多Agent 技術在UPS 故障診斷上的應用研究

周凱，周洋洋，趙昶宇

（1.中國人民解放軍92678 部隊，天津 300202；2.海軍駐天津八三五七所軍事代表室，天津 300308；3.天津津航計算技術研究所，天津 300308）

UPS 的出現在很大程度上解決了企業和個體家庭中用電設備的供電質量問題，在現階段已成為分布式計算機系統中不可或缺的配套設備。UPS 電源系統的智能化、網絡化、高頻化、數字化和模塊化的不斷發展，導致UPS 電源系統的組成和功能性能也日益復雜，一旦UPS 電源系統出現故障，其故障表現形式和故障產生的原因也會各式各樣。因此，尋找一種合適的方法實現對UPS 電源系統的智能故障診斷已變得日益迫切。

Agent 技術的最大特點是通過與環境和其他Agent之間的相互協作將復雜問題或者大系統進行分解和分配，并自主地將復雜問題或大系統劃分為多個相對簡單且面向特定問題的子系統，便于問題的求解。將多Agent 技術與故障診斷相結合，并應用于UPS 電源系統中，可以充分發揮多Agent 技術在故障定位和診斷方面的優勢，解決了當前UPS 電源系統故障診斷不深入、不徹底的問題，實現了對UPS 電源系統全面準確的故障診斷。

由于D-S 證據理論特別擅長對不確定信息的處理，該技術已被廣泛應用于故障診斷和決策分析等領域。將BP 神經網絡技術與D-S 證據理論相結合，保證了D-S 證據理論對不同故障征兆的基本概率分配的確定性，并充分發揮BP 神經網絡的自學習能力、非線性表達能力和分類能力，提高對UPS 電源系統故障診斷的準確率。同時，采用粗糙集理論對采集到的故障樣本數據進行屬性約簡和值約簡，盡可能減小BP 神經網絡的輸入規模，提高BP 神經網絡的收斂能力，并縮短算法的計算時間。

本文采用多Agent 技術實現對UPS 電源系統的智能故障診斷。其中，案例推理Agent 完成UPS 電源系統的故障檢測，粗糙集Agent 和BP 神經網絡Agent對UPS 電源系統進行了故障識別，D-S 證據理論Agent實現了UPS 電源系統的故障決策。上述基于多Agent技術的UPS 電源故障診斷系統具有診斷精度高、速度快的特點，能滿足用戶的診斷需求，具有較好的診斷效果和實際應用價值。

1 基于多Agent 技術UPS 電源系統故障診斷體系結構

UPS 電源系統故障診斷的內容包括案例推理Agent、粗糙集Agent、BP 神經網絡Agent 以及D-S 證據理論Agent 等，基于多Agent 的UPS 電源系統故障診斷體系結構如圖1 所示。

圖1 UPS 電源系統故障診斷體系結構圖

UPS 電源系統故障診斷系統分為故障檢測、故障識別和故障決策3 個環節。UPS 電源系統故障診斷系統的工作原理是：接收傳感器發送的數據信息，通過案例推理Agent 來檢測系統當前是否存在故障，并將檢測結果通知管理Agent。若案例推理Agent 檢測到系統存在故障后，管理Agent 告知粗糙集Agent 和BP 神經網絡Agent 對故障數據進行識別處理，并完成粗糙集Agent 和BP 神經網絡Agent 之間的相互通信和協作。管理Agent 將故障識別的結果傳遞給D-S 證據理論Agent，經D-S 證據理論對故障數據進行推理決策后，將最終的決策/診斷結果告知管理Agent。管理Agent 通過數據總線將診斷結果發送給UPS 電源控制系統計算機，完成UPS 電源系統的故障診斷過程。

2 案例推理Agent 設計

UPS 電源系統通常由整流器、旁路系統、逆變器、計算機主控系統和電源系統等組成。由于UPS 電源系統組成較為復雜，任一電子元器件的損壞均有可能導致UPS 電源系統無法正常工作。因此，需要相關領域專家對UPS 電源系統創建故障案例庫，故障案例庫包括故障描述信息、故障案例征兆集、故障結論信息和案例輔助信息。其中，故障描述信息通常包含故障發生時間、故障現象、故障模式等，故障案例征兆集包括故障特征向量和故障特征權重向量，故障結論信息包括故障解決措施、故障手冊以及結果評價等，案例輔助信息包括故障所屬系統、故障所屬部件、案例標識和編號、成功匹配次數和學習質量等。

UPS 電源故障診斷系統通常對電壓值和電流值的頻率、相位以及幅值等信號量進行采集和監測，包括逆變器輸出端電壓值、輸出平衡的監測、市電監測、旁路市電監測、逆變器電流監測、負載監測以及電池電壓監測等。為了實現對UPS 電源系統的故障檢測，需要將上述采集到的信號量/故障征兆進行初步的故障決策，判斷當前系統是否發生故障。基于案例推理技術的故障決策表由條件屬性和決策屬性構成，條件屬性包含每個故障案例中所有的故障征兆及其故障征兆取值，由這些故障征兆可能產生的故障模式則為該故障案例對應的決策屬性。通過建立條件屬性-決策屬性對應關系表，可以實現UPS 電源系統的故障檢測功能。

3 粗糙集Agent 設計和BP 神經網絡Agent設計

3.1 粗糙集Agent 設計

利用粗糙集在知識分類和知識約簡方面的優勢，將其應用在UPS 電源故障診斷系統的故障識別上。通過案例推理Agent 技術檢測并獲取到UPS 電源系統的若干故障特征向量，利用粗糙集理論對這些故障特征向量進行屬性約簡和值約簡，并完成對故障特征向量的分類，實現對UPS 電源系統故障的初步識別[1]。

UPS 電源系統中利用粗糙集進行故障特征向量的屬性約簡和值約簡的步驟如下：①基于粗糙集計算每個UPS 電源系統故障樣本的屬性重要度和依賴度，去除冗余屬性；②計算粗糙集區分矩陣和核屬性，利用區分矩陣導出區分函數，根據區分函數獲取并建立析取范式的每個合取項，得到故障樣本的屬性約簡集合；③基于啟發式值約簡算法，將故障樣本約簡后的屬性集合和UPS 電源系統決策屬性構建成決策表，利用啟發式信息對該決策表進行“去冗余信息”操作，并將約簡后的新表作為初始決策表。篩選并刪除決策表記錄中的冗余屬性值，對所有記錄的屬性值不斷進行約簡得到近似最小的決策規則集，完成對UPS 電源系統故障樣本所有特征向量的終極約簡。

3.2 BP 神經網絡Agent 設計

BP 神經網絡具有很強的非線性映射能力、自學習和自適應能力、泛化能力以及容錯能力，利用BP 神經網絡對UPS 電源系統的故障樣本進行深度數據挖掘和學習訓練，建立故障特征和故障之間的映射，實現對UPS 電源系統的故障再識別[2]。由于BP 神經網絡的訓練精度和算法執行時間與訓練樣本集的大小密切相關，經過粗糙集屬性約簡和值約簡后將最小的故障樣本集作為BP 神經網絡的輸入，優化了BP 神經網絡的結果，極大地提高了訓練精度和算法的執行效率。

UPS 電源系統中利用BP 神經網絡進行樣本故障特征訓練的步驟如下：①初始化BP 神經網絡的輸入層、隱含層和輸出層；②將粗糙集屬性約簡和值約簡后以最小的故障樣本來訓練該神經網絡，對樣本數據進行歸一化處理，使其滿足誤差精度要求；③通過訓練獲取BP 神經網絡的各種參數，并計算得到每種故障特征到故障模式的基本概率分配。

4 故障決策Agent 設計

UPS 電源系統常見的故障問題描述如表1 所示。

表1 UPS 故障問題描述說明

在UPS 電源系統的故障診斷中，利用D-S 證據理論對多個故障征兆進行信息融合，實現對UPS 電源系統故障診斷結果的決策。但是D-S 證據理論對不同故障征兆的基本概率分配僅憑專家的經驗獲得，而BP 神經網絡可以直接獲取不同故障征兆的基本概率分配，將BP 神經網絡和D-S 證據理論相結合，可以實現對UPS電源系統更加客觀準確的故障診斷。

UPS 電源系統中利用D-S 證據理論進行故障決策的步驟如下：①計算每條證據的信度函數和似然函數，通過D-S 合成規則進行融合；②根據UPS 電源系統故障診斷特點，制定診斷決策規則；③根據診斷決策規則對數據融合后的信度區間進行決策分析，獲得診斷結果。

UPS 電源系統故障決策的處理流程如圖2 所示。

圖2 故障決策Agent 示意圖

5 結論

本文針對UPS 電源系統故障診斷的特點，建立了案例推理、粗糙集、BP 神經網絡以及D-S 證據理論的多Agent 智能綜合診斷系統。該故障診斷系統充分發揮各個Agent 技術領域的優點，有效彌補了傳統故障診斷技術的不足，不僅提高了UPS 電源系統故障診斷的效率，而且能夠獲得更加客觀、準確的診斷結果，實現了UPS 電源系統的智能故障診斷。