基于MAS的盾构机故障诊断知识引擎系统的研究

论文摘要

在上海乃至全国许多城市的轨道交通建设的蓬勃发展中,作为隧道挖掘主要设备的盾构机起着越来越重要的作用。盾构机集机械、液压传动、自动控制、检测和计算机技术为一体。随着国民经济的高速发展和工业控制技术的不断更新,盾构机和其它工业现场机械一样,功能越来越强,设备越来越先进、复杂和昂贵。因而及时分析设备故障产生的原因或正确预报设备潜在的故障信息等,从而减少生产过程中因故障而停机的时间,这将会给生产和现代化建设带来明显的经济效益。所以,本课题通过对盾构机故障诊断智能系统的研究,探索在现代生产装备中如何融入人工智能技术,以提升现代生产装备的技术含量,保障现代生产装备的运行正常和增加现代生产装备的生产效益。由于盾构机是大型、复杂和连续运行的生产设备,具有多部件结构、多层次故障症状和故障的不确定性等特点,故本文确定了研制基于多Agent系统(Multiple Agent System,简称MAs)的故障诊断知识引擎系统的研究方向,研究了多个推理Agent协作的集成推理机制和多种知识支持Agent互补的集成知识库的构造和知识获取平台,突破了单一诊断智能系统在领域知识和推理能力方面的局限性。为了满足对盾构机故障的不确定性的模糊推理命题的推理需要和属于连续性生产设备的盾构机在故障诊断方面的实时性要求,在盾构机故障诊断知识引擎系统的推理Agent研制中,本文针对模糊性特点设计了基于综合动、静隶属度运算的模糊识别法;针对偶然性和耦合性特点设计了基于贝叶斯原理的概率统计识别法;针对如何解决盾构机所具有的大量的状态参数和控制信号等的知识获取的“瓶颈”问题以及由此而来的快速推理问题,设计了基于神经网络的并行运算方法和建立了基于遗传神经网络的机器学习平台。本文还提出了基于MAS的盾构机故障诊断知识引擎系统的结构形式为多级联盟式,研制了多个具有不同机理的子Agent、MAS的通信模块和规划统筹器等,使该知识引擎系统能按设定的通信和规划机制将若干个所需的子Agent组织成Agent联盟,驱动多个子Agent根据总任务分解和分配而分别承担各自一部分智能任务,综合各部分任务就完成了单个Agent所不能完成的对某一时段作为大型复杂设备的盾构机运行状态的判定或故障诊断的复杂的综合性的任务,以适应多部件结构、多层次故障症状、多故障特点和多型号盾构机的故障诊断的需要。论文在研究了上述一系列关键性问题的基础上,开发了一套盾构机故障诊断知识引擎系统,该系统具备了交互诊断功能、自动诊断功能和在线诊断功能,此外还具备了诊断仿真功能、查询功能和优化保养功能,以及知识库维护和更新功能,特别是通过知识重用与知识重构,能够迅速地为新增型号的盾构机在知识库中增加相应的内容,以支持推理Agent完成诊断工作。在上海某些隧道掘进施工中,盾构机故障诊断知识引擎系统经过了实际的使用,并进行了修改和完善,通过多处隧道掘进施工工程的实际检验,取得了良好的效果,得到了上海隧道工程股份有限公司盾构工程分公司和项目验收会从事盾构挖掘、机电设备、控制工程和计算机技术等领域的与会专家的好评。最后,本文提出了课题研究的结论和展望,从优化的角度论述了故障诊断知识引擎系统在现代生产装备中的应用的进一步研究的内容和所需完善的方面。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 课题背景
• 1.1.1 课题的提出
• 1.1.2 盾构机种类及其故障诊断特点分析
• 1.1.3 盾构机故障诊断国内外动态
• 1.2 课题主要研究内容
• 1.2.1 构造多Agent系统以满足不同故障诊断的需求
• 1.2.2 面对知识获取的"瓶颈"问题设计机器学习算法
• 1.2.3 研究多个推理Agent协作的集成推理机制
• 1.2.4 研究多种知识支持Agent互补的集成知识库
• 1.3 课题意义
• 1.4 本章小结
• 第二章 关键技术及应用
• 2.1 机电设备故障诊断技术的发展
• 2.2 人工智能技术的产生和发展
• 2.2.1 专家系统使人工智能的研究走出了低谷
• 2.2.2 "符号"智能与"计算"智能
• 2.2.3 "分布"智能
• 2.3 多Agent系统（MAS）
• 2.3.1 单智能体（Agent）
• 2.3.2 多Agent系统（MAS）
• 2.4 盾构机故障诊断知识引擎系统的需求分析和结构设计
• 2.4.1 知识引擎系统的需求分析
• 2.4.2 盾构机故障诊断多Agent系统的结构设计
• 2.5 本章小结
• 第三章 研制"不确定性"故障推理机制
• 3.1 概述
• 3.2 研制模糊推理机制
• 3.3 研制概率推理机制
• 3.4 概率统计识别法和模糊识别法相结合的推理机制
• 3.5 应用实例
• 3.6 本章小结
• 第四章 针对"实时性"要求研制并行运算机制
• 4.1 概述
• 4.2 研制四层感知器神经网络进行有导师学习
• 4.2.1 四层感知器神经网络的组成和工作原理
• 4.2.2 应用实例
• 4.2.3 网络参数的特化处理
• 4.3 建立并行运算机制
• 4.3.1 运用"计算"智能进行离线学习
• 4.3.2 建立在线诊断的并行运算机制
• 4.4 扩展机器学习平台的通用性
• 4.4.1 设计四层感知器遗传神经网络
• 4.4.2 实例
• 4.4.3 本遗传神经网络具有较强的泛化能力
• 4.5 本章小结
• 第五章 联盟式MAS知识引擎系统的研制
• 5.1 盾构机知识引擎系统的构造
• 5.1.1 盾构机多Agent系统的联盟式结构
• 5.1.2 通讯方式
• 5.1.3 规划模式
• 5.2 规划统筹器和集成推理Agent的研制
• 5.2.1 问题求解机制
• 5.2.2 规划中协调和协商
• 5.2.3 集成推理机制
• 5.3 集成知识支持Agent的建造
• 5.3.1 建立故障树结构知识支持Agent
• 5.3.2 具有紧密集成特点的知识支持Agent
• 5.3.3 具有协同集成特点的知识支持Agent
• 5.3.4 知识重用与知识重构
• 5.4 本章小结
• 第六章 盾构机故障诊断知识引擎系统的软件实现
• 6.1 组成模块
• 6.2 功能及人机界面
• 6.2.1 系统功能界面
• 6.2.2 自动诊断功能
• 6.2.3 交互诊断功能
• 6.2.4 在线诊断功能
• 6.2.5 诊断仿真功能
• 6.2.6 优化保养及查询功能
• 6.3 系统应用实例
• 6.3.1 应用于轨道交通明珠线出入场左线区间隧道工程
• 6.3.2 应用于隧道工程周家渡工地
• 6.4 本章小结
• 第七章 结论与展望
• 7.1 结论
• 7.1.1 提出故障诊断知识引擎系统的需求分析
• 7.1.2 设计基于MAS的知识引擎系统的框架结构
• 7.1.3 研制了"不确定性"故障推理机制
• 7.1.4 研制了并行运算机制以满足诊断的实时性要求
• 7.1.5 研制了一套盾构机故障诊断知识引擎系统
• 7.2 课题研究展望
• 参考文献
• 作者在攻读学位期间公开发表的论文
• 作者在攻读学位期间所作的项目
• 致谢