智能體在工業監控系統中的應用

(北京化工大學信息科學與技術學院，北京 100029)

0 引言

人機監控界面是工控系統的重要組成部分，其性能對于整個過程監控系統的高效工作起著至關重要的作用。而目前的工控人機監控界面普遍存在交互性能不足、缺乏智能性、靈活性差等問題[1]。同時工業生產過程日趨復雜，數據信息量龐大，導致操作員的監控負擔變得越來越重。因此，對于智能、高效的人機交互監控系統的需求顯得十分迫切。

Agent技術為人機交互[2-6]與工業監控[7-9]領域提供了一個新的發展方向。利用Agent對外界環境的自適應、運用自身知識自主處理問題和自學習的能力[10-11]，提出了一種基于Agent技術的工業監控智能人機交互系統。該系統的特點是可學習監控人員的歷史經驗并預測其操作意圖，為監控操作提供相應的指導建議，提高系統監控效率。

1 系統結構

在對傳統工業組態監控系統的人機交互界面的研究基礎上，提出一種基于Agent的工業監控智能人機交互系統，其結構如圖1所示。

圖1 基于Agent的工業監控人機交互系統結構

系統主要分為上、下兩層。監控人員和人機交互Agent共同構成系統的上層，人機交互Agent可以作為操作員的智能代理，監控人員的任何操作和命令下達都是通過人機交互Agent實施的，同時監控人員通過人機交互Agent獲取現場的狀態反饋和各種異常信息。各種監控功能集合構成系統的下層，這里將工業過程監控功能分為分析、流程、控制、趨勢、報警和報表6大類。其中，分析是對傳統工業監控系統擴展后的一項功能，包括：①被控變量的偏差信息分析，用于評價控制器的控制性能情況；②監測變量與報警限的偏差信息，用于分析系統可能會出現的報警情況；③監測變量的均值和方差信息，用于評價生產過程的平穩程度。

人機交互Agent設計為一類慎思型結構[12]，具有較高的學習和推理能力。其中，知識庫包含了Agent自身知識、功能目標、用戶列表，以及用于推理所需的規則知識等。人機交互Agent通過感知操作人員的動作執行過程，提取出交互動作序列，進行動作行為學習，從而實現對監控人員操作意圖的預測，最后將預測結果整合為操作指導建議。

2 人機交互學習與動作預測

人機交互Agent的決策推理采用基于經驗知識的交互學習和動作預測方法，通過挖掘用戶歷史經驗，即提取用戶的歷史操作動作序列，構建人機交互動作序列庫，并結合當前環境(包括系統狀態和用戶當前操作)，預測出用戶未來的操作意圖，從而為用戶進行下一步動作提供相應的操作建議。通過對用戶操作模式的學習和預測，一方面，充分發揮計算機的自身優勢，減少操作員的認知和記憶負擔，防止操作員因監控疲勞而產生的監控不及時或操作失誤；另一方面，動作預測為操作員提供最為可能的幾種操作建議，可幫助操作員快速而準確地處理各種異常情況，以做出更為準確合理的動作決策。相比于只完全依靠操作員自身對所有可能的情況進行選擇，減少了決策所需時間并降低了用戶的操作負擔，從而有效提高了工控人機交互系統的監控效率。

由于工業監控過程的復雜性，用戶的操作經驗不再是低粒度的原子操作(如鼠標的單擊、雙擊、按鍵等)，而是針對某種情況所采取的某個或某些高層次的交互動作，如反應罐的液位過高，調整對應出口(或進口)閥門，調節控制器PID參數等。因此，系統的交互動作可定義為一個六元組：

Action=

其中，actionID為該交互動作的標志，具有唯一性；actionName為交互動作的名稱，不同的動作標志可能具有相同的動作名稱；object為該動作的作用對象；position為動作發生的位置；time為該動作發生的時間；effect為動作執行的效果評價，且effect∈[0, 1]，該值越接近1，表明用戶對該動作產生的效用越滿意，反之，用戶滿意度低。

定義A={a1,a2,…,ai,…，an}為一組用戶交互動作的有限集合，其中，ai為用戶的操作動作；St={st1,st2,…，sti，…，stm}為一組系統狀態的有限集合；Sij={(Sti,Aj)|Sti?St,Aj?A,i,j∈N+}為用戶交互動作序列，其中Sti為整個系統狀態St的序列子集，Aj為所有交互動作A的序列子集；k=len(Aj)為動作序列Aj的長度。

鑒于工業監控過程的復雜性和不確定性，即使處于同樣的狀態下，同一操作人員所采取的動作也可能不完全一樣，這也是工業監控人機系統與其他人機交互系統的一個重要不同處。為了表明這種可能性，引入一個動作頻率函數num(st,a)，表示在狀態st下動作a發生的次數。因此，動作a發生的概率可表示為：

(1)

基于經驗知識的交互學習與動作預測首先需要構建交互動作序列庫，然后才能進行相應的動作預測。

① 交互動作序列庫構建

交互動作序列庫的構建是對監控人員的歷史操作經驗進行學習的過程，可通過登陸系統的用戶名來區分不同的監控員，分別擁有各自不同的交互動作序列庫。一個監控人員的交互動作序列庫也可以供其他監控人員使用，因此對于不熟練的監控員，可以充分利用具有豐富經驗的監控人員的動作序列庫，從而有效地幫助其做出更合理的監控操作。

為增強交互動作學習和預測的可靠性，在構建交互動作序列庫的過程中，特別增加了預交互動作和預交互動作序列兩個輔助概念。將第一次出現的用戶動作作為預交互動作，所構成的集合為預交互動作集合，同理其組成的交互動作序列為預交互動作序列。假定操作員當前正在執行的動作為a，交互動作集合為A，預交互動作集合為B，交互動作序列為S，預交互動作序列為S′，同時限制交互動作序列的最大長度為N，以降低交互學習過程的復雜度。如果a為一個新操作行為，即a既不屬于A，也不屬于B，則將a加入預交互動作集合B，并產生一個以a為結束項的預交互動作序列；如果a∈B，則以a為結束項，將連續的若干動作序列與預交互動作序列相比較，將其中以a為結束項的相同動作序列加入到交互動作序列庫中，并將a加入到交互動作集合A中；若a∈A，則在交互動作序列庫中搜索與其局部匹配的動作序列S，如果存在這樣的序列，則更新該動作序列中a的執行頻率；否則，表明可能存在一個新的交互動作序列Snew。

交互動作序列庫構建的算法流程如圖2所示。

圖2 交互動作序列構建的算法流程圖

② 交互動作預測

交互動作序列庫構建完成之后，則可根據當前系統狀態和操作對用戶下一步的操作動作進行預測。這里，采用綜合最大動作序列匹配長度和最大動作執行概率的方法對用戶的操作意圖進行預測。當動作序列匹配長度L越大(L≤N，N為動作序列長度的上限值)，其對應的動作發生概率也更大。因此，定義動作序列匹配長度概率為：

(2)

式中：d表示選取前d個最大序列匹配長度作為候選預測動作范圍，該參數可根據具體情況進行設定，一般選取d=3～5；L為序列匹配長度值，且L≤N。

交互動作預測原理如下。首先，在當前系統狀態st下，以當前用戶動作a為結束項，逐步向后遞增動作序列長度L，并與交互動作序列庫中的動作序列進行比較匹配，得到前d個最大匹配長度中的所有預測動作候選集合C。然后計算每個候選預測動作的執行概率Pn和對應的序列匹配長度概率PL。最后通過式(3)計算每個預測動作的綜合發生概率R：

R=αPL+(1-α)Pn

(3)

式中：α(0≤α≤1)為評價兩個概率指標的權重因子，是對所預測動作的執行頻率和序列匹配長度的一種折中處理。若取α=1，表示只考慮最大動作序列匹配長度；若取α=0，則只考慮最大的動作發生頻率。

交互動作預測算法的具體流程圖如圖3所示。這里是從最大序列長度N開始逐步遞減匹配序列長度L，直到搜索到d個滿足要求的匹配序列為止。這不僅便于算法的計算機編程實現，并且大大減少了搜索時間。

圖3 交互動作預測的算法流程圖

系統運行過程中，如果所預測的動作發生概率R過小，不僅達不到有效的預測效果，反而會妨礙操作人員與系統之間的正常交互，影響人機交互體驗。因此，在預測過程中增加了一個動作預測概率閾值Rt，只有當R≥Rt時，此次預測過程才是有效的，否則預測結果無效。

伴隨著操作人員與系統之間的不斷交互學習，系統最終預測的動作發生概率R是逐漸增大的。因此，概率閾值Rt就需要根據系統實際使用情況進行合理設定，才能獲得最佳的動作預測效果。

③ 預測過程的Petri網模型

為了對人機交互Agent的動作預測過程進行描述和分析，可以采用Petri網對其進行建模。Petri網中的庫所表示人機交互Agent的預測結果，變遷代表了所預測結果的發生概率，庫所中Token代表了用戶實際所執行的操作動作。預測過程Petri網模型如圖4所示。

圖4 預測過程Petri網模型

圖4(a)所示為一個典型預測過程的Petri網模型實例，ST表示當前系統狀態，在動作P1之后存在兩個變遷T2和T3，表示預測動作P2和P3的發生概率R都比較大，因此就分別有預測動作P4和P5，最終兩種情況下的預測動作都為P6。通過Petri網能夠形象地描述人機交互Agent的動作預測過程，同時還能發現針對同一種情況的不同處理過程，為用戶提供更多可選操作方案。

圖4(b)為Petri網模型的覆蓋樹，基于覆蓋樹分析法[13]，可做出如下分析：①樹中所有節點都沒出現ω，Petri網是有界的，并且所有節點僅包含0或1，因此Petri網是安全的；②所有變遷都在樹中出現，因此不存在死變遷，存在一個死標志m6，這也是Petri網運行結束的標志；③根據覆蓋樹性質，該Petri網是活的。

3 實例研究

為了對所提出的智能人機交互監控方法進行分析驗證，對工業二甲基甲酰胺(dimethylformamide,DMF)回收過程進行研究。DMF回收的廢液濃縮工藝流程如圖5所示。

圖5 DMF廢液濃縮工藝流程圖

由圖5可看出，系統主要包括一級濃縮塔T101和二級濃縮塔T102兩大部分，附帶2個再沸器和2個冷凝器。監控變量包括2個濃縮塔的液位、壓力、溫度、出入流量等，以及2個冷凝器的液位。

當LI101高限報警發生后，人機交互Agent動作預測過程的Petri網模型如圖6所示。表1為Petri網模型中庫所代表的含義。通過對動作預測Petri網進行覆蓋樹分析可知，人機交互Agent的動作預測過程是安全的，且預測過程中不存在死變遷，直到最終庫所P13，預測過程結束，等待進行下一事件過程的預測開始。

圖6 動作預測Petri網模型

表1 Petri網中庫所的含義

由上述分析實例可知，該人機交互監控系統不僅可以利用專家經驗知識，還能較好地學習跟蹤監控人員的歷史操作經驗，并在遇到相同情況下迅速做出動作預測，為監控人員提供及時有效的操作建議。對于新的或不熟練的操作人員，也可以充分利用已有的歷史經驗庫，有效地輔助操作人員進行監控，提高過程監控效率，從而改善工業監控系統的人機交互體驗。

4 結束語

針對傳統工業監控系統中的人機交互過程存在的不足，提出并實現了一種基于Agent技術的工業監控智能人機交互系統結構。本文設計了位于監控人員和工控界面之間的智能代理——人機交互Agent，可對監控人員的歷史操作經驗進行在線挖掘和學習，并預測下一步最有可能發生的監控動作。工業監控實例說明該智能人機交互方法可較好地跟蹤和學習監控人員的歷史操作經驗，并為監控操作提供有效的操作建議。今后的研究工作將進一步完善系統模型結構，提高人機交互動作預測的可靠性。

[1] 童啟明.控制系統數字仿真與監控組態軟件應用[M].北京:科學出版社,2006.

[2] 王滔,費敏銳,雷電.Multi-Agent技術在工業監控界面體系中的研究與應用[J].中南大學學報:自然科學版,2005,36(1):647-651.

[3] Yang H,Li P,Fu S,et al.Multi-agent modeling & realization for interface system of industrial monitor and control system under X3D[C]//Proceeding of the 2011 IEEE International Conference on Electric Information and Control Engineering,2011:5114-5117.

[4] Kawamura K,Nilas P,Muguruma K,et al.An agent-based architechture for an adaptive human-robot interface[C]//Proceeding of the 36th Annual Hawaii International Conference on System Sciences,2003:6-9.

[5] Kira A,Nichols D M,Apperley M.Human communication in customer-agent-computer interaction:face-to-face versus over telephone[J].Computers in Human Behavior,2009,25(1):8-20.

[6] Ezzedine H,Kolski C,Peninou A.Agent-oriented design of human-computer interface:application to supervision of an urban transport network[J].Engineering Applications of Artificial Intelligence,2005,18(3):255-270.

[7] Pirttiojat,Halme A,Pakonen A,et al.Multi-agent system enhanced supervision of process automation[C]//Distributed Intelligent Systems:Collective Intelligence and its Applications,2006:151-156.

[8] Nikrazm,Bahri P A.An agent-oriented approach to integrated process operations in chemical plants[C]//38th European Symposium of the Working Party on Computer Aided Process Engineering,2005:1585-1590.

[9] Gao Y,Shang Z G,Kokossis A.Agent-based intelligent system development for decision support in chemical process industry[J].Expert System with Applications,2009,36(8):11099-11107.

[10] Wooldridgem J,Jennings N R.Intelligent agent: theory and practice[J].Knowledge Engineering Reviewer,1995,10(2):115-152.

[11] Tweedalej,Ichalkaranje N,Sioutis C,et al.Innovations in multi-agent systems[J].Journal of Network and Computer Applications,2007,30(3):1089-1115.

[12] 楊鯤,翟永順,劉大有.Agent:特性與分類[J].計算機科學,1999,26(9):30-34.

[13] 袁崇義.Petri網原理[M].北京:電子工業出版社,1998.