规则推理在建筑智慧运维中的应用
摘要】:本文从建筑智慧运维的实际管理需要出发,描述了常见的运维决策规则类型,引入了Rete产生式规则推理算法,构建了运维规则推理引擎。在此基础上,采用基于节点共享度模型等改进算法,提高了推理引擎的匹配效率,节省了计算资源,以期实现对建筑和建筑群的海量采集数据的快速运维规则推理。
【关键词】:建筑智慧运维产生式推理系统Rete网边缘计算
1概述
随着建筑智能化技术的成熟和不断发展,建筑信息集成应用软件系统在智慧建筑运维领域得到广泛的建设和应用。集成系统不仅需要对建筑运营环境和现场设备运行工况等信息实现感知和采集,还需满足建筑管理方和建筑功能实际用户对建筑业务场景的相关信息使用要求。如建筑内建筑环境安全判别,公共资源的使用管理,办公楼内相关设施的高效使用,大型商业、超市的管理等业务,家居设备的使用管理等。这些都需要对已采集到的建筑实时运行信息,按照不同的业务场景要求,做出数据分析和业务逻辑判断,并根据判断的结果触发相应的业务动作(如:建筑环境的消防报警、安保安全判别及报警,舒适度判别及空调设备的调控,公区车位预约、办公区域加班时的设备分区控制、制冷季的空气焓值控制等)。上述业务使用场景,都要求预定义业务规则逻辑,根据现场实时数据集,快速完成业务逻辑推理,并执行相应的业务逻辑。本文采用基于Rete网络的前向推理算法构建规则推理引擎,并用节点共享度排序算法对原Rete网络的算法作了改进,实现建筑运维阶段的快速推理判断。
2建筑运维血务规则
2.1建筑运维业务逻辑
建筑运维阶段业务逻辑规则可大致分成两类:
(1)故障诊断类规则此类规则主要用于当前建筑及重要设备运行状态的故障诊断,使运维管理体系形成闭环管理。通过统计分析运维过程中产生的数据,与运维管控规则比较,从而推理出故障现象,触发报警事件,并将数据及报警信息推送到相关业务管理系统以进行故障处理。故障诊断类规则如表1所示。
(2)过程控制类规则此类规则主要用于对当前建筑环境状态的推理,根据推理结果,对建筑环境相应的设备进行控制调适,以满足建筑绿色节能并舒适运行,建筑用户满意度等建筑运维目标。依据是将建筑现场环境实时采集的运行参数与相应的控制规则进行匹配,推断设备当前的工况和状态的合理性,并触发相应的设备控制动作。过程控制规则如表2所示。
在建筑运维过程中,随着运维管理数字化体系的建设和完善,有效数据的积累和分析手段的提高,必然导致设备运行的精细化,上述两种类型的规则数量也随之不断増长,并伴随着规则判据的调整和完善。在建筑运维过程中,需要建筑和设备状态的数据与规则快速匹配和推理,以实现业务规则的落地运行。
2.2产生式运维规则
产生式规则对业务逻辑进行规则化处理,以丨F{条件判断}THEN{执行动作}形式表达规则中的业务知识。产生式规则使得知识的表示简便清晰,也便于知识的更新维护。
生式推理属于人工智能领域的重要组成部分,当前广泛采用的推理机制是基于规则推理(Rule-BasedReasoning,简称RBR)。RBR作为一种基于现有规则集对实时数据进行前向链式推理的机制,在建筑运维领域,可很好地以逻辑完备的规则集表达运行场景中的已有业务知识;同时,产生式推理引擎能很好地实现用户业务规则维护和规则运行的分离,业务专家只需专注于知识的总结和维护,而无需关心规则系统的实现问题。
3改进Rete算法
3.1Rete网的节点排序
在Rete规则网络作为一个有向无环图,在生成阶段,由于规则模式中约束条件顺序的不同,构建的网络节点的共享程度也不同。假设规则对应的模式分别为:P1(C1,C2,C4>、P2(C1,C3>、P3(C1,C2,C3,C4)。其中Ci表示为同一类型的约束条件(ot节点)。则对应此三种模式生成的Rete网络模型如图5所示。
在原有条件顺序下,三种模式中共需建立6个节点,并且只实现了GC1、GC1c2两种子图的共享,而未实现GC1c2c3子图的共享。改变P3的条件排序为P3(C1,C2,C4,C3),则可对所有子图实现共享,并且网络节点数降为5个。改进排序后Rete网络模型如图6所示。
6所示。同理,针对P节点,其约束条件顺序的不同,也将影响P节点的共享程度及结点的数量。如模式P1(C1,C2,C3)、P2(C1,C2,C4,C3)。其中Ci表示为不同类型的约束条件(P节点)。生成的Rete网络模型如图7所示。
改变P2的条件顺序为P2(C1,C2,C3,C4)后,生成的Rete网络模型如图8所示。
优化条件排序后,在原有共享子图GC1、GC1c2基础上,新增了GC1c2c3子图的共享,减少了p节点的数量。
由此可见,对a和(3节点条件顺序进行重排序优化,可以减少中间缓存节点的数量,减少推理网络占用的内存空间,提高节点的共享率和规则匹配的速度。
3.2节点共享度排序
在Rete网络生成阶段,统计所有的a节点在所有规贝[|中出现的总次数,以此作为该节点的节点共享度。为确保共享度高的节点位于网络前部,按照共享度从高到低的顺序,将所有〇t节点依次加入网络中,以提高整个Rete网络的节点共享程度。当节点共享度相同时,再按照〇c节点的模式共享度,按照从高到低的顺序,将对应a节点依次加入网络。节点的模式共享度为:a节点的模式共享度=S模式(S(模式内所有a节点的共享度))对所有的P节点,统计所有的分类节点的分类共享度,再按降序排序分类节点。分类共享度相同时,再按照每个分类下包含的a节点数量,按升序排序分类节点。分类共享度=:!(该分类下的所有ex节点共享度)3.3Rete网推理优化在Rete网络的数据事实推理阶段,采用两种方式加速推理过程。
3.3.1推理过程的触发规则
网络生成后,当规则集合需要变化时,将以用户UI交互的方式,触发Rete网络的重生成,以匹配最新的定义规则集。而规则网络推理过程的启动,是以事实数据集的变化为触发条件的。通过判断计算运维现场相关数据的变化,分布到建筑运维的各个边缘网关中执行,引擎只有在被通知到数据事实发生变化时,才进入匹配运算,减少了引擎无效计算时间,提高了引擎对数据变化的实时性响应能力。同时,边缘网关还监听引擎规则动作的输出,如输出动作要求执行相应任务时,网关将依据接收到的任务信息对现场设备系统进行相应的操作,并将操作的完成情况回传给推理引擎端。
3.3.2数据事实的匹配推理
在数据进入Rete网后,采用HashM叩(Key=fact,Value=匹配节点地址链表)记录整个匹配过程。这样,当相同数据事实再次进入网络时,可以通过链表直接定位到匹配的节点,而不必重新遍历整个规则网络。
4结束语
本文针对建筑智慧运维的需求,对现场网络控制器采集到的实时数据集(千万条/秒)与(数千条)管理规则实时进行规则推理,以产生式Rete推理算法为基础,构建快速规则推理引擊;并通过节点排序算法,在边缘侧网关上采用分布式计算模型和建立匹配过程索引的方式,提高整个引擎的计算效率,节省所需的计算资源,初步探讨了智慧运维决策的实现可能。
【参考文献】
[1]CharlesL.Forgy,Rete:AFastAlgorithmfortheManyPattern/ManyObjectPatternMatchProblem,ArtificialIntelligence19(1):17-37,September1982
[2]汪成亮,周亚鑫,陈娟娟.基于工业环境的改进Rete算法.计算机工程与设计,2009
[3]顾小东,高阳.Rete算法:研究现状与挑战.计算机科学,2012
[4】孙新,严西敏,尚煜茗,欧阳童,董阔.一种基于共享度模型的改进Rete算法.自动化学报,2017
[5】鲍金玲.基于规则引擎技术的Rete算法的研究.IT技术论坛,2008
董效东
《规则推理在建筑智慧运维中的应用》
- 职称论文刊发主体资格的
- 政法论文浅析工会法主体
- 化学在初中教学中的情感
- 中学教育论文思想政治方
- 法治论文投稿法治型市场
- 杂志社论文发表浅析推动
- 新疆教育报投稿浅析学生
- 分男女招生录取的合宪性
最新优质论文
- hpv论文可以发表哪些期刊
- 职称论文发表有什么要求
- 出版科学投稿要求
- 建筑高级职称论文发表期
- 评职称一般要求第几作者
- 云南教育论文征稿都有哪
- 一篇论文多少参考文献合
- 北京泓泽文化发展有限公
论文发表问题热点
- 进设计院工作对职称有要
- 简述什么是网络营销工程
- 幼儿学前教育论文格式准
- 数学教师论文可投稿哪些
- 大学生转专业需要发表论
- 当代陕西咨询信箱是什么
- 教师评职称认可的专业类
- 简述土木工程师参加专业