,得到最终故障诊断模型并根据所述最终故障诊断模型确定故障诊断结果。
可选地,所述根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重,具体包括:
将所述智能体自身观测信息和所述智能体间相对量测信息进行转换,得到故障诊断模型输入信息;
根据所述故障诊断模型输入信息确定激活权重。
可选地,所述激活权重的表达式为:
其中,表示第e个专家所构建的基础层故障诊断模型中第k条规则的激活权重,θk为第k条规则权重,αk为融合各个指标后第k条规则的匹配度,θl为第l条规则权重,αl为融合各个指标后第l条规则的匹配度,L为规则的总数。
可选地,所述根据所述激活权重利用证据推理算法对置信规则进行融合,得到结果置信度,具体包括:
根据所述激活权重利用证据推理算法对置信规则进行融合,确定基本概率质量;
根据所述基本概率质量确定结果置信度。
可选地,所述最终故障诊断模型的表达式为:
其中,F为最终故障诊断模型的输出结果,N为故障的总数,μn表示第n个故障的专家诊断输出结果的效用值,E为基础层中专家的总数,e为第e个专家,为第e个单个专家所构建得基础层故障诊断模型输出结果中第N个故障情况的置信度,n为第n个故障情况,μN为第N个故障的专家诊断输出结果的效用值。
可选地,所述故障诊断模型的优化目标表达式为:
其中,Accuracy为故障诊断的准确度,T为数据总个数,γ为诊断准确地个数,γi为第i个数据的准确性,i为第i个数据。
可选地,所述故障诊断模型的优化过程的约束条件为:
0≤θk≤1,k=1,2,...L
0≤βn,k≤1,n=1,..,N,k=1,2,...L
0≤δi≤1,i=1,...,M
其中,θk为第k条规则权重,k为第k条规则,βn,k为第k条规则中第n种故障对应的置信度,N为故障的总数,δi为第i条输入的指标权重,M为输入的总数,L为规则的总数。
一种多智能体故障诊断系统,包括:
获取模块,用于获取多智能体系统故障状态下的系统模型;
智能体自身观测信息确定模块,用于根据所述系统模型确定智能体自身观测信息;
智能体间相对量测信息确定模块,用于根据所述系统模型和内部参考模型确定智能体间相对量测信息;
激活权重确定模块,用于根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重;
融合模块,用于根据所述激活权重利用证据推理算法对置信规则进行融合,得到结果置信度;
故障诊断模型确定模块,用于根据所述激活权重和所述结果置信度确定故障诊断模型;
故障诊断结果确定模块,用于根据置信规则库对所述故障诊断模型进行优化,得到最终故障诊断模型并根据所述最终故障诊断模型确定故障诊断结果。
可选地,所述激活权重确定模块,具体包括:
转换单元,用于将所述智能体自身观测信息和所述智能体间相对量测信息进行转换,得到故障诊断模型输入信息;
激活权重确定单元,用于根据所述故障诊断模型输入信息确定激活权重。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
根据系统模型确定智能体自身观测信息;根据系统模型和内部参考模型确定智能体间相对量测信息;根据智能体自身观测信息和智能体间相对量测信息确定激活权重;根据激活权重利用证据推理算法对置信规则进行融合,得到结果置信度;根据激活权重和结果置信度确定故障诊断模型;根据置信规则库对故障诊断模型进行优化,得到最终故障诊断模型并根据最终故障诊断模型确定故障诊断结果。本发明通过置信规则库解决故障样本缺乏的问题从而提高多智能体系统的故障诊断精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的多智能体故障诊断方法流程图;
图2为多智能体故障诊断方法示意图;
图3为本发明多无人艇系统正常状态下观测输出示意图;
图4为本发明多无人艇系统执行器故障下输出示意图;
图5为本发明多无人艇故障诊断结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种多智能体故障诊断方法及系统,以提高多智能体系统的故障诊断精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的多智能体故障诊断方法,包括:
步骤101:获取多智能体系统故障状态下的系统模型。
步骤102:根据所述系统模型确定智能体自身观测信息。
步骤103:根据所述系统模型和内部参考模型确定智能体间相对量测信息。
步骤104:根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重。步骤104,具体包括:将所述智能体自身观测信息和所述智能体间相对量测信息进行转换,得到故障诊断模型输入信息;根据所述故障诊断模型输入信息确定激活权重。
作为一种可选的实施方式,所述激活权重的表达式为:
其中,表示第e个专家所构建的基础层故障诊断模型中第k条规则的激活权重,θk为第k条规则权重,αk为融合各个指标后第k条规则的匹配度,θl为第l条规则权重,αl为融合各个指标后第l条规则的匹配度,L为规则的总数。
步骤105:根据所述激活权重利用证据推理算法对置信规则进行融合,得到结果置信度。步骤105,具体包括:根据所述激活权重利用证据推理算法对置信规则进行融合,确定基本概率质量;根据所述基本概率质量确定结果置信度。
步骤106:根据所述激活权重和所述结果置信度确定故障诊断模型。
步骤107:根据置信规则库对所述故障诊断模型进行优化,得到最终故障诊断模型并根据所述最终故障诊断模型确定故障诊断结果。
作为一种可选的实施方式,所述最终故障诊断模型的表达式为:
其中,F为最终故障诊断模型的输出结果,N为故障的总数,μn表示第n个故障的专家诊断输出结果的效用值,E为基础层中专家的总数,e为第e个专家,为第e个专家所构建的基础层故障诊断模型输出结果中第N个故障情况的置信度,n为第n个故障情况,μN为第N个故障的专家诊断输出结果的效用值。
作为一种可选的实施方式,所述故障诊断模型的优化目标表达式为:
其中,Accuracy为故障诊断的准确度,T为数据总个数,γ为诊断准确地个数,γi为第i个数据的准确性,i为第i个数据。
作为一种可选的实施方式,所述故障诊断模型的优化过程的约束条件为:
0≤θk≤1,k=1,2,...L
0≤βn,k≤1,n=1,..,N,k=1,2,...L
0≤δi≤1,i=1,...,M
其中,θk为第k条规则权重,k为第k条规则,βn,k为第k条规则中第n种故障对应的置信度,N为故障的总数。δi为第i条输入的指标权重,M为输入的总数,L为规则的总数。
本发明提供的多智能体故障诊断系统,包括:
获取模块,用于获取多智能体系统故障状态下的系统模型。
智能体自身观测信息确定模块,用于根据所述系统模型确定智能体自身观测信息。
智能体间相对量测信息确定模块,用于根据所述系统模型和内部参考模型确定智能体间相对量测信息。
激活权重确定模块,用于根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重。
融合模块,用于根据所述激活权重利用证据推理算法对置信规则进行融合,得到结果置信度。
故障诊断模型确定模块,用于根据所述激活权重和所述结果置信度确定故障诊断模型。
故障诊断结果确定模块,用于根据置信规则库对所述故障诊断模型进行优化,得到最终故障诊断模型并根据所述最终故障诊断模型确定故障诊断结果。
作为一种可选的实施方式,所述激活权重确定模块,具体包括:转换单元,用于将所述智能体自身观测信息和所述智能体间相对量测信息进行转换,得到故障诊断模型输入信息;激活权重确定单元,用于根据所述故障诊断模型输入信息确定激活权重。
本发明主要针对现有多智能体故障诊断中所面临的不足,通过置信规则库(Beliefrule base,BRB)对多个专家知识进行联合学习,克服专家知识强不确定性和故障样本缺乏的难题,以提高多智能体系统的故障诊断精度,进而保证多智能体系统的可靠度。本发明的主要步骤可以分为以下几步:
步骤一:针对异构多智能体系统分别建立其动力学模型和通信模型,提出基于邻居相对测量信息和内部参考模型的多智能体协同一致性协议,进而得到一致性协议作用下智能体输出信息。
步骤二:根据多智能体输出信息确定系统关键指标作为故障诊断模型输入,并根据每个指标数值分布范围、类型等确定其参考等级和参考值,为后续构建故障诊断模型奠定基础。
步骤三:基于系统关键指标和BRB中置信规则构造方式,由多个领域专家分别针对多智能体系统构建故障诊断模型,即每个专家依据各自认知给予故障诊断模型参数。
步骤四:将每个专家所构建的故障诊断输出结果作为基础层,基于BRB构建多专家联邦学习诊断模型作为集合层,将多专家诊断结果进行聚合,以降低专家知识强不确定性所带来的影响。
步骤五:根据所得到的历史监测数据,结合故障诊断模型中参数的物理意义,构建优化学习模型,进一步提高诊断精度。
如图2所示,本发明旨在解决变体飞行器故障诊断过程中所面临的专家知识强不确定性和故障样本缺乏等问题,基于BRB由每个专家分别构建变体飞行器故障诊断模型作为基础层,进而基于BRB构建多专家联邦学习诊断模型作为集合层,实现多专家知识的聚合,有效克服专家对于复杂系统认知能力受限的问题;同时,为进一步提高诊断精度,结合所获取的历史数据和模型参数物理意义,构建优化模型,对诊断模型中由专家所给定的模型参数进行优化学习。
首先建立包含H个智能体的异构多智能体系统模型,其中第i个智能体的控制模型表示如下:
其中,xi(t)和xi(t+1)分别表示t时刻和t+1时刻系统的状态。ui(t)为第i个智能体的控制输入。di(t)为第未知环境噪声干扰。Ai、Bi、Ci和Edi分别为第i个智能体的状态矩阵、输入矩阵、观测矩阵和干扰矩阵,yi(t)为t时刻系统的输出。
本发明针对多智能体系统执行器故障状态下故障展开诊断,当执行器发生故障时,系统的控制输入ui(t)无法准确地描述其控制指令,即变为其中/>表示第i个智能体第l,l=1,2,...,m个执行器发出的控制指令。对于第i个智能体第l个执行器的第n,n=1,2,...,N种故障模型可以表示为
其中,uil(t)表示第l个执行器的控制输入, 和/>分别表示故障未知故障参数的上下界。从上式可以看出,当多智能体系统没有故障时,/>控制输入可以进一步表示为/>ui(t)=[ui1,…,uil,…,uim]T,ξi=diag{ξii,...,ξil,...,ξim},/>多智能体系统传感器故障与执行器故障类似,即故障体现在观测矩阵Ci中。
多智能体系统执行器故障状态下的系统模型可以进一步表示为:
基于智能体间相对测量信息设计如下式所示内部参考模型:
其中ηi(t)表示第i个智能体t时刻内部参考模型状态,ηj(t)为第j个智能体t时刻内部参考模型状态,ηi(t+1)为第i个智能体t+1时刻内部参考模型状态内部参考模型的状态矩阵,S为参考模型系统状态矩阵,其决定智能体的期望轨迹,耦合系数μ满足(1-μλi)S舒尔稳定,aij为智能体i与智能体j之间的通信状态,当aij>0时,智能体i能接收到智能体j的信息,当aij=0时,智能体i无法接受智能体j的信息。
接着,设计如下式所示的基于内部参考模型的控制器:
ui(t)=K1ixi(t)+K2iηi(t) (5)
其中,K1i和K2i为控制器增益,Ai+BiK1i是舒尔稳定的,K2i满足下面的调节方程:
其中(S,F)为任意矩阵对,F为期望轨迹的观测矩阵,Xi为调节矩阵。进而,多智能体系统中跟随着的系统模型可以表示为
因此,第i个智能体收到第j个智能体所发送的信息为:
其中,Ii为与第i个智能体产生通信的邻居智能体个数。
对于智能体系统中的I个智能体而言,其所能够获取的交互信息来源于Ii个邻居智能体。因此,由第e个专家所建立的第i个智能体故障诊断模型中的第k条规则如下所示:
其中,该智能体与邻居之间的通信信息和该智能体自身的观测信息yi(t)为故障诊断模型的输入信号,F(t)为模型的输出信息。/>为指标的参考等级,旨在将通信信息转换到统一框架下,{D1,...,DN}表示智能体的故障情况,{β1,k,...,βN,k}为其对应的置信度。θk和δ1,δ2,...,δ|Ii|+1分别表示模型中规则权重和各输入指标权重。
由于多智能体系统之间的交互信息来源不同,并且不同智能体结构可能也不同,需要首先将故障诊断模型的输入信息转换到统一的框架下,如下式所示:
其中,为智能体第p个输入相对于模型中第q条规则的匹配度,cpk和cp(k+1)表示指标的参考等级,旨在对故障诊断模型输入进行信息转换。为了方便分析,定义即yi(t)表示模型输入信号。
在将输入信息转换成统一匹配度框架后,对于不同的规则其发挥的作用不同,可以通过规则激活权重来表示,如下式所示:
其中,表示第e个专家所构建的基础层故障诊断模型中第k条规则的激活权重,θk为该条规则权重,用来表示其在整个故障诊断模型中的相对重要性。αk为融合各个指标后第k条规则的匹配度。/>表示第p个输入指标的相对权重。M为输入指标的总数。
当智能体间交互信息可用时,故障诊断模型中的部分规则会被激活且激活程度各不相同。为了将不同置信规则的输出结果进行融合,本发明采用证据推理(EvidentialReasoning,ER)算法对故障诊断模型中所激活得置信规则进行融合,如下所示:
其中,为融合前k条规则后的基本概率质量,/>为融合前k-1条规则后第n个故障的基本概率质量,mn,k为融合过程中第n个故障第k条规则输出结果的基本概率质量,mD,k为第k条规则输出结果的剩余概率质量,mD,br(k)表示前k条规则剩余未分配基本概率质量,其中包含由前k条规则输出完备引起的剩余基本概率质量/>和由前k条规则权重引起的剩余概率质量/>Kbr(k)为模型融合过程中前k条规则用于归一化的系数。mt,k为不同于第n个故障的其他故障的第k条规则输出结果的基本概率质量。n为第n个故障。上述融合过程中每条规则输出结果的基本概率质量通过下式求得:
其中,βn,k为第k条规则中第n种故障对应的置信度。在循环上述过程对第e个专家所构建基础层故障诊断模型中置信规则循环融合后,得到如下所示的结果置信度:
其中,为第e个单个专家所构建得基础层故障诊断模型输出结果中第n个故障情况的置信度。/>为融合前L条规则后的基本概率质量,/>为由前L条规则权重引起的剩余概率质量。
为确定多智能体系统所发生的故障,其故障诊断如下所示:
Fe=min(βe) (24)
其中,Fe为基础层故障诊断输出结果。
对于多智能体系统而言,由E个专家分别基于各自认知能力建立各自的故障诊断模型。为了进一步提高多智能体系统故障诊断精度,通过建立基础层诊断结果融合模型,实现多专家诊断结果联邦学习。本发明所构建的集合层如下所示:
其中,F为融合基础层多专家故障诊断模型输出结果的最终结果。μn表示第n个故障的专家诊断输出结果的效用值,其值的大小由专家结合不同故障状态之间的区分度确定。E为基础层中专家的个数。e为第e个专家,结果置信度,n为第n个故障情况,μN为第N个故障的专家诊断输出结果的效用值。
为了提高整个故障诊断模型对于实际多智能体系统的故障诊断精度,构建如下所示的优化目标:
其中,Accuracy为故障诊断的准确度。T为数据总个数,γ为诊断准确地个数,即F诊断正确时γi=1;否则,γi=0,γi为第i个数据的准确性,i为第i个数据。
在模型参数优化过程中,由于BRB属于专家系统的一种,其参数具有物理意义。因此,模型参数在优化的过程中需要遵循以下约束条件:
0≤θk≤1,k=1,2,...L (27)
0≤βn,k≤1,n=1,..,N,k=1,2,...L (28)
0≤δi≤1,i=1,...,M (30)
其中,θk为第k条规则权重,k为第k条规则,βn,k为第k条规则中第n种故障对应的置信度,N为故障的总数。δi为第i条输入的指标权重,M为输入的总数。
为了进一步验证发明的有效性,本发明以Subzero III无人艇的速度子系统协同控制为研究对象开展实验研究。主要包括以下步骤:
步骤一:问题描述及监测信息的获取
无人艇作为未来海战的重要载具之一,其主要通过多舰编队对敌实施侦察、打击等任务,对其开展准确故障诊断有助于编队在实战化背景下的编队重构与战斗力保持。在多无人艇编队控制的过程中,受海杂波、敌干扰拦截等因素的影响,导致专家对于多无人艇系统故障诊断过程中所提供的信息中具有较强不确定性,并且受专家认知能力的影响,单个专家对于整个编队系统的理解能力有限;另一方面,由于多无人艇编队属于典型的高度集成化系统,其内部所使用的元器件单机可靠度较高,在使用过程中出现故障的概率较低,进而造成所能够获取的监测数据多数为正常数据,无人艇故障状态下的数据缺乏。因此,如何有效解决多无人艇编队在使用过程中所面临的专家知识不确定性强和故障样本缺乏是本发明所重点解决的问题。
在实验过程中,共选择了三个由Subzero III无人艇A,B,C组成一个多智能体系统。其线性化和离散化后速度子系统的动力学方程可以表示如公式(1)所示,其中系统的输出yi(t)表示体坐标系下无人艇的前进速度,ui(t)表示用来调整作用在螺旋桨电机上脉宽调制器的工作周期。系统参数为
Ci=[0.0059 0.0055],/>
无人艇之前的通信拓扑的拉氏矩阵为控制器参数μ=1,K1i=[1 1],K2i=[-5.2770 3.8777]×103。
实验过程中,分别在A,B,C三个无人艇执行器部分增加故障矩阵,通过其输出对无人艇故障情况进行诊断。在本发明中,故障情况共分为四类,即全部正常、无人艇A故障、无人艇B故障和无人艇C故障。正常状态下和三个无人艇故障状态下的输出如图3和图4所示,图4(a)为无人艇A故障时多无人艇系统的输出结果图,图4(b)为无人艇B故障时多无人艇系统的输出结果图,图4(c)为无人艇C故障时多无人艇系统的输出结果图。
步骤二:多无人艇系统故障诊断模型的构建
在对三个无人艇开展故障诊断过程中,采用了三个专家分别构建了三个基础层故障诊断模型,诊断信息为三个无人艇输出之间的差值。每个故障诊断模型中指标的参考等级和参考值相同,输出的无人艇故障情况也相同。三个基础层故障诊断模型区别在于构建者不同,由三个专家独立给出模型输出结果置信度。两个指标的参考等级和参考值如表1和表2所示。在故障诊断过程中,每个指标选取了5个参考等级,分别为误差低(L)、稍低(SL)、中等(M)、稍高(SH)和高(H),按照置信规则构造方式所构建的模型中共有25条规则,每个规则输出有4中故障情况。
表1指标1参考等级和参考值
表2指标2参考等级和参考值
步骤三:故障诊断模型的训练与测试
由于所构建的初始多专家联邦学习故障诊断模型中的参数由三个专家给定。受专家认知能力局限性的影响,其初始模型难以适应无人艇实际工作状况。因此,为进一步对模型参数进行优化学习,本发明中共获取了监测数据1200组,其中无人艇正常状态、无人艇A故障、无人艇B故障和无人艇C故障分别300组。从1200组四种故障状态的数据中各随机选取150组作为模型训练数据,剩余的数据为测试数据。经过训练后的模型诊断输出结果如图5所示,三个专家所构建的基础层故障诊断模型优化后如表3-表5所示。从中可以看出,经过训练后的多专家联邦学习故障诊断模型能够较为准确地对无人艇系统故障进行诊断,诊断率达到了96.17%。为证明故障诊断模型的鲁棒性,实验重复进行50次,得到的故障诊断率平均值为95%,方差为5.0617E-05,其方差远远小于平均值。
表3训练后专家1所构建的诊断模型
/>
表4训练后专家2所构建的诊断模型
/>
表5训练后专家3所构建的诊断模型
/>
本发明针对多智能体系统故障诊断过程中所面临的专家知识强不确定性和故障样本缺乏的问题,基于置信规则库(Beliefrule base,BRB)提出了一种多专家联邦学习的多智能体系统故障诊断方法。首先,基于BRB和多智能体系统的交互信息构建了单个专家下的故障诊断模型,在多个专家分别构建不同故障诊断模型后组成基础层;进而,针对多专家构建的各自故障诊断模型,基于效用距离最近法提出了多专家联邦学习方法作为集合层,对多个专家的故障诊断结果进行融合,实现多专家的联邦学习,其中公式(25)即利用效用距离最近法构建的;最后,为了进一步克服专家知识不确定性对初始故障诊断模型的影响,构建了故障诊断模型参数优化模型,提出了以故障诊断率最高为优化目标,以模型参数物理意义为优化变量,以基础层连接权重、规则置信度等为优化变量的模型参数优化方法。本发明能够有效使用多个专家对于同一多智能体系统的不确定知识,有效提高多智能体系统的故障诊断精度,为其应用推广奠定了基础。并且,本发明还能够进一步提高实际应用过程中多智能体系统的可靠度,为其系统的容错与编队重构奠定基础。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种多智能体故障诊断方法,其特征在于,包括:
获取多智能体系统故障状态下的系统模型;
根据所述系统模型确定智能体自身观测信息;
根据所述系统模型和内部参考模型确定智能体间相对量测信息;
根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重;
根据所述激活权重利用证据推理算法对置信规则进行融合,得到结果置信度;
根据所述激活权重和所述结果置信度确定故障诊断模型;
根据置信规则库对所述故障诊断模型进行优化,得到最终故障诊断模型并根据所述最终故障诊断模型确定故障诊断结果;
所述根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重,具体包括:
将所述智能体自身观测信息和所述智能体间相对量测信息进行转换,得到故障诊断模型输入信息;
根据所述故障诊断模型输入信息确定激活权重;
所述激活权重的表达式为:
其中,表示第e个专家所构建的基础层故障诊断模型中第k条规则的激活权重,θk为第k条规则权重,αk为融合各个指标后第k条规则的匹配度,θl为第l条规则权重,αl为融合各个指标后第l条规则的匹配度,L为规则的总数;
所述最终故障诊断模型的表达式为:
其中,F为最终故障诊断模型的输出结果,N为故障的总数,μn表示第n个故障的专家诊断输出结果的效用值,E为基础层中专家的总数,e为第e个专家,为第e个专家所构建的基础层故障诊断模型输出结果中第N个故障情况的置信度,n为第n个故障情况,μN为第N个故障的专家诊断输出结果的效用值;
所述故障诊断模型的优化目标表达式为:
其中,Accuracy为故障诊断的准确度,T为数据总个数,γ为诊断准确地个数,γi为第i个数据的准确性,i为第i个数据;
所述故障诊断模型的优化过程的约束条件为:
0≤θk≤1,k=1,2,...L
0≤βn,k≤1,n=1,..,N,k=1,2,...L
0≤δi≤1,i=1,...,M
其中,θk为第k条规则权重,k为第k条规则,βn,k为第k条规则中第n种故障对应的置信度,N为故障的总数,δi为第i条输入的指标权重,M为输入的总数,L为规则的总数。
2.根据权利要求1所述的多智能体故障诊断方法,其特征在于,所述根据所述激活权重利用证据推理算法对置信规则进行融合,得到结果置信度,具体包括:
根据所述激活权重利用证据推理算法对置信规则进行融合,确定基本概率质量;
根据所述基本概率质量确定结果置信度。
3.一种多智能体故障诊断系统,其特征在于,包括:
获取模块,用于获取多智能体系统故障状态下的系统模型;
智能体自身观测信息确定模块,用于根据所述系统模型确定智能体自身观测信息;
智能体间相对量测信息确定模块,用于根据所述系统模型和内部参考模型确定智能体间相对量测信息;
激活权重确定模块,用于根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重;
融合模块,用于根据所述激活权重利用证据推理算法对置信规则进行融合,得到结果置信度;
故障诊断模型确定模块,用于根据所述激活权重和所述结果置信度确定故障诊断模型;
故障诊断结果确定模块,用于根据置信规则库对所述故障诊断模型进行优化,得到最终故障诊断模型并根据所述最终故障诊断模型确定故障诊断结果;
所述根据所述智能体自身观测信息和所述智能体间相对量测信息确定激活权重,具体包括:
将所述智能体自身观测信息和所述智能体间相对量测信息进行转换,得到故障诊断模型输入信息;
根据所述故障诊断模型输入信息确定激活权重;
所述激活权重的表达式为:
其中,表示第e个专家所构建的基础层故障诊断模型中第k条规则的激活权重,θk为第k条规则权重,αk为融合各个指标后第k条规则的匹配度,θl为第l条规则权重,αl为融合各个指标后第l条规则的匹配度,L为规则的总数;
所述最终故障诊断模型的表达式为:
其中,F为最终故障诊断模型的输出结果,N为故障的总数,μn表示第n个故障的专家诊断输出结果的效用值,E为基础层中专家的总数,e为第e个专家,为第e个专家所构建的基础层故障诊断模型输出结果中第N个故障情况的置信度,n为第n个故障情况,μN为第N个故障的专家诊断输出结果的效用值;
所述故障诊断模型的优化目标表达式为:
其中,Accuracy为故障诊断的准确度,T为数据总个数,γ为诊断准确地个数,γi为第i个数据的准确性,i为第i个数据;
所述故障诊断模型的优化过程的约束条件为:
0≤θk≤1,k=1,2,...L
0≤βn,k≤1,n=1,..,N,k=1,2,...L
0≤δi≤1,i=1,...,M
其中,θk为第k条规则权重,k为第k条规则,βn,k为第k条规则中第n种故障对应的置信度,N为故障的总数,δi为第i条输入的指标权重,M为输入的总数,L为规则的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210236329.2A CN114578792B (zh) | 2022-03-11 | 2022-03-11 | 一种多智能体故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210236329.2A CN114578792B (zh) | 2022-03-11 | 2022-03-11 | 一种多智能体故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114578792A CN114578792A (zh) | 2022-06-03 |
CN114578792B true CN114578792B (zh) | 2024-02-06 |
Family
ID=81780979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210236329.2A Active CN114578792B (zh) | 2022-03-11 | 2022-03-11 | 一种多智能体故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114578792B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115562244B (zh) * | 2022-10-26 | 2023-08-15 | 河北工业大学 | 一种基于动态联邦学习的设备故障诊断方法 |
CN116027719B (zh) * | 2023-02-17 | 2023-07-14 | 浙江大学 | 一种变体飞行器智能安全管理系统及方法 |
CN116319386A (zh) * | 2023-05-17 | 2023-06-23 | 北京国信蓝盾科技有限公司 | 可用性及故障预测方法、装置、电子设备和介质 |
CN117389155B (zh) * | 2023-12-07 | 2024-04-09 | 西北工业大学 | 一种无人机集群的自适应故障检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106899664A (zh) * | 2017-02-15 | 2017-06-27 | 东北大学 | 基于多智能体的输油管道分布式协同泄漏检测系统及方法 |
CN108681320A (zh) * | 2018-05-11 | 2018-10-19 | 北京理工大学 | 一种基于局部合作的分布式多智能体实时故障检测方法 |
CN110275514A (zh) * | 2019-07-29 | 2019-09-24 | 南京航空航天大学 | 带有时变传感器故障的编队飞控系统渐近故障诊断方法 |
CN111290277A (zh) * | 2020-02-26 | 2020-06-16 | 鹏城实验室 | 一种分布式多智能体协同故障检测方法、存储介质及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8543280B2 (en) * | 2011-04-29 | 2013-09-24 | Toyota Motor Engineering & Manufacturing North America, Inc. | Collaborative multi-agent vehicle fault diagnostic system and associated methodology |
-
2022
- 2022-03-11 CN CN202210236329.2A patent/CN114578792B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106899664A (zh) * | 2017-02-15 | 2017-06-27 | 东北大学 | 基于多智能体的输油管道分布式协同泄漏检测系统及方法 |
CN108681320A (zh) * | 2018-05-11 | 2018-10-19 | 北京理工大学 | 一种基于局部合作的分布式多智能体实时故障检测方法 |
CN110275514A (zh) * | 2019-07-29 | 2019-09-24 | 南京航空航天大学 | 带有时变传感器故障的编队飞控系统渐近故障诊断方法 |
CN111290277A (zh) * | 2020-02-26 | 2020-06-16 | 鹏城实验室 | 一种分布式多智能体协同故障检测方法、存储介质及设备 |
Non-Patent Citations (2)
Title |
---|
基于免疫原理的多Agent故障诊断系统;刘欣;黄席樾;李伟;李宝林;;计算机仿真(09);全文 * |
导弹故障诊断的多智能体专家系统;周群, 胡光锐;飞航导弹(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114578792A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114578792B (zh) | 一种多智能体故障诊断方法及系统 | |
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
Kong et al. | Attention recurrent autoencoder hybrid model for early fault diagnosis of rotating machinery | |
CN113221449B (zh) | 一种基于最优策略学习的船舶航迹实时预测方法及系统 | |
CN110288046B (zh) | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 | |
CN114564000B (zh) | 基于智能飞行器执行器故障诊断的主动容错方法及系统 | |
CN112947385B (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
Zhao et al. | Intelligent fault diagnosis of rolling bearing using adaptive deep gated recurrent unit | |
CN112785183B (zh) | 一种分层融合式车辆分队健康管理系统架构 | |
CN116519021B (zh) | 一种惯性导航系统故障诊断方法、系统及设备 | |
You et al. | An adaptable UAV sensor data anomaly detection method based on TCN model transferring | |
CN115993077B (zh) | 复杂路况运输情况下惯导系统优选决策方法及系统 | |
CN114386620B (zh) | 一种基于动作约束的离线多智能体强化学习方法 | |
Zhao et al. | Remote intelligent expert system for operation state of marine gas turbine engine | |
Zhang et al. | Researches and application of a hybrid fault diagnosis expert system | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
Liu et al. | A new fault diagnosis model of flywheel system based on belief rule base and fuzzy fault tree analysis | |
CN112101797B (zh) | 一种复杂工业系统动态故障诊断方法及系统 | |
CN115540935A (zh) | 一种新型护航舰艇压载水系统设备故障诊断方法 | |
CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
CN114237207B (zh) | 通信噪声影响下多智能体分布式故障诊断方法 | |
Feng et al. | Intelligent fault diagnosis technology of power transformer based on Artificial Intelligence | |
Ding et al. | Fault diagnosis of wind turbines gearbox based on SOFM neural network | |
Wang et al. | Research on Fault Diagnosis Based on Dynamic causality diagram and Fuzzy Reasoning Fusion Method | |
CN112116003B (zh) | 一种复杂传感器网络自适应动态故障诊断方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |