专利名称：一种远程协同诊断任务分配方法
技术领域：
本发明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，具体涉及一种远程协同诊断任务分配方法。
背景技术：
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
Bm
Task: (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。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供一种远程协同诊断任务分配方法，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，本发明采用的技术方案是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。所述步骤2中装备诊断任务关系矩阵是根据被诊断对象的结构模型，或者功能模型，运用邻接矩阵建立的，即装备的结构模型对应着一个结构邻接矩阵，故障模型对应着一个故障树，首先采用粗粒度的装备结构分解和细粒度的装备故障分解，然后根据这两种分解结果的交叉关联部分即可建立。更进一步，将复杂诊断任务分解为多个可执行的诊断任务后，各个可执行的诊断任务还通过基于合同网的方法进行诊断任务分配。与现有技术相比，本发明的优点是I)本诊断任务分配方法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，而其他方法经常只是关注其中某一环节。本方法具有模块化、扩展性好、应用场合广等优点。2)诊断任务模型建立环节从不同的分解粒度关注多个不同类型模型的交集，以求建立完善、准确的诊断任务模型，并运用Bayesian网络方法优化模型的权值。3)诊断任务路径规划环节针对不同的DTM权值类型，设计了不同的关键路径确立算法。该算法易于计算机实现。4)诊断资源配置环节从服务角度建立了诊断任务需求和诊断资源功能的匹配算法，在匹配过程中融合了多约束算法。该算法柔性较强。
图I是诊断任务分解分配执行的流程图。
图2是诊断任务模型图，圆圈表示诊断任务结点，箭头表示诊断任务结点间的关系O图3是初始诊断任务模型图，对号表示模型的边权值未知。图4是未整理诊断任务模型图，数字即边权值表示模型中诊断任务Tu间的量化关系值，黑色结点表示此时的DTM中存在的被不同父诊断任务结点共用的诊断任务结点。图5a是结点只包含子结点的fork型上下层结点之间结构联系形式；图5b是结点只包含父结点的join型上下层结点之间结构联系形式；图5c是结点有父结点包含子结点的混合型上下层结点之间结构联系形式；图5d是通过添加一个虚拟结点将混合型转换为fork型或join型。图6是整理后的诊断任务模型图，实心圆表不虚拟结点。图7是本发明实施例中混凝土运输车制动系统结构组成。
·
图8是本发明实施例中混凝土运输车制动系统故障的诊断任务关系矩阵。图9是本发明实施例中混凝土运输车制动系统单侧制动故障的诊断任务模型。图10是本发明实施例中混凝土运输车制动系统单侧制动故障诊断任务执行路径示意图。图11是本发明诊断资源匹配流程图。图12是本发明资源配置AGENT内部状态转换图。图13是本发明资源配置AGENT内部状态转换图。
具体实施例方式下面结合附图和实施例对本发明做进一步详细说明。如图I所示，本发明是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给各参与协同诊断的诊断资源执行。诊断任务分配首先将一个复杂诊断任务分解为多个可执行的诊断子任务，进而才能根据各个诊断子任务的需求和远程诊断资源的自身执行任务的能力等约束条件，来综合确定诊断资源需执行的诊断子任务。所以，诊断任务需要首先进行分解。诊断任务分解过程大体分为两步(I)确定诊断任务集；(2)确定各个诊断任务间的关系。通常,装备的结构模型对应着一个结构邻接矩阵,故障模型对应着一个故障树。首先采用粗粒度的装备结构分解和细粒度的装备故障分解，然后关注这两种分解结果的交叉关联部分。结构分解后的某个装备基本结构部件和故障分解后的该部件是否可能出现故障这两个分解结果就共同反映了是否要对该部件实施监测、诊断任务等，这种综合分解一直进行到某个装备基本结构部件的一个明确故障问题。进而确定出诊断任务集，这些诊断任务间的关系用一个诊断任务关系矩阵表示。例如柴油发动机由机体、曲柄连杆机构、配气机构、冷却系、润滑系、燃料系等6部分组成，因此，从结构上将柴油发动机的诊断任务分为6种。每种诊断任务针对不同的部件，并根据每个部件所关联的故障再进行细分，以此类推，一直到装备某个基本结构的I个明确的故障问题。最后得到I个诊断任务集及其诊断任务关系矩阵。诊断任务关系矩阵是反映某故障征兆下的各个诊断任务间的联系的一个非对称矩阵，表示为 T = [Tij],其中，i = O, I, · · ·，m,而 j=0, I, · · ·，n。当装备的结构模型中有m个结构模块(结点)Bi,故障模型(如故障树)中有η个故障征兆A时，由于故障模型的故障征兆A反映了相关结构结点％出现故障的概率大小，以结构结点％为行，以故障征兆&为列，依次比较结构结点和故障征兆之间是否有联系，即TijZaiAfit5 Si值取O或I,当Si与A有联系时,afl,反之Si=O ;故障征兆A e (0,1]。当Bi与&无关时，Tij=O,反之，Tij e (0，I]，其具体值由Bayesian网络确定。Tij越接近于1，越说明结构结点％有可能产生故障征兆A。不为零的Tu集合构成诊断任务集。被诊断装备的结构和故障复杂程度决定着对应的诊断任务分解、诊断任务执行等诊断领域问题的复杂程度。常用的诊断任务分解方法包括根据经验、基于结构或功能、基于故障模式和基于不同诊断方法等分解方法。对于复杂装备，很难用单一的分解方法建立合适的诊断任务分解层次并确定诊断任务关系，采用多层次混合分解方法，即首先按照装备的结构和功能进行粗略的大体分解，再将基于故障模型的分解作为诊断的中心层次，并利用Bayesian网络推理确定诊断任务间的关系，得到诊断任务模型，如图2所示。需要时，还要对诊断任务模型进行分层等整理工作。 具体来讲，本发明所述分配的详细步骤如下步骤I，进行诊断任务关系分析进行诊断任务分配时，多个诊断任务的执行有一定的时序关系，各诊断任务的完成情况对上层任务甚至于顶层任务的执行都有影响。所以，多个诊断任务并不是孤立存在的，它们之间存在一定的关系，这些关系大体包括串联、并联两大类。串联关系表明诊断任务间需要先后执行，而如果两个诊断任务是同时执行，则它们间的关系属于并联关系。有时，当无论从时序角度，还是从逻辑角度看，若两个诊断任务间都不存在相互影响，则认为这两个诊断任务间的关系为独立关系。根据被诊断对象的结构模型，或者功能模型，运用邻接矩阵建立诊断任务关系矩阵，即装备的结构模型对应着一个结构邻接矩阵，故障模型对应着一个故障树，首先采用粗粒度的装备结构分解和细粒度的装备故障分解，然后根据这两种分解结果的交叉关联部分即可建立诊断任务关系矩阵。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 +LEj=TipVi对应的诊断任务为TiQ = 0，I,. . .，m),如图3所示。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。例如图3中，诊断任务a和诊断任务b为串联关系，诊断任务c和诊断任务b为并联关系，而诊断任务c和诊断任务d则为独立关系。由于诊断任务模型的边权值未知，在图3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确定诊断任务间关系的方法之一是在已有诊断任务分配案例样本基础上，运用Bayesian网络的推理(学习)来确定Tijt5Bayesian网络是一种基于概率分析、图论，进行不确定性知识表达和推理的模型。作为一个有向无环图，Bayesian网络的结点代表诊断任务结点，有向弧代表诊断任务结点之间的关系，诊断任务结点之间的关系强度由结点与其父结点之间的条件概率表示。
(I)构建用于确定诊断任务间关系问题的Bayesian网络。在确立装备诊断任务关系矩阵后，其对应的诊断任务的Bayesian网络结构及其结点是可见的。(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(Conditional Probabilities Table, CPT)的 w 初始值,每一层 w 满足Ewi=Lw 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，获取权重学习的诊断任务关系训练样本集合TSITS1,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51吧,.(即/ ( ■’ v|以)/w，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W +/0In/;vv(7:V)/~)更新权值￥，I为权重学习的步长，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)当处1八,.(/'\)/(^’<^;时，8&7681&11网络训练结束，ε为一极小值，此时的w值作为Bayesian网络的权重值，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,如图4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为了使未整理DTM简洁明了，需要对其进行分层，将其模块化。DTM分层方法大体有三最长路径法、层数限制法、添加虚拟结点法。本发明采用添加虚拟结点法。在一个DTM中，上、下层结点之间常见的结构联系形式包括三种结点只包含子结点的fork型，如图5(a)所示；结点只包含父结点的join型,如图5 (b)所示；结点有父结点包含子结点的混合型，如图5 (c)所示。其中，通过添加一个虚拟结点将混合型转换为fork型或join型，如图5(d)所示，从而得到模块化的DTM。图6为采用添加虚拟结点后的DTM。DTM的层数多少可以人为控制，通常，考虑到通信延迟和执行代价等，可将层数增多，即进行细粒度的诊断任务划分，如此划分的好处在于诊断任务并行度高，其精确性、目的性较强，但增加了 DTM的模型复杂度。反之，在层数较少的DTM中，粗粒度诊断任务的并行度低，但速度快、开销小。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。如图7所示，以混凝土运输车的制动系统为例。该制动系统有独立的空气和液压两套管路，是一种作用于所有车轮上的气动-液压式制动系统。三回路压力保护阀在空气系统漏气时切断空气回路，从而确保其它空气系 统正常工作。空气压力调节器根据储气罐内空气压力，使空压机处于载荷或空载状态，从而使储气罐内空压保持在规定压力范围内。双重制动阀是一种控制阀，包括踏板总成和阀总成两部分，根据制动踏板不同踩下角度向前、后制动加力器供给相应空压来控制车辆制动力。制动系统的制动性能检测常用压力传感器、温度传感器、五轮仪、减速度仪、制动试验台等设备或仪器。制动系统的故障主要有制动不灵、制动失效、制动托滞、制动跑偏等。在《工程机械状态检测与故障诊断》一书关于制动系统的制动不灵原因分析中，仅液压系统和气压系统的疑似原因就有28条之多。依据图7的制动系统结构组成和产生制动不灵这一故障征兆的疑似原因，以结构部件为行，故障征兆为列，仅挑出部分故障征兆及其对应结构部件，组成非对称的诊断任务关系矩阵如图8所示。图8中，制动液压系统包含图7的液体管路和制动液箱，制动气压系统包含图7的空压机、调节器等。图8也对双重制动阀、制动加力器和车轮制动器进行了细分。图8中的对号表示某结构部件有可能产生对应的故障征兆，所以需要对这些部件执行监测等诊断任务，进而形成诊断任务集。将这个诊断任务集用DTM形式来表示，就形成了初始诊断任务模型。接下来，基于已有的诊断任务分配成功案例样本，运用Bayesian网络推理出初始DTM中的诊断任务间的关系，也就是确定边权值Eu。首先，人为依据经验确定各个诊断任务间关系的概率值，如P(V7)=O. 2。然后，基于从已有的诊断任务分配成功案例样本导出的诊断任务关系样本对这些概率值分别从上至下进行学习，进而确定合适的关系概率值，如P(V1) = X^Cv7 I ViMVi) = 0.26。依此类推，最终确立单侧制动故障的诊断任务模型，如图9所示，它分为4层，每一层诊断任务结点都是对上一层父诊断任务结点的细分。而且，不同层间的父结点诊断任务的执行是以其子结点诊断任务执行结果为基础的。图9的边权值分为两种，分子为Bayesian网络推理前的任务间的关系概率初始值，分母则为Bayesian网络推理后的任务间关系概率的推理值。边权值的大小体现了 DTM中上、下层诊断任务结点间的串联关系的关联程度，即子诊断任务对上一层父诊断任务的重要性。从部件角度而言，也就是在一个结构组成中，某部件相对于其它部件，更容易发生故障的概率，这个概率通常在装备故障树模型中有所描述。同时，比较不同边权值的大小也反映了相关诊断任务间的并联关系，例如在图9中，虽然诊断任务结点Vci和V2、V3为串联关系，而V2和V3为并联关系，但是，V2相对于V。的重要性为O. 8，而V3相对于V。的重要性为O. 05，显然，对V。而言，V2比V3重要，需要首先执
Τ V2 ο图9中也反映了诊断任务间的独立关系，比如诊断任务结点V4与除了 Vtl和V1以外的诊断任务结点就是独立关系。总之，图9中的诊断任务结点反映了单侧制动故障下的诊断任务集，这些诊断任务间的关系由边权值体现，而诊断任务间的执行顺序则由下面的诊断任务执行路径规划来确定。另外，有两点补充说明。(I)通常，一项诊断任务牵扯到使用某诊断资源对某部件进行诊断，来确定该故障 是否发生故障以及确定故障成因等。由于还不能确定具体对应的诊断资源，所以图9下方的诊断任务仅是简单描述了的诊断任务，这些诊断任务形成一个诊断任务集。(2)在图9中，^、^、^和V14也是有异常噪声时的部分诊断任务。当确定有异常噪声时的DTM时，为了 DTM层次清晰，需要添加相应的这4个虚拟结点。图9的单侧制动故障的诊断任务模型确定了很多诊断任务及其间的关系，但这些诊断任务之间的执行顺序还没有确定。如在图9中，若要执行诊断任务T2，必须先执行T2的子诊断任务Τ5、Τ6、Τ7。但是，每一个诊断任务的执行，都需要耗费一定的时间和成本，而且它们所对应的部件可能发生故障的概率也不一样。所以，为了提高诊断任务的执行效率，需要优先执行其中的某一个诊断任务。那么，诊断任务T5、T6、T7中的哪一个被优先执行？这需要通过诊断任务执行路径规划来确定。针对DTM进行诊断任务执行路径规划包括执行路径建立、路径整理、路径确定等工作。诊断任务执行路径规划首先从DTM模型中导出诊断任务执行路径集，然后根据诊断任务的约束指标来确定和动态调整执行路径。作为一个赋权有向图，DTM的一条路径P = Ivi, vi+1,VjI是一个非空的诊断任务结点和其相邻结点序偶构成的边所形成的序列。结点Vi到结点\的一条路径长度为该路径上包括起始结点Vi和终止结点Vj在内所有经过的边权值之和，Vi, Vj e V且Eij e E0
即路径长度
权利要求
1.一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 = O, 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Σ Wi=I, 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(VjTSi)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Hn/人(/λ)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*_+ /(/^八.仍)/&便新权值￥，1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&v<〃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。
2.根据权利要求I所述的远程协同诊断任务分配方法，其特征在于，所述诊断任务关系矩阵是根据被诊断对象的结构模型，或者功能模型，运用邻接矩阵建立的，即装备的结构模型对应着一个结构邻接矩阵，故障模型对应着一个故障树，首先采用粗粒度的装备结构分解和细粒度的装备故障分解，然后根据这两种分解结果的交叉关联部分即可建立。
全文摘要
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。
文档编号G06F19/00GK102819684SQ20121029019
公开日2012年12月12日 申请日期2012年8月15日 优先权日2012年8月15日
发明者刘建辉 申请人:西安建筑科技大学