基于多Agent协同诊断的飞机液压系统.docx

基于多Agent协同诊断的飞机液压系统.docx

《基于多Agent协同诊断的飞机液压系统.docx》由会员分享，可在线阅读，更多相关《基于多Agent协同诊断的飞机液压系统.docx（18页珍藏版）》请在冰豆网上搜索。

基于多Agent协同诊断的飞机液压系统

基于多Agent协同诊断的飞机液压系统

综合监控技术

摘要：

通过对智能化诊断技术的研究,提出将人工智能多智体（Agent）技术应用于飞机液压系统综合监控系统中。

构建了基于多种油样分析的多智体协同诊断专家系统方案,并开发了飞机液压系统状态监控专家系统（AHMES1·0）,应用于飞机液压系统的磨损故障监控。

专家系统由污染分析Agent、理化分析Agent、铁谱分析Agent、光谱分析Agent、融合诊断Agent及综合诊断Agent构成,综合诊断Agent负责控制和管理其他Agent进行协同诊断。

根据飞机液压系统诊断的实际情况,给出了各Agent的诊断规则。

最后用实际的故障案例进行了验证,表明了多智体协同诊断的有效性。

关键词：

多智体；飞机液压系统；综合监控；故障诊断；专家系统

IntegratedMonitoringTechnologyforAircraftHydraulicSystem

BasedonMulti-agentCollaborativeDiagnosis

XIAOchunhui

（SchoolofMechatronicsEngineeringandAutomation,ShanghaiUniversity,Shanghai200072,China）

Abstract:

Throughthestudyofintelligentdiagnostictechnology,artificialintelligencemulti-agenttechnologyisusedinaircrafthydraulicsystemintegratedmonitoringandcontrolsystem.Amulti-agentcollaborativediag-nosisexpertsystemisbuiltbasedonmulti-oilanalysis,andtheaircrafthydraulicsystemconditionmonitoringexpertsystem（AHMES1.0）isdevelopedandappliedtothewearfaultmonitoringofaircrafthydraulicsys-tem.Theexpertsystemiscomposedofcontaminationanalysisagent,physicochemicalanalysisagent,ferro-graphanalysisagent,spectrometricanalysisagent,fusiondiagnosisagentandintegrateddiagnosticagent.In-tegrateddiagnosticagentisresponsibleforthecontrolandmanagementofotheragentsforthecooperationdiagnosis.What’smore,accordingtotheactualsituationofaircrafthydraulicsystemdiagnosis,eachagentdiagnosisruleisgiven.Finally,thetestresultsoftheactualfaultcaseshowtheeffectivenessofthemulti-agentdiagnosis.

Keywords:

Windturbine;generator;controlsystem

随着计算机及分布式人工智能（DAI）技术的发展,现代监测与诊断技术已发展到以知识处理为基础的智能化诊断。

目前,在智能化诊断实现中最具有潜力的方法就是基于多智体（Agent）的智能诊断技术。

由于多Agent系统是一个具有自主性、反应性、主动性和社会性的计算机系统,通常还具有人类的智能特性,其具有强的环境适应性,能够提高故障诊断的准确率,因此基于多Agent的诊断技术成为现在智能故障诊断研究的一个发展方向。

飞机液压系统是飞机的重要组成部分,主要是给飞机操纵系统、起落架系统和反推装置等提供操纵动力。

飞机液压系统故障将影响飞机的正常运行,严重时将导致灾难性的飞行事故。

因此利用油样分析对液压系统固体污染物和磨损状态进行监控对于预防飞机液压系统重大故障、提高液压元件的使用寿命、降低飞机全寿命成本具有重要意义。

目前,关于液压系统的磨损故障诊断,主要包括基于颗粒计数的污染分析基于理化分析的油品检测基于铁谱的磨损性质诊断以及基于光谱分析的磨损部位诊断等方面。

对于综合利用多种油样分析方法的数据,有效地实现各种方法的协同诊断,进而得出磨损故障的融合或综合诊断结果等方面的研究较少,文献尽管进行了协同诊断的初步探讨,但对融合诊断并未进行深入研究,此问题正是日常飞机液压系统油样分析和磨损故障诊断的关键问题和难题。

鉴于此,本文引入人工智能与专家系统的多Agent技术,模拟油样分析专家在进行液压系统故障诊断时的决策思路,将每种油样分析方法的诊断过程作为一个Agent,它可以独立进行诊断,同时构造一个综合诊断Agent实现对各Agent的控制以实现协同诊断。

最后形成综合诊断结果,并利用融合诊断Agent对磨损程度进行了定量描述。

本文有效地利用了各种油样分析方法的特点和优势以提高诊断精度。

最后开发了飞机液压系统监控专家系统（AHMES1·0）,并用具体的数据进行了验证分析。

1飞机液压系统磨损故障的多Agent协同诊断

1.1必要性分析

利用Agent的智能性,可以将单个组合的诊断子系统设计成诊断Agent,进而构成基于多Agent的诊断系统,实现复杂设备的智能诊断。

多Agent系统通常具有如下特征:

①每个Agent拥有解决问题的不完全的信息或能力;②没有系统全局控制;③数据和知识是分散的;④处理是异步的;⑤Agent是异质的、分布的。

油液分析是对机械系统油液的理化性能以及油中磨损和污染颗粒进行定性和定量分析。

表1总结了各种油液分析技术涉及到的机理、分析内容。

表2为各种油样分析技术得出的结果可靠性比较。

显然,各种油样分析方法具有各自的特点、优势和侧重点。

通过分析可以发现,油样分析方法正好具备了构建多Agent智能系统的特征条件,即:

①所拥有的信息和诊断能力是不完全的;②诊断知识是各自分散的,自成体系,且不具有系统的控制能力;③分析和处理是异步的,所产生的数据也是异质的,即数据结构是不相同的。

目前的各种融合诊断方法尽管能够提高诊断的精度,但是融合诊断过程不具有全局控制能力,无法实现各种分析方法间的通信和协调,因此往往还需要人工干预,故难以实现诊断的自动化。

由此可见,综合各种油样分析方法,构建磨损故障多Agent诊断技术对于有效地协调各种诊断方法,实施多种方法融合诊断,提高诊断的智能化和自动化水平具有重要意义。

鉴于此,针对某型飞机液压系统磨损故障诊断,采用了污染度分析、理化分析（水份和黏度）、光谱分析及铁谱分析方法,构建多Agent诊断系统,实施飞机液压系统磨损故障的智能、融合、协同诊断,所涉及到的具体油样分析设备如表3所示。

表1油液变质途径及其表征参数

Tab.1Oildeteriorationmeansandcharacterizationparameters

表2各种油样分析技术得出的结果可靠性比较

Tab.2Reliabilitycomparisonofvariousoilsampleanalysisresult

表3飞机液压系统磨损状态监测的油样分析设

Tab.3Oilanalysisequipmentofaircrafthydraulicsystemwearconditionmonitoring

1.2诊断原理

结合飞机液压系统磨损故障及各种油样分析方法的冗余性和互补性,提出构建多Agent协同诊断模型,如图1所示。

图1多Agent系统的多库协同综合诊断

Fig.1Comprehensivediagnosisofmulti-librarycollaborativebasedonmulti-agentsystem

该多Agent诊断系统主要包括颗粒计数Agent、理化分析Agent、铁谱分析Agent、光谱分析Agent、综合诊断Agent、调度Agent、通信Agent、融合诊断Agent、油样数据和知识规则库以及人机智能界面。

各部分功能介绍如下：

综合诊断Agent。

实现多种油样分析方法的综合诊断,关键是在进行整个推理过程中对推理方向进行控制,以实现各子诊断模块有序的工作。

在总控Agent中储存了控制推理方向的知识规则,以指明下一步的诊断方向使各子诊断模块能够协同工作。

调度Agent。

接受总控Agent分配的任务,通知相应的资源Agent,即颗粒计数Agent、理化分析Agent、铁谱分析Agent、光谱分析A-gent,并检查油样数据库是否存在相应的数据。

同时,根据不同的结果做出反应,如果相应的油样分析数据不存在,则提示用户进行相应的油样分析工作,并通过人机界面将数据输入存入数据库。

如果数据存在,则向相应的资源Agent发送任务。

通信Agent。

实现用户、总控Agent、以及各资源Agent之间的通信,负责接受来自用户、总控Agent、以及各资源Agent的信息,并转换成消息和相应的应答方式。

资源Agent。

包括颗粒计数Agent、理化分析Agent、铁谱分析Agent、光谱分析Agent。

各资源Agent接收到任务之后,根据油样分析数据,结合相应的规则库,并启动相应的油样分析诊断推理机,对油样实施诊断,得到诊断结果,形成诊断结论。

再通过通信Agent,将结果返回给总控Agent。

融合诊断Agent。

实现磨损故障的定量描述,得到故障的磨损程度,从而有效地预测、预防故障的发生。

采用基于模糊数学与登普斯特-沙夫尔（D-S）证据理论的融合诊断新方法,该方法将各种油样分析数据作为各种证据,利用油样检测的界限值,通过引入模糊集合思想,设计了“油样检测结果异常”的隶属度函数,并以此获取各证据的可信度;其次,建立“故障”与“油样检测参数异常”之间的规则,利用规则可信度和证据可信度的乘积得到规则综合置信度,并以此作为D-S证据理论中各证据对结果的支持程度,从而实现磨损故障融合诊断。

人机智能界面。

主要服务于操作员和领域专家。

操作员可以通过人机智能界面,输入油样数据进行诊断工作;专家可以通过人机智能界面,完成对各诊断Agent知识库的维护。

在实际诊断过程中,首先选定欲诊断的油样,然后启动综合诊断Agent,发出诊断指令,调度Agent接受指令,向通信Agent发出信号,判断当前油样的某油样分析数据（如颗粒计数、MOA光谱、铁谱分析、水分分析及理化分析）是否已经注册。

如果该油样分析数据未注册,则系统将通过调度Agent提示用户进行油样分析,并将分析结果注册入油样数据库,继续进行诊断。

如果该油样分析数据已经注册,则进入该油样分析Agent诊断模块,该油样分析资源Agent接受指令后,根据油样分析的数据,结合相应的规则库,并启动相应的油样分析诊断推理机,对油样实施诊断,得到诊断结果,形成诊断结论。

再通过通信Agent,将结果返回给总控Agent,综合诊断Agent根据其控制知识规则,判断下一步的诊断方向,并向调度Agent发出相应指令。

继续进行下一步诊断。

由此可见,多Agent诊断技术关键在于总控Agent实现控制的规则和各资源智体实现独自诊断的规则知识。

本文根据油样分析专家经验以及飞机液压系统故障诊断的工作流程和专家经验,针对颗粒计数分析、理化分析、铁谱分析及光谱分析典型油样分析方法,总结了油样分析的诊断知识以及诊断流程的控制规则。

图2是基于诊断知识和控制规则的飞机液压系统多Agent协同诊断流程。

图2飞机液压系统多智体协同诊断流程

Fig.2Processofaircrafthydraulicsystemdiagnosisofmulti-agentcollaborativediagnosis

1.3各Agent诊断规则

对某型飞机液压系统油样进行监测,将得到的数据进行统计与分析,应用界限值制定方法,制定出各分析方法的界限值,如表4所示。

并根据界限值制定出诊断规则。

表4飞机液压系统油样分析界限值指标

Tab.4Boundaryvalueindexofaircrafthydraulicsystemoilanalysis

1.3.1颗粒计数Agent诊断规则

表5为颗粒计数Agent诊断规则,该规则集完成基于颗粒计数数据的诊断,输入数据为颗粒计数仪器检测出的各档尺寸的颗粒数目及污染度等级,诊断这些数据来判断出液压系统的污染度是否异常及异常后是小颗粒还是大颗粒异常,这些结果对后续的诊断结论和诊断方向具有很大的影响。

表5颗粒计数Agent诊断规则

Tab.5Diagnosticrulesofparticlecountingagent

1.3.2理化分析Agent诊断规则

表6为理化分析Agent诊断规则,该规则集完成基于理化数据的诊断,输入数据为理化仪器检测出的水分含量、黏度指标、闪点、酸值、导电率、氧化、硝化、积碳及各种添加剂的数据,诊断这些数据来判断出液压系统液压油变质情况。

这些结果对后续的诊断结论和诊断方向均会产生影响。

表6理化分析Agent诊断规则

Tab.6Diagnosticrulesofphysicochemicalanalysisagent

1.3.3铁谱分析Agent诊断规则

表7为铁谱分析Agent诊断规则,该规则集完成基于铁谱数据的诊断,输入数据为分析式铁谱检测出的各类异常磨粒（球状磨粒、层状磨粒、疲劳磨粒、严重滑动磨粒、切削磨粒、红色氧化物及黑色氧化物等）的磨粒数量及所占比例。

诊断这些数据来判断出液压系统关键摩擦副的磨损性质。

这些结果对后续的诊断结论和诊断方向均会产生影响。

表7铁谱分析Agent诊断规则

Tab.7Diagnosticrulesofferrographanalysisagent

1.3.4光谱分析Agent诊断规则

表8为光谱分析Agent诊断规则,该规则集完成基于光谱数据的诊断,输入数据为MOA光谱仪检测出的各类金属元素的含量。

结合液压系统关键摩擦副的材质,诊断这些数据来判断出液压系统关键摩擦副的磨损部位。

表8光谱分析Agent诊断规则

Tab.8Diagnosticrulesofspectrometricanalysisagent

1.3.5融合诊断Agent诊断规则

表9为液压系统“严重磨损故障”融合诊断Agent诊断规则,该规则集完成基于光谱数据以及铁谱数据的诊断,输入数据为MOA光谱仪检测出的各类金属元素的含量及分析式铁谱检测出的各类异常磨粒（疲劳磨粒、严重滑动磨粒、切削磨粒）的磨粒数量。

结合基于模糊数学与D-S证据理论的融合诊断新方法,得到融合诊断结果。

表9融合诊断Agent诊断规则

Tab.9Diagnosticrulesoffusiondiagnosisagentaboutseverewearfault

表9中:

CFEi（i=1,2,…,12）为液压油综合监控数据为异常的可信度,即为证据i的可信度;CFRi为每条规则的可信度,如果认为每种数据异常的情况下一定可以推出“严重磨损故障发生”这一结论,则CFRi=1,事实上,不同的检测数据推出故障的置信度通常是不同的,因此,CFRi可根据实际情况取其他在0到1之间的任意值;CFi为每条规则综合可信度。

即

（1）

为了计算各油样检测数据异常（即各条证据）的可信度,引入模糊集合概念,设油样分析数据异常为一模糊子集Ai,通过确定隶属度函数,可以得到实际检测数据对Ai的隶属度μAi（xi）,此时,可以用隶属度μAi（xi）来作为证据的可信度,即

（2）

首先对油样数据进行归一化处理,设定油样数据的异常限a,将检测数据除以异常限后得到归一化数据,此时,对所有油样分析数据（包括光谱和铁谱数据）的界限值统一归一化为“1”。

因此可以确定其隶属度函数如式（3）所示,使式（3）中的k值控制曲线的陡峭程度。

不同的k值下隶属度曲线如图3所示。

根据经验选取k=0.5,从图中可以看出,当检测数据超过异常界限越多,其隶属度即液压油综合监控数据属于异常的程度也越大。

0.5ek（x-1）（0≤x≤a）

1-0.5e-k（x-1）（x>a）（3）

图3隶属度函数

Fig.3Membershipfunction

规则的可信度CFRi需要根据经验确定,在磨粒数据中考虑了切削磨粒浓度、严重滑动磨粒浓度及疲劳磨粒浓度3个证据（征兆）,因此确定：

CFR1=CFR2=CFR3=1/3≈0.3

在光谱数据中考虑各元素含量,9个证据（征兆）,因此确定：

CFR4=CFR5=…=CFR12=1/9

亦可按实际情况给予不同的权重。

由于本文设定磨损故障为双重假设,即“出现该故障”和“不出现该故障”两个互斥的假设。

设每个陈述对集合A和θ的支持程度分别为：

且有：

由数学归纳法可以证明：

对于文中两重假设问题,集合A为“故障F发生”,集合θ为A的补集,即“故障F不发生”。

因此,可以根据规则综合可信度CFi来确定每个证据（即每个油样检测数据）对集合A（故障F发生）的支持程度,然后运用D-S证据理论实现对各种证据支持程度的融合,得到融合诊断结果。

需要指出的是,当征兆不完全时,即可能只进行了铁谱和光谱一种检测,可以令未检测的油样数据对应的征兆隶属度为“0”,按同样的方法计算即可。

1.3.6综合诊断Agent诊断规则

表10为综合诊断Agent规则,它实现综合诊断,控制各资源Agent的诊断流程,各资源Agent的诊断结果均返回给综合诊断Agent,综合诊断Agent依据其知识规则以决定下一步的诊断方向,并最终得出诊断结论。

表10综合诊断Agent诊断规则

Tab.10Diagnosticrulesofintegrateddiagnosticagent

2多Agent协同诊断案例

为了验证多Agent协同诊断方法的有效性,本文采用某型飞机液压系统的监测数据实例进行诊断实验,其中界限值如表4所示。

2.1诊断流程

表10给出了综合诊断Agent的诊断知识规则。

该规则体现了多种油样分析方法的诊断流程。

根据飞机液压系统油样分析的日常工作程序,首先对油样进行污染分析,确定油样中固体污染物是否超标,如果污染超标,要进一步确定大颗粒（尺寸大于5μm）和小颗粒（尺寸小于5μm）的超标情况。

然后进行理化分析,其中水分是液压油的重要污染源,在日常工作中规定水分必须检测。

接下来,根据固体污染物和理化分析的情况,分为污染指标正常且理化正常、污染指标正常且理化异常及污染指标异常3种情况,其中,对于前2种情况,可直接得出诊断结论并结束;对于第3种情况,如果大颗粒异常则需要先进行铁谱分析再进行光谱分析;如果大颗粒正常,则只需进行光谱分析。

最后根据铁谱和光谱分析的结果得出综合诊断结论。

同时,还需进行融合诊断,以得到液压系统部件的严重磨损程度。

2.2诊断数据

根据诊断流程得到的各油样分析数据分别如表11至表14所示,其中“—”表示未采得数据。

表11颗粒计数分析数据

Tab.11Dataofparticlecountanalysis

表12理化分析的水分数据

Tab.12Waterdataofphysicochemicalanalysis

表13铁谱分析数据

Tab.13Dataofferrographanalysis

表14光谱分析数据

Tab.14Dataofspectrometricanalysis

2.3诊断结果

针对某军用飞机液压系统磨损故障诊断,开发了飞机液压系统状态监控专家系统AHMES1·0,该系统采用MicrosoftVisualC++6·0软件进行Widows应用程序开发,专家系统知识库和动态数据库采用MicrosoftAccess2000开发,专家系统具有界面友好,操作简单,使用方便等优点。

图4为专家系统主界面,图5为多Agent协同诊断界面。

图4系统界面

Fig.4Systeminterface

图5多智体协同诊断界面

Fig.5Interfaceofmulti-agentcollaborativediagnosis

表15为针对上面8个案例进行综合诊断,在各资源Agent中所触发的知识规则,表16为各资源Agent和综合诊断Agent的诊断结果。

表15诊断过程中所用到的各种分析的诊断规则

Tab.15Diagnosticrulesusedintheprocessofdiagnosis

案例1中的数据是从某架起落架串气,着陆不稳的飞机起落架低压舱取的200mL液压油进行检测得到的数据,对其进行综合分析,诊断流程如下:

（1）进行污染诊断和理化诊断,启动颗粒计数Agent和理化分析Agent。

检测油液固体颗粒污染度,结果超出GJB420-96分级范围（大于12级）。

检测油液含水量,结果为55·6×10-6（质量分数）,含水量正常。

污染度严重超标,其中大于2μm、5μm及大于50μm的颗粒严重超标。

此时根据总控Agent的控制知识,可知需进行铁谱分析和光谱分析。

（2）进行油液铁谱诊断,发现大量切屑磨粒。

根据铁谱分析Agent诊断规则,液压油系统关键摩擦副发生磨料磨损。

（3）进行油液光谱诊断,根据阈值,磨损颗粒中Cr、Cu、Fe、Al元素超标,其中Cr元素严重超标50多倍,Cu元素超标10多倍,Fe元素超标3倍多。

初步分析认为材质为Cr、Cu、Fe的元件异常磨损。

根据光谱分析Agent的诊断规则,得出是诊断结果是动作筒内腔和铜套严重磨损。

（4）由综合诊断Agent得出综合诊断结论为:

严重磨损,继续进行融合诊断。

（5）进行融合诊断,得到严重磨损的程度,其融合诊断结果为0·9525。

据此进行诊断维修。

其他案例的诊断过程与案例1相同。

案例2为一组污染情况正常且理化正常情况的数据;案例3为一组污染情况正常且理化异常情况的数据;案例4为一组小颗粒异常且光谱正常情况的数据;案例5为一组小颗粒异常且光谱异常情况的数据;案例6为一组大颗粒异常、铁谱正常且光谱正常情况的数据;案例7为一组大颗粒异常、铁谱正常且光谱异常情况的数据;案例8为一组大颗粒异常、铁谱异常且光谱正常情况的数据。

由表16的融合诊断结果可以看出,对于数据超标现象,融合诊断结果均在0·5以上,且超标程度越严重,其融合诊断结果越大,表明严重磨损程度越严重。

如案例1铁谱和光谱元素均严重超标,因此其融合诊断结果为0·9525,较其他只有铁谱元素或只有光谱元素超标的案例得到的融合诊断结果大。

而对于案例4,其污染物来源于外部,所以其融合诊断结果仅为0·3752,小于0·5。

由此可见,该诊断结果反映了本文方法的有效性。

由此可见,本文构建的飞机液压系统的磨损故障多Agent协同诊断模型能有效地融合各种油样分析信息进行故障诊断