多Agent智能故障诊断在舰载火控系统上的应用

田 宇，赵昶宇

（1.海军驻天津八三五七所军事代表室，天津 300308；2.天津津航计算技术研究所，天津 300308）

多Agent智能故障诊断在舰载火控系统上的应用

田 宇1，赵昶宇2

（1.海军驻天津八三五七所军事代表室，天津 300308；2.天津津航计算技术研究所，天津 300308）

对多Agent技术在舰载火控系统故障诊断领域的应用作了研究，采用案例推理技术、粗糙集和D-S证据理论相结合的多Agent智能诊断方法，建立了一种舰载火控系统故障诊断的新模型。利用案例推理的方法对舰载火控系统故障知识进行了知识获取和管理，得到舰载火控系统的故障特征属性；利用粗糙集的优势对故障特征进行了属性约简和值约简；利用D-S合成法则和诊断决策规则对冲突证据合成，得到最终的诊断结果。该故障诊断模型实现了利用多Agent对舰载火控系统故障进行综合诊断，诊断的可靠性和准确性远远大于利用单个特征域进行诊断的局部诊断结果，提高了舰载火控系统故障诊断的精度。

舰载火控；多Agent；粗糙集；D-S证据理论

故障诊断技术对于保证舰载火控系统的可靠性和安全性来说至关重要。为了满足舰载火控系统工作的高可靠性要求，舰载火控系统必须建立正确的故障诊断模型。舰载火控系统设备量大，内部和外部接口繁多，发生故障的形式多种多样，传统的单一智能技术的故障诊断已经很难满足当前复杂系统诊断的全部任务要求，而且单一的诊断模型具有比较明显的缺陷——封闭性、难以解决通用性与高效性之间的矛盾。因此，如何解决上述问题，使得智能故障诊断系统既有通用性和高效性，又能处理异常类故障诊断，成为现阶段舰载火控系统智能故障诊断系统面临的主要挑战。

Agent技术是分布式人工智能技术和网络技术发展的必然结果，通过对问题域的描述、分解和分配，将大系统划分为分散的面向特定问题相对简单的子系统，并协调各子系统并行相互协作地进行问题求解。由于空间相机系统庞大，故障非常复杂，诊断中还有极大的不确定因素。因此，将舰载火控系统的故障诊断任务分解为多个子任务，分布到各个独立的子诊断系统中，每个子诊断系统可利用各自的知识和问题求解方法，分别或共同协作求解舰载火控系统的故障诊断问题，有利于克服现有故障诊断系统的不足，充分发挥各种诊断资源的优势，完成舰载火控系统的故障诊断。

本文基于案例推理技术设计了故障检测Agent，基于粗糙集设计了故障识别Agent，基于D-S证据理论设计了决策Agent，此外，舰载火控系统故障诊断系统还包括管理Agent和控制计算机等。通过仿真实验，该舰载火控系统集成故障诊断系统充分利用了各种诊断方法的优点，诊断精度高且速度快，可自动化地对舰载火控系统的各种数据进行实时监测与诊断推理。

1 多Agent舰载火控系统故障诊断系统

舰载火控系统故障诊断的内容包括故障检测、故障识别以及故障决策等方面，基于多Agent的舰载火控系统故障诊断系统结构如图1所示。

图1 舰载火控系统故障诊断系统结构图

舰载火控系统故障诊断系统由故障检测Agent、故障识别Agent、故障决策Agent、管理Agent及主控计算机组成。故障检测Agent和故障识别Agent统称为故障诊断Agent。管理Agent的作用是记录各个Agent的状态信息、功能，并协调各个Agent之间的关系。系统的具体实现过程为：由故障诊断Agent通过接收来自传感器的数据信息来检测是否有故障产生，并通过Agent通信语言KQML将检测结果发送给管理Agent；当检测到有故障产生时，管理Agent通知故障识别Agent进行故障的识别，需要不同功能的Agent通过KQML来通知对方自己需要什么以及能给对方什么样的数据，从而完成了Agent之间的通信与协作；故障决策Agent将决策结果及时送给管理Agent，管理Agent与主控计算机通过光纤传递数据，而主控计算机又可通过1553B总线或无线通讯方式与地面监控系统进行信息传递，完成整个系统的诊断过程。

2 故障检测Agent设计

本文采用了基于案例推理的方法对舰载火控系统进行故障检测，对舰载火控系统故障知识进行知识获取和管理，建立了舰载火控系统的知识库管理系统。该系统是对知识库中的知识进行管理和控制，完成对知识库的各种操作，并向用户提供检索和查询手段。

舰载火控系统的故障案例可以定义为一个四元组：

式（1）中：D={d1，d2，…，dn}，为非空有限集合，表示故障案例的描述信息，包括案例编号、故障发生时间、故障类型等；S={s1，s2，…，sn}，为非空有限集合，表示故障案例征兆属性集；M为案例的结论信息；E为案例的辅助信息。案例检索是位于案例推理系统的中心环节，案例库索引和检索过程的目的是建造1个结构或过程来得到最适当的案例，基于案例的推理流程图如图2所示。

图2 舰载火控系统案例推理流程图

通过上述案例推理方法，建立舰载火控系统故障诊断专家系统，采用正向推理和案例检索推理相结合，可以准确、有效地对舰载火控系统进行故障检测。

3 故障识别Agent设计

通过案例推理方法将数据采集得到舰载火控系统的原始数据通过特征提取获得每个故障对应的所有故障特征属性。为了进一步识别故障原因和故障部位，需要对这些故障特征属性进行故障识别。本文采用粗糙集的方法对上述故障特征属性进行属性约简。令S=（U，C∪D，V，f）是一个信息系统，C是条件属性，D是决策属性，c（x）记录x在属性c（c∈C）上的值，C（i，j）为可辨识矩阵中第i行第j列的元素，则差别矩阵C表示为：

差别矩阵形式化如图3所示。

图3 差别矩阵示意图

基于差别矩阵的属性约简算法得出（T为决策表，A为属性约简后的条件属性集合，C为决策表T的差别矩阵，）：ak∈{cij}。

C0为核属性集合，把核属性集合赋给R，令R=C0；求出所有包含核属性的条件属性组合Q；差别矩阵变为（CQ），B=A-R；对所有的ak∈B，计算在C中属性频率最大的属性ak，并赋予aq；将aq添加到R中；重复上述过程，直至C为空。经过上述处理后，R就是最后的约简结果。

4 故障决策Agent设计

在利用粗糙集对舰载火控系统故障属性进行约简后，得到一组特征向量。为了提高故障诊断的精度和准确性，需要利用D-S证据理论进行特征向量空间到证据推理空间的转换，即获得p条证据E1，E2，…，Ep，其中，Ei证据的基本信任分配函数为mi（θj|zl），（j=1，2，…，t；t为焦元个数；l=1，2，…，N）。当获取证据后，需要将多条证据进行合成已达到对各个故障发生概率的一致性解释。在此基础上，设立一定的决策规则来判断某一故障的发生与否，最终完成舰载火控系统的故障诊断，整个流程如图4所示。

图4 故障决策Agent示意图

5 结束语

本文针对舰载火控系统的故障诊断，提出并实现了集成案例推理技术、粗糙集和D-S证据理论的多Agent智能诊断系统。该系统充分利用了案例推理技术易于进行知识获取的特点，粗糙集对属性约简的优势和D-S证据理论能够处理不确定信息的表达和合成的特长，弥补了传统故障诊断系统的不足，提高了系统故障诊断的准确度和精度，从而得到了更加客观、可靠的舰载火控系统故障诊断结果。

［1］路杨，甘志华，王剑斐.基于案例推理的多故障诊断方法研究［J］.计算机应用研究，2009，11（26）.

［2］王国胤，姚一豫，于洪.粗糙集理论与应用研究综述［J］.计算机学报，2009，32（07）.

［3］李文立，郭凯红.D-S证据理论合成规则及冲突问题［J］.系统工程理论与实践，2010，30（08）.

［4］卜乐平，刘开培，侯新国.采用D-S证据推理的电机转子故障诊断［J］.振动、测试与诊断，2011，31（01）.

〔编辑：张思楠〕

TP393.08

A

10.15913/j.cnki.kjycx.2017.13.146

2095-6835（2017）13-0146-03