林 伟 胡志高

(上海应用技术学院电气与电子工程学院,201400,上海∥第一作者，讲师)



基于多Agent信息融合的轨道交通信号设备故障诊断技术要点

林 伟 胡志高

(上海应用技术学院电气与电子工程学院,201400,上海∥第一作者，讲师)

针对我国城市轨道交通信号设备故障的特点,设计了一个基于多Agent信息融合技术的轨道交通信号设备故障诊断系统。介绍信息融合技术的相关要点,重点阐述多Agent信息融合技术的定义和理论。对多Agent轨道交通信号设备故障诊断的总体结构进行分析和设计。详细分析了信息采集Agent、管理Agent、诊断Agent等主要Agent的基本职能，以及各Agent间的通信协作方式。

城市轨道交通； 信号设备； 故障诊断; 多Agent; 信息融合技术

Author′s address School of Electrical and Electronic Engineering, Shanghai Institute of Technology,201400,Shanghai,China

目前，城市轨道交通中的重要研究方向，是如何提高城市轨道交通信号设备系统的可靠性与安全性。这一研究也满足了市民对城市轨道交通运营安全的要求。然而,我国城市轨道交通信号设备故障诊断系统的深层次诊断分析能力目前尚处于初级阶段，仍需人工查阅采集数据并进行异常情况的分析,智能化程度不高。人工查阅采集数据的工作方式效率低下,较难满足社会对城市轨道交通的需求,需做进一步的改善。基于多Agent信息融合技术的信号设备故障诊断系统的正确使用可以有效解决上述问题。本文首先概述了已有故障诊断技术,详细分析了多Agent信息融合技术,然后结合城市轨道交通信号设备故障的特点,设计了一个基于多Agent信息融合的轨道交通信号设备故障诊断系统,以更有效地保障城市轨道交通信号设备的运行安全。

1 相关技术

1.1 故障诊断的主要方法

故障诊断技术的依据是控制理论、状态监测理论和设备系统理论。其利用计算机系统程序结合各种仪器设备来实现被诊断设备的运行状态检测,期间参照预设模型的规律如工作流程或者机器、设备的结构等,最终识别并解决故障。故障诊断的一般方法是由专门的故障诊断系统结合故障诊断程序来实现，或直接采取人工排除方式。当前主要的故障诊断方法为:

(1) 基于专家系统的故障诊断方法。1968年,Feighbaum教授首次提出并设计了一个完整的专家系统[1]((Expert System),70年代，人们逐渐意识到专家系统的优点，将其引入并应用于故障诊断理论之中,目前专家系统在故障诊断领域内的研究技术已较为成熟。专家系统的经典应用方式为:利用自然语言产生式规则,知识工程师将所需知识转化为机器语言,借助人机接口输入故障信息知识库;推理机在故障产生时,使用自身推理方式在故障信息知识库中进行推理分析逐一排查,最终确定故障位置，检测出故障问题。

(2) 基于神经网络的故障诊断方法。运用模拟神经系统进行数据处理的数学模型即为人工神经网络(ANN),该数学模型是依据输入与输出关系而确定的,其中的每个最小结构即处理单元(神经元)互相连接形成复杂的神经网络系统[2]。由于人工神经网络具有对大量的训练样本数据进行分析推理的强大功能并由此得到一般规律,因此人工神经网络能够对未知的或难以预测的故障信息进行判断分析。其最典型的代表是径向基神经网络与BP (Back Propagation)神经网络。

(3) 基于贝叶斯网络的故障诊断方法。贝叶斯网络(Bayesian Network)是一种用来表示和推理不确定性知识的数学模型,它将图形理论与概率论的相关知识相结合,从数学意义上说有较为严格的理论基础,对诊断分析故障中的未知因素的识别有积极的作用[3]。当前，对贝叶斯网络的研究尚处于理论研究阶段,其在处理工程实际故障诊断问题时应用次数较少,主要问题在于基于贝叶斯网络的故障诊断过程需要软件与硬件结合使用。

(4) 支持向量机的故障诊断方法。统计学习理论是研究在有限样本数据情况下机器学习规律的理论,为统计模式识别和更深入的机器学习问题的研究提供了一个较好的理论支持[4]。Vapnik等通过研究统计学习理论,提出了一种全新的模式识别算法——支持向量机(Support Vector Machine)。该模式识别算法具有充分的数学理论依据,而且有效地完善了传统分类方法的缺陷,在故障诊断、文本分类等专业领域取得了较为成功的应用。

(5) 基于Petri网技术的故障诊断方法。1960—1965年，德国科学家Petri建立了一种数学模型——Petri网,该数学模型利用目标系统中元件之间的关系来构建有向图的组合,从而能够准确地表示离散事件发生的冲突、顺序和并发的关系[5]。在传统容错Petri网故障诊断模型的基础上设计的新型Petri网故障诊断模型伴随着学者们的更深入研究而产生。该新模型依据诊断出的可疑故障元件所在的线路进行分析建模。这样做的优点是：当网络拓扑过程出现变化时,系统能够迅速精准地对故障路径进行修正,无需调整关联矩阵,由此推动诊断进程。

1.2 多Agent技术

单个Agent难以在复杂问题的处理中解决目标问题。由多个具有不同功能的Agent个体组成的多Agent系统在处理复杂问题时,首先是将复杂的问题分解成若干个简单的问题,之后就众多简单问题个体进行信息融合求解,完成任务。单个Agent即称之为个体,多Agent系统就是由多个个体有机结合而成的[6]。

个体之间相互通信且具有特定的职责,它们之间进行信息融合来实现求解工作。需要注意的是，多Agent的系统组成并不是由多个个体简单地累加在一起的框架,而是形成在一定的控制关系之上。典型的多Agent组织结构有Agricola 系统、ACTOR系统和DVMT,系统。目前学术界在多Agent技术领域的研究主要集中在多Agent通信和体系结构等方面。

一般定义多Agent体系结构为三类:

(1) 集中式体系结构。为多Agent结构,由多个Agent个体集合在一起组成一个区域,且该区域由一个共同的管理者进行管理。如图1所示,管理者对普通Agent之间的交互进行统一管理。

图1 集中式结构

(2) 分布式体系结构。尽管在同一个区域内有多个Agent,但没有管理者对其之间的任务、通信等信息数据进行统一管理调度,而是依靠这些Agent本身的反应和感应。由此可知,分布式体系结构下的Agent没有优先级别之分。如图2所示,多Agent彼此间交互不受限制。

图2 分布式结构

(3) 混合式体系结构。该体系结构综合了以上两种体系结构,具有以上两种体系结构的优点,适用于复杂多变的系统,可以高效灵活地对组成成员的通信进行管理和任务分配。

1.3 信息融合技术

信息融合是一种信息处理过程,它是多方面、多层的,其中涵盖了数据组合(Combination )、数据估计(Estimation)、数据检测(Detection )等一系列步骤。信息融合技术的作用在于将大量各种各样的数据信息(包括不同结构、复杂联系的信息)进行融合,是一种智能的信息综合处理技术。信息融合过程,并不是对不同结构的复杂信息进行简单叠加,而是按照一定法则,提取出有利用价值的数据信息,提供给外界系统使用。信息融合的主要研究内容是多源信息融合(也称为多传感器信息融合),是指对观测和收集的信息进行综合分析处理,获得被测对象的一致估计的过程。信息融合过程如图3所示。

图3 信息融合过程

因Agent自身能力有限,当研究对象为多Agent系统时,单个Agent所获取的来自外部环境或系统状态的信息都是部分的,只是系统全部信息中的零星片段。针对以上不足,单一Agent须在彼此之间交互信息，进而才能实现更多信息的获得,最终让每个Agent都能对自身所处外部环境及内部系统有更为全面的认识。

国内多Agent信息融合当前的研究大多集中在多Agent信息融合方法设定和模型的建立上[7]。多Agent信息融合模型中的经典模型为Dasarathy模型、控制环模型( Control Loop )、情报环模型(Intelligence Cycle )、瀑布模型、JDL模型和混合模型,而对融合模型的研究包括两部分:一是怎样合理搭建好分布式结构；二是怎样利用多Agent信息融合技术完成相关数据的采集、分析,并将信息进行融合之后更好地进行诊断分析。对于多Agent信息融合方法的设定,目前还没有找到能够将各种多源信息进行融合处理的方法,实际中的融合方法必须依据相关应用场合、借助多种具体的融合技术完成。国内运用的多Agent信息融合方法包括产生式规则、模糊理论、参数估计法(最小二乘法、极大似然估计、贝叶斯估计等)、加权平均法、DS证据推理、卡尔曼滤波法、神经网络等。

2 信号设备故障诊断系统结构

2.1 基本原理及结构

利用Agent的主动性和自主性等特性,多Agent城市轨道交通信号设备故障诊断系统将信号设备全局故障问题划分为多个子任务。利用Agent的自主性,多Agent系统中的Agent个体可以独立地完成子任务。该过程中各个Agent个体是相互独立的,但并不孤立。与此同时，运用Agent之间的通信协作机制,各个Agent个体之间可以更好地相互交流与协同合作,从而顺利地完成系统的总任务。多Agent城市轨道交通信号设备故障诊断系统结构如图4所示。

图4 多Agent城市轨道交通信号设备故障诊断系统结构

2.2 融合Agent的定义及应用

2.2.1 融合Agent的定义

在城市轨道交通信号设备故障诊断系统中使用信息融合技术,主要在于对融合Agent的设计。融合Agent的作用包括对原始数据信息进行融合及融合多个诊断Agent的结果。系统中融合Agent的作用范围较广,涵盖了不同结构、复杂联系的信息。融合Agent结构如图5所示。融合处理与融合规则模块采用合适的算法,遵循一定的规则,将来自不同区域的复杂信息高效地进行融合处理。运用融合Agent,检测Agent进行数据信息处理,可使数据信息准确且有效降低系统的综合信息处理难度；诊断Agent进行数据信息处理,对诊断结果进行分析,可提高诊断结果的全面性和精确性。

图5 融合Agent结构图

对多Agent进行融合的定义如下[8]:设Ω为辨别框架,Φ为空集,A为Ω内的命题，函数M在[0,1]区间范围内,且满足:

M(Φ)=0

该定义所包含的意义为:①当给Ω内命题分配可信度时需满足所有命题可信度为1;②空集时可信度为零。

多个Agent在多周期内对多个命题进行测量后,获得的后验可信度分配可用Msj(Ak)来表示。即第S个Agent在第j周期内对命题Ak的后验可信度。其中，j=1，2，3，…，n;s=1，2，3，…，m;k=1，2，3，…，i。根据已知定理,融合步骤如下:

(1) 每个周期内所有的Agent获得各自命题的融合后验可信度分配表示为:

⊆Ω

Ω内未知命题的融合后验可信度表示为:

(2) 将各周期可信度分配总的融合后验可信度表示为:

⊆Ω

对于Ω内未知命题的融合后验可信度表示为:

2.2.2 融合Agent的应用

在2个周期内3个Agent测量信号设备故障的原因,获得的融合后验可信度(BPAF)如表1所示。

表1 3个Agent在2个周期的BPAF

第一步,首先将M11M21、M12M22进行组合,如表2、3所示。

表2 M11 M21组合情况

表3 M12 M22组合情况

根据表2，可得到在第一周期内Agentl、Agent2对A1命题的组合结果为:M11M21(A1)=M11(A1)M21(A1)+M11(U)M21(A1)+M11(A1)M21(U)=0.12+0.03+0.02=0.17。

用同样的方法，可得出第一周期内Agentl、Agent2对其他命题的组合结果。依据表3,计算出在第二周期内Agentl、Agent2对命题的组合结果。组合结果如表4所示。

表4 M11M21、M12M22组合结果

同理可得M11M21M31、M12M22M32的组合结果。如表5所示。

第二步,根据表5,可得出第一、第二周期所有Agent对各个命题的融合,融合结果如表6所示。

表5 M11M21M31、M12M22M32组合结果

表6 2个周期的融合后验可信度

第三步,利用相关定义与公式结合表6的数据,求出2个周期的融合结果。融合结果如表7所示。总的融合后各个命题的可信度如表8所示。

表7 2个周期组合的结果

表8 每个命题融合后可信度

第四步,根据各命题融合后的可信度得出结论。根据表8，A1的后验可信度为0.52，大于A2、A3和U的值,说明最有可能的故障原因是A1，即连接线损坏。所以结论为:连接线损坏造成了故障。因此，基于多Agent信息融合技术可实现城市轨道交通信号设备故障诊断。

3 主要Agent的功能

3.1 信息采集Agent

环境数据信息的采集方式有:① 前端采集设备自动获取;② 人工输入。信息采集Agent采取第一种方式来获取环境数据信息。即利用现场数据信息采集设备获取数据信息。较为常用的数据信息采集设备有A/D数据采集卡、多种传感器以及视频监控系统提供的设备。信息采集Agent利用这些设备可有效获取信号设备的实时数据,并及时储存在数据库之中,为管理Agent所用。一般来说,设备信息具有不同结构、复杂联系的特点,因此需要归类处理各类数据信息。

3.2 管理Agent

按照职能来分,在整个信息融合处理过程中处于主导地位的是管理Agent。管理Agent的职能是综合判断收集到的数据信息,从而进行分解任务和任务分配。即管理Agent将诊断对象(轨道交通信号设备)的所有诊断任务按照标准分解成若干子任务,形成诊断任务集合,并将任务集合传递给诊断Agent。管理Agent的其它职能是监视系统整体任务的执行情况、处理各诊断Agent间的冲突问题,适时与其它Agent进行信息交互协作。

3.3 诊断Agent

诊断Agent的职能是：针对管理Agent传来的故障数据信息提出具体解决方案，并负责各个诊断任务的控制、调度、分配。其是整个诊断系统的核心。诊断Agent接受管理Agent传递过来的各种请求,然后取出信号设备的状态数据并从知识库中找到对应的解决方案。诊断Agent具有优秀的学习和记忆能力,对于一种新的设备故障现象,诊断Agent会将提出的有效可行的故障解决措施添加进知识库中,以扩充知识库的内容。此外,知识库的部分知识构建可依靠操作员实际作业中的经验和积累。

3.4 Agent间的通信协作

要实现多Agent系统问题的成功求解,各个Agent间必须进行通信与协作。Agent系统的通信方式主要有:① 消息传递通信(异步消息传递方式),采取点对点的传递方法,一个Agent个体可以向至少一个Agent发送消息。在该通信协作方式下，各个Agent之间要相互了解,发送消息数据者要提前接收相关信息。② 黑板通信(同步消息传递方式),作为信息数据共享基地的黑板各个 Agent都可以使用。各个Agent既可向黑板发送消息,又可从黑板上获取消息,因此各个Agent之间不需要发生通信。

4 结语

城市轨道交通系统的升级离不开故障诊断技术的发展。在复杂的外界环境之中,单一Agent无法快速有效地完成故障诊断分析及排查任务,这就需要多个Agent共同来完成。基于多Agent的信息融合技术是智能Agent相关技术中重要的一项,它通过分解系统任务的方法,将一个繁杂的问题分解成若干相对简单的任务,从而快速高效地解决问题。本文提出了一个基于多Agent信息融合的故障诊断方法,将多Agent信息融合应用在城市轨道交通信号设备故障诊断中，主要完成了以下几方面工作:

(1) 概括描述了故障诊断的理论基础和应用方向以及多Agent技术,详细阐述了信息融合技术。

(2) 构建了城市轨道交通信号设备故障诊断系统,重点研究了多Agent融合技术的定义和理论,对轨道交通信号设备故障诊断的总体结构进行分析和设计。

(3) 阐述了信息采集Agent、管理Agent和诊断Agent的基本职能，以及Agent间的通信方式。

[1] GIARRATANO Joseph.专家系统原理与编程[M].北京:机械工业出版社,2000:20.

[2] 胡守仁,余少波,戴葵.神经网络导论[M].长沙:国防科技出版社,2007:2.

[3] 商晖,燕飞,李开成.贝叶斯网络在轨道交通屏蔽门系统安全分析中的应用[J].城市轨道交通研究,2011,14(11):47.

[4] 张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32.

[5] 蒋昌俊.Petri网的行为理论及其应用[M]北京:高等教育出版社,2003.

[6] 任旭,谷宏强,解璞.基于Agent技术的故障诊断专家系统研究[J].计算机测量与控制,2007,15(5):641.

[7] ABDALLAH S,LESSER V.Modeling task allocation using a decision theoretic model[C]∥Proceedings of Fourth International Joint Conference on Autonomous Agents andMultiagent Systems. Utrecht Netherlands:ACM Press,2005：719.

[8] 冯波.多传感器信息融合技术的研究[D].南京:南京航空航天大学,2004:22.

Fault Diagnosis of Rail Transit Signal Device Based on Multi-agent information Fusion

LIN Wei, HU Zhigao

According to the fault features of rail transit signal device in China, a fault diagnosis system for rail transit signal device based on multi-agent information fusion technology is designed. The key points in information fusion technology are described by focusing on the definition and theory of the multi-agent information fusion technology. The overall structure of fault diagnosis for rail transit signal device is analyzed and designed, in which the basic functions of information collection agent, management agent and diagnosis agent are described in detail, the communication between different agents are also analyzed.

urban rail transit; signal device; fault diagnosis; multiple agent; information fusion technology

U 231.7

10.16037/j.1007-869x.2016.04.013

2015-09-30)