基于MAS的建筑电气故障诊断系统设计

胡浩

（云南先驱建筑工程有限公司，昆明650500）

0 引言

目前，故障诊断技术[1]在电力系统、机械、航空航天等领域得到了很好的发展，应用最广泛的方法包括专家系统、模糊理论、故障树、神经网络和MAS等。然而，多Agent技术已经成为一种新的故障诊断方法。它具有许多良好的特性，如主动性、交互性、协作性、流动性和社会性。近年来，Multi-Agent技术在故障诊断领域得到了广泛的应用。关于Multi-Agent技术的应用，人们在机场管理、自动驾驶、先进机器人系统、分布式电源管理和信息检索等一些大型系统中做了大量的工作。但对建筑电气系统故障诊断研究仍然是空白，故障原因基本上依赖人工检测。究其原因，一方面是建筑电气属于配电网的终端，其电压等级低。对于其他大型电力系统来说，故障风险较低，故障排除容易。因此，大多数故障诊断学者更集中于电力系统。另一方面，建筑电气子系统数量众多，系统变得越来越庞大复杂，故障诊断研究困难重重。然而，根据建筑本身的特点，系统由电力、照明、空调、给排水、电梯商等组成，系统的每个部分都与人关系密切。这是人类生活所不可或缺的一部分。故而，在建筑电气应用领域，对于如何运用现代科学技术提高系统的可靠性和稳定性有很高的要求，建筑电气系统研究势在必行。

在过去的几年中，我们的团队一直专注于故障诊断方法的研究，并取得了一些成果。为了将这些方法应用到实践中，我们需要建立一个故障诊断系统。因此，本文提出了基于MAS的建筑电气故障诊断系统的设计方案。在文中，我们讨论了系统的体系结构和基本思想。这是进一步实施的准备工作。建筑电气测试平台是研究的对象。该系统具有监控子系统、代理系统和用户界面子系统。

1 Multi-Agent技术

1.1 Agent的定义

Agent的概念最早是在1970人工智能领域（AI）提出的[1]。它的发展时期是1980年代，中文意译它为绅士，授权。它被认为是计算机科学领域的授权个人辅助软件，是一个能够连续独立地发挥作用的计算机实体，通常被称为智能体。主要体现在其自主性、反应性、自动性、社会性等自身特性上，使得这种系统在现代环境中更能满足于人们的需要。

Agent的弱定义是：计算机软硬件系统具有自主性、社会性、反应性、主动性、连续性和面向客观的特点。但是，除了弱定义外，Agent的强大定义还具有移动性、合理性、适应性和协作性等特点。

1.2 Agent的分类

Agent可以根据其结构定义为单个Agent（single-Agent）和多Agent（Multi-Agent）。单Agent（Single-Agent）是由单个智能体组成的系统，它具有感知、动作、控制和推理的一些基本功能，这种单Agent方法有许多用途。而多Agent是由多个single-Agent相互交互组成的系统，不同的Single-Agent通过相互协商、相互协调、相互配合共同解决问题。其具有协调、自学、自组织和自我推理的基本功能，可扩展性、灵活性、有效性等多种优势。相对于单Agent系统，多Agent系统能够更好的支持分布式计算的应用以满足用户需求，还可以将任务分配给不同的单个Agent处理然后集成。

1.3 Agent结构与理论模型

为了搭建一个合适的环境用来支撑MAS系统，需要：确定基本构架；开放的顶层控制能力；自主的单个Agent。

布拉特曼提出的Agent的BDI（Belief Desire Intention）理论模型被认为是分布式人工智能的基本理论之一。其中，信念（Belief）是Agent环境的基础观点。愿望（Desire）可以直接从信念中获得，这是对未来Agent情境的判断。Agent行为受限于意图（Intention）。目前，许多研究涉及信念、愿望和意图三者之间的关系，主要集中在理论模型上。推理系统过程的BID模型如图1所示，它是一个Agent模型，主要由信念、愿望、意图与策略组成。

信念库存着Agent相信的实际情况，是对周围环境的理解，相对于具体的对象属性来说较为抽象。当然，理解也可能不正确和不完整。信念可以是一个简单的变量，也可以是一个事实的象征性表征。

愿望在BDI推理机制中属于关键的概念，是Agent想要达到的条件。这个条件可以是Agent的一个或多个任务。战略基础即Agent知识库和方法库，它使Agent达到目的，主要是一些所谓的数据和策略。愿望需要外部消息或内部的事件的触发才能实现。

意图是一套有序的策略，它是Agent采取的一系列步骤规划来实现的愿望。它可能包括名称、过滤器、触发器和规划体部分。意图可能会产生新的行动步骤，以及使得Agent外部环境发生变化。

要想实现完整的推理功能，不仅以上三点缺一不可，还需要其他元素的配合，如消息、事件等。解释器使整个Agent运作。观察外部环境，不断重新评估自己的信念。同时，它更新了信念，并产生新的意图。这些变化将激活一些策略。Agent的运行过程[2]如图2所示。

图1 Agent的BDI模型结构

图2 Agent的运行过程

由图2可知，Agent实际运行过程主要涉及三个方面：感知环境的变化；选择应对环境变化的策略；调整策略，实现目标。此种流程突出的是综合了反应和逻辑推理机制的特点，过程简洁明了，反应迅速，还可以用来处理较为复杂的问题。

1.4 Agent的优点

Agent有很多优点：

1)提高系统的效率。基于Agent的计算是分布式计算，系统中的每个节点可以并行运行，从而提高系统的效率。

2)具有可扩展性。每个代理的功能独立。但是，为了提高信息的性能和相互交流，只需要信息交换的标准，就可以很容易地插入或删除一些代理主体。在一定程度上简化了系统设计和编程。

3)提高系统容量。该系统可以通过增加或减少代理的诊断来继续使用新技术和新算法，从而提高系统的诊断能力。

4)提高系统的适应性。某些诊断方法在特定情况下是最优的或更好的。这些方法可以分别构成Agent。并且它在不同的环境中都有良好的算法。因此，它不仅为诊断结果提供了保证，而且大大提高了诊断的效率和适应性。

5)解决方案的多样性。尽管系统提供了代理之间的协调机制，但可能仍然会出现每个代理的诊断结果都有很大差异的现象，这反映了诊断的复杂性。多解决方案的结果为人类专家提供了几种调查对象，也同样为解决复杂的诊断问题提供了保证。

1.5 MAS体系结构研究难点

1)尽管多Agent系统越来越被人熟知，但是想要找到一套成熟实用且具有针对性的多Agent系统对于现代生产建筑技术仍是一个巨大的挑战。

2)这种新型模式，与以往旧的模式相比，有哪些优缺点？其相似与差异的地方是什么？

3)怎样寻找汇总多Agent系统对工程理论的贡献？又如何广泛的应用在现代化的环境中？

2 Multi-Agent建筑电气故障诊断系统的结构

为了使故障诊断系统简单明了、易于调整和维护，诊断系统分为监控子系统、代理子系统和用户接口子系统。如图3所示。

图3 诊断系统的结构

2.1 监测子系统

监视系统可以监视和存储采样数据。当系统异常时，它会向代理子系统发出诊断请求并提供原始数据[3]。同时，它还可以与用户界面子系统进行通信，并通过接口通知用户系统异常。

2.2 代理子系统

在建筑电气工程故障诊断系统中，代理子系统分为代理诊断和代理管理。诊断代理可以实现多种诊断算法。代理的管理负责处理诊断结果，并形成最终结论。而且它通常会在不同的代理工作组之间进行许多通信任务。根据物体的功能和结构，物体的诊断通常分为几个子对象。一个代理工作小组对应一个子对象。它包含一个代理管理和几个子工作小组与精细诊断对象通信。系统的底部是对代理的诊断。一般来说，智能代理是粗粒度的软件实体，因此层次结构的结构并不多。将诊断对象分为子对象的方法降低了诊断系统的复杂性。该方法使代理之间的逻辑关系更加清晰，诊断结果的输出更自然。划分的原则是将每个子对象之间的耦合最小化，并且反复考虑使用现有的诊断资源。

根据代理诊断的输出信息，其推理机制和先前的例子，代理的管理集成了各种不同的观点，形成了最终的结论。通过综合协调机制，形成了一种融合和高可信度的解决方案。但它可能无法协调和产生几个置信度的解决方案。这种情况就像人类学家在这个问题上意见不一致，他们无法说服彼此。在这种情况下，人类学家需要对系统提供的可能解决方案进行调查，并最终确定故障。

2.3 用户界面子系统

它主要是为诊断结果提供更直观的图形界面，便于人们的观察。子系统可以直接控制代理的行为。最后，诊断子系统的诊断结果应该交付给用户界面子系统。与此同时，诊断结果将被每一个诊断代理发送到用户界面子系统，使代理完成自我适应和学习的过程。

2.4 Agent间的通信

目前，Agent的流行国际通信语言是KQML（Knowledge Query Manipulation Languge）[4]，即知识查询和操作语言。它是具有不同功能的Agent的通信语言。KQML预定义了丰富而可扩展的语言,它可以实现Agent之间交互通信需求的基本操作，最终达到整个系统的通信连接。典型的KQML消息如下：

发送方：〈行为原语的发送者〉

内容：〈类别数的类型〉

接收者：〈行为原语的接收者〉

回复：〈消息的ID〉

回复至：〈回复消息的ID〉

语言：〈语言内容〉

本体：〈实体集的名称〉

内容：〈实际交换的消息内容〉

代理的通信层如图4所示。KQML信息的输入被发送到信息分析器。KQML信息的内容和动作被剥离，并被发送到推理机。最后，推理机作出相应的反应。推理机将在这个过程中查询知识库，知识库包含关于KQML处理的动态和静态知识。与Agent当前状态和任务相关的知识是动态的，并且随时更新。关于KQML知识的其他信息处理大多是静态的。推理机将决定是否接受请求，直接回答代理的某些方面问题，并将问题传递给相应的进程。类似地，在推理机处理之后，代理的输出信息被传输到信息合成器，每个部分由KQML信息组成，然后传输到外界。

图4 Agent的通信层结构

3 故障诊断算法

建筑电气故障类型有很多，一旦发生这类故障，就将危及人们的生产生活甚至生命财产，故而，生产前期预测与诊断非常重要。常见的故障有电气线路故障、照明故障、防雷接地系统故障等。解决这类问题归根结底是要将这些故障进行分类识别，找出各个状态对应的某种故障类型，完成识别功能。

目前国内外在故障诊断领域的智能诊断方法可分为专家系统、模糊理论、神经网络、故障树和基于案例推理等方面的研究[5]。在这种情况下，我们的研究小组建立了电子测试平台，模拟了几次故障并收集了现场数据。同时，对RBF神经网络的算法进行了深入的研究。

3.1 实验平台的介绍

建筑电气实验平台是验证故障诊断算法的重要实验对象。图5显示了实验平台的物理图。它包含了低压配电系统中的通用电气设备，如断路器、保险丝、RCD(剩余电流保护装置)、单相插座、三相插座等，对住宅建筑低压电气系统进行了良好的仿真。

实验平台的内部结构如下。220 V和50 Hz的交流电源被转换成15 V直流，并提供给弱保护板。因此，实验平台的单相和三相系统都是受保护的。通过控制22个开关，可以模拟四种电力系统故障，这些开关来自控制面板。四种类型的故障是线路阻抗故障、连续故障、接地电阻故障和小电阻绝缘故障。当交换机关闭时，会发生相应的故障。

图5 建筑电气实验平台

3.2 Agent算法的诊断

如何选择故障诊断算法，是研究Agent诊断的重要依据[6]。我们的研究小组已经研究了许多算法，如BP神经网络、RBF神经网络、SVM以及基于压缩传感等，并从实验平台中收集了实验数据，验证了它们的正确性。结合BP神经网络算法和RBF神经网络算法进行比较研究。结论是RBF神经网络算法比BP神经网络算法在稳定性和诊断精度方面优于BP神经网络算法。对支持向量机算法和压缩传感算法进行了深入研究，诊断结果分别为96.4%和97.6%。这两种方法可以满足在小样本的条件下建立电气故障诊断工程应用的要求。我们的下一步是如何将此算法与Agent的诊断相结合，达到理想的效果。

对于解决建筑电气故障诊断来说，采用单一的智能模式不能够解决复杂类型的问题，诊断出来的结果也有待商酌。因此，多Agent系统体系的出现，很好的解决了这类复杂性较强的问题。MAS的研究对于更好的构建建筑电气诊断模型[8]有着极大的推进作用。

4 结语

本文提出了一种基于MAS的建筑电气故障诊断系统设计。研究的对象是建筑电气实验平台。该系统不仅提高了诊断系统的能力，而且降低了整个系统结构的复杂性。Agent功能的划分是明确的。因此，他们可以很好地解决诊断问题。为了实现Agent的各种功能，面向对象的方法在具体编程中得到应用。该方法，将面向Agent和面向对象的方法结合起来，简化了系统编程的实现，提高了诊断的自动化程度。故障诊断系统不仅具有一定的自主性，而且具有良好的交互作用。这是一种对于研究在实验室建立电气系统故障诊断的新的、有效的方法。

[1] 王亚慧,张龙,韩宁.建筑电气系统故障诊断方法研究[J].计算机仿真,2014(02):436-440.

[2] 董立永.故障智能诊断方法综述[J].可编程控制器与工厂自动化，2010(12).

[3] 魏金成,顾薇.建筑电气[M].重庆：重庆大学出版社，2002.

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

[5] 吴茜.建筑电气实验平台故障智能诊断技术研究[D].北京：北京建筑大学.2012.

[6] 彭强.复杂系统远程智能故障诊断技术研究[D].南京：南京理工大学，2004.

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

[8] 岑玲,刘洁.Multi-agent的协作模型及其应用[J].计算机应用,2001,21(02):8-11.