[发明专利]一种远程协同诊断任务分配方法

摘要

一种远程协同诊断任务分配方法，针对复杂诊断任务，RCFD中心将复杂诊断任务分解为多个可执行的诊断任务并进行分配以供各参与协同诊断的诊断资源执行，各个可执行的诊断任务还通过基于扩展合同网的方法进行诊断任务分配。本发明分为诊断任务模型建立、诊断任务路径规划、诊断资源配置3个环节，具有模块化、扩展性好、应用场合广等优点，其中，诊断任务模型建立环节从不同的分解粒度关注不同类型模型的交集，并运用Bayesian网络方法优化模型的权值，诊断任务路径规划环节基于D算法建立了一种统一的关键路径规划算法，诊断资源配置则从服务角度，融合多约束指标建立一种配置算法。

主权项

1.一种远程协同诊断任务分配方法，由RCFD中心确定复杂诊断任务然后将复杂诊断任务分解为多个可执行的诊断任务并进行分配供各参与协同诊断的诊断资源执行，其特征在于，所述分配包括如下步骤：步骤1，进行诊断任务关系分析：基于诊断任务关系矩阵，将诊断任务集按照有向无环图的形式建立诊断任务模型DTM，DTM={V，E}，它是由m个诊断任务结点V和e条反映诊断任务间关系的边E组成，m=e＋1，E_ij=T_ij，V_i对应的诊断任务为T_i(i＝0,1，...,m)，用有向箭头表示该箭头两端结点代表的诊断任务为串联关系，同一父诊断任务下的诊断任务间关系为并联关系，无箭头联系的诊断任务间关系为独立关系，由于诊断任务模型的边权值未知，在该有向无环图中用对号表示，将其称为初始诊断任务模型；步骤2，运用Bayesian网络确定诊断任务间关系：(1)确立装备诊断任务关系矩阵对应的诊断任务Bayesian网络结构及其结点，构建用于确定诊断任务间关系问题的Bayesian网络；(2)对Bayesian网络中的每一个结点进行主观赋权，获得Bayesian网络的条件概率表CPT的w初始值，每一层w满足∑w_i=1，w表示权值；(3)通过数据库中原有的相关成功诊断案例提取出诊断任务关系样本集，获取权值学习的诊断任务关系训练样本集合TS={TS₁,TS₂，...,TS_n}；(4)使用梯度下降方法训练Bayesian网络，来学习CPT的值，p(v|TS_i)表示结点v在样本TS_i(i＝1,2，...,n)下的先验概率值，在Bayesian网络中相当于CPT的属性值，对Bayesian网络的每个结点v，计算实现最大化p_w(TS)=∏p_w(TS_i)，得到梯度；其中，p_w(TS)为训练样本集最后获得的概率值之和，在Bayesian网络中相当于该诊断任务关系确立问题的训练样本集的综合评判总值，p_w(TS_i)为某个样本最后获得的概率总值；(5)梯度下降策略采用贪心爬山法，用更新权值w，l为权值学习的步长，是一个小常数；(6)重新规格化权值，由于权值w在0和1之间，且每一层和为1，在权值按上一步更新后，要对每一层其它的w进行重新规格化，以保证∑w_i=1；(7)当时，Bayesian网络训练结束，ε为一极小值，此时的w值作为Bayesian网络的权值，即诊断任务间关系的量化值，诊断任务关系确定；如果不满足，则需转(5)进一步重新确定诊断任务关系；(8)依次确定初始诊断任务模型中诊断任务T_ij间的量化关系值，即新的有向无环图中的边权值，此时的DTM中还存在一些被不同父诊断任务结点共用的诊断任务结点，为了便于以后的诊断执行路径规化，需要对其进行整理，整理前的DTM称为未整理DTM；步骤3，诊断任务模型分层模块化：将上述未整理DTM进行分层整理以模块化，在一个DTM中，上、下层结点之间结构联系形式包括三种：结点只包含子结点的fork型、结点只包含父结点的join型以及结点有父结点包含子结点的混合型；其中，通过添加一个虚拟结点将混合型转换为fork型或join型，从而得到模块化的DTM；步骤4，执行诊断任务的路径规划，首先从DTM模型中导出诊断任务执行路径集，然后确定关键路径，关键路径依据边权值参数类型的不同分为最长关键路径和最短关键路径两类，最长关键路径是诊断任务的诊断成功率或诊断效益或重要性最高的一系列诊断任务执行路径；最短关键路径是诊断任务从开始到结束时，平均执行时间最短或诊断成本最低的一系列诊断任务执行路径；接着，改进并运用D算法进行关键路径确立；步骤5，进行诊断资源配置，首先，依据诊断任务的属性信息建立一个DTM希望得到的诊断资源群，称做请求型诊断资源群，诊断任务希望得到的、并且请求型诊断资源群具备的服务集构成一个请求服务集，将这些请求服务进行列表登记，这个表简称请求服务登记表；然后，面对各个诊断任务，多个诊断资源根据各自自身属性信息联合提供一个拟执行诊断任务即提供诊断服务的诊断资源群，称做供给型诊断资源群，它们也产生一个供给服务集和供给服务登记表；接着，请求型诊断资源群和供给型诊断资源群根据服务进行匹配，确定出每个诊断任务对应的诊断资源。