（计算机应用技术专业论文）基于fpn推理的多agent网络故障诊断系统模型的研究.pdf

摘要 信息技术的高速发展给人们带来了极大的方便，但与此同时，发展中的信息 网络也给人们提出了挑战，主要体现在网络设备复杂化使网络管理变得复杂，网 络的经济效益越来越依赖网络的健壮运行。网络故障诊断的重要性越来越突出， 网络故障诊断技术的研究，特别是网络的智能诊断技术研究已成为目前一个重要 的研究领域。 目前，基于多a g e n t 的故障诊断系统能够有效的提高故障诊断的灵活性，加 快诊断速度。在传统的多a g e n t 诊断系统中，故障诊断过程往往采用案例与专家 系统相结合的推理方式。基于规则的专家系统具有规则表现形式易读、知识变更 容易，解释方便、推理过程简单等优点，但是存在知识获取困难及逻辑推理的组 合爆炸问题。模糊p e t r i 网是基于模糊产生式规则的良好建模工具，可以很好的 描述网络故障的动态产生和传播过程。因此，本文提出一种基于f p n 推理的多 a g e n t 网络故障诊断模型，即在模块化的多a g e n t 诊断模型中，使用模糊p e t r i 网推理算法进行网络故障诊断专家系统的推理，结合实例给出推理结果的可信 度，并对系统性能进行了分析。 本文的主要研究工作如下： ( 1 ) 分析了模糊p e t r i 网推理机制，探讨了模糊p e t r i 网构建过程中的约简 方法，研究了模糊p e t r i 网推理算法。 ( 2 ) 提出基于f p n 推理算法的网络故障诊断方法，并将f p n 推理算法嵌 入多a g e n t 诊断模块中，设计出一个基于多a g e n t 的网络故障诊断系 统模型，详细描述了系统模型中各组成部分的作用和各个模块的工作 原理。 ( 3 从j a 、，a 语言角度，对系统各模块功能进行了设计。针对网络故障实 例，进行故障诊断推理，最后进行了性能分析。 关键字：网络故障诊断；模糊p e t ri 网；模糊推理机制；多a g e n t ；黑板 a b s t r a c t t h eh i g hs p e e dd e v e l o p e di n f o r m a t i o nt e c h n i q u eb r i n gp e o p l et r e m e n d o u s c o n v e n i e n c e ，b u ta tt h es a m et i m e ，t h ei n f o r m a t i o nn e t w o r ki nt h ed e v e l o p m e n ta l s o p u tf o r w a r dac h a l l e n g et op e o p l e ，w h i c ht h en e t w o r ke q u i p m e n t s c o m p l i c a t i o n m a k e st h en e t w o r km a n a g e m e n tb e c o m em o r e c o m p l i c a t e d ，t h e e c o n o m i c p e r f o r m a n c eo fn e t w o r kd e p e n d so nt h es t a b i l i z em o v e m e n to fn e t w o r km o r ea n d m o r e t h er e s e a r c ho ft h en e t w o r kf a u l td i a g n o s i s ，e s p e c i a l l yi n t e l l i g e n td i a g n o s i s ，h a s b e c o m ea ni m p o r t a n tf i e l dc u r r e n t l y c u r r e n t l y , f a u l td i a g n o s i ss y s t e mb a s e do nm u l t i - a g e n tc a nr a i s et h ev i v i do ff a u l t d i a g n o s i se f f e c t i v e l ya n dr e l e a s et h ed i a g n o s i st i m e i nt h et r a d i t i o n a lm u l t i - a g e n t d i a g n o s i ss y s t e m ，f a u l td i a g n o s i so f t e nu s e st h er e a s o n i n gm c t h o dt h a tc o m b i n i n gt h e c a s ea n dt h ee x p e r ts y s t e m t h ee x p e r ts y s t e mb a s e do nt h er u l eh a st h ea d v a n t a g e t h a tt h er u l ei se a s yt or e a d ，t h ec h a n g i n g ，e x p l a i n i n ga n dt h er e a s o n i n gi se a s y , b u ti t h a st h ep r o b l e m ，f o re x a m p l e ：t h ed i f f i c u l tt og e tt h ek n o w l e d g e ，t h ee x p l o s i o nd u r i n g t h el o g i cr e a s o n i n g t h ef u z z yp e t r in e t ( f p n ) i sam o d e lt o o lb a s e do nt h ef u z z yr u l e ， i tc a nd i s t r i b u t et h ef a u l ts t a t ec r e a t i o na n ds p e e do ft h en e t w o r k t h e r e f o r e ，t h i s a r t i c l ep u t sf o r w a r dak i n do fn e t w o r kf a u l td i a g n o s i sm o d e l ，w h i c hu s i n gf u z z yp e t r i n e tr e a s o n i n gd i a g n o s et h en e t w o r kf a u l ti nt h em o d e lb a s e do nt h em u l t i - a g e n t ，i tg e t t h ec r e d i b i l i t yd u r i n ga ne x a m p l ea n da n a l y z et h es y s t e mf u n c t i o n t h er e s e a r c h e so ft h i st h e s i si n c l u d e ： ( 1 ) t o a n a l y z et h eb a c k w a r dr e a s o n i n ga l g o r i t h ma n dd i s c u s st h em e t h o do f s i m p l i f y i n gaf p n m o d e lt or e d u c et h ec a l c u l a t i o nc o m p l e x i t y ( 2 ) t h ef p nr e a s o n i n gi se m b e d d e di n t ot h ed i a g n o s i sm o d u l eo ft h em o b i l e a g e n t t h en e t w o r kf a u l td i a g n o s i sm e t h o db a s e do nf u z z yp e t r in e t r e a s o n i n gi sp r o p o s e d t h ef u n c t i o no ft h ec o m p o n e n t sa n dt h ew o r k i n g p r i n c i p l eo ft h em o d u l ea r em i n u t e l yi l l u m i n a t e d ( 3 ) t h em o d e li sd e s c r i p t e du s i n gj a v al a n g u a g e t a k i n gan e t w o r kf a u l tf o r e x a m p l e ，t h ed i a g n o s i sr e a s o n i n gi sc i r c u l a t e d a tl a s tt h ep e r f o r m a n c ei s a n a l y z e d k e yw o r d s ：n e t w o r k f a u l td i a g n o s i s ；f u z z y p e t r in e t ；f u z z yr e a s o n i n g m e c h a n i s m ：m u l t i - a g e n t ；b l a c k b o a r d n 长沙理工大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均 已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 日期：伽o 年乡月么日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借 阅。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 1 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“) 日期：m 。8 年f 月么日 日期：加簪j 4 月6 日 1 l 冷 癫 形 铁毋 名 名 签 签 者 师 作 导 第一章绪论帚一早珀t 匕 1 1 课题的背景和研究意义 l 问题的提出 随着i n t e m e t 的迅速发展，计算机网络已经渗透到社会生活的各个领域，人 们对网络的依赖程度越来越高。然而，随着网络规模的迅速扩大和网络环境的日 益复杂，逐渐出现了一个矛盾：一方面，网络相关资源和基于网络的应用程序对 于当今的社会经济发展已经是不可缺少的；另一方面，网络规模的扩大导致其发 生故障的可能性也随之增大，甚至可能造成网络或部分网络的瘫痪，或者网络性 能降低到使用者不可接受的程度。因此，如何有效地对网络进行监控，发现网络 中存在的故障和不安全因素并及时排除，保证其正常、安全地运行，尽可能的提 高网络设备的利用率和运行效率，已成为广大网络管理者所共同面临的问题。 网络故障就是一种网络的反常现象，任何在被管理网络及其部件中出现的使 之不能提供正常服务的紊乱都可以被视为网络故障。网络故障具有一定的传播 性。它不仅会使本身系统出现问题，而且它产生的错误会传播给其它部件并使其 它系统的性能降低。因此，在单个部件中的故障可能对整个网络都存在影响。 网络故障诊断主要包括故障检测、故障诊断和故障排除三个过程。当网络中 某个系统或部件不能达到规定的工作性能指标时，网络管理者必须迅速查找到故 障并及时排除。 以往的故障诊断仅要求网络管理员对网络设备进行简单的修理和日常维护， 对小的故障，一般也需要在领域专家的指导下进行诊断，往往周期长、代价高， 这些情况很难满足高强度、快节奏的现代信息社会的需要，而且在诊断过程中对 网络关键设备不必要的拆装和换件，可能导致较高的诊断耗费甚至新的人为故 障。纵观现今i n t e r a c t 总体的情况，网络故障诊断技术受到了相当的重视，有了 一定的发展，但还不能满足日益复杂的网络环境对快速故障诊断能力的要求，技 术还有待进一步提高。 2 研究的主要意义 网络故障诊断的重要性主要体现在下面三个方面： ( 1 ) 网络设备的复杂化使网络管理变得复杂。这种复杂性使得网络故障诊 断无法用传统的手工方式完成，必须采用先进有效的手段。 ( 2 ) 网络的经济效益越来越依赖网络的有效管理。现代网络的运营、管理 和维护己经成为一个极其庞大而复杂的体系。没有一个有力的网络故障诊断系统 作为支撑，就难以在网络运营中有效地疏通业务量，提高接通率。同时，现代网 络在业务能力等方面具有很大的潜力，这种潜力也要靠有效的网络诊断来挖掘。 ( 3 ) 先进可靠的网络故障诊断也是用户所要求的。当今时代，人们对网络 的依赖越来越强，普通人通过网络打电话、发传真、发e m a i l ，企业通过网络 发布产品信息，获取商业情报，甚至组建企业专用网。在这种情况下，用户不能 容忍网络的故障，同时也要求网络有很高的安全性，使得通话内容不被泄露、数 据不被破坏、专用网不被侵入、电子商务能够安全可靠地进行。 研究网络故障诊断方法是提高网络故障诊断能力的根本途径之一，故障诊断 能力的高低，直接决定了网络故障诊断速度和代价的高低。提高网络故障诊断能 力，实现一个快速的故障诊断方案，对于保持和提高网络运行的健壮性，提高网 络的修复能力，保障网络上关键任务的成功完成非常重要，同时，提高网络故障 诊断能力，对于减少网络故障平均恢复时间，提高网络的可维护性，降低网络的 维护保障费用也具有重要的意义。 故障诊断系统必须及时发现网络运行时所出现的故障，并要有较强的智能 性。它能够报告故障事件，主动地进行事件分析、故障诊断、故障定位、故障报 告、故障排除等一系列操作，并形成日志，为以后的维护工作提供支持。同时， 我们还需要在详细分析故障原因的基础上及时对网络改造升级，为阿络的管理增 加前瞻性等。所有这些问题的解决都必须依靠一套有效的网络故障诊断系统。 1 2 国内外研究现状 如何通过建立有效的故障诊断决策模型，从不确定的、多源异类信息中获得 故障的相关信息，以最小代价和最短时间准确发现和定位故障，是当前网络故障 诊断面临的主要问题。 国内外学者针对故障诊断技术，进行了深入的研究，提出了很多行之有效的 理论和方法。从优化准贝i j 来说主要有基于信息量、基于风险、基于时问开销、基 于费用开销等准则，就推理模型来说主要有故障树、决策树、马尔柯夫可靠性模 2 型、信息模型、故障传播有向图模型、p e t r i 网、概率因果网络、节约覆盖集等。 所涉及的理论主要包括概率理论、模糊理论、图论、多目标优化决策理论、序贯 决策论。所有的方法都遵守“最小代价”的原则，具体目标一致，即期望的故障 发现率和定位率最高，所用诊断时间最短，搜索成本最低。 1 目前主要的故障诊断方法 常用的智能诊断技术有：专家系统、人工神经网络、粗糙集以及支持向量机。 ( 1 ) 专家系统。专家系统是利用研究领域专家知识进行推理，解决专业的 高难度问题的智能系统，其基本结构如图1 1 所示。故障诊断专家系统作为专家 系统中的一个分支，是人们根据长期的实践经验和大量的故障信息、知识，设计 出一种智能计算机程序系统，以解决难以用数学模型来精确描述的系统故障诊断 问题。专家系统由于其广泛的应用范围而得到了迅猛的发展，故障诊断专家系统 的研究也得到了各国的高度重视，并相继在各行业中得到了应用。 图1 1 专家系统基本结构图 由于传统的专家系统存在知识获取困难、知识台阶窄、智能水平低等缺点， 其发展受到了限制。针对传统专家系统中知识获取难的缺点，文献【1 】提出了一 种由失误驱动的故障诊断策略的自学习方法，较好地解决了专家系统知识难于获 取的问题。如何解决诊断专家系统中的诊断知识的获取、诊断知识的学习、规则 爆炸等问题，仍是专家系统故障诊断方法研究中的重点。 ( 2 ) 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，a n n ) 。人工神经网络是用 大量的神经元组成的非线性动力学系统，它具有学习、记忆、计算、识别、预测 3 和智能处理功能。人工神经网络理论的应用己渗透到各个领域，人工神经网络同 现有的动态信号处理、专家系统、模糊逻辑等诊断技术相结合，为故障信号分析 与处理、故障模式识别、故障领域专家知识的组织和推理等方面提供了一种新的 途径，并推动了故障诊断的智能化。 在故障诊断中，诊断推理可以理解为根据特定的映射关系由故障征兆域到故 障原因域的计算求解问题。这种映射关系一般为非线性的，由于神经网络可以对 各种映射进行有效的逼近，各种神经网络及其相应算法在诊断推理中得到了应 用。如多层感知器( m l p ) 网络、自适应共振理论( a r t ) 、自组织映射( so m ) 和双向联想记忆( b a m ) 等。目前，人工神经网络法在故障诊断领域的应用主 要集中在两个方面：( 1 ) 神经网络作为分类器进行故障模式识另j j ；( 2 ) 神经网络 作为动态预测模型进行故障预测。在故障诊断方面应用最多的网络类型仍然是多 层前馈神经网络，如b p 网络、r b f 网络，文献【2 】针对b p 神经网络具有收敛速 度慢、易陷入局部极小的缺点，利用具有全局搜索能力的遗传算法来优化b p 神 经网络的权值和阈值，并用遗传优化b p 网络实现故障诊断。模式识别的神经网 络故障诊断过程，主要包括学习( 训练) 与诊断( 匹配) 两个过程，其中每个过 程都包括预处理和特征提取两部分。 ( 3 ) 粗糙集( r o u g hs e t ，r s ) 。粗糙集理论是一种刻画不完整性和不确定 性的数学工具，能有效地分析和处理不精确、不一致、不完整的各种信息，并从 中发现隐含的知识，揭示潜在的规律。 在故障诊断过程中，由于故障产生的机理不清楚，故障的表现形式不唯一， 在提取故障特征时常带有盲目性，导致了实际描述的状态之间是不分明的，而这 种状态正是粗糙集理论研究的对象。同时，在诊断过程中，描述状态的特征很多， 有些特征是相关的，有些是独立的。独立的特征能提供互补信息，应加以保留； 相关性特征产生冗余信息，同时会增加计算工作量，需要加以消除，基于粗糙集 的属性约简正好为去除这种冗余性特征提供了方便。另外，故障诊断中需要解决 的问题之一是如何在保证状态评价一致的情况下选择最少的特征集，也就是说， 如何在保证诊断精度大致不变的情况下减少特征维数，降低计算工作量和减少不 确定性因素的影响。应用粗糙集理论对神经网络的输入数据进行预处理，提取其 中的关键成分作为网络的输入，可以简化结构，缩短训练时间，提高泛化能力， 4 从而降低诊断成本。文献【3 】将粗糙集理论的基本思想引入到变压器的故障诊断 中，提出了一种新型的基于粗糊集的电力变压器故障诊断方法。 ( 4 ) 支持向量机。支持向量机方法通过用内积函数定义的非线性变换将输 入空间变换到一个高维空间，在这个空间中求广义最优分类面。s v m 分类函数 形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一 个支持向量。 支持向量机是适用于小样本情况的基于统计学习理论的机器学习方法。文献 4 将小波包与最小二乘支持向量机进行了有机的结合，提出一种基于最小二乘 支持向量机的故障诊断模型。在故障模式数据难以大量获取的情况下，具有较强 的推广能力，对网络故障的智能诊断有非常重要的意义，能够很好地解决有限样 本情况下的网络故障分析问题碡1 。 支持向量机算法是针对二类模式识别问题提出的。s v m 的多类分类策略采 用分级的形式，把一个复杂的多类分类问题转化为多个简单的二类分类问题，使 分类问题逐步得到解决。通常多类分类的方法有一对多组合模式和一对一组合模 式两种。国外也有一些研究人员提出了全局优化进行多类分类，以及使用决策树 进行多类分类。s v m 方法在理论上具有突出的优势，但与其理论研究相比，应 用研究尚相对比较滞后，目前只有较有限的实验研究报道，且多属仿真和对比实 验。 2 多a g e n t 技术在故障诊断中的应用 随着计算机网络技术、分布式计算、人工智能等领域理论和技术的快速发展， 分布式人工智能( d i s t r i b u t e da r t i f i c i a li n t e l l i g e n c e ，d a i ) 的研究与应用在理论上 和系统开发思路上都为智能化故障诊断提供了智能问题求解的新方法。 d a i 应用于状态监测与故障诊断系统，首先是对系统的组织结构进行全新的 规划和设计，以分散智能形式实现状态监测与故障诊断系统的模块化功能，使状 态监测与故障诊断系统在结构上具有良好的可靠性、智能性和开放性，适应于复 杂系统的发展及需求。其次，d a i 中的多a g e n t ( m u l t i a g e n t ，m a ) 系统理论 和技术为实现网络环境下异构系统的集成和互操作提供了切实可行的解决方法。 多a g e n t 致力于解决数据、知识、资源等分布问题，并使在逻辑上或者物理位置 上分离的多个智能主体( a g e n t ) 并发计算、协调一致地求解问题。与传统的状 5 态监测与故障诊断系统相比较，基于多a g e n t 的故障诊断系统具有智能性高、可 扩充性好和容错性强的优点，并且能够支持异构环境的集成，从而成为分布式智 能化故障诊断研究的热点之一。 基于a g e n t 和多a g e n t 的故障诊断技术和系统的研究主要集中于以下几个方 面： ( 1 ) 基于多a g e n t 的故障诊断系统理论和模型的研究：包括系统结构、系 统中各种a g e n t 的理论模型和结构等。文献【6 】提出了基于m a 的智能故障诊断 原型系统的基本框架，包括数据采集子系统、诊断任务分解子系统、诊断a g e n t 子系统以及用户接口子系统；文献【7 】对基于a g e n t 的远程故障诊断系统的结构 以及系统的实现技术、安全机制等进行了详细的研究；文献【8 】提出了各种故障 诊断业务逻辑a g e n t 的理论结构；文献【9 】在某变电站的设备故障诊断中初步应 用了基于a g e n t 的智能决策系统模型，提高了变电站的运行效率。 ( 2 ) 关于m a 的协作求解机制以及诊断决策机制的研究：文献0 0 1 分析了 基于瞬态分布征兆的诊断a g e n t 执行和评价策略，使诊断a g e n t 进行合作得到优 化的结果；文献 1 1 1 对多a g e n t 宏观上的约束和关联进行了研究，建立了a g e n t 工作状态表达机制，提出了多a g e n t 诊断系统诊断决策的集成描述结构；文献1 1 2 】 用j a v a 语言开发的基于a g e n t 的卫星故障诊断系统( s f d s ) 使并行同步多故障 诊断成为可能。 ( 3 ) 基于m a 的状态监测与故障诊断系统的实现方法研究：包括a g e n t 的 系统平台、运行环境、a g e n t 开发环境和a g e n t 间通信语言等。文献【1 3 】使用 f i p a 0 s 平台实现了基于m a 的远程诊断与维护系统；文献【7 】采用i b m 的a g l e t s s d k 平台和j a v a 技术进行了基于m a 的故障诊断和监控系统开发，以及其它相 关技术的研究。 1 3 本课题研究任务和创新点 本课题的研究任务主要是：建立故障诊断p e t r i 模型，深入分析模糊p e t r i 网的推理机伟i j 和推理方法，使用模糊p e t r i 网推理算法完成网络故障有效信息的提 取，通过故障诊断推理得出故障结论。在此基础上，详细研究分布式人工智能珍 断领域中多a g e n t 技术，在多a g e n t 中引入模糊p e t r i 网推理机制，建立基于f p n 6 推理的故障诊断模型，在目前流行的j a 、，a 平台上，设计各模块的功能。最终建 立出一个具有灵活性、可靠性、可伸缩性、智能性的网络故障诊断系统。 本课题的创新点体现在： 1 使用模糊p e t r i 网推理，把网络故障信息化繁为简，找到实效信息进行推 理，并且针对不完整的信息部分给予补充以完成诊断。 2 将模糊f p n 推理算法引入到多a g e n t 推理机中，建立基于f p n 推理的多 a g e n t 故障诊断模型，提高了网络故障诊断的智能性和可靠性。 1 4 本论文的结构安排 第一章阐述论文的研究背景和主要内容，国内外研究动态及现状分析，并提 出了作者对该课题的研究任务和创新点所在； 第二章全面介绍p e t r i 网的定义、特点，引出模糊p e t r i 网的定义，并分析了 网络故障的p e t r i 网表示方法，给出了适用于故障诊断的p e t r i 网模型。 第三章首先介绍了模糊p e t r i 网推理算法的研究现状，分析了经典的f p n 推 理算法，并在此基础上提出了改进的基于规则的模糊p e t r i 网推理算法，分析了 模糊p e t r i 网推理算法在故障诊断方面的技术优势。 第四章建立了基于f p n 算法的多a g e n t 故障诊断模型，在a g l e t 开发环境下， 给出了基于f p n 推理算法的网络故障模块的设计，结合一个具体的实例进行了 推理分析，对系统性能进行了性能分析。 第五章对基于f p n 推理算法的多a g e n t 网络故障诊断系统的研究进行了总 结和展望，指出需要进一步研究的问题及方向。 7 第二章p e t r i 网和模糊p e t r i 网 1 9 6 2 年德国科学家c a r l a p e t r i 首次在其博士论文中提出了p e t r i 网( p e t r i n e t ，p n ) 的模型，并用于描述计算机系统事件之间的关系。从那时起至今，p e t r i 网已经在许多领域中得到了相当广泛的应用和推广，其理论也不断充实和发展， 目前已经形成了相对比较完整的p e t r i 网理论体系。p e t r i 网在本质上就是一种可 以用网状图形表示的系统模型，它也遵循一套相对比较严格的规定。p e t r i 网的 提出为系统性能分析提供了一个新的数学描述工具。p e t r i 网以研究模型系统的 组织结构和动态行为为目标，着眼于系统中可能发生的各种状态变化以及变化之 间的关系，描述系统的动态变化过程。 p e t r i 网作为一种图形化工具可以视为与数据流图相似的通讯辅助方法；作 为一种数学化工具可以建立状态方程、代数方程和其它描述系统行为的数学模 型。作为一种高效的建模和分析工具，p e t r i 网具有许多优点，其中最为突出的 是它可以用于描述具有并行或并发行为的系统，因此p e t r i 网在柔性制造系统、 通信、机器人任务规划、计算机并行处理和人工智能等领域得到广泛的应用，在 保留了基本p e t r i 网模型结构和表示方法的基础上，其网络结构也得到不同的扩 展模型，主要有：模糊p e t r i 网n 钔( f u z z yp e t r in e t s ) 、随机p e t r i 网n 印( s t o c h a s t i c p e t r in e t s ) 、时序p e t r i 网n 钔( t i m e dp e t r in e t s ) ，有色p e t r i 网 1 7 1 ( c o l o r e dp e t r i n e t s ) 等。 2 1 基本的p e t r i 网 1p e t r i 网的定义 p e t d 网是一种网状信息流模型，它的结构元素包括：库所( p l a c e ) 、变迁 ( t r a n s i t i o n ) 和弧( a r e ) 。库所用于描述可能的系统局部状态( 条件或状况) ， 例如：计算机和通信系统的队列、缓冲、资源等；变迁用于描述修改系统状态的 事件，例! t 1 1 - 计算机和通信系统的信息处理、发送、资源的存取等。弧使用两种 方法规定局部状态和事件之间的关系：它们引述事件能够发生的局部状态，由事 件所引发的局部状态的转换。每一条弧有一个对应的权值，称为弧权( w e i g h t ) ， 简称权。 8 在p e t r i 网模型中，托肯( t o k e n ) 包含在库所中。随着事件的发生，托肯可 以按照弧的方向流动到不同的库所，从而动态的描述了系统的不同状态。如果一 个库所描述一个条件，它能包含一个托肯或不包含托肯，当一个托肯表现在这个 库所中则条件为真，否则为假。 由于变迁的发生使托肯在库所中流动，因此不同时刻，托肯在各个库所中的 分布不同，这种不同的分布称为标识( m a r k i n g ) ，标识就相当于系统所处的状态。 p e t r i 网模型的状态转换是局部的，它只跟事件的外延有关。它仅涉及一个变迁 通过输入和输出弧连接库所的状态变化，这是p e t r i 网的一个关键特性。所有p e t r i 网模型的基础都是基于网的定义，下面给出基本p e t r i 网的定义。 定义2 1 一个三元组p n = ( p ，t ，f ) 被称为p e t r i 网，如果它满足下面几个条件： ( 1 ) pn 丁= 矽 ( 2 ) pu 丁乒 ( 3 ) f p tu t p ( 4 ) d o m ( f ) o c o d ( f ) = p u t 其中，p 称为p e t r i 网的库所集，任意p e p 称为一个库所；t 为p n 的变迁 集，任意t e t 称为一个变迁；，是p n 中的流关系，它是由p e p 和t e t 组成的 有序偶的集合，( 3 ) 中的标识“”代表笛卡儿内积。d o m ( f ) 是由f 所含有序 偶的第一个元素组成的集合，c o d ( f ) 是由f 所含有序偶的第二个元素组成的集 合，艮 jd o m ( f ) ； xly ：o ，y ) e f ，c o d ( f ) = x ly ：( y ，工) f ) 。一般地，在p e t r i 网的图形表示中，库所用空心的或包含有若干黑点“ 的圆圈表示；而变迁用 一条竖直线段“i ”来表示，有时也用一个竖立的矩形表示；库所与变迁之间的 流关系f 一般用一有向弧线表示。通常的p e t r i 网有图2 1 至2 5 中的几种形式。 9 p 1 p 2 p 3 p 1 p 2 d 3 图2 1 常见的p n 模型结构一 图2 2 常见的p n 模型结构二 图2 3 常见的p n 模型结构三 d 1 图2 4 常见的p n 模型结构四 t 1 p 1 图2 5 常见的p n 模型结构五 2p e t r i 网的基本性质 定义2 2 可达性( r e a c h a b i l i t y ) p 2 p 3 d 4 p 2 d 3 p 4 给定初始标识m 。的一个p e t r i 网= ( p ，t ；f ，k ，w ，m 。) ，可达标识集【m 。 l o 是满足下列条件的最小集合：m 。f m 。 ；若有m 【m 。 ，t e t ，使m i t m ， 则me m 。 。 定义2 3 有界性( b o u n d e d n e s s ) 对给定初始标识m 。的一个p e t r i 网= ( p ，t ；f ，k ，w ，m 。) ，若对于所有 m e m 。 ，存在正整数k ，使得对所有坳e p ，m p ) sk ，其中，k 为有限 的正整数，称此p e t r i 网为k 有界的。k = i 时也称为安全系统。 定义2 4 活性( l i v e n e s s ) 对给定初始标识m 。的一个p e t r i 网= ( p ，t ；f ，k ，w ，m 。) ，对f 丁，若对 任一可达标识me m 。 ，均有从m 可达的标识m e m ，使得m p ，就是 说变迁t 是活的；若所有t e t 都是活的，则称此p e t r i 网为活的。 定义2 5 死锁( d e a d l o c k ) 对给定初始标识m 。的一个p e t r i 网= ( p ，t ；f ，k ，w ，m 。) ，若对于所有 m e m 。 ，变迁节点f 都不使能，则称t 为死锁。 定义2 6 冲突( c o n f l i c t ) 对给定初始标识m 。的一个p e t r i 网= ( p ，t ；f ，k ，w ，m 。) ，冲突是指这样的 现象，如果p e t r i 网的两个或多个变迁节点刚于使能，但由于它们共享某些输入 库所节点，使一个变迁节点的发生导致另外的变迁节点不能发生。 t l。tl p 1 d 2 p 3 时p 1 p 5 p 2 p 3 p 4 p 5 ( a )( b ) 图2 6p e t r i 网冲突冲撞关系 图2 6 是存在冲突的两种情况，冲突的实质是资源竞争。图( a ) 中t 。，t ：竞 争竞争资源p ：，由于信息传递中不允许信息重叠，所以f 。和f ：只能有一个发生， 冲突指的是这两者都有发生权，却只有一个能发生的关系。图( b ) 中t ，t ：竞 争p 。的空间资源，无论哪一个发生，另一个的存在都会使条件p 。处出现冲撞。 本节我们主要介绍了p n 的基本模型结构和特点，不涉及更加深入的关于基 本p n 的其他方面的介绍，更加详细的关于基本p e t r i 网方面的知识和理论可以 参见相关的文献以及本文所列举的参考文献【1 8 】和【1 9 】。 2 2 模糊p e t r i 网 p e t r i 网作为一种能够有效描述系统静态结构和动态性质的图形化模型，如 果与人工智能理论相结合，将能解决更复杂的问题，得到更广泛应用。在这种思 想指导下，z i s m a n 首先用p e t r i 网表示产生式系统，在人工智能领域内引起了广 泛关注，将p e t r i 网与人工智能理论相结合的研究成果也陆续问世，由于知识的 不确定性，l o o n e yc g 提出用模糊p e t r i 网f p n ( f u z z yp e t r in e t ) 进行知识表 示，c h e n 等在此基础上，提出了基于p e t r i 网可达图的模糊推理算法。模糊p e t r i 网逐渐成为p e t r i 网的一个重要分支。 模糊p e t r i 网由于更符合人类的思维和认知方式，在描述和分析许多物理系 统乃至社会系统的并行和并发行为时具有广泛的意义，用模糊p e t r i 网表示产生 式系统有如下优势：( 1 ) p e t r i 网的图形表达方式使基于规则的知识库结构直观、 清晰；( 2 ) p e t r i 网可以以数学分析的方法动态描述基于规则的系统。 由于f t n 对知识表示和推理的独特优点，近年来，提出了多种f p n 模型和 相应的模糊推理算法，应用到了知识库系统的多个方面，例如：决策支持、数据 一致性检查、故障诊断和知识库系统维护等。 1 模糊p e t r i 网的定义 在c h e n 等人定义了f p n 模型的基本结构上，定义通用f p n 模型为一个八 元组驯： 定义2 7f p n = p ，r ，d ，d ，m ，r ，厂 ，其中： p = 妇。，p 2 ，p 。，表示库所结点的有限集合。 t = “，t 。，f 。) ，表示变迁结点的有限集合。 1 2 d = 能，d 2 ，j ，d 。 ，表示命题的有限集合，j p = d ，p n tn d = g 。 t ( o ) ：t 呻尸，是输入( 输出) 函数，反映变迁到库所的映射。 m ：p 一【0 ，1 】，是一个映射，每一个库所结点p ie p 有一个标记值m ( 只) ， 反映库所结点表示的命题的真实程度。 f - g 呻【o ，1 】，也是一个映射，对变迁结点t ( te t ) 定义的一个阈值 t ( f = 1 , 2 ，咒) 。 w = m ，m ，k ) ，是规则的权值的集合，反映规则中的前提条件对结论 的支持程度。 厂：r f o 1 】，是一个映射，给变迁赋予规则的确信度厂1 3 f ) ，p ) = a 。 口：p d ，是一个映射，反映库所结点与命题之间的一一对应关系。 不难看出，f p n 实际上是p n 结构的一种扩展和补充，它将p n 的三元组结 构进行推广到多元组，可形成各式各样的f p n 结构。在定义2 7 中定义的f p n 结构可以表示知识产生式规则，其应用相当广泛，而模糊推理算法也是基于这种 f p n 结构的。 2 模糊p e t r i 网与知识表达 在复杂设备的故障诊断中，存在着大量的不确定性信息，例如故障发生的随 机性、故障征兆的模糊性，诊断经验知识的不确定性、不致性和不完备性等。 为了能准确地描述这些诊断信息，模糊产生式规贝i j ( f u z z yp r o d u c t i o nr u l e s ) 就 被用于诊断知识的表示，用来描述两个命题之间的模糊关系。令尺为一组含有n 个模糊产生式规则的集合，r = ( r ，r ：，r 3 见) ，则第1 条模糊产生式规则的 通用形式为： 置：i fd t h e nd t ( c f = 以) 其中：( 1 ) d ，和d 。是可以包含模糊变量的命题，如：“很高 、“较低”、“非 常低”等不易用准确值表示的命题。每个命题的真值( t r u t hd e g r e e ) 是一个在o 和1 之间的实数值，这个值越高，命题的真实度就越高； ( 2 ) a 是置信度c f ( c e r t a i n t yf a c t o r ) 的值，j 【o ，1 】，1sis 疗1 ，置信 1 3 度是根据经验对一个事物或现象为真的( 相信) 程度，这个值越高，其规则的黄 信度越高。 在产生式规则中，从日 提到结论通常是一棵与或树。如果一个产生式规则的 前提包含了几个事实，那么结论对应着这些事实的合取，即与( a n d ) ；如果同 一个结论可以由多个产生式规则得到，那么这个结论对应着这些事实的析取，即 或( o r ) 。对于一个基于规则的系统，其产生式规则可以用相应的模糊p e t r i 网 模型来表示。模糊p e t r i 网的每个变迁都可以看作为一个规则，变迁的输入库所 和输出库所可以分别看作规则的前提条件和结论命题。模糊p e t r i 网和模糊产生 式规则之间的相互对应关系可用表2 1 表示。 表2 1 模糊p e t r i 网与模糊产生式规则对应表 模糊p e t r i 网模糊产生式规则 变迁规则 网规则库 网的标识条件集 库所条件 变迁的激发规则匹配 位置、变迁的可信度规则的可信度 产生式规则的模糊p e t r i 网表示通常可以分为两种类型，其主要思想是模糊 命题合取式的真值取各子式真值的最小值，模糊命题析取式的真值取各子式真值 的最大值乜。 类型1 ：腰d l a n dd 2a n d a n d d 。，t h e nd 柑( c f t a ) ，r f ， 彬。该类型的模糊p e t r i 网表示如图2 7 。 ：一蚤 p 2 ( 互户旦| 一 ：w - 1 4 类型2 ：i fd l o r d 2o r o r 屯，t h e nd 川( c f = a ) ，l ，彬。 该类型的模糊p e t r i 网表示如图2 8 。 入1t1 三! f 薹d 羞基爨，队：蔓卜兰一1t 二二乏矗， m 。鸯一叫t n 其中d i 是前提命题，d 州是结果命题，a 是规则的确信度，l 是规则的阈值， 彬是权值。 定义2 8 ：v t e t ，若，e l ( t ) ，m 魄) 咝，r ( f ) ，则称变迁f 是使能 的，其中_ = 1 , 2 ，7 l 。 模糊产生式规则的激活是通过变迁的点燃来实现的。 定义2 9 ：使能的变迁可以点燃。当变迁t 点燃时，它的输入库所中的标记值 不改变，而向输出库所p 传送新的标记值：厂( f ) m ( 毋) m ，p o e l ( t ) ， 为t 的相应输入弧上的权值。库所p 可能是多个变迁t “= l 2 ，咒) 的输出库 所，当这些使能的变迁点燃时，库所p 得到的标记值m ( p ) 为传送来的值中最 大的值：m ( p ) = m a x ( 厂( ) m ( p - ) m ， ( t ：) x m ( p ：j ) ， ”( t 。) m 魄) ) ，其：d pp i je l ( t i ) ，i = 1 ，2 ，”， 2 3 故障诊断p e t r i 网模型 传统p c t r i 网描述的系统有一个共同的特征：系统的动态行为表现为资源的 流动，包括物资资源和信息资源。变迁的发生将消耗变迁输入库所中的资源，并 在变迁输出库所中产生新的资源。如果网中的资源被某个变迁占用，就不能再被 其他的变迁使用。也就是说网中的资源是不可重用、不i 叮覆盖的，这表现为冲突、 冲撞、死锁等现象。图2 9 给出了用p e t r i 网表示的故障传播模型“ ，图中库所 表示设备故障状态，黑点表示出现这种异常状态，变迁表示故障事件。 图2 9典型p e t r i 网故障传播模型 按照传统的p e t r i 网理论，图2 9 中的故障传播模型存在着冲突问题，即在 库所只，处存在着资源竞争，变迁和t ：只有一个能够发生。而在故障传播过程 中，存在着一因多果现象，即一个异常状态可能导致多个故障现象的出现，故障 能够沿着多条路径同时进行传播，并不存在冲突问题。 普通的p e t r i 网进行变迁触发时对库所值要求较严格，而且整个变迁过程中 是否存在冲突也会影响变迁的触发。按