中壓環(huán)保型設(shè)備運(yùn)行狀態(tài)的分布式遠(yuǎn)程監(jiān)測(cè)與診斷技術(shù)研究

2 分布式故障診斷的協(xié)調(diào)優(yōu)化

　　在基于多智能體組的中壓環(huán)保型設(shè)備分布式運(yùn)行監(jiān)測(cè)與診斷體系結(jié)構(gòu)中，產(chǎn)品管理智能體和資源調(diào)度智能體之間利用TCP/IP協(xié)議進(jìn)行通訊，而資源調(diào)度智能體和現(xiàn)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(xiàn)場(chǎng)管理智能體與中壓環(huán)保型設(shè)備之間利用OPC標(biāo)準(zhǔn)進(jìn)行通訊，基于多智能體分布式故障診斷體系結(jié)構(gòu)的通信模型結(jié)構(gòu)如圖5所示。

　　中壓環(huán)保型設(shè)備分布式運(yùn)行監(jiān)測(cè)與診斷結(jié)構(gòu)是基于協(xié)同智能體的通信，對(duì)預(yù)設(shè)任務(wù)的完成狀態(tài)和中壓環(huán)保型設(shè)備運(yùn)行狀態(tài)進(jìn)行監(jiān)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(tǒng)優(yōu)化運(yùn)行如圖6所示。

　　資源調(diào)度智能體與現(xiàn)場(chǎng)管理智能體通信方式表述為①描述現(xiàn)場(chǎng)管理智能體向資源調(diào)度智能體獲取信息;②描述現(xiàn)場(chǎng)管理智能體向資源調(diào)度智能體請(qǐng)求查找產(chǎn)品管理智能體;③描述現(xiàn)場(chǎng)管理智能體尋找現(xiàn)場(chǎng)管理智能體，同時(shí)反饋現(xiàn)場(chǎng)管理智能體獲得信息;④描述產(chǎn)品管理智能體向現(xiàn)場(chǎng)管理智能體發(fā)布執(zhí)行任務(wù);⑤描述現(xiàn)場(chǎng)管理智能體收到產(chǎn)品管理智能體的執(zhí)行任務(wù)后做出反應(yīng)。因此，資源調(diào)度智能體與現(xiàn)場(chǎng)管理智能體可以實(shí)現(xiàn)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(tuán)體朝同一方向和目標(biāo)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(duì)鳥(niǎo)群捕食任務(wù)的研究，它本質(zhì)上是屬于迭代的隨機(jī)搜索算法，具有并行處理特征，魯棒性好，易于實(shí)現(xiàn)，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(jì)算效率較高，已成功地應(yīng)用于求解各種復(fù)雜的優(yōu)化問(wèn)題。

　　多智能體系統(tǒng)里，將每個(gè)智能體 都隨機(jī)初始化在總的格子數(shù)為L(zhǎng)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(shù)據(jù)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(shù)據(jù)信息。Lsize是一個(gè)正整數(shù)，格子總數(shù)相當(dāng)于PSO算法中的種群規(guī)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(duì)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(jī)分配到空間中對(duì)其位置與速度進(jìn)行初始化，之后為每個(gè)智能體隨機(jī)分配一定數(shù)目的鄰居，每個(gè)智能體與這些鄰居一同構(gòu)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(yīng)性地選取鄰居粒子數(shù)目。將算法應(yīng)用于環(huán)保工程經(jīng)濟(jì)負(fù)荷分配，在實(shí)驗(yàn)中結(jié)合問(wèn)題的復(fù)雜程度，綜合考慮了尋優(yōu)效率與尋優(yōu)結(jié)果之間的平衡，保證在較少時(shí)間內(nèi)取得很好的最優(yōu)解，通過(guò)數(shù)次實(shí)驗(yàn)確定隨機(jī)鄰居數(shù)目為20。在不同的具體優(yōu)化問(wèn)題中，可通過(guò)減少隨機(jī)鄰居數(shù)目減少算法運(yùn)行時(shí)間，也可通過(guò)增加隨機(jī)鄰居個(gè)數(shù)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(xí)進(jìn)任務(wù)作決策，協(xié)作功能更突出，也使得整個(gè)系統(tǒng)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(jìng)爭(zhēng)與合作，所以每個(gè)鄰居粒子就要先計(jì)算各自適應(yīng)值。假設(shè)智能體在智能體α的20個(gè)鄰居中擁有最小的適應(yīng)值，且。若智能體α滿足：

(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(diào)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(chǔ)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(yīng)值。

　　中壓環(huán)保型設(shè)備分布式運(yùn)行監(jiān)測(cè)與診斷結(jié)構(gòu)中時(shí)采用企業(yè)內(nèi)部和企業(yè)外部不同協(xié)同機(jī)制對(duì)執(zhí)行任務(wù)進(jìn)行監(jiān)控，達(dá)到預(yù)設(shè)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(jié)構(gòu)中各智能體通過(guò)協(xié)同與共享執(zhí)行任務(wù)，其故障診斷運(yùn)行框架如圖7所示。

　　中壓環(huán)保型設(shè)備分布式運(yùn)行監(jiān)測(cè)與診斷運(yùn)行框架包括：

　?、佻F(xiàn)場(chǎng)管理智能體可以完成執(zhí)行任務(wù)的信息采集、采樣組態(tài)設(shè)置、超限報(bào)警、數(shù)據(jù)顯示、信號(hào)采集等;

　　②現(xiàn)場(chǎng)管理智能體通過(guò)自身的自我適應(yīng)任務(wù)具備自治能力，實(shí)現(xiàn)數(shù)據(jù)可管理、在線監(jiān)測(cè)、在線診斷等;

　?、廴粼谝欢ǚ秶鷥?nèi)現(xiàn)場(chǎng)管理智能體無(wú)法排除故障，需要利用數(shù)據(jù)庫(kù)傳輸模塊和瀏覽器向資源管理智能體發(fā)出協(xié)同請(qǐng)求信息，同時(shí)講信息收集到遠(yuǎn)程故障診斷中心;若在一定范圍內(nèi)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(xiàn)自治，同時(shí)進(jìn)入?yún)f(xié)同待請(qǐng)求狀態(tài);

　?、苓^(guò)程故障診斷智能體對(duì)歷史數(shù)據(jù)進(jìn)行分析，以及故障診斷與檢測(cè)，包括時(shí)域和頻域分析、頻譜分析、全息譜分析、細(xì)化分析、時(shí)域波形分析、軸心軌跡分析、信號(hào)濾波解調(diào)、高通絕對(duì)值解調(diào)、時(shí)延域分析、故障模式分析、故障溯源等。

3 結(jié)論

　　針對(duì)中壓環(huán)保型設(shè)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(dāng)前中壓環(huán)保型設(shè)備故障診斷方式與方法，通過(guò)中壓環(huán)保型設(shè)備故障診斷內(nèi)在機(jī)理分析，在系統(tǒng)闡述智能體特性、結(jié)構(gòu)、功能基礎(chǔ)上，研究多智能體體系與結(jié)構(gòu)，建立基于多智能體的中壓環(huán)保型設(shè)備分布式運(yùn)行監(jiān)測(cè)與診斷體系結(jié)構(gòu)，并在此基礎(chǔ)上基于遺傳算法建立分布式故障診斷體系結(jié)構(gòu)的通信模型，探索分布式故障診斷協(xié)同優(yōu)化機(jī)理;最后研究建立多智能體的分布式故障診斷運(yùn)行機(jī)制，為提高中壓環(huán)保型設(shè)備控制能力，為分布式狀態(tài)采集與分析、以及智能判斷評(píng)估提供參考，擴(kuò)展環(huán)保工程分布式故障診斷理論的發(fā)展和應(yīng)用。

　　參考文獻(xiàn)：

　　[1]E.Tatara，A.Cinar，F(xiàn).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(shè)備的實(shí)現(xiàn)及關(guān)鍵技術(shù)[J].中國(guó)電業(yè), 2014(6):35-38.

　　[4]曹磊.中壓配電網(wǎng)設(shè)備利用率綜合評(píng)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(shè)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(yīng)用, 2004 , 21 (6) :235-237

　　[7]朱大奇, 紀(jì)志成.基于多智能體的復(fù)雜工程系統(tǒng)故障診斷研究[J]. 計(jì)算機(jī)集成制造系統(tǒng) , 2004 , 10 (6) :699-703

　　[8]劉京津.基于多智能體系統(tǒng)的故障診斷技術(shù)在智能電網(wǎng)中的應(yīng)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(diào)度策略[D].南京郵電大學(xué), 2016.

　　[10]劉京津.基于多智能體系統(tǒng)(MAS)的故障診斷技術(shù)在智能電網(wǎng)中的應(yīng)用[C]. 江蘇省電機(jī)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(jiān)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。