第２７卷第７期 计算机应用与软件 ＶｏＩ．２７ ＮＯ．７ ２０１０年７月 Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｏｆｔｗａｒｅ Ｊｕ１．２０１０ 多智能体故障诊断重构技术研究及应用 李 伟 （重庆交通大学信息科学与工程学院重庆４０００７４） 摘要 智能故障诊断技术为保障工程技术系统的可靠性和安全性开辟了新的途径。随着系统设备和功能的日益复杂化，发生 故障的机率以及由此带来的损失越来越大，现有单一、固定的故障诊断方法却难以满足复杂系统诊断的全部要求。针对故障诊断特 点，探讨了重构故障诊断系统的解决方案，提出了系统的多智能体模型，讨论了诊断重构的方法，并通过实例初步验证了可行性，为 今后故障诊断系统的开发提供了新的理念和方法。 关键词 故障诊断 重构 智能体 ｏＮ ＲＥＳＴＲＵＣＴＵＲＩＮＧ ＭＵＬＴＩ．ＡＧＥＮＴ ＦＡＵＬＴ ＤＩＡＧＮＯＳＩＳ ＡＮＤ ＩＴＳ ＡＰＰＬＩＣＡＴＩｏＮ Ｌｉ Ｗｅｉ （Ｃｏｌｌｅｇｅ ｏｆＩｎｆｏｒｍａｔｉｏｎ ｓｃ ， ａｎｄ Ｅｎｇｉ￣ｅｎｎｇ，Ｃｈｏｎｇｑｉｎｇ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ ４０００７４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｉｎｔｅｌｌｉｇｅｎｔ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｔｅｃｈｎｏｌｏｇｙ ｐａｖｅｓ ａ ｎｅｗ ｐａｔｈ ｆｏｒ ａｓｓｕｒｉｎｇ ｔｈｅ ｒｅｌｉａｂｉｌｉｔｙ ａｎｄ ｓａｆｅｔｙ ｏｆ ｅｎｇｉｎｅｅｒｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｓｙｓｔｅｍｓ． Ａｌｏｎｇ ｗｉｔｈ ｔｈｅ ｇｒａｄｕａｌ ｃｏｍｐｌｉｃａｔｉｎｇ ｏｆ ｔｈｅ ｓｙｓｔｅｍ ｅｑｕｉｐｍｅｎｔｓ ａｎｄ ｆｕｎｃｔｉｏｎｓ，ｔｈｅ ｆａｕｌｔ ｐｒｏｂａｂｉｌｉｔｙ ａｎｄ ｔｈｅ ｌｏｓｓ ｔｈｅ ｆａｕｌｔ ｂｒｏｕｇｈｔ ｇｒａｄｕａｌｌｙ ｉｎ－ ｃｒｅａｓｅ ａｓ ｗｅｌ１．Ｈｏｗｅｖｅｒ，ｅｘｉｓｔｉｎｇ ｓｏｌｉｔａｒｙ ａｎｄ ｆｉｘｅｄ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｅａｎｓ ｃａｎ ｈａｒｄｌｙ ｍｅｅｔ ａｌｌ ｄｅｍａｎｄｓ ｏｆ ｄｉａｇｎｏｓｉｎｇ ｅｏｌｎｐｌｅｘ ｓｙｓｔｅｍｓ’ｆａｕｌｔｓ． Ａｃｃｏｒｄｉｎｇ ｔｏ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ，ａ ｓｏｌｕｔｉｏｎ ｔｏ ｒｅｓｔｒｕｃｔｕｒｅ ｔｈｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ ｉｓ ａｄｄｒｅｓｓｅｄ，ａｎｄ ａ ｍｕｌｔｉ・ａｇｅｎｔ ｍｏｄｅｌ ｏｆ ｔｈｅ ｓｙｓｔｅｍ ｉｓ ｐｒｏｐｏｓｅｄ，ｔｈｅ ａｐｐｒｏａｃｈｅｓ ｆｏｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｒｅｓｔｒｕｃｔｕｒｉｎｇ ａｌ ｅ ｄｉｓｃｕｓｓｅｄ ａｓ ｗｅｌ１．Ｔｈｅ ｆｅａｓｉｂｉｌｉｔｙ ｏｆ ｔｈｉｓ ｓｏｌｕｔｉｏｎ ｉｓ ｉｎｉｔｉａｌｌｙ ｖｅｒｉｉｆｅｄ ｂｙ ａｎ ｉｎｓｔａｎｃｅ，ｗｈｉｃｈ ｐｒｏｖｉｄｅｓ ｎｅｗ ｔｈｏｕｇｈｔｓ ａｎｄ ｍｅａｎｓ ｔｏ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｔｈｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍｓ ｉｎ ｔｈｅ ｆｕｔｕｒｅ． Ｋｅｙｗｏｒｄｓ Ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ Ｒｅｓｔｒｕｃｔｕｒｅ Ａｇｅｎｔ 时也能够识别其它抗体和被其它抗体识别，因此抗体具有识别 ０ 引 言 和被识别的特性。通过抗体表面的受体，抗体识别抗原，抗体与 抗体之间相互识别和被识别，被识别的抗体受到抑制，识别抗原 在多Ａｇｅｎｔ故障诊断系统中，每个Ａｇｅｎｔ都是自治的、实时 及其它抗体的抗体得到促进和增殖，构成独特型免疫网络调节。 性很强的基本模块单元，各个高度自治的Ａｇｅｎｔ相互作用、相互 当抗原入侵免疫系统时，这种平衡遭到破坏，应答抗原能力 合作与协调，建立系统组织结构的关键是选择Ａｇｅｎｔ的粒化类 强的Ｂ细胞进行增殖，并导致免疫应答，待抗原被清除后，依赖 型和程度。 于免疫网络调节使抗体数目达到新的平衡，独特型免疫网络 多Ａｇｅｎｔ故障诊断系统在实践中取得了较好的成效，但随 的调节功能是免疫系统能够产生免疫应答的根本原因。 着系统设备和功能的日益复杂化，各种故障现象成因越来越复 在多Ａｇｅｎｔ故障诊断系统中，类似于生物免疫中的抗体间 杂，同时异常故障也时有发生，现有固定的诊断推理模型却难以 的促进和抑制关系，各个Ａｇｅｎｔ诊断模型间既有相互协作的关 满足复杂系统诊断面临的全部要求…。在实际诊断中，如何针 系，相同类别的Ａｇｅｎｔ诊断模型间又有一定的排斥性。基于免 对新需求，重构诊断系统，以提高系统的适应性，改进故障确诊 疫调节的思想，诊断重构意指把构成Ａｇｅｎｔ诊断模型的单个Ａ— 断率是一个需要迫切解决的问题。 ｇｅｎｔ个体看作一个抗体，视故障处理对象作为抗原，引入浓度调 生物免疫系统有非凡的异物（抗原）识别能力，通过分布在 节机制，设计抗体适应度方案，对现有智能诊断模型中的Ａｇｅｎｔ 全身的不同种类的免疫细胞识别和清除侵入生物体的抗原性异 个体进行进化，并由进化后的个体进行重构组成新的智能诊断 物。免疫细胞的上述功能在本质上已经具备了诊断Ａｇｅｎｔ的共 模型，实现抗体间促进和抑制的免疫调节作用关系 Ｊ。 性特点，免疫系统在整体上形成了一个分布式的多Ａｇｅｎｔ协调 自治系统，借鉴免疫机理构建易于重构的多Ａｇｅｎｔ诊断系统成 ２面向重构的Ａｇｅｎｔ知识结构 为可行。 免疫系统具有的识别多样性，使其使用少量的抗体就可以 １免疫调节机理 识别数量比它大得多的抗原，抗体最优的分布情况应该是以最 在免疫系统中，通过抗原的对位与抗体的表位以及抗体之 收稿日期：２００８—１２—２３。重庆市教委科研项目（ＫＪ０７０４１２）。李 间的表位与对位进行识别与被识别，抗体不仅能够识别抗原，同 伟，副教授，主研领域：智能控制与知识工程，复杂系统的智能故障诊断。 ８８ 计算机应用与软件 ２０１Ｏ卑 少的抗体数量覆盖几乎整个抗原空间，这也是免疫系统进化的 目标。同样在多Ａｇｅｎｔ诊断系统中，诊断系统也可以看作是由 多个智能体诊断单元组（ＡＦＤＵ）形成的多诊断模型的智能体 联盟。 ２．１ Ａｇｅｎｔ知识结构 基于Ａｇｅｎｔ的ＢＤＩ理论模型，研究者提出了不同的Ａｇｅｎｔ结 构模型，试图从不同角度对Ａｇｅｎｔ进行实现，主要Ａｇｅｎｔ结构模 型有慎思Ａｇｅｎｔ、反应Ａｇｅｎｔ、混合Ａｇｅｎｔ等。 在诊断领域中，Ａｇｅｎｔ＿３ 在结构上可表示为六元组Ａｇｅｎ— ｔ ：＜ＩＤ ，ＴＳ ，ＤＫｉ，ＣＫｉ，ＢＢ ，ＣＯＭＭ ＞，组中六元组分别代表 智能体标识、智能体任务求解器、智能体领域知识、智能体协作 知识、智能体信息黑板、智能体通信，其中： ＝＜Ｎａｍｅ，Ａｄｄｒｅｓｓ，Ｒｏｌｅ＞智能体标识由智能体姓名、 地址、地位三部分组成，是对智能体在系统中的身份约定。 ＤＫ ＝＜Ｋｎｏｗ—Ｂ，Ｄａｔａ—Ｂ，Ｄｅｃｉ—Ｂ＞智能体领域知识由能 力表、知识库、数据库以及决策库等组成。它既可以是的智 能系统，和智能体具有特定的接口；也可以内嵌在智能体的内 部。智能体领域知识提供了对局部问题求解的智能支持。 ＣＫｉ：：＝＜ＰＣＭ，Ｃ—Ｅ，Ａ—Ｍ＞智能体协作知识由计划与协作 模块ＰＣＭ、智能体协同进化模块Ｃ．Ｅ、熟人模型和其它智能体知 识，形式化描述如下： ＜ＰＣＭ＞：：＝＜Ｔａｓｋ，Ｅｖａｌｕａｔｉｏｎ，Ｉｎｉｔｉａｔｉｏｎ＞智能体规划与 协作模块ＰＣＭ用以对任务进行评估，决定该任务是否需要和其 他智能体协作完成。 ＜Ｃ－Ｅ＞：：＝＜ＣＥ—Ｏｐｅｒａｔｉｏｎ，Ｅｖａｌｕａｔｉｏｎ，Ｐｏｐ＞智能体协同 进化模块Ｃ－Ｅ用执行自身和其它智能体的协作要求，按照协同 进化机制给出一个问题求解策略，ＣＥ—Ｏｐｅｒａｔｉｏｎ代表协同进化 算子，Ｅｖａｌｕａｔｉｏｎ代表评价，Ｐｏｐ代表相应的进化群体。 ＜Ａ—Ｍ＞：：＝＜Ａ—Ｎａｍｅ，Ｔａｓｋ，Ｉｎｐｕｔｓ，Ｏｕｔｐｕｔｓ＞智能体熟人 模型中包含熟人姓名、协作任务、请求变量以及结果返回值。每 个智能体的熟人模型以关系表形式表示，每一表项构成了智能 体的一个协作通道。 ２．２ Ａｇｅｎｔ知识粒度分解 軎 觳类组件鏖千要粪组件 在智能诊断系统的重构中，将Ａｇｅｎｔ作为一个应用框架来 开发，需要集成的应用功能可以作为某个Ａｇｅｎｔ的功能模块，并 把它描述知识存入知识库中，以后Ａｇｅｎｔ就能根据消息来调用 该功能模块，通过添加相应的功能组件构成特定功能的Ａｇｅｎｔ， 就可形成不同的功能Ａｇｅｎｔ。 为满足诊断系统重构的需要，各Ａｇｅｎｔ诊断能力形成按参 数、原子事实和知识形式不同粒度构件组织 Ｊ。参数类组件用 于存放是反映系统运行状态的基本参数，如频率、相位、幅值、 温度等；原子事实类组件是具有确定信息的一个判断、关系表达 式或指令，用以描述知识的一个条件或结论，是组成知识的基本 单位，当参数类组件被赋值后，就可以得出一个事实；知识类组 件的属性包括知识名称、前提、结论和可信度等，其基本操作有： 判断某一个给定事实或结论是否在知识的前提或结论中，计算 总的结论数据，计算总的前提数。 根据前面参数类、原子事实类和知识类组件的定义，可以建 立三个数据表一参数类组件表、原子事实类组件表和知识类组 件表，三个表之间并不是完全相互的，图１说明了三者之间 的关系。 图１ 三种知识组件的关系图 ３基于知识的诊断重构方法 重构一个诊断模型，需要了解诊断问题涉及到哪些数据量 以及这些数据量之间的关系，需要知道诊断问题所属领域的知 识以及求解这个问题的诊断模型具有怎样的结构 。 重构知识可以按照诊断模型知识、诊断领域知识和诊断数 据知识组织成三个不同层次。诊断数据知识具体地实施每个重 构步骤，完成诊断模型的构建，诊断模型知识和诊断领域知识都 是通过调用其它知识完成其应用的，在系统内部可以表示为对 底层知识的调用，表示为知识运用的过程。 ３．１诊断重构机制 借鉴免疫应答过程的信息传递机制，每一个故障诊断单元 组ＡＦＤＵ由一个控制智能体、感知智能体、识别智能体、诊断智 能体、记忆智能体和进化智能体组成 。在ＡＦＤＵ中每个 Ａｇｅｎｔ作为自治的基本模块单元，各自承担相应不同的功能，内 部的各Ａｇｅｎｔ相互合作与协调，构成了一个具有进化特性的故 障诊断推理模型。 从重构诊断出发，诊断系统可被简化地认为若干不同领域 的ＡＦＤＵ集成：ＡＦＤＵｌ ｕ…ｕＡＦＤＵ ｕ－－－ｕＡＦＤＵ ｕ ＣＳＵ， ＝１， ２，…，ｍ；ＣＳＵ为一个公共服务单元，若ＡＦＤＵ ｎＡＦＤＵｙ≠ ，则 两个子系统中的功能是可以重用的 ’ 。 面对新出现故障，相应的智能体诊断单元组可以“进化”重 构成新的智能体诊断单元组，从而有效地实现对异常类故障的 诊断。诊断系统分析诊断个体面临的进化需求，通过对已有诊 断个体内的基本组件对象进行组合或删减，动态地构造出新的 诊断个体，体现出诊断个体的自适应性，从而有效地适应诊断对 象的动态变化。 采用组件后，粒度不同的智能体及其集合，均可由相同的公 共服务组件集合中的个体按一定的结构形式组合构成，对组件 的调整会使诊断模型完成自身重构，主要的重构机制如表１ 所示 表１诊断模型的重构机制 序号 组件 Ａｇｅｎｔ ｌ 替换组件，接口不变 无 ２ 替换组件，接口变化 Ａｇｅｎｔ修改结构 ３ 新增知识组件 Ａｇｅｎｔ扩充知识 ４ 删除知识组件 Ａｇｅｎｔ删减知识 ５ 更新知识组件 Ａｇｅｎｔ更新知识 ６ 重建业务流程组件 Ａｇｅｎｔ应用更新 ７ 新增业务流程组件。 增加Ａｇｅｎｔ ８ 删除业务流程组件 减少Ａｇｅｎｔ 第７期 ３．２多诊断模型演化 李伟：多智能体故障诊断重构技术研究及应用 定义３知识闾值矩阵－ｓ 。： ＳＮｘｌ＝［Ａｌ，Ａ２，…，ＡⅣ］ ８９ 从系统性能和优化角度出发，诊断系统不可能使用无限大 的诊断模型集合覆盖整个非我空间，诊断模型的数量存在一个 合理值。若要实现用有限数量的诊断模型集合尽可能多地识别 故障模式，就必须不断地改善现有的诊断模型集合，重构模型使 其达到最优的效果。 在协同进化理论研究基础上 ，结合基本免疫算法，分析 。Ｊｓ舭，元素值代表对应知识Ａ值，在所有知识结论中未出现 条件对应矩阵元素值等于０。 定义４结论矩阵 №。： ｌ：［ＣＦ１，ＣＦ２，…，ｃ ］ 元素值表示每一条知识结论位置对应条件ＣＦ（Ｃ（ｉ）， 了诊断系统中多诊断模型的免疫协同进化过程，如表２所示。 表２诊断演化框架 诊断系统处于相对平衡状态，诊断模型数量Ｎ； ｔ＝ｋ，新的故障模式出现 对当前的诊断模型集合，进行如下操作： 基于亲合度和选择比例从当前诊断模型集合中选取若干诊 断模型组成候选集合 将免疫演化算子（克隆、突变、抑制）作用到候选集合，计算诊 断模型个体浓度 对候选集合中不同于母体的诊断模型个体，评价其亲合度 依据亲合度和浓度选择Ｎ个诊断模型组成新诊断模型集合 若满足结束条件，则结束；否则，继续对新的诊断模型集合进 行优化（ｔ＝ｋ＋１） 结束 诊断系统处于新的相对平衡状态，诊断器数量Ｎ ３．３诊断重构流程 ＝ ≥］ Ｅ）（ｉ＝１，２，…，Ⅳ）。 在上述概述定义基础上，若诊断重构知识库中有如下Ⅳ个 重构条件： Ｃ（１），Ｃ（２），…，Ｃ（Ⅳ） 则诊断重构算法可描述如下： （１）在重构知识库基础上，可生成知识矩阵Ｒ、知识阈值矩 阵Ｓ、结论条件可信度矩阵日； （２）通过已获得重构信息，生成真值状态矩阵Ｕ和Ｕ ，若 Ｍ ：０（ｉ＝１，２，…，Ⅳ），则转入（５）； （３）执行矩阵运算： １）知识矩阵Ｒ与真值状态矩阵 相乘，Ｄ＝Ｒ×Ｕ，当ｒ ≠ ０时，若“，≠０（ｉ≠ ），推理真值状态矩阵Ｄ中矩阵元素值通过 ｄ。：∑ｒ ・ＩＸｊ（ｉ≠ ）计算确定，否则ｄ ＝ｏ，ｉ＝１，２，…，Ｊ７、『； ２）比较算子Ｃｏｍｐａｒｅ（Ｄ，Ｓ），当ｄ ≥ｓ ，且ｓ ≠０时，ｄ 取值 不变，否则ｄ ＝０（ｉ＝１，２，…，Ｎ）； ３）可信度取小算子Ｍｉｎ（Ｄ，Ｈ）＝Ｄ ，当ｄ ≥ｈ ，且ｈ ≠０ 时，ｄ ＝ｈ ，否则ｄ ＝ｄ （ｉ＝１，２，…，Ｎ）； ４）更新算子Ｕｐｄａｔｅ（Ｄ ，Ｕ）＝Ｕ，若ｄ． ≠０，ｕ ＝ｄ （ｉ ＝１，２，…，，ｖ）； （４）若Ｕ≠Ｕ ，则Ｕ ＝Ｕ，转入（３）； （５）Ｈ输出结论及可信度值，重构诊断结束。 通过以上步骤，基于知识的诊断重构过程可表示为矩阵运 算形式： Ｕｐｄａｔｅ（Ｍｉｎ（Ｃｏｍｐａｒｅ（（Ｒ×Ｕ），Ｓ），Ｈ），Ｕ）＝Ｕ ４ 实例分析 励磁系统…・ 是发电厂（站）的核心设备，一旦发生故障若 不能及时修复，将直接影响发电，造成巨大经济损失。所研究的 励磁系统在调试运行期间，智能电力模块在工作负载为感性负 载，可控硅控制角为３Ｏ度的运行条件下，诊断系统采集到的电 力模块输出电压 波形如图２所示。 图２智能电力模块电压Ｖｄ波形 诊断系统对该波形进行采样、分析频谱后，在已有诊断模型 库中并无现成诊断模型，重构知识库中有如下的规则： ９０ 计算机应用与软件 ２０１０丘 Ｒ１：ＩＦ Ｔ１（ ，卢ｃ，１０，Ｊ）（０．６）ＡＮＤ （ ， ，１０，Ｊ）（０．４） ＴＨＥＮ Ｔ ｌ（０．９，０．５）； Ｒ２：ＩＦ乃（Ｗ，卢ｃ，２０，Ｚ）（０．７）ＡＮＤ Ｔ４（Ｙ，Ｌｃ，２０，Ｚ）（０．３） ＴＨＥＮ Ｔ５（０．８，０．６）； Ｒ３：ＩＦ Ｔ ｌ（０．８）ＡＮＤ （０．２）ＴＨＥＮ Ｔｋｌ（０．９，０．７）； 较，系统选择对应组件对象，重构生成一个新诊断模型，该诊断 模型以波形频域中 直流分量、 基波幅值， ２次谐波幅值 等为频域特征量，从而可诊断出该智能电力模块存在的故障为： ０ ０ ０ ０ ０ 同一相电压的２只可控硅故障，在进一步结合其他条件，就可以 ０ ¨０ ０ ０ ０ 准确定位到故障元件。 Ｏ０ Ｏ０●。Ｏ ０Ｏ ０Ｏ ０已知初始条件： ｌ（Ｗ，ｏ／ ，１０，Ｊ）初始可信度为０．９０、 （Ｗ， ，１０，Ｊ）初始可信度为０．７、乃（Ｗ， ，２０，Ｚ）初始可信度 为０．８、Ｔ４（】，， ，２０，Ｚ）初始可信度为０．７。要解决的问题是： ５结束语 为了改变现有的诊断策略在集成化程度和异常故障诊断方 Ｏ ０ ０ ０ ０ ０ Ｏ¨Ｏ ０盯０ 采用诊断重构行为 。能获得解决故障的诊断模型可行性如何？ 将上述知识改写为如下形式： Ｒ１：ＩＦ Ｃ（１）（０．６）ＡＮＤ Ｃ（２）（０．４） ＴＨＥＮ Ｃ（３）（０．９，０．５）； Ｒ３：ＩＦ ｃ（４）（Ｏ．７）ＡＮＤ ｃ（５）（Ｏ．３） ＴＨＥＮ Ｃ（６）（０．８，０．６）； Ｒ２：ＩＦ Ｃ（３）（０．８）ＡＮＤ Ｃ（６）（０．２） ＴＨＥＮ Ｃ（７）（０．９，０．７）； （１）知识库中有７个条件，则知识矩阵为Ｒ为７×７矩阵， 真值状态矩阵Ｕ、阈值矩阵Ｓ和结论矩阵 都为７×１矩阵。 规则矩阵Ｒ： Ｃ（１） ｃ（２） ｃ（３） Ｒ＝Ｃ（４） ｃ（５） Ｃ（６） Ｃ（７） 知识阈值矩阵Ｓ和结论矩阵日分别如下： Ｃ（１） ０ Ｃ（１） ０ Ｃ（２） Ｏ Ｃ（２） ０ Ｃ（３） Ｏ．５ Ｃ（３） ０．９ Ｓ＝Ｃ（４） ０ Ｈ＝Ｃ（４） ０ Ｃ（５） ０ Ｃ（５） ０ Ｃ（６） Ｏ．６ Ｃ（６） Ｏ．８ Ｃ（７） ０．７ Ｃ（７） ０．９ （２）真值状态矩阵Ｕ： Ｕ＝Ｕ ＝『０．９ ０．７ ０ ０．８ ０．７ ０ ０］ ； （３）执行矩阵运算： Ｕｐｄａｔｅ（Ｍｉｎ（Ｃｏｍｐａｒｅ（（Ｒ ｘ ），Ｓ），Ｈ）， ）＝Ｕ： Ｕ＝『０．９ ０．７ ０．８２ ０．８ ０．７ ０．７７ ０ ≠Ｕ （４）令Ｕ ＝Ｕ，转入（３）： Ｕ：『０．９ ０．７ ０．８２ ０．８ ０．７ ０．７７ ０］ 同样继续执行矩阵运算（３） Ｕ＝［０．９ ０．７ ０．８２ ０．８ ０．７ ０．７７ ０．８１］≠ 再次执行（３）后，有： Ｕ＝［０．９ ０．７ ０．８２ ０．８ ０．７ ０．７７ ０．８１］＝Ｕ 停止重构推理，转入（５）； （５）获得重构推理结论：在ｃ（１）、Ｃ（２）、Ｃ（４）和ｃ（５）初始 可信度分别为０．９、０．７、０．８和０．７的情况下，Ｃ（７）为真值的可 信度为０．８１，即 为真的可信度为０．８１。 按照 重构行为模式，经过对相似诊断模型集合进行比 面的不足之处，本文面向诊断重构技术，对重构诊断系统中 ０ ０ ０ ０ ０ Ａｇｅｎｔ结构、诊断模型、重构方法等进行了相应的讨论。在下一 Ｏ０ Ｏ０ Ｏ０ Ｏ０ Ｏ０ 步的研究工作中，将对重构控制方式、重构流程等进行深入的 分析。 Ｃ ０ Ｏ Ｏ ０ Ｏ Ｏ● 参考文献 ［１］徐波，于劲松，李行善．复杂系统的智能故障诊断［Ｊ］．信息与控 制．２００４，３３（１）：５６—５９． ［２］莫宏伟．人工免疫系统原理与应用［Ｍ］．黑龙江：哈尔滨工业大学 出版社，２００２：１８８—２３１． ［３］樊友平，黄席樾，柴毅，等．基于细胞免疫应答理论重建故障诊断智 能体［Ｊ］．系统仿真学报，２００３，１５（１）：５０—５５． ［４】陈善勇，何永勇．多Ａｇｅｎｔ故障诊断原型系统研究［ｊ］．中国机械工 程，２００２，１３（１３）：１０８４—１０８７． ［５］任明仑，朱卫东，杨善林．基于构件的信息系统体系结构模型［Ｊ］． 小型微型计算机系统，２００４，２５（７）：１１６０一ｌ１６３． ［６］王彬，张云生，王川，等．在实时系统中由基本组件构建Ａｇｅｎｔ［Ｊ］． 计算机应用，２００２，２２（４）：２８—３３． ［７］向阳，于长锐．基于知识的规划模型构造系统研究［Ｊ］．系统工程 学报，２００２，１７（１）：７１—７７． ［８］Ｍｉｔｃｈｅｌｌ Ａ．Ｐｏｔｅｒ，Ｋｅｎｎｅｔｈ Ａ．Ｄｅ Ｊｏｎｇ．Ａ Ｃｏｏｐｅｒａｔｉｖｅ ｅｏｅｖｏｌｕｔｉｏｎａｒｙ ａｐｐｒｏａｃｈ ｔｏ ｆｕｎｃｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ［Ａ］．Ｉｎ：Ｄａｖｉｄｏｒ（ｅｄｓ），Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ｔｈｉｒｄ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｐａｒａｌｌｅｌ ｐｒｏｂｌｅｍ ｓｏｌｖｉｎｇ ｆｒｏｍ ｎａｔｕｒｅ．Ｓｐｒｉｎｇ－ ｅｒ—Ｖｅｒｌａｇ，１９９４：２４９—２５７． ［９］郑浩然．基于生态特征的进化与协同研究［Ｄ］．中国科学技术大 学，２０００：５６—８９． ［１Ｏ］王守臣，李大苊．基于多值规则的知识表示及其应用［Ｊ］．电子学 报，２０００，２８（５）：４０—４３． ［１１］ＳＧＥ—ＩＩＩ型励磁装置说明书［Ｍ］．重庆西蜀电力控制设备公司， ２００２：３—６． ［１２］姜琳．同步发电机励磁系统状态监测与诊断研究［Ｄ］．华中科技大 学．２００３：２３—４５． （上接第６０页） ［３］Ｙｏｕｓｓｅｆ Ｍ，Ａｇｒａｗａｌａ Ａ．Ｓｍａｌｌ—ｓｃａｌｅ ｃｏｍｐｅｎｓａｔｉｏｎ ｆｏｒ ＷＬＡＮ ｌｏｃａｔｉｏｎ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｓｙｓｔｅｍｓ［Ｃ］／／Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒ－ ｋｉｎｇ，２００３．ＷＣＮＣ ２００３．２００３ ＩＥＥＥ．２００３（３）：１９７４—１９７８． ［４］Ｒａｐｐａｐｏｒｔ Ｔ Ｓ，Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｐｒｉｎｃｉｐｌｅｓ ａｎｄ Ｐｒａｃｔｉｃｅ（２ｎｄ Ｅｄｉｔｉｏｎ）．Ｐｒｅｎｔｉｃｅ Ｈａｌｌ：２００１． ［５］Ｈａｓｈｅｍｉ Ｈ．Ｔｈｅ ｉｎｄｏｏｒ ｒａｄｉｏ ｐｒｏｐａｇａｔｉｏｎ ｃｈａｎｎｅｌ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ，１９９３，８１（７）：９４３—９６８． ［６］Ｑｉｎｇｍｉｎｇ Ｙ，Ｈｕｉ Ｇ，Ｂｉｎ Ｌ，ｅｔ ａ１．ＭＯＤＥＬ：ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌｏｃａｌｉｚａｔｉｏｎ ｉｎ ｗｉｒｅｌｅｓｓ ｎｅｔｗｏｒｋｓ ｂａｓｅｄ ｏｎ ｓｍａｌｌ—ｓｃａｌｅ ｆａｄｉｎｇ『Ｃ］／／Ｉｎ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６ｔｈ ＡＣＭ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｍｂｅｄｄｅｄ ｎｅｔｗｏｒｋ ｓｅｎｓｏｒ ｓｙｓｔｅｍｓ，ＡＣＭ：Ｒａｌｅｉｇｈ，ＮＣ，ＵＳＡ，２００８．
