基于智能规划的诊断和修复建模方法

摘要

规划和基于模型的诊断都是人工智能的分支。在基于模型的诊断中，可能会得到多个结果，从而导致诊断的不确定性。我们使用地标法从规划到设计事件序列来获得反应。提出了一种利用规划对增量诊断局部结果进行修复的方法。首先，建立基于模型的诊断与规划模型。增量诊断结果作为规划的初始状态，启发式搜索方法用于寻找无故障状态的解。设计了两种不同策略的诊断和修复算法:一种是对所有可能的故障进行修复，并利用可控事件对其进行修复;另一种是通过可控事件和可观测事件的反馈进行测试，得到唯一解并对其进行修复。同时，提高了基于启发式的增量诊断方法的效率。

1.介绍

AI规划和基于模型的诊断正在AI研究的最前沿开发。诊断问题来自医学，然后延伸到设备故障或行为偏差的检测。由于机械设备逐渐取代了手工工作，安全性的重要性逐渐突出，因此在控制和人工智能领域也会重视广泛的诊断问题[1]．基于模型的诊断是一种基于设备模型和行为的通用推理诊断方法。由于其对设备的依赖性低、效率高，自提出以来在理论和应用上都得到了迅速的发展。

基于模型的诊断方法最初用于静态系统[2];然后，将基于冲突的方法用于知识表示等问题[3.]及计划[4.]．系统关闭后，根据在线观测推断当前系统的故障。然而，随着设备规模的增加，其行为变得越来越复杂，停机造成的损失也在增加。提出了可在线监测的动态诊断方法[5.那6.并已扩展到各个行业。

动态诊断的目标是在线发现可能的故障并呈现出故障及其原因作为结果;结果对工业系统有用[7.那8.]．此外，当识别系统故障时，我们希望系统可以有效地介入和在线修复[9.]．系统的智能维修是故障诊断的后续工作，这进一步提高了系统的安全性。

基于动态模型的诊断方法通常基于离散事件系统模型，该模型将系统的行为分解为持久状态和突发事件[10.]．错误被定义为特殊事件。当在线运行时，只能检测到系统的部分行为，这被称为可观察事件。诊断系统根据离散事件系统模型和可观测事件序列，判断系统当前状态是否存在故障。如果系统存在故障，诊断结果给出的系统行为过程是事件触发状态的路径。诊断通常假定故障为持续性故障，即故障发生时，在没有干扰的情况下，故障不会自行消失。然后通过设备内部的可控事件，将故障从故障状态修复为非故障状态。

当系统出现故障时，诊断系统尝试使用可控事件修复系统[11.，我们希望这些错误可以附加。路径规划使用状态和动作来描述当前的环境和系统，并完成预期的任务。将路径规划方法与诊断模型相结合。该规划方法用于设计故障状态到无故障状态的路径，并通过地标，提供了增量诊断的启发式值。根据动态诊断结果，利用系统的可控事件和已知模型进行路径规划修复故障。该方法为手势识别领域的归并策略提供了借鉴;手势由不同的设备收集，但由相同的框架使用[12.-16.]．

文章组织如下:节2定义模型框架;部分3.给出诊断和规划的过程;部分4.给出了相应的算法;部分5.是实验结果。

2.模型

采用离散事件系统建模动态诊断，并将现实世界映射到逻辑系统。首先，建立了基本模型。

定义1(模型)。模型被定义为一个五元组 那其中是一个有限状态集，是一个有限事件集，是一个过渡套， 那 是一个初始状态集， 那和是最终状态集， ．

状态通常处于系统稳定的过程中。事件表示系统的行为，相对于状态是瞬时的。传输表示由一个连续状态到另一个状态的行为触发系统的过程。事件触发可以是被动的，也可以是主动的。

在经典的诊断方法中，事件集通常根据其性质分为三个子集:可观察事件集 那正常的不可观察事件集 那错误的事件集 那他们满足 ．如果系统可以通过控制某些事件来直接改变系统的状态，那么事件集也包含了此类特殊事件。

定义2(可控事件)。可控事件是可以由诊断系统控制和执行的事件，标记为 那 ．

通过可控制的事件和模型修复故障。模型中形成了一个路径。

定义3（轨迹）。轨迹状态的转移序列是由事件触发的吗 , 那 被定义为模型上所有可能的轨迹集合 ．

在实际操作中，系统沿着一定的轨迹执行。轨迹中的一些事件可见，由诊断系统收集，并在预定义模型中搜索以获得所确定的轨迹。如果轨迹中存在故障事件，则系统被认为处于故障状态。增量搜索路径规划用于修复和恢复系统到正常状态。

定义4（修复路径）。修复路径是模型的扩展，定义为三元组 那在这之中，是一个局部系统模型， 那和 ; 为带故障标号的有限状态集， ; 为带故障标号的有限状态集， ．

修复路径根据诊断生成，并且从初始状态获得 ．根据采用反向增量法的模型，进行启发式搜索。得到由可控事件组成的路径，生成局部系统模型。最后,一组，重新启动系统，并进行诊断。

系统是事件驱动的，可能的事件序列被定义为系统的语言。

定义5(语言)。语言系统是一系列可能发生的事件吗 ．
在实践中，系统中只有一部分行为可以被观察到，这是一系列与模型相对应的可观察事件。

定义6(可观察映射)。可观察对象映射定义在事件集和可观察事件集之间。 可观察映射是用语言定义的。 更进一步，可观测的映射是在轨迹上定义的。

在系统操作期间实际获得的观察事件序列被记录为 ．同样的映射也可以在事件集和故障事件集之间定义。相反，可观察映射的逆映射被定义为一组语言。

定义7(可观察的逆映射)。 ．
可观察映射和逆映射之间的关系不是一对一的对应关系，并且可以通过可控事件修复故障可能多于一个路径，但是可以达到无故障状态，这是诊断系统可接受的．

定义8(故障标签)。故障标签是一组故障事件， ．
该状态携带一个或多个故障标签，当且仅当所有故障标签为空时，故障标签为正常状态。否则，它将是一个失败状态。当诊断系统得到故障诊断结论时，给出故障路径，即具有故障标记的状态-事件序列。

可控事件通过修改状态中的故障标签来确认修复，设置了可控事件的添加和删除效果。在国家 那如果是可控事件触发的，则设置可控事件的添加效果，减少或增加状态的故障标签，传递状态。可控事件的删除效果设置为从目标状态退出到当前状态，并添加或减去当前状态的故障标签。

定义9(诊断)。诊断被定义为模型与观察之间的兼容路径 ．

诊断是明确的，但在实际系统中，传感器是有限的，导致不止一个诊断。如果只需要一个结果，那么将从候选集中选择最可能的诊断。但当选择是错误的，诊断就会倒退，选择另一个。回溯会降低效率，因此我们使用一个里程碑作为启发式函数来改进选择的过程。

定义10(里程碑)。一个里程碑在诊断中是一种有值的状态， ．
该标志用于标记导致多个轨迹的状态;状态中的值表示传递状态的次数。

路径由诊断获取。当路径包含故障事件，后续的故障状态标签中必须包含该事件。从路径向前搜索 那当存在通过可控事件获得非故障状态的路径时，则认为故障已修复。修复行为在模型中定义。给出了一个例子来解释这些定义。

图中的有向图1是一个模型 那 那 那 那和 ．可控事件可以是一些可以改变某些状态的特殊事件。在这个例子中，它可以是 ． 是一个轨迹。如果是一种错误的状态，是正常状态;包含的轨迹 可能是修理路径。轨迹中的事件可以是一种语言，难道是一种语言，只是一个前缀是一种语言。在事件组 那如果语言的可见地图是 那的可观测逆映射是和 ．如果是事件是国家有问题吗有错误的标签吗 那 ．的诊断 将和 ．关键位置的一些状态被定义为基准，例如 ．

3.方法

讨论使用规划方法根据情况的诊断和修复。增量方法用于诊断系统。随着观察的到来，一次可以产生一个或多个诊断结果，并且诊断结果可能或可能不包含故障。有四种情况如下：（1）只有一个诊断结果，不包括故障。保持当前路径并等待下一次观察（2）只有一个诊断结果，其中包括故障。基于启发式搜索的路径规划从诊断结果的最终状态开始，直到找到修复路径为止（3）有许多诊断结果，其中不包括故障。采用启发式方法选择一条路径作为诊断结果，并继续等待下一次观测（4）有许多诊断结果，包括故障。结合多目标规划方法，对能够覆盖大部分诊断结果的路径进行了测试。确定唯一的故障路径后，进行修复

第一种情况和第三种情况已经在增量诊断中解决，因此本文不考虑它们。接下来，我们将讨论情况（2）和（4）。它们都发生了一个或某种故障，应该被推导出规划路径。可控事件将携带其他行为来改变路径。因此，当找到规划路径时，系统可以修复或完成一些不同的行为。

3．1．单一的候选轨迹

当诊断只获得一个轨迹时，轨迹中存在故障事件，从当前模型后退，并搜索可能的修复轨迹。使用用于多个目标路径的启发式搜索方法。

初始状态确定修复路径。单个候选路径中只有一条路径与观察相兼容。然后，最终状态将当前诊断轨迹中的一部分选取到集合中 ．目标是获得本地模型 那使修复路径 那和 ．

集合中的元素作为初始状态，搜索可控事件的扩展。可控事件根据其控件的难度定义其启发式值，根据可控事件的添加或删除效果添加或删除状态的故障标签，并生成轨迹。在搜索过程中，模型被视为全球环境，以及本地模型已经获得的被认为是当地环境。控制事件可能会更改本地环境并将状态传输到特定的后续状态。增量方法用于处理可变环境中的搜索问题。

搜索从打开的表开始。根据启发式值添加可控事件，判断对当前状态故障标签的影响。当获取到没有错误标签的状态时，将其加入 ．作为最终状态，所有可控事件序列从来构成一个是修复序列的路径。

3.2。多个候选轨迹

多个候选轨迹具有相同的观测序列，但它们包含不同的故障。因此，在修复前，尽可能通过可控事件进行测试，减少候选轨迹集。通过对路径约简集进行多目标规划，可以得到统一或兼容的修复路径。

如果目前的候选诊断轨迹是并且观察顺序是 那然后 ．轨迹的初始状态是相同的，并且各州的故障标签不同。修理路径 ．所有诊断轨迹的最终状态都将添加到初始状态集中修复路径的。利用可控事件对轨迹进行测试，并根据再次返回的观测结果进一步区分候选诊断轨迹。中可能有多个州还有更多可以选择的可控事件。选择了添加影响可以减少最大故障事件数的可控事件。

也就是说，在 那有多个状态及其故障标签 ．在可以触发状态的所有可控事件集中，应选择可以删除最大故障的可控事件。此时，考虑两种方法用于系统的属性：（1）所有维修均直接通过可控事件进行，直到它们完全恢复到正常状态。（2）通过可控事件测试候选诊断集，并且根据从交互获得的观察结果减少候选诊断集。问题减少到单个候选轨迹的修复问题。接下来，我们将进一步讨论情况。

3.2.1。多个候选修复

如果当前候选诊断路径集为并且观察顺序是 那初始状态集修复的是所有路径的最终状态集，它有一个故障标签。为 那生成所有可控事件和叠加效果，并选择能够产生最大叠加效果的事件。中对应的状态是否被替换，并将替换过程添加到模型 ．重复上述过程，直到所有状态是正常的。每个候选诊断轨迹之间的关系是“和”。最终的状态集生成 ．

3.2.2。测试和维修

在候选轨迹的当前最终状态下，生成了所有可控事件和叠加效应。如果 允许至少两个路径产生不同的可观察事件，然后事件被控制。在有效时间内，如果得到了确定的观测事件，则保留相应的路径，删除其他路径。该过程不断重复，直到能够选择出唯一的诊断结果，然后对单个候选路径进行修复。

3.3。地标和启发式增量诊断

当模型变得更加复杂时，基于整体模型的诊断将更加困难。然后，由[17.];诊断逐步得到。从模型的一部分和相应的观察结果得到增量诊断，并表达作为最新的结果，当另一个新的观察结果时，诊断将在最后的诊断时更新。

但当出现多重轨迹时，有一些周期性诊断选择错误，有一些增量式方法返回到初始状态，也有一些方法返回到前一状态。如果我们想提高效率，我们需要减少倒退的数量。

任何路径 那如果有一个集合 那这样 那给出了基本的启发式值对路径中的最终状态，集合的启发式值为 ．当诊断系统运行时，启发式值由选定的时间和回溯时间更改。

我们使用启发式值来获得更可能的轨迹：在诊断开始时，该值取决于具有相同观察的轨迹的数量，而当诊断系统开始运行时，该值取决于轨迹的数量通过了。一旦在一个选择的轨迹中发生了反向格式，将减少值，并且当恢复计划通过轨迹时，该值将增加。

在诊断和规划中采用启发式值，加快了诊断过程。实验将在第五部分中给出。

4.算法和解释

在线诊断与修复主要包括三部分:离线模型的编写、在线观察诊断和基于诊断的修复。离线模型编译根据模型生成故障标签。在线诊断采用增量式方法。诊断和修复包括两种策略:修复所有可能的路径和通过测试验证单个路径的修复。图中描述了以下方法之间的关系2．

首先，给出整个算法。

接下来，详细介绍了关键算法。首先，根据模型进行离线编译，生成故障标签;基于计算可诊断性方法，生成故障标记。在计算可诊断性方法的基础上，生成故障标记。

算法COMP在离线状态下生成具有故障标签的模型。在在线过程中，如果从观察中获得故障标签的状态，则当前系统处于故障状态。在线增量诊断算法如下：

实际上，可以为每个诊断获得多个候选诊断轨迹。根据启发式或其他原则，根据该诊断的结果选择唯一的路径。下一个诊断结果的初始状态设置为此诊断结果的最终状态。当诊断结果中存在故障状态时，它是修复的。修复算法被给出。根据修复所有可能的故障或通过测试获得的独特路径的策略，给出了两个算法：REC1（修复所有可能的故障）和REC2（修复通过测试获得的唯一路径）。

如果是单个候选故障轨迹，则返回由控制事件组成的轨迹。如果控制系统依次触发可控事件，则可以修复故障。如果控制系统依次触发可控事件，则可以修复故障。如果有多个候选故障路径，则返回多条路径可以交叉或独立。如果控制系统依次触发可控事件，则可以修复所有可能的故障。如果无法找到控制事件以修复所有候选诊断轨迹，则选择具有最高启发式值的轨迹，并处理单个候选故障路径。

另一种方法使用启发式值来选择候选诊断轨迹，并根据反馈观察减少候选诊断集，直到获得唯一的诊断结果。在此结果，故障修复。

根据连续反馈观测，对候选诊断集进行约简，最终得到唯一诊断轨迹，然后进行修复。与Rec1算法相比，Rec2算法持续交互时间较长，控制可控事件进行测试可能会消耗更多的时间或系统工作负载。但是，当Rec2有更多的候选诊断路径时，通过测试，路径集的大小会减少，计算量也会减少。Rec1容易产生更多的分支，最终导致计算失败。

Rec1和Rec2在当前一组候选诊断轨迹中进行选择，并为下一步选择可控事件。采用启发式方法对当前轨迹进行评估。在Rec1中，选择可控事件的原则是覆盖尽可能多的路径，修复更多的故障。在Rec2中，选择可控事件的原则是尽可能多地生成不同的观测结果，从而区分候选诊断轨迹，减少候选诊断轨迹的集合。

接下来，测试上述方法以获得算法的时间和空间复杂性。比较了REC1方法的修复结果和REC2方法的效率（例如不同条件（例如可控的事件数量和可控事件效率）。

5.实验结果与分析

本文的实验机配置如下:处理器:Inter i7-6700, 3.4 GHz，内存:8gb RAM, windows7 Home 64位操作系统。

5．1.测试问题描述

数据集采用了三种坦克框架，但扩展了行为集，增加了可控事件集。利用仿真模型进行测试，得出当前系统的性能指标国家和事件，其中正常事件、可观察事件和故障事件的数量为 那 那和 那分别，可控事件的数量是 那执行时间是 那生成和获取可观察事件的时间是 ．生成模型完整且诊断，实时观察时序是正常的，可控的事件控制正常。

在运行过程中，模型随机选择轨迹以提前和生成相应的观察作为输出。在收到观察后，诊断系统诊断模型。获得故障后，将分别根据算法REC1和REC2进行修复。REC1算法的效率分为两个部分：计算修复路径的时间和空间效率，控制事件执行的时间效率，以及最多修复状态的可控事件的启发式选择。REC2算法的效率包括整体测试路径，计算和修复的时间和空间效率，以及导致最不同观察结果的可控事件的启发式选择。

5.2。实验结果分析

测试分为两部分。表格1分别显示了使用Rec1和Rec2算法的效率，当 ．Rec1的时间效率分为两部分。生成的模型可能不同，所以时间为多个模型的平均值。

Rec1的时间主要花在可控事件上。如果可控事件的时间较小，则选择Rec1更为合理。Rec2的时间主要花在可控事件和等待进一步观测事件上。如果临界值系统可诊断性小，Rec2的选择更合理。

表格2时显示状态与事件的比率 并研究了同一尺度模型下可控事件和观测时间变化时诊断和修复的时间效率。前者是使用Rec1的时间效率，后者是使用Rec2的时间效率。

类似地，在相同的事件状态比例中，使用REC1和REC2的时间复杂度保持不变。当比例的比例 较大，路径分支通常较少，诊断效率较高。当可观察事件的比例较高时，诊断效率相对较高，因为有相对较少的回溯。当可控事件的比例较高时，还有更多的候选事件。使用REC1方法时，较少的回溯，效率更高。当比例的比例 规模小，分支多，同一诊断效率相对较低。

5.3。启发式诊断与增量诊断的对比

与地标和正常增量诊断形成对比启发式诊断;采用了三种模型：正常模型，长链与局部模型短，局部模型短链。结果如图所示3.-5.．蓝线为正常增量法，红色虚线为地标法。

从图的比较可以看出3.-5.，使用里程碑的启发式算法可以提高不同类型模型的诊断效率。在增量诊断中，新诊断从以前的结果开始。但是当前一个结果是错误的时候，将无法获得真正的故障并将发生回溯。该地标用于将启发式值定义为诊断轨迹并减少时间复杂度。

由于地标用于选择轨迹，因此减少了由误诊引起的返回。在根据图的模型中4.，避免了更多的回溯，所以地标的方法更高效。

6.结论

规划和模型诊断是人工智能的象征性分支。提出了一种方法来合并用于解决故障测试和诊断加速的规划模型和诊断模型。基于合并模型，当发生不确定的故障时，地标用于生成启发符，导致更好的选择，并且可控制事件用于判断事件是否发生。建议使用可控事件的两种测试方法来迎合不同的情况。如果系统具有更昂贵的观察和更便宜的可控事件，那意味着系统易于控制，难以观察;然后，我们使用可控事件来获得反应。另一种方法用于相反的情况。规划中的地标概念用于产生启发式价值，从而加速诊断。发生多个诊断时，该值将指导更好的选择。如果测试方法无法获得更多的观察或可控事件，则该地标可以找到更精确的结果。

在在线诊断过程中，通过标记最可能的路径来提高诊断效率。在得到诊断结果后，利用地标控制规划过程，选择可能的修复路径或测试点。提出了一种诊断-修复框架。但是，如果控制事件很少，甚至没有控制事件，规划将无法回溯、修复和检测。这种方法不能实现，这是一个缺点。

数据可用性

我们不会发布我们的开放资源数据。

的利益冲突

提交人声明他们没有利益冲突。

致谢

国家自然科学基金资助项目(no . 61502197, no . 61502199, no . 61672261);吉林省教育厅“十三五”科技项目(no . JJKH20191000KJ, no . jjkh20180736kj);吉林省四平市科技发展计划项目(批准号:2017093);吉林师范大学研究生创新研究计划项目(批准号:201949)。

参考文献

1. L.Travé-Massuyès，“桥接控制和人工智能理论诊断：调查”人工智能工程应用，第27卷，第1-16页，2014。视图:出版商的网站|谷歌学者
2. R. REGER，“来自第一原理的诊断理论”人工智能，卷。32，不。1，pp。57-95,1987。视图:出版商的网站|谷歌学者
3. D. Benavides, S. Segura和a . Ruiz-Cortés，“20年后特征模型的自动化分析:文献综述，”信息系统第35卷，没有。6, 615-636页，2010。视图:出版商的网站|谷歌学者
4. j.y. Halpern,关于不确定性的推理，麻省理工学院出版社，剑桥，美国，2017。视图:出版商的网站
5. M. Sampath, R. Sengupta, S. C. Lafortune, K. Sinnamohideen, D. tenketzis，“离散事件系统的可诊断性”，IEEE自动控制交易，第40卷，不。9，第1555-1575页，1995。视图:出版商的网站|谷歌学者
6. M. Sampath, R. Sengupta, S. Lafortune, K. Sinnamohideen和D. C. Teneketzis，“使用离散事件模型的故障诊断”控制系统技术的IEEE交易，卷。4，不。2，pp。105-124,1996。视图:出版商的网站|谷歌学者
7. 卡瓦略，y - c。Wu, R. Kwong和S. Lafortune， "监控系统中各类攻击的检测和缓解"，自动，卷。97，pp。121-133,2018。视图:出版商的网站|谷歌学者
8. a . G. C. Gonzalez, M. V. S. Alves, G. S. Viana, L. K. Carvalho, J. C. Basilio，“基于监督控制的导航架构:工业4.0环境下自主机器人的新框架”IEEE工业信息学汇刊第14卷，第2期。4，页1732-1743,2018。视图:出版商的网站|谷歌学者
9. C. Edwards，S. K. Spurgeon和R. J. Patton，“滑动模式观察者进行故障检测和隔离”，自动，第36卷，第2期。4, 541-553页，2000。视图:出版商的网站|谷歌学者
10. 卡珊德拉斯和拉福恩，离散事件系统简介，卷。11离散事件动态系统中的Kluwer国际级数， Kluwer学术出版社，美国，波士顿，MA, 1999。视图:出版商的网站
11. H. Ibrahim, P. Dague, A. Grastien, L. Ye, and L. Simon，“可控离散事件系统的可诊断性规划第31届全国人工智能大会美国旧金山，2017年。视图:谷歌学者
12. Cheng W.， Sun Y.， Li G.， Jiang G.， and H. Liu，“joint network: a network based on CNN and RBM for手势识别，”神经计算及应用，卷。31，补充1，不。S1，PP。309-323,2019。视图:出版商的网站|谷歌学者
13. B. Li，Y. Sun，G. Li等人，“基于修改自适应正交匹配追踪算法的手势识别”集群计算，第22卷，增刊1号S1, pp. 503-512, 2019。视图:出版商的网站|谷歌学者
14. “基于图像信息和脑信号的人体损伤检测方法”，国家自然科学基金项目，2009.12 - 2009.12。IEEE访问，卷。7，pp。11533-11542，2019。视图:出版商的网站|谷歌学者
15. y y, g . Li廖et al .,“手势识别基于一种改进的局部稀疏表示分类算法,”集群计算第22卷第5卷第1期S5, pp. 10935-10946, 2019。视图:出版商的网站|谷歌学者
16. “基于骨架化算法和CNN与ASL数据库的手势识别，”多媒体工具及应用(第78卷)21页29953-29970,2019。视图:出版商的网站|谷歌学者
17. A. Grastien，M. O. Pordier和C. Largouet，“离散事件系统的增量诊断[C]，”19世纪国际人工智能联席会议的诉讼程序， 1564-1665页，苏格兰爱丁堡，2005年。视图:谷歌学者

版权

庄丽等人版权所有这是一篇开放获取的文章创意公共归因许可证，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。