中壓環保型設備運行狀態的分布式遠程監測與診斷技術研究

王金躍 陸海強 錢進 包偉峰 汪興旺 楊健標

摘要：為提高環保工程中壓環保型設備遠程監測與診斷能力，針對環保工程中壓環保型設備的狀態監測方式與控制策略單一的問題，本文首先分析當前工業過程分布式故障診斷方式與方法，研究多智能體體系與結構，建立基于多智能體的環保工程中壓環保型設備分布式遠程監測與診斷體系結構，分析分布式故障診斷體系結構特點、框架以及策略；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同優化機理；最后研究建立多智能體的分布式故障診斷運行機制，為判斷設備的運行狀況、分析設備的故障原因、提供科學檢修的依據、降低設備維修和維護成本、提供決策信息與保證生產安全提供參考，擴展環保工程分布式故障診斷理論的發展和應用。

關鍵詞：故障診斷；分布式；中壓環保型設備；多智能體

DOI： 10.3969/j.issn.1005-5517.2018.1.007

引言

針對電力工程中壓環保型設備的故障診斷方式與控制策略單一的問題，本文首先分析當前電力工程中壓環保型設備故障診斷方式與方法，通過電力工程中壓環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電力工程中壓環保型設備遠程運行狀態監測與故障診斷體系結構，分析分布式故障診斷體系結構特點、框架以及策略，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同優化機理；最后建立多智能體的分布式故障診斷運行機制，研究基于多智能體的電力工程中壓環保型設備遠程運行狀態監測與故障診斷應用，為判斷設備的運行狀況、分析設備的故障原因、提供科學檢修的依據、降低設備維修和維護成本、提供決策信息與保證生產安全，提供保障支持，提高工業過程控制能力，為分布式狀態采集與分析，以及智能判斷評估提供參考，擴展環保工程分布式故障診斷理論的發展和應用。

1 中壓環保型設備分布式遠程狀態監測體系

1.1 分布式中壓環保型設備遠程監測

分布式中壓環保型設備遠程監測由分散過程監控單元、集中管理單元、通信單元構成。在實際應用中，分布式中壓環保型設備遠程監測的構成方式比較靈活多變，通過采用管理計算機模塊，也可通過通用工業服務器、工業控制計算機和可編程控制器建實時現場，實現數據采集和控制，并采用數據通信網絡傳遞到管理監控級的計算機里面[6-8]。

分布式中壓環保型設備遠程監測拓撲結構由組織管理層、任務控制層和底層設備層構成。分布式現代工業過程控制系統拓撲結構組織管理層負責實現產品信息的收集、存儲、分發和總結，最終具備整體調度和優化控制，同時可以實現企業內部局域網連接，為分布式中壓環保型設備質量管理、資源管理進行連接。管理計算機作為分布式中壓環保型設備的控制器構成了分布式中壓環保型設備的任務控制層，通過企業內部局域網提供組織管理層所需要的產品信息，同時通過控制方式和機制控制任務，實現分布式中壓環保型設備的優化運行。底層設備層則由不同的生產設備聯合組成。分布式中壓環保型設備的各子模塊具有獨立特性與協同特性。分布式中壓環保型設備遠程監測控制結構如圖1所示。

中央集中管理單元和車間操作單元想要聯系與配合，全部控制任務由組織管理層通知給任務控制層和底層設備層。如果出現異常，分布式中壓環保型設備遠程監測系統可能出現局部或者全部故障信息。

1.2 基于多智能體的分布式控制

智能體理論是分布式領域與人工智能研究領域的重要研究問題之一，已被認為是設計和構建分布式工程以及智能應用的新一代發展方向。智能體定義是一種特定狀態，能夠獲取外界環境，同時可以利用自身功能與機理對獲取信息進行加工與處理，完成既定任務的軟件或者硬件實體。智能體集成不同的方法以及封裝不同的機能，可以利用協作方式與其他智能體進行信息場地與通訊，通過相互之間協作可以完成綜合目標，優勢互補，聯合實現既定的任務[9-11]。多智能體系統是基于多個智能體相互協作來完成預設的任務的體系結構。針對不同的研究問題提出了不同的智能體的定義與模型，其中主要流行與認可的是wooldridge等人提出的智能體的弱性描述和強性描述方法。

分布式中壓環保型設備遠程監測的信息共享采用基于OPC接口標準的通信方式，避免不同控制系統的差異性和兼容性，提升了系統的擴展能力和兼容能力。分布式中壓環保型設備遠程監測協同機制，不僅方便控制系統的實施，并且為智能體提供了封裝模式與方法，有效將現有的軟硬件模塊打包成某一個智能體結構。通過智能體結構間協同完成預設任務。基于多智能體結構的分布自治思想、分層優化模式和協同工作機理，建立一種基于多智能體結構的分布式中壓環保型設備遠程監測體系結構，如圖2所示。

多智能體系統是由若干個智能體組合而成的松散耦合的協作網絡。這些智能體能夠感知環境和網絡中其他智能體交互信息。通過對自身信息的更新和與其他智能體間的競爭與合作來完成對實際復雜問題的求解，體現整個系統的智能性。

基于多智能體結構的中壓環保型設備分布式遠程運行狀態監測與診斷體系包括以下智能體：產品管理智能體、資源調度智能體、現場管理智能體、過程故障診斷智能體，人機接口智能體和過程管理智能體，各智能體的基本功能和結構如下：

（1）信息采集與傳送智能體

信息采集與傳送智能體是實現全局產品管理，實現對企業產品管理與控制，不同智能體的協同與管理，中壓環保型設備制的優化運行，管理各智能體的信息發布與權限管理；為資源計劃接口智能體獲取產品管理信息，達到智能體的信息共享；實現與資源調度智能體協同管理，具備產品過程信息監督功能，對系統管理智能體的運行狀態進行監測，具備產品過程信息宏觀監督功能：與系統管理智能體傳遞運行信息，具備設備過程信息監控功能；與其他智能體的通訊等功能。

（2）人機接口智能體

人機接口智能體主要實現信息采集以及與傳送智能體信息共享，獲取設備運行據息，分析運行狀態數據。同時實現分布式遠程運行狀態監測與診斷，與企業已有的資源計劃系統或者產品控制系統的信息交互對接，為用戶瀏覽資源計劃接口智能體獲得的執行任務通過接口。人機接口智能體完成用戶與控制系統的通訊與對接，形成多智能體架構的通信機理與運行模式。

（3）系統管理智能體

系統管理智能體是信息采集與傳送智能體和人機接口智能體的中介，主要負責協同與協調現場管理智能體功能。系統管理智能體實現與采集與傳送智能體信息共享息，接受靜態任務和宏觀任務，資源調度智能體的歸屬現場管理智能體實現管理與協調，完成產品管理智能體預設的任務，實現任務的監控，并配備相應的制造資源，具體由現場管理智能體完成。同時資源調度智能體從現場管理智能體獲得中壓環保型設備運行狀態信息并傳送給其他智能體，對預設任務的完成狀態和中壓環保型設備運行狀態進行監控，并發布給系統管理智能體，實現預設任務的評判、優化，如圖3所示。

（4）過程監測診斷智能體

過程故障診斷智能體由協作智能體完成將通訊信息傳遞給其它平行結構中的其他智能體，再傳遞給目標智能體。多智能體體系框架內的智能體根據某一種方法，例如就近原則、單元原則等，形成不同的智能體水平結構，每個水平結構同時包含由多個智能體。多個智能體相互協作，合理分配任務，可以有效獲取工業過程的故障信息，同時按照既定目標，可以完成綜合設定的目標。

過程故障診斷智能體實現對中壓環保型設備運行狀態動態監測，不僅實現智能體件信息共享，同時完成任務的分解，對分解預設任務進行控制與運作，具備產品信息的快速獲取、分析和存儲，故障模式分析、故障溯源等。過程故障診斷智能體可以實現對產品信息狀態評測和判斷，并對早起異常信息做出預警預測，現場管理智能體的結構如圖4所示。

多智能體系統內部智能體間進行通信，完成求解問題，也是能夠形成推斷和決策動作功能的具有智能思維與智能任務的實體，其具有自治性、反應性、主動性、社會性、進化性五個基本特征。

2 分布式故障診斷的協調優化

在基于多智能體組的中壓環保型設備分布式運行監測與診斷體系結構中，產品管理智能體和資源調度智能體之間利用TCP/IP協議進行通訊，而資源調度智能體和現場管理智能體之間利用網絡通訊協議進行通訊，現場管理智能體與中壓環保型設備之間利用OPC標準進行通訊，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。

中壓環保型設備分布式運行監測與診斷結構是基于協同智能體的通信，對預設任務的完成狀態和中壓環保型設備運行狀態進行監控，并發布給產品管理智能體。基于多智能體的分布式故障診斷系統優化運行如圖6所示。

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

粒子群優化算法是Kennedy和Eberhart于1995年提出的，它源自群體任務理論，受鳥群或魚群任務的啟發，通過個體間的信息傳遞方式，使整個團體朝同一方向和目標而去[12-13]。粒子群優化算法（PSO）是進化技術的一種，源自對鳥群捕食任務的研究，它本質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，易于實現，原理上可以以較大的概率找到優化問題的全局最優解，且計算效率較高，已成功地應用于求解各種復雜的優化問題。

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

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

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

在PSIMA算法中，每個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境中的鄰居粒子進行競爭與合作，所以每個鄰居粒子就要先計算各自適應值。假設智能體β在智能α的20個鄰居中擁有最小的適應值，且β=（β1，β2，…，βn）。若智能體α滿足：

f（α）≤f（β）

（1）

它是一個優質粒子，否則為劣質粒子。如果智能體是一個優質粒子，它在解空間的位置保持不變。反之，智能體α在解空間的位置進行調整：