中壓環(huán)保型設備運行狀態(tài)的分布式遠程監測與診斷技術(shù)研究

2 分布式故障診斷的協(xié)調優(yōu)化

　　在基于多智能體組的中壓環(huán)保型設備分布式運行監測與診斷體系結構中，產(chǎn)品管理智能體和資源調度智能體之間利用TCP/IP協(xié)議進(jìn)行通訊，而資源調度智能體和現場(chǎng)管理智能體之間利用網(wǎng)絡(luò )通訊協(xié)議進(jìn)行通訊，現場(chǎng)管理智能體與中壓環(huán)保型設備之間利用OPC標準進(jìn)行通訊，基于多智能體分布式故障診斷體系結構的通信模型結構如圖5所示。

　　中壓環(huán)保型設備分布式運行監測與診斷結構是基于協(xié)同智能體的通信，對預設任務(wù)的完成狀態(tài)和中壓環(huán)保型設備運行狀態(tài)進(jìn)行監控，并發(fā)布給產(chǎn)品管理智能體?；诙嘀悄荏w的分布式故障診斷系統優(yōu)化運行如圖6所示。

　　資源調度智能體與現場(chǎng)管理智能體通信方式表述為①描述現場(chǎng)管理智能體向資源調度智能體獲取信息;②描述現場(chǎng)管理智能體向資源調度智能體請求查找產(chǎn)品管理智能體;③描述現場(chǎng)管理智能體尋找現場(chǎng)管理智能體，同時(shí)反饋現場(chǎng)管理智能體獲得信息;④描述產(chǎn)品管理智能體向現場(chǎng)管理智能體發(fā)布執行任務(wù);⑤描述現場(chǎng)管理智能體收到產(chǎn)品管理智能體的執行任務(wù)后做出反應。因此，資源調度智能體與現場(chǎng)管理智能體可以實(shí)現任務(wù)發(fā)布與信息共享。

　　粒子群優(yōu)化算法是Kennedy和Eberhart于1995 年提出的，它源自群體任務(wù)理論，受鳥(niǎo)群或魚(yú)群任務(wù)的啟發(fā)，通過(guò)個(gè)體間的信息傳遞方式，使整個(gè)團體朝同一方向和目標而去^[12-13]。粒子群優(yōu)化算法(PSO)是進(jìn)化技術(shù)的一種，源自對鳥(niǎo)群捕食任務(wù)的研究，它本質(zhì)上是屬于迭代的隨機搜索算法，具有并行處理特征，魯棒性好，易于實(shí)現，原理上可以以較大的概率找到優(yōu)化問(wèn)題的全局最優(yōu)解，且計算效率較高，已成功地應用于求解各種復雜的優(yōu)化問(wèn)題。

　　多智能體系統里，將每個(gè)智能體 都隨機初始化在總的格子數為L(cháng)size×Lsize的環(huán)境中，且每個(gè)智能體占一個(gè)格子。格子中的數據代表智能體所在環(huán)境中的位置信息，每一個(gè)智能體自身包含PSO算法中每個(gè)粒子的速度和位置兩個(gè)數據信息。Lsize是一個(gè)正整數，格子總數相當于PSO算法中的種群規模。每個(gè)智能體感知的環(huán)境信息來(lái)自自身所處的局部環(huán)境，并可以參考感知到的局部環(huán)境信息進(jìn)任務(wù)作決策和完成任務(wù)。因此，局部環(huán)境對于每個(gè)智能體就顯得十分重要。

　　首先將各個(gè)智能體隨機分配到空間中對其位置與速度進(jìn)行初始化，之后為每個(gè)智能體隨機分配一定數目的鄰居，每個(gè)智能體與這些鄰居一同構成PSIMA的局部環(huán)境。在為各個(gè)智能體配置鄰居粒子過(guò)程中，可參考不同優(yōu)化問(wèn)題適應性地選取鄰居粒子數目。將算法應用于環(huán)保工程經(jīng)濟負荷分配，在實(shí)驗中結合問(wèn)題的復雜程度，綜合考慮了尋優(yōu)效率與尋優(yōu)結果之間的平衡，保證在較少時(shí)間內取得很好的最優(yōu)解，通過(guò)數次實(shí)驗確定隨機鄰居數目為20。在不同的具體優(yōu)化問(wèn)題中，可通過(guò)減少隨機鄰居數目減少算法運行時(shí)間，也可通過(guò)增加隨機鄰居個(gè)數提高問(wèn)題最優(yōu)解。

　　每個(gè)智能體可以與更多的智能體鄰居進(jìn)行信息交互，突破了MAPSO中信息傳遞的限制，隨著(zhù)每次迭代的進(jìn)行，每個(gè)智能體獲得的信息量更大。同時(shí)，由于本文選擇的鄰居范圍也不特定，因此每個(gè)智能體通過(guò)信息交互獲得的有效信息更多，更容易快速學(xué)習進(jìn)任務(wù)作決策，協(xié)作功能更突出，也使得整個(gè)系統收斂更快，效果更好。

　　在PSIMA算法中，每個(gè)智能體要更新自己的位置，但與PSO的不同之處在于更新之前首先要先和局部環(huán)境中的鄰居粒子進(jìn)行競爭與合作，所以每個(gè)鄰居粒子就要先計算各自適應值。假設智能體在智能體α的20個(gè)鄰居中擁有最小的適應值，且。若智能體α滿(mǎn)足：

(1)

　　它是一個(gè)優(yōu)質(zhì)粒子，否則為劣質(zhì)粒子。如果智能體 是一個(gè)優(yōu)質(zhì)粒子，它在解空間的位置保持不變。反之，智能體α在解空間的位置進(jìn)行調整：

　　即便智能體α是劣質(zhì)粒子，它仍然在保留了自己原本有用信息的基礎上充分吸收了最優(yōu)鄰居粒子智能體 的有益信息，進(jìn)一步減小了自身的適應值。

　　中壓環(huán)保型設備分布式運行監測與診斷結構中時(shí)采用企業(yè)內部和企業(yè)外部不同協(xié)同機制對執行任務(wù)進(jìn)行監控，達到預設任務(wù)的狀態(tài)追溯?；诙嘀悄荏w的分布式故障診斷體系結構中各智能體通過(guò)協(xié)同與共享執行任務(wù)，其故障診斷運行框架如圖7所示。

　　中壓環(huán)保型設備分布式運行監測與診斷運行框架包括：

　?、佻F場(chǎng)管理智能體可以完成執行任務(wù)的信息采集、采樣組態(tài)設置、超限報警、數據顯示、信號采集等;

　?、诂F場(chǎng)管理智能體通過(guò)自身的自我適應任務(wù)具備自治能力，實(shí)現數據可管理、在線(xiàn)監測、在線(xiàn)診斷等;

　?、廴粼谝欢ǚ秶鷥痊F場(chǎng)管理智能體無(wú)法排除故障，需要利用數據庫傳輸模塊和瀏覽器向資源管理智能體發(fā)出協(xié)同請求信息，同時(shí)講信息收集到遠程故障診斷中心;若在一定范圍內資源管理智能體無(wú)法收到排除故障的信息，則資源管理智能體將實(shí)現自治，同時(shí)進(jìn)入協(xié)同待請求狀態(tài);

　?、苓^(guò)程故障診斷智能體對歷史數據進(jìn)行分析，以及故障診斷與檢測，包括時(shí)域和頻域分析、頻譜分析、全息譜分析、細化分析、時(shí)域波形分析、軸心軌跡分析、信號濾波解調、高通絕對值解調、時(shí)延域分析、故障模式分析、故障溯源等。

3 結論

　　針對中壓環(huán)保型設備的故障診斷方式與控制策略單一的問(wèn)題，本文首先分析當前中壓環(huán)保型設備故障診斷方式與方法，通過(guò)中壓環(huán)保型設備故障診斷內在機理分析，在系統闡述智能體特性、結構、功能基礎上，研究多智能體體系與結構，建立基于多智能體的中壓環(huán)保型設備分布式運行監測與診斷體系結構，并在此基礎上基于遺傳算法建立分布式故障診斷體系結構的通信模型，探索分布式故障診斷協(xié)同優(yōu)化機理;最后研究建立多智能體的分布式故障診斷運行機制，為提高中壓環(huán)保型設備控制能力，為分布式狀態(tài)采集與分析、以及智能判斷評估提供參考，擴展環(huán)保工程分布式故障診斷理論的發(fā)展和應用。

　　參考文獻：

　　[1]E.Tatara，A.Cinar，F.Teymou，Control of complex distributed systems with distributed intelligent agents[J]，Journal of Proeess Control， 2007,17(5):415-427

　　[2]ZhangLiePing，ZhangYunsheng. Researed onhierarchieal distributed eoordinatione ontrolin Proeess in dustry based on multi-agent system[C].In:Proceedings of the International Conference on Measuring Teehnology and eehatronies Automation，Changsha，2010,(3):96-100

　　[3]張交鎖.中壓環(huán)保型氣體絕緣開(kāi)關(guān)設備的實(shí)現及關(guān)鍵技術(shù)[J].中國電業(yè), 2014(6):35-38.

　　[4]曹磊.中壓配電網(wǎng)設備利用率綜合評價(jià)體系研究[D].天津大學(xué)碩士學(xué)位論文，2012.

　　[5]姜林林.環(huán)保型設備投資決策問(wèn)題研究[D].中南大學(xué),2009.

　　[6]蔣偉進(jìn), 許宇勝 , 吳泉源,等.基于多智能體的分布式智能診斷方法研究[J].控制理論與應用, 2004 , 21 (6) :235-237

　　[7]朱大奇, 紀志成.基于多智能體的復雜工程系統故障診斷研究[J]. 計算機集成制造系統 , 2004 , 10 (6) :699-703

　　[8]劉京津.基于多智能體系統的故障診斷技術(shù)在智能電網(wǎng)中的應用[J].電子與封裝 , 2013 (12) :43-48

　　[9]陳凱旋.基于多智能體一致性的智能電網(wǎng)調度策略[D].南京郵電大學(xué), 2016.

　　[10]劉京津.基于多智能體系統(MAS)的故障診斷技術(shù)在智能電網(wǎng)中的應用[C]. 江蘇省電機工程學(xué)會(huì )2010年學(xué)術(shù)年會(huì )暨第四屆電力安全論壇 , 2011:235-237.

　　[11]趙麗平.基于Multi_智能體的電能質(zhì)量監控網(wǎng)絡(luò )的研究[D].成都西南交通大學(xué),2006

　　[12]GG Wang , AH Gandomi, AH Alavi, S Deb. A hybrid method based on krill herd and quantum-behaved particle swarm optimization[J]. Neural Computing & Applications, 2016, 27 (4) : 989-1006.

　　[13]B Gordan,DJ Armaghani, M Hajihassani, M Monjezi. Prediction of seismic slope stability through combination of particle swarm optimization and neural network[J]. Engineering with Computers, 2016 , 32 (1) :85-97.

　　本文來(lái)源于《電子產(chǎn)品世界》2018年第1期第37頁(yè)，歡迎您寫(xiě)論文時(shí)引用，并注明出處。