一种远程协同诊断任务分配方法组成比例

一种远程协同诊断任务分配方法，针对复杂诊断任务，RCFD中心将复杂诊断任务分解为多个可执行的诊断任务并进行分配以供各参与协同诊断的诊断资源执行，各个可执行的诊断任务还通过基于扩展合同网的方法进行诊断任务分配。本发明专利技术分为诊断任务模型建立、诊断任务路径规划、诊断资源配置3个环节，具有模块化、扩展性好、应用场合广等优点，其中，诊断任务模型建立环节从不同的分解粒度关注不同类型模型的交集，并运用Bayesian网络方法优化模型的权值，诊断任务路径规划环节基于D算法建立了一种统一的关键路径规划算法，诊断资源配置则从服务角度，融合多约束指标建立一种配置算法。

【技术实现步骤摘要】

本专利技术涉及适用于复杂装备远程协同诊断前端的现场信息智能处理技术，具体涉及。
技术介绍
远程协同故障诊断(RemoteCooperative Fault Diagnosis, RCFD)是基于信息化和网络技术，为与某复杂诊断 任务关联的多个诊断专家提供一个开放协同诊断环境并跟踪诊断过程，最后对诊断结果进行综合，实现快速有效诊断和维护的模式。目前的远程协同故障诊断仍然存在一些问题。相当一部分研究所关注的只是单一诊断方法从“现场”到“异地”的远程通讯问题，此类远程系统只是提供一个故障诊断的信息交流平台，属于“异地”诊断层面上的远程概念，其在协作策略等层面的研究工作相对不足。远程协同故障诊断涉及到异地信息传输、诊断任务分配、诊断决策融合等关键问题，其中，诊断任务分配存在问题简述如下一项诊断任务通常指通过对装备的初始观测值的系列分析，从而得到装备运行状态及其故障发展趋势、故障发生时间、故障源位置等诊断结果的执行过程。设Symptom={Sym(i I i=l, 2, ......·，η}为当前可观测到的故障征兆，Source= {Sou (j) | i=l, 2, .......，m}为所有可能的故障源集合，Decision= , X为笛卡尔乘积，记不确定性诊断任务为Task,则有任务分配BmTask: (Π Sym(i)x Deciswn(i) 4 Πx Decisionij)] I K ’由于诊断任务具备可分解 /=1 _/ = !性，不失一般性,记为 Task=Task(Fusion) · Task(Subset), Task(Fusion)为诊断决策融合任务，Task (Subset) = CT1J2,......，Tk)为可求解的诊断子任务，目标函数R是指任务分配结果要达到的目标(优化指标)。在复杂动态的多诊断资源参与的诊断环境下，RCFD需要面对诊断资源的分布性、异构性的静态特征，以及其动态性、可扩展性和整合性的闭包动态特征。这些使得诊断任务执行过程也具有显著动态性，如现场环境的动态变化影响诊断任务的实施，总任务完成时间和诊断资源的动态变化制约各子任务的完成，诊断任务执行过程中的迭代与反复以及新任务突然插队造成分解子任务总量的不确定性。所以，在多诊断资源及多诊断任务系统中，诊断任务分配是一个NP完全问题。目前，在这方面已经形成了一些有代表性的算法，如传统的一类基于子任务优先级的List调度方法或逼近方法；基于图论的分配算法、0-1程序设计方法、启发式算法以及智能任务分配算法和专家系统方法等。近年来一些启发式进化算法(如模拟退火、蚁群算法、遗传算法、贪婪策略及混沌神经网络等)为此类问题解决提供了新途径。复杂装备在结构与功能上都具有分布性及层次性，诊断任务的分解可以从装备的功能与结构分解开始。这种思路常见的一种表现方式为任务树方法，即采用自上而下的方法对装备的功能、结构与故障进行树式分解。基于任务树的诊断任务分解方法依赖于领域专家，对诊断任务完成时间等约束条件问题的考量偏于主观，甚至未加考虑，使得解不唯一，其准确性与求解效率一直是有待进一步解决。在面对少数难以分解的非层次性问题时，也往往会无能为力。Petri网分解方法也是一种可行的方案，但其在复杂问题系统中的应用尚有待做进一步优化。关系模型是大规模复杂结构数据中常见的一种表不模型，它对于不确定信息的处理困难。
技术实现思路
为了克服上述现有技术的不足，本专利技术的目的在于提供，具有模块化、扩展性好、应用场合广等优点。为了实现上述目的，本专利技术采用的技术方案是，由RCFD中心确定复杂诊断任务，然后将复杂诊断任务分解为多个可执行的诊断任务并分配给各参与协同诊断的诊断资源执行，所述分配包括如下步骤·步骤I，进行诊断任务关系分析基于诊断任务关系矩阵，将诊断任务集按照有向无环图的形式建立诊断任务模型DTM, DTM= {V，E}，它是由m个诊断任务结点V和e条反映诊断任务间关系的边E组成，m=e +I, Eij=Tij, Vi对应的诊断任务为Ti (i = 0，I, . . .，m),用有向箭头表示该箭头两端结点代表的诊断任务为串联关系，同一父诊断任务下的诊断任务间的关系为并联关系，无箭头联系的诊断任务间为独立关系。由于诊断任务模型的边权值未知，在该有向无环图中用对号表示，将其称为初始诊断任务模型；步骤2,运用Bayesian网络确定诊断任务间关系(I)确立装备诊断任务关系矩阵后其对应的诊断任务Bayesian网络结构及其结点是可见的，由此构建用于确定诊断任务间关系问题的Bayesian网络；(2)对Bayesian网络中的每一个结点进行主观赋权，获得Bayesian网络的条件概率表CPT的w初始值,每一层w满足Σ Wi=L w表示权值；(3)通过数据库中原有的相关成功诊断案例提取出诊断任务关系样本集，获取权值学习的诊断任务关系训练样本集合TS=ITS1, TS2, TSJ ；(4)使用梯度下降方法训练Bayesian网络，来学习CPT的值，p (v | TSi)表示结点V在样本TSi (i = I, 2, . . .，η)下的先验概率值，在Bayesian网络中相当于CPT的属性值，对Bayesian网络的每个结点V,计算7_tV,.)/H’，实现最大Kpw(TS)= TIpw(TSi),得到梯度；其中，Pw(TS)为训练样本集最后获得的概率值之和，在Bayesian网络中相当于该诊断任务关系确立问题的训练样本集的综合评判总值，Pw (TSi)为某个样本最后获得的概率总值；(5)梯度下降策略采用贪心爬山法，用￥ + /( 10/\.(八')/&1')更新权值￥，I为权值学习的步长，是一个小常数；(6)重新规格化权值，由于权值w在O和I之间，且每一层和为1，在权值按上一步更新后，要对每一层其它的w进行重新规格化，以保证Σ Wi=I ；(7)当 I丨I/\.(7:S') Z4时，Bayesian网络训练结束，ε为一极小值，此时的w值作为Bayesian网络的权值，即诊断任务间关系的量化值，诊断任务关系确定；如果不满足，则需转(5)进一步重新确定诊断任务关系；(8)依次确定初始诊断任务模型中诊断任务Tij间的量化关系值，即新的有向无环图中的边权值，此时的DTM中还存在一些被不同父诊断任务结点共用的诊断任务结点，为了便于以后的诊断执行路径规化，需要对其进行整理，整理前的DTM称为未整理DTM ；步骤3，诊断任务模型分层模块化将上述未整理DTM进行分层整理以模块化，在一个DTM中，上、下层结点之间结构联系形式包括三种结点只包含子结点的fork型、结点只包含父结点的join型以及结点有父结点包含子结点的混合型。其中，通过添加一个虚拟结点将混合型转换为fork型或join型，从而得到模块化的DTM ；步骤4，执行诊断任务的路径规划，首先从DTM模型中导出诊断任务执行路径集，然后确定关键路径，关键路径依据边权值参数类型的不同分为最长关键路径和最短关键路径两类，最长关键路径是诊断任务的诊断成功率或诊断效益或重要性最高的一系列诊断任务执行路径；最短关键路径是诊断任务从开始到结束时，平均执行时间最短或诊断成本最低的一系列诊断任务执行路径。接着，改进并运用D算法进行本文档来自技高网...

【技术保护点】
一种远程协同诊断任务分配方法，由RCFD中心确定复杂诊断任务然后将复杂诊断任务分解为多个可执行的诊断任务并进行分配供各参与协同诊断的诊断资源执行，其特征在于，所述分配包括如下步骤：步骤1，进行诊断任务关系分析：基于诊断任务关系矩阵，将诊断任务集按照有向无环图的形式建立诊断任务模型DTM，DTM={V，E}，它是由m个诊断任务结点V和e条反映诊断任务间关系的边E组成，m=e＋1，Eij=Tij，Vi对应的诊断任务为Ti(i＝0,1，...,m)，用有向箭头表示该箭头两端结点代表的诊断任务为串联关系，同一父诊断任务下的诊断任务间关系为并联关系，无箭头联系的诊断任务间关系为独立关系，由于诊断任务模型的边权值未知，在该有向无环图中用对号表示，将其称为初始诊断任务模型；步骤2，运用Bayesian网络确定诊断任务间关系：(1)确立装备诊断任务关系矩阵对应的诊断任务Bayesian网络结构及其结点，构建用于确定诊断任务间关系问题的Bayesian网络；(2)对Bayesian网络中的每一个结点进行主观赋权，获得Bayesian网络的条件概率表CPT的w初始值，每一层w满足∑wi=1，w表示权值；(3)通过数据库中原有的相关成功诊断案例提取出诊断任务关系样本集，获取权值学习的诊断任务关系训练样本集合TS={TS1,TS2，...,TSn}；(4)使用梯度下降方法训练Bayesian网络，来学习CPT的值，p(v|TSi)表示结点v在样本TSi(i＝1,2，...,n)下的先验概率值，在Bayesian网络中相当于CPT的属性值，对Bayesian网络的每个结点v，计算实现最大化pw(TS)=∏pw(TSi)，得到梯度；其中，pw(TS)为训练样本集最后获得的概率值之和，在Bayesian网络中相当于该诊断任务关系确立问题的训练样本集的综合评判总值，pw(TSi)为某个样本最后获得的概率总值；(5)梯度下降策略采用贪心爬山法，用更新权值w，l 为权值学习的步长，是一个小常数；(6)重新规格化权值，由于权值w在0和1之间，且每一层和为1，在权值按上一步更新后，要对每一层其它的w进行重新规格化，以保证∑wi=1；(7)当时，Bayesian网络训练结束，ε为一极小值，此时的w值作为Bayesian网络的权值，即诊断任务间关系的量化值，诊断任务关系确定；如果不满足，则需转(5)进一步重新确定诊断任务关系；(8)依次确定初始诊断任务模型中诊断任务Tij间的量化关系值，即新的有向无环图中的边权值，此时的DTM中还存在一些被不同父诊断任务结点共用的诊断任务结点，为了便于以后的诊断执行路径规化，需要对其进行整理，整理前的DTM称为未整理DTM；步骤3，诊断任务模型分层模块化：将上述未整理DTM进行分层整理以模块化，在一个DTM中，上、下层结点之间结构联系形式包括三种：结点只包含子结点的fork型、结点只包含父结点的join型以及结点有父结点包含子结点的混合型；其中，通过添加一个虚拟结点将混合型转换为fork型或join型，从而得到模块化的DTM；步骤4，执行诊断任务的路径规划，首先从DTM模型中导出诊断任务执行路径集，然后确定关键路径，关键路径依据边权值参数类型的不同分为最长关键路径和最短关键路径两类，最长关键路径是诊断任务的诊断成功率或诊断效益或重要性最高的一系列诊断任务执行路径；最短关键路径是诊断任务从开始到结束时，平均执行时间最短或诊断成本最低的一系列诊断任务执行路径；接着，改进并运用D算法进行关键路径确立；步骤5，进行诊断资源配置，首先，依据诊断任务的属性信息建立一个DTM希望得到的诊断资源群，称做请求型诊断资源群，诊断任务希望得到的、并且请求型诊断资源群具备的服务集构成一个请求服务集，将这些请求服务进行列表登记，这个表简称请求服务登记表；然后，面对各个诊断任务，多个诊断资源根据各自自身属性信息联合提供一个拟执行诊断任务即提供诊断 服务的诊断资源群，称做供给型诊断资源群，它们也产生一个供给服务集和供给服务登记表；接着，请求型诊断资源群和供给型诊断资源群根据服务进行匹配，确定出每个诊断任务对应的诊断资源。FDA00002012952000011.jpg,FDA00002012952000012.jpg,FDA00002012952000021.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘建辉，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：