[發(fā)明專利]一種遠(yuǎn)程協(xié)同診斷任務(wù)分配方法

無效

• 申請(qǐng)?zhí)枺?/td>: 201210290195.9
• 申請(qǐng)日: 2012-08-15
• 公開（公告）號(hào): CN102819684A
• 公開（公告）日: 2012-12-12
• 發(fā)明（設(shè)計(jì)）人: 劉建輝
• 申請(qǐng)（專利權(quán)）人: 西安建筑科技大學(xué)
• 主分類號(hào): G06F19/00
• 分類號(hào): G06F19/00
• 代理公司: 西安智大知識(shí)產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 劉國(guó)智

1.一種遠(yuǎn)程協(xié)同診斷任務(wù)分配方法，由RCFD中心確定復(fù)雜診斷任務(wù)然后將復(fù)雜診斷任務(wù)分解為多個(gè)可執(zhí)行的診斷任務(wù)并進(jìn)行分配供各參與協(xié)同診斷的診斷資源執(zhí)行，其特征在于，所述分配包括如下步驟：

步驟1，進(jìn)行診斷任務(wù)關(guān)系分析：

基于診斷任務(wù)關(guān)系矩陣，將診斷任務(wù)集按照有向無環(huán)圖的形式建立診斷任務(wù)模型DTM，DTM={V，E}，它是由m個(gè)診斷任務(wù)結(jié)點(diǎn)V和e條反映診斷任務(wù)間關(guān)系的邊E組成，m=e＋1，E_ij=T_ij，V_i對(duì)應(yīng)的診斷任務(wù)為T_i(i＝0,1，...,m)，用有向箭頭表示該箭頭兩端結(jié)點(diǎn)代表的診斷任務(wù)為串聯(lián)關(guān)系，同一父診斷任務(wù)下的診斷任務(wù)間關(guān)系為并聯(lián)關(guān)系，無箭頭聯(lián)系的診斷任務(wù)間關(guān)系為獨(dú)立關(guān)系，由于診斷任務(wù)模型的邊權(quán)值未知，在該有向無環(huán)圖中用對(duì)號(hào)表示，將其稱為初始診斷任務(wù)模型；

步驟2，運(yùn)用Bayesian網(wǎng)絡(luò)確定診斷任務(wù)間關(guān)系：

(1)確立裝備診斷任務(wù)關(guān)系矩陣對(duì)應(yīng)的診斷任務(wù)Bayesian網(wǎng)絡(luò)結(jié)構(gòu)及其結(jié)點(diǎn)，構(gòu)建用于確定診斷任務(wù)間關(guān)系問題的Bayesian網(wǎng)絡(luò)；

(2)對(duì)Bayesian網(wǎng)絡(luò)中的每一個(gè)結(jié)點(diǎn)進(jìn)行主觀賦權(quán)，獲得Bayesian網(wǎng)絡(luò)的條件概率表CPT的w初始值，每一層w滿足∑w_i=1，w表示權(quán)值；

(3)通過數(shù)據(jù)庫(kù)中原有的相關(guān)成功診斷案例提取出診斷任務(wù)關(guān)系樣本集，獲取權(quán)值學(xué)習(xí)的診斷任務(wù)關(guān)系訓(xùn)練樣本集合TS={TS₁,TS₂，...,TS_n}；

(4)使用梯度下降方法訓(xùn)練Bayesian網(wǎng)絡(luò)，來學(xué)習(xí)CPT的值，p(v|TS_i)表示結(jié)點(diǎn)v在樣本TS_i(i＝1,2，...,n)下的先驗(yàn)概率值，在Bayesian網(wǎng)絡(luò)中相當(dāng)于CPT的屬性值，對(duì)Bayesian網(wǎng)絡(luò)的每個(gè)結(jié)點(diǎn)v，計(jì)算實(shí)現(xiàn)最大化p_w(TS)=∏p_w(TS_i)，得到梯度；其中，p_w(TS)為訓(xùn)練樣本集最后獲得的概率值之和，在Bayesian網(wǎng)絡(luò)中相當(dāng)于該診斷任務(wù)關(guān)系確立問題的訓(xùn)練樣本集的綜合評(píng)判總值，p_w(TS_i)為某個(gè)樣本最后獲得的概率總值；

(5)梯度下降策略采用貪心爬山法，用更新權(quán)值w，l為權(quán)值學(xué)習(xí)的步長(zhǎng)，是一個(gè)小常數(shù)；

(6)重新規(guī)格化權(quán)值，由于權(quán)值w在0和1之間，且每一層和為1，在權(quán)值按上一步更新后，要對(duì)每一層其它的w進(jìn)行重新規(guī)格化，以保證∑w_i=1；

(7)當(dāng)時(shí)，Bayesian網(wǎng)絡(luò)訓(xùn)練結(jié)束，ε為一極小值，此時(shí)的w值作為Bayesian網(wǎng)絡(luò)的權(quán)值，即診斷任務(wù)間關(guān)系的量化值，診斷任務(wù)關(guān)系確定；如果不滿足，則需轉(zhuǎn)(5)進(jìn)一步重新確定診斷任務(wù)關(guān)系；

(8)依次確定初始診斷任務(wù)模型中診斷任務(wù)T_ij間的量化關(guān)系值，即新的有向無環(huán)圖中的邊權(quán)值，此時(shí)的DTM中還存在一些被不同父診斷任務(wù)結(jié)點(diǎn)共用的診斷任務(wù)結(jié)點(diǎn)，為了便于以后的診斷執(zhí)行路徑規(guī)化，需要對(duì)其進(jìn)行整理，整理前的DTM稱為未整理DTM；

步驟3，診斷任務(wù)模型分層模塊化：

將上述未整理DTM進(jìn)行分層整理以模塊化，在一個(gè)DTM中，上、下層結(jié)點(diǎn)之間結(jié)構(gòu)聯(lián)系形式包括三種：結(jié)點(diǎn)只包含子結(jié)點(diǎn)的fork型、結(jié)點(diǎn)只包含父結(jié)點(diǎn)的join型以及結(jié)點(diǎn)有父結(jié)點(diǎn)包含子結(jié)點(diǎn)的混合型；其中，通過添加一個(gè)虛擬結(jié)點(diǎn)將混合型轉(zhuǎn)換為fork型或join型，從而得到模塊化的DTM；

步驟4，執(zhí)行診斷任務(wù)的路徑規(guī)劃，首先從DTM模型中導(dǎo)出診斷任務(wù)執(zhí)行路徑集，然后確定關(guān)鍵路徑，關(guān)鍵路徑依據(jù)邊權(quán)值參數(shù)類型的不同分為最長(zhǎng)關(guān)鍵路徑和最短關(guān)鍵路徑兩類，最長(zhǎng)關(guān)鍵路徑是診斷任務(wù)的診斷成功率或診斷效益或重要性最高的一系列診斷任務(wù)執(zhí)行路徑；最短關(guān)鍵路徑是診斷任務(wù)從開始到結(jié)束時(shí)，平均執(zhí)行時(shí)間最短或診斷成本最低的一系列診斷任務(wù)執(zhí)行路徑；接著，改進(jìn)并運(yùn)用D算法進(jìn)行關(guān)鍵路徑確立；

步驟5，進(jìn)行診斷資源配置，首先，依據(jù)診斷任務(wù)的屬性信息建立一個(gè)DTM希望得到的診斷資源群，稱做請(qǐng)求型診斷資源群，診斷任務(wù)希望得到的、并且請(qǐng)求型診斷資源群具備的服務(wù)集構(gòu)成一個(gè)請(qǐng)求服務(wù)集，將這些請(qǐng)求服務(wù)進(jìn)行列表登記，這個(gè)表簡(jiǎn)稱請(qǐng)求服務(wù)登記表；然后，面對(duì)各個(gè)診斷任務(wù)，多個(gè)診斷資源根據(jù)各自自身屬性信息聯(lián)合提供一個(gè)擬執(zhí)行診斷任務(wù)即提供診斷服務(wù)的診斷資源群，稱做供給型診斷資源群，它們也產(chǎn)生一個(gè)供給服務(wù)集和供給服務(wù)登記表；接著，請(qǐng)求型診斷資源群和供給型診斷資源群根據(jù)服務(wù)進(jìn)行匹配，確定出每個(gè)診斷任務(wù)對(duì)應(yīng)的診斷資源。

2.根據(jù)權(quán)利要求1所述的遠(yuǎn)程協(xié)同診斷任務(wù)分配方法，其特征在于，所述診斷任務(wù)關(guān)系矩陣是根據(jù)被診斷對(duì)象的結(jié)構(gòu)模型，或者功能模型，運(yùn)用鄰接矩陣建立的，即裝備的結(jié)構(gòu)模型對(duì)應(yīng)著一個(gè)結(jié)構(gòu)鄰接矩陣，故障模型對(duì)應(yīng)著一個(gè)故障樹，首先采用粗粒度的裝備結(jié)構(gòu)分解和細(xì)粒度的裝備故障分解，然后根據(jù)這兩種分解結(jié)果的交叉關(guān)聯(lián)部分即可建立。