基于多Agent 的農(nóng)產(chǎn)品加工設(shè)備用智能診斷系統(tǒng)的設(shè)計(jì)

王雪，馬秀蓮，席桂清

（黑龍江八一農(nóng)墾大學(xué)信息技術(shù)學(xué)院，大慶 163319）

對(duì)于智能診斷系統(tǒng)的研究已經(jīng)開展了多年，比較成功的系統(tǒng)大多應(yīng)用在大型裝備及航空工業(yè)上。但是隨著設(shè)備性能的日益提高，設(shè)備及其使用者在診斷精度、準(zhǔn)確度和診斷速度上的要求也越來(lái)越高。應(yīng)用于農(nóng)產(chǎn)品的電子設(shè)備在高科技的需求下，越來(lái)越多地出現(xiàn)在我們的周圍。其中不乏對(duì)精度要求高的設(shè)備，而農(nóng)產(chǎn)品加工設(shè)備就是其中的一類。研究主要針對(duì)農(nóng)產(chǎn)品加工用設(shè)備的智能診斷問(wèn)題。采用多代理技術(shù)進(jìn)行研究與設(shè)計(jì)，研究重點(diǎn)為智能診斷模型的構(gòu)建，并把神經(jīng)網(wǎng)絡(luò)理論加入到診斷決策機(jī)制的定義中。最后將創(chuàng)建的智能診斷系統(tǒng)在之前開發(fā)的種蛋識(shí)別設(shè)備中進(jìn)行應(yīng)用，并對(duì)決策機(jī)制作出評(píng)價(jià)。

1 基于多Agent 的農(nóng)產(chǎn)品加工設(shè)備用智能診斷系統(tǒng)的設(shè)計(jì)

1.1 智能診斷技術(shù)研究

智能診斷是將傳統(tǒng)的故障診斷技術(shù)與先進(jìn)的人工智能技術(shù)相結(jié)合的技術(shù)。關(guān)于智能診斷技術(shù)可以歸納為三種：基于知識(shí)的，基于模型的，基于神經(jīng)網(wǎng)絡(luò)的以及多種技術(shù)綜合的診斷技術(shù)[1]。其中，基于知識(shí)的診斷技術(shù)類似于專家系統(tǒng)。在故障診斷過(guò)程中將設(shè)備的故障與征兆的因果信息元提取出來(lái)，用知識(shí)進(jìn)行表示。歸納相關(guān)領(lǐng)域內(nèi)的專家的經(jīng)驗(yàn)進(jìn)入知識(shí)庫(kù)中。在診斷實(shí)現(xiàn)時(shí)，將實(shí)際診斷過(guò)程中獲取到的故障信息分析后與知識(shí)庫(kù)中的規(guī)則進(jìn)行匹配，經(jīng)過(guò)推理之后將結(jié)論及說(shuō)明反饋給診斷人員?；谀Ｐ偷脑\斷技術(shù)是在構(gòu)建故障模型的基礎(chǔ)上，通過(guò)模型進(jìn)行形態(tài)差異的判斷，從而確定故障的最小集合?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷技術(shù)研究主要集中在模式識(shí)別及使用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合預(yù)測(cè)兩個(gè)方面。而綜合診斷技術(shù)主要是將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合的方式?；诙郃gent 的農(nóng)產(chǎn)品加工設(shè)備用智能診斷系統(tǒng)的設(shè)計(jì)將采用綜合診斷技術(shù)。

1.2 多Agent 診斷技術(shù)

Agent 的理論及技術(shù)的研究隨著人們對(duì)人工智能的需求增加而日益增加。研究者發(fā)現(xiàn)單個(gè)Agent 很難達(dá)到分布式系統(tǒng)結(jié)構(gòu)的要求。所以多Agent 技術(shù)得到了眾多研究者的青睞。多Agent 系統(tǒng)的最突出的特點(diǎn)就是其具有社會(huì)性。每個(gè)Agent 都各司其職。各Agent 通過(guò)協(xié)議或通信語(yǔ)言如KQML 語(yǔ)言等進(jìn)行通信，而多Agent 的診斷系統(tǒng)在此基礎(chǔ)上通過(guò)協(xié)作求解機(jī)制和診斷決策機(jī)制來(lái)完成協(xié)同診斷功能。在系統(tǒng)的組織結(jié)構(gòu)上多Agent 系統(tǒng)可以分為主從結(jié)構(gòu)、對(duì)等結(jié)構(gòu)和復(fù)雜結(jié)構(gòu)三種[2-5]。主從和對(duì)等結(jié)構(gòu)的組織形式比較單一，主從結(jié)構(gòu)中從屬Agent 對(duì)上層Agent 的依賴性較強(qiáng)，每個(gè)從屬Agent 間難以達(dá)到協(xié)同診斷。而對(duì)等Agent 正與之相反，每個(gè)Agent 之間的通信性和協(xié)作性較強(qiáng)，但是缺乏統(tǒng)一的管理，采用這樣的結(jié)構(gòu)會(huì)給系統(tǒng)留下缺口。將主從和對(duì)等兩種結(jié)構(gòu)的優(yōu)點(diǎn)綜合起來(lái)就形成了復(fù)雜結(jié)構(gòu)。

系統(tǒng)既要求具有多Agent 的協(xié)同性，也要采用一定的管理機(jī)制對(duì)整個(gè)多Agent 系統(tǒng)進(jìn)行管理。所以復(fù)雜結(jié)構(gòu)可以滿足要求。

1.3 多Agent 智能診斷模型

系統(tǒng)將整體結(jié)構(gòu)分為四層，包括管理層、功能層、推理層和數(shù)據(jù)層。

圖1 多Agent 智能診斷模型Fig.1 The model of intelligent diagnosis based on multi-agent

管理層主要負(fù)責(zé)整個(gè)系統(tǒng)的管理機(jī)制與通信機(jī)制。決策需要通信的Agent 雙方需要對(duì)話，還是需要進(jìn)行知識(shí)的交換。二是要對(duì)Agent 之間的關(guān)系作出判斷。Agent 之間的交互有兩種關(guān)系：正關(guān)系和負(fù)關(guān)系[1]。正關(guān)系表示Agent 的規(guī)劃有重疊的部分，或某個(gè)Agent 具備其他Agent 不具備的能力，各Agent 可通過(guò)管理層的協(xié)調(diào)獲得幫助，負(fù)關(guān)系會(huì)導(dǎo)致沖突。管理層要進(jìn)行協(xié)調(diào)，達(dá)到?jīng)_突的消解的目的。

功能層是多Agent 診斷系統(tǒng)的核心層。主要包括知識(shí)處理、特征提取、實(shí)時(shí)監(jiān)控、故障診斷與故障決策等功能組件。

推理層處于數(shù)據(jù)層和功能層之間。主要提供各功能組件所需的知識(shí)或數(shù)據(jù)，并對(duì)推理機(jī)制進(jìn)行定義。

數(shù)據(jù)層包括數(shù)據(jù)庫(kù)、知識(shí)庫(kù)與擴(kuò)展知識(shí)庫(kù)三個(gè)方面。數(shù)據(jù)庫(kù)主要用于存儲(chǔ)由傳感器獲得的各種信息，知識(shí)庫(kù)為眾多相關(guān)領(lǐng)域的專家的經(jīng)驗(yàn)總和。擴(kuò)展知識(shí)庫(kù)主要是為系統(tǒng)的日后擴(kuò)展診斷功能留下接口。

在管理層中主要有兩個(gè)Agent：管理Agent 和數(shù)據(jù)傳輸Agent。管理Agent 負(fù)責(zé)協(xié)調(diào)各Agent 和通信，數(shù)據(jù)傳輸Agent 負(fù)責(zé)與后臺(tái)計(jì)算機(jī)上的通信Agent之間傳輸巡檢數(shù)據(jù)。具體診斷時(shí)，數(shù)據(jù)采集子系統(tǒng)將被診斷設(shè)備的運(yùn)行狀態(tài)、參數(shù)等數(shù)據(jù)采集輸入到診斷系統(tǒng)，一方面提供給PC 端顯示，另一方面，將數(shù)據(jù)提供給診斷方法Agent，形成診斷請(qǐng)求。管理Agent對(duì)診斷請(qǐng)求進(jìn)行任務(wù)分解，得出多個(gè)子任務(wù)，再根據(jù)對(duì)診斷Agent 的認(rèn)識(shí)，將診斷任務(wù)分配給適當(dāng)?shù)脑\斷Agent。管理Agent 還要負(fù)責(zé)診斷Agent 間的工作協(xié)調(diào)、協(xié)作和借助于KQML 語(yǔ)言通信，以及將各診斷Agent 的診斷結(jié)果綜合成最終結(jié)論，提交給用戶。具體的診斷系統(tǒng)模型和診斷流程圖如圖1、2 所示。

其中數(shù)據(jù)采集與處理Agent 主要負(fù)責(zé)數(shù)據(jù)的特征識(shí)別等。而診斷方法Agent 將實(shí)現(xiàn)模糊數(shù)學(xué)診斷方法和神經(jīng)網(wǎng)絡(luò)診斷方法，負(fù)責(zé)對(duì)故障的具體診斷。

圖2 多Agent 智能診斷系統(tǒng)的診斷流程圖Fig.2 The flow chart of multi-agent intelligent diagnosis system

2 多Agent 智能診斷系統(tǒng)在農(nóng)產(chǎn)品加工設(shè)備中的決策機(jī)制

所使用的實(shí)驗(yàn)設(shè)備為之前的研究成果種蛋識(shí)別設(shè)備。

2.1 種蛋識(shí)別設(shè)備的特征描述

該種蛋識(shí)別設(shè)備可以完成如下的功能[6]。

圖像預(yù)處理—圖像預(yù)處理菜單項(xiàng)包括圖像灰度化、中值濾波、二值化和邊緣檢測(cè)操作。其中灰度化可實(shí)現(xiàn)灰度變換和灰度調(diào)整操作。

灰度化—可以把一幅彩色圖像變成一幅灰白圖像。

中值濾波—消除孤立的噪聲點(diǎn)，使種蛋圖像增強(qiáng)。

二值化—將灰度圖像轉(zhuǎn)換成二值圖像。

邊緣檢測(cè)—從種蛋圖像識(shí)別中抽取邊緣輪廓。

特征提取—特征提取菜單包括9 個(gè)特征為基本特征，6 個(gè)不變矩特征，單值、多值特征顯示在圖像區(qū)，與使用的相關(guān)預(yù)處理圖像顯示的位置相同。

無(wú)精蛋識(shí)別—包括遺傳神經(jīng)網(wǎng)絡(luò)構(gòu)建、初始化、網(wǎng)絡(luò)訓(xùn)練和識(shí)別。系統(tǒng)的分類器主要功能是把種蛋分為無(wú)精蛋和受精蛋。

2.2 種蛋識(shí)別設(shè)備的診斷決策機(jī)制

從上面可以看出該種蛋識(shí)別設(shè)備既有硬件部分也有軟件部分。所以將該設(shè)備故障分為軟件故障樣本和硬件故障樣本兩部分。

硬件故障樣本可以歸納為：噪聲、電流穩(wěn)定性、液位穩(wěn)定性、溫度穩(wěn)定性、流量穩(wěn)定性與壓力穩(wěn)定性等。

軟件故障的測(cè)試需要選取樣本圖像作為檢測(cè)故障的標(biāo)準(zhǔn)，再將設(shè)備識(shí)別的圖像與之比對(duì)，誤差在可以忍受的范圍內(nèi)則認(rèn)為無(wú)故障。以將彩色圖像灰度化這一功能為例。選擇加權(quán)平均法所獲得的灰度圖效果較好，但是權(quán)值的設(shè)定對(duì)于圖像的灰度效果有很大的影響，所以軟件故障樣本的歸納方法主要采用此種方式[7]。

在這里，認(rèn)為硬件無(wú)故障。則設(shè)備的軟件故障征兆樣本與故障原因樣本如下表所示，樣本的量化標(biāo)準(zhǔn)值均為1，無(wú)故障標(biāo)準(zhǔn)值為0。

表1 軟件故障征兆樣本與故障原因樣本Table 1 The fault symptoms samples and failure samples of software

決策Agent 獲取本體知識(shí)庫(kù)中設(shè)備的故障樣本，針對(duì)軟件故障樣本設(shè)計(jì)訓(xùn)練能夠進(jìn)行進(jìn)一步診斷的神經(jīng)網(wǎng)絡(luò)。根據(jù)表1 軟件故障樣本集，神經(jīng)網(wǎng)絡(luò)選擇三層BP 神經(jīng)網(wǎng)絡(luò)，輸入神經(jīng)元數(shù)為3 個(gè)，輸出神經(jīng)元數(shù)為4 個(gè)；隱含層神經(jīng)元由用戶進(jìn)行選擇控制；神經(jīng)網(wǎng)絡(luò)運(yùn)行參數(shù)：連接權(quán)值、閾值由系統(tǒng)隨機(jī)設(shè)定，學(xué)習(xí)率、學(xué)習(xí)次數(shù)、自適應(yīng)變量學(xué)習(xí)率系數(shù)由本體知識(shí)經(jīng)驗(yàn)設(shè)定。神經(jīng)網(wǎng)絡(luò)設(shè)汁完成后訓(xùn)練故障樣本。在進(jìn)行樣本訓(xùn)練時(shí)，選擇用訓(xùn)練精度對(duì)BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練進(jìn)行控制，同時(shí)設(shè)置隱含層數(shù)為4 個(gè)。

結(jié)果可知訓(xùn)練次數(shù)為659 次，訓(xùn)練完成后將樣本集輸入診斷系統(tǒng)觀察輸出結(jié)果。樣本輸出結(jié)果如下。

可以看出對(duì)角線上數(shù)值接近1，其他數(shù)值接近0。與分析中的故障原因集類似，訓(xùn)練結(jié)果滿意。與表1 中軟件故障樣本集基本一致。

3 結(jié)論

在對(duì)智能診斷技術(shù)研究基礎(chǔ)上，構(gòu)建了農(nóng)產(chǎn)品加工用高精度智能診斷系統(tǒng)的診斷模型，并對(duì)具體的診斷流程進(jìn)行了描述。最后給出了智能診斷系統(tǒng)的決策機(jī)制，并對(duì)故障樣本進(jìn)行了訓(xùn)練，基本上得到了預(yù)期的效果。

［1］ 劉征.多Agent 故障診斷系統(tǒng)的研究［J］.武漢理工大學(xué)學(xué)報(bào)，2009年，31（11）：126-128.

［2］ 張復(fù)春，張鳳鳴，南建國(guó).基于Agent 的遠(yuǎn)程故障診斷系統(tǒng)的實(shí)現(xiàn)［J］.空軍工程大學(xué)學(xué)報(bào)：自然科學(xué)版，2003，4（6）：68-70.

［3］ 蔣偉進(jìn)，許宇勝，孫星明.基于MAS 的分布式智能故障診斷模型與關(guān)鍵技術(shù)研究［J］.機(jī)械強(qiáng)度，2004，26（2）：119-126.

［4］ Daiping Hu，Weiguo Xu，Huiming Dou，et al.An Agent Based Fault Diagnosis Support System and its Application［A］.Service Operations and Logistics and Informatics［C］.Shanghai：IEEE Conference Publications，2006.

［5］ 于志偉等.基于多智能體的監(jiān)控與故障診斷技術(shù)及其應(yīng)用［J］.計(jì)算機(jī)工程，2006，32（13）：222-224.

［6］ 馬秀蓮，衣淑娟.基于嵌入式系統(tǒng)與機(jī)器視覺的上孵前無(wú)精蛋識(shí)別系統(tǒng)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（5）：187-192.

［7］ 劉勇，朱景福，王雪.基于中間件和服務(wù)的協(xié)同協(xié)作模型設(shè)計(jì)與實(shí)現(xiàn)［J］.黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2012，24（2）：87-89.