多Agent 技术在UPS 故障诊断上的应用研究

周凯，周洋洋，赵昶宇

（1.中国人民解放军92678 部队，天津 300202；2.海军驻天津八三五七所军事代表室，天津 300308；3.天津津航计算技术研究所，天津 300308）

UPS 的出现在很大程度上解决了企业和个体家庭中用电设备的供电质量问题，在现阶段已成为分布式计算机系统中不可或缺的配套设备。UPS 电源系统的智能化、网络化、高频化、数字化和模块化的不断发展，导致UPS 电源系统的组成和功能性能也日益复杂，一旦UPS 电源系统出现故障，其故障表现形式和故障产生的原因也会各式各样。因此，寻找一种合适的方法实现对UPS 电源系统的智能故障诊断已变得日益迫切。

Agent 技术的最大特点是通过与环境和其他Agent之间的相互协作将复杂问题或者大系统进行分解和分配，并自主地将复杂问题或大系统划分为多个相对简单且面向特定问题的子系统，便于问题的求解。将多Agent 技术与故障诊断相结合，并应用于UPS 电源系统中，可以充分发挥多Agent 技术在故障定位和诊断方面的优势，解决了当前UPS 电源系统故障诊断不深入、不彻底的问题，实现了对UPS 电源系统全面准确的故障诊断。

由于D-S 证据理论特别擅长对不确定信息的处理，该技术已被广泛应用于故障诊断和决策分析等领域。将BP 神经网络技术与D-S 证据理论相结合，保证了D-S 证据理论对不同故障征兆的基本概率分配的确定性，并充分发挥BP 神经网络的自学习能力、非线性表达能力和分类能力，提高对UPS 电源系统故障诊断的准确率。同时，采用粗糙集理论对采集到的故障样本数据进行属性约简和值约简，尽可能减小BP 神经网络的输入规模，提高BP 神经网络的收敛能力，并缩短算法的计算时间。

本文采用多Agent 技术实现对UPS 电源系统的智能故障诊断。其中，案例推理Agent 完成UPS 电源系统的故障检测，粗糙集Agent 和BP 神经网络Agent对UPS 电源系统进行了故障识别，D-S 证据理论Agent实现了UPS 电源系统的故障决策。上述基于多Agent技术的UPS 电源故障诊断系统具有诊断精度高、速度快的特点，能满足用户的诊断需求，具有较好的诊断效果和实际应用价值。

1 基于多Agent 技术UPS 电源系统故障诊断体系结构

UPS 电源系统故障诊断的内容包括案例推理Agent、粗糙集Agent、BP 神经网络Agent 以及D-S 证据理论Agent 等，基于多Agent 的UPS 电源系统故障诊断体系结构如图1 所示。

图1 UPS 电源系统故障诊断体系结构图

UPS 电源系统故障诊断系统分为故障检测、故障识别和故障决策3 个环节。UPS 电源系统故障诊断系统的工作原理是：接收传感器发送的数据信息，通过案例推理Agent 来检测系统当前是否存在故障，并将检测结果通知管理Agent。若案例推理Agent 检测到系统存在故障后，管理Agent 告知粗糙集Agent 和BP 神经网络Agent 对故障数据进行识别处理，并完成粗糙集Agent 和BP 神经网络Agent 之间的相互通信和协作。管理Agent 将故障识别的结果传递给D-S 证据理论Agent，经D-S 证据理论对故障数据进行推理决策后，将最终的决策/诊断结果告知管理Agent。管理Agent 通过数据总线将诊断结果发送给UPS 电源控制系统计算机，完成UPS 电源系统的故障诊断过程。

2 案例推理Agent 设计

UPS 电源系统通常由整流器、旁路系统、逆变器、计算机主控系统和电源系统等组成。由于UPS 电源系统组成较为复杂，任一电子元器件的损坏均有可能导致UPS 电源系统无法正常工作。因此，需要相关领域专家对UPS 电源系统创建故障案例库，故障案例库包括故障描述信息、故障案例征兆集、故障结论信息和案例辅助信息。其中，故障描述信息通常包含故障发生时间、故障现象、故障模式等，故障案例征兆集包括故障特征向量和故障特征权重向量，故障结论信息包括故障解决措施、故障手册以及结果评价等，案例辅助信息包括故障所属系统、故障所属部件、案例标识和编号、成功匹配次数和学习质量等。

UPS 电源故障诊断系统通常对电压值和电流值的频率、相位以及幅值等信号量进行采集和监测，包括逆变器输出端电压值、输出平衡的监测、市电监测、旁路市电监测、逆变器电流监测、负载监测以及电池电压监测等。为了实现对UPS 电源系统的故障检测，需要将上述采集到的信号量/故障征兆进行初步的故障决策，判断当前系统是否发生故障。基于案例推理技术的故障决策表由条件属性和决策属性构成，条件属性包含每个故障案例中所有的故障征兆及其故障征兆取值，由这些故障征兆可能产生的故障模式则为该故障案例对应的决策属性。通过建立条件属性-决策属性对应关系表，可以实现UPS 电源系统的故障检测功能。

3 粗糙集Agent 设计和BP 神经网络Agent设计

3.1 粗糙集Agent 设计

利用粗糙集在知识分类和知识约简方面的优势，将其应用在UPS 电源故障诊断系统的故障识别上。通过案例推理Agent 技术检测并获取到UPS 电源系统的若干故障特征向量，利用粗糙集理论对这些故障特征向量进行属性约简和值约简，并完成对故障特征向量的分类，实现对UPS 电源系统故障的初步识别[1]。

UPS 电源系统中利用粗糙集进行故障特征向量的属性约简和值约简的步骤如下：①基于粗糙集计算每个UPS 电源系统故障样本的属性重要度和依赖度，去除冗余属性；②计算粗糙集区分矩阵和核属性，利用区分矩阵导出区分函数，根据区分函数获取并建立析取范式的每个合取项，得到故障样本的属性约简集合；③基于启发式值约简算法，将故障样本约简后的属性集合和UPS 电源系统决策属性构建成决策表，利用启发式信息对该决策表进行“去冗余信息”操作，并将约简后的新表作为初始决策表。筛选并删除决策表记录中的冗余属性值，对所有记录的属性值不断进行约简得到近似最小的决策规则集，完成对UPS 电源系统故障样本所有特征向量的终极约简。

3.2 BP 神经网络Agent 设计

BP 神经网络具有很强的非线性映射能力、自学习和自适应能力、泛化能力以及容错能力，利用BP 神经网络对UPS 电源系统的故障样本进行深度数据挖掘和学习训练，建立故障特征和故障之间的映射，实现对UPS 电源系统的故障再识别[2]。由于BP 神经网络的训练精度和算法执行时间与训练样本集的大小密切相关，经过粗糙集属性约简和值约简后将最小的故障样本集作为BP 神经网络的输入，优化了BP 神经网络的结果，极大地提高了训练精度和算法的执行效率。

UPS 电源系统中利用BP 神经网络进行样本故障特征训练的步骤如下：①初始化BP 神经网络的输入层、隐含层和输出层；②将粗糙集属性约简和值约简后以最小的故障样本来训练该神经网络，对样本数据进行归一化处理，使其满足误差精度要求；③通过训练获取BP 神经网络的各种参数，并计算得到每种故障特征到故障模式的基本概率分配。

4 故障决策Agent 设计

UPS 电源系统常见的故障问题描述如表1 所示。

表1 UPS 故障问题描述说明

在UPS 电源系统的故障诊断中，利用D-S 证据理论对多个故障征兆进行信息融合，实现对UPS 电源系统故障诊断结果的决策。但是D-S 证据理论对不同故障征兆的基本概率分配仅凭专家的经验获得，而BP 神经网络可以直接获取不同故障征兆的基本概率分配，将BP 神经网络和D-S 证据理论相结合，可以实现对UPS电源系统更加客观准确的故障诊断。

UPS 电源系统中利用D-S 证据理论进行故障决策的步骤如下：①计算每条证据的信度函数和似然函数，通过D-S 合成规则进行融合；②根据UPS 电源系统故障诊断特点，制定诊断决策规则；③根据诊断决策规则对数据融合后的信度区间进行决策分析，获得诊断结果。

UPS 电源系统故障决策的处理流程如图2 所示。

图2 故障决策Agent 示意图

5 结论

本文针对UPS 电源系统故障诊断的特点，建立了案例推理、粗糙集、BP 神经网络以及D-S 证据理论的多Agent 智能综合诊断系统。该故障诊断系统充分发挥各个Agent 技术领域的优点，有效弥补了传统故障诊断技术的不足，不仅提高了UPS 电源系统故障诊断的效率，而且能够获得更加客观、准确的诊断结果，实现了UPS 电源系统的智能故障诊断。