面向?qū)ο蟮臒o人車電源故障檢測專家系統(tǒng)設計＊

楊一鳴 汪貴平

（長安大學，西安 710064）

主題詞：面向?qū)ο?專家系統(tǒng) 電源檢測 無人車

1 前言

無人駕駛汽車車載用電設備和供電需求增加，對系統(tǒng)的可靠性也有非常嚴苛的要求，如果車輛運行過程中出現(xiàn)發(fā)電機故障、配電線路故障、各傳感器模塊電源故障并導致設備掉電等情況，無人車會丟失實時數(shù)據(jù)，系統(tǒng)無法繼續(xù)獲取數(shù)據(jù)和進行參數(shù)的更新與下發(fā)。近年來，故障診斷系統(tǒng)發(fā)展迅速，很多學者利用神經(jīng)網(wǎng)絡或改進神經(jīng)網(wǎng)絡進行電源故障檢測系統(tǒng)的設計[1-3]，但是基于神經(jīng)網(wǎng)絡的故障檢測系統(tǒng)未能利用專家經(jīng)驗，另外，專家系統(tǒng)的訓練樣本需要大量的故障數(shù)據(jù)，通過無人駕駛車輛日常運行捕捉電源系統(tǒng)故障需要大量的時間；小波分析作為基于信號處理進行故障診斷的一種方法而被廣泛采用，但存在小波基、尺度和平移量選擇困難等缺點[4]。上述故障診斷方法的融合是未來故障診斷系統(tǒng)的發(fā)展趨勢：Gofuku等人通過引入估計智能體、支持向量機（Support Vector Machine，SVM）狀態(tài)辨識器、小波變換異常檢測器和基于案例的推理機來構(gòu)建混合故障診斷系統(tǒng)[5]，取得了不錯的成效；北京航空航天大學的張莉針對航空電源提出了一種多智能體信息融合故障診斷方法，通過多傳感器信息融合和多智能體技術(shù)融合提高故障診斷的可靠性和系統(tǒng)的可擴展性[6]。但融合的做法使得故障診斷系統(tǒng)的復雜程度大幅增加，提高了實現(xiàn)難度和成本。近年來，專家系統(tǒng)在故障診斷方面取得了很大進展并進行了實際部署，很大一部分在知識表示上使用了產(chǎn)生式規(guī)則，一般的產(chǎn)生式規(guī)則需要反復進行“知識匹配—沖突消解—產(chǎn)生結(jié)果”的過程[7]，匹配較為費時。為提升檢測效率，本文采用基于深度優(yōu)先的產(chǎn)生式匹配策略，在系統(tǒng)構(gòu)建和知識表示方面應用面向?qū)ο蟮脑O計方法，設計結(jié)構(gòu)簡單且高效的故障診斷系統(tǒng)，以期提升系統(tǒng)的靈活性和可擴展性。

2 系統(tǒng)描述

專家系統(tǒng)的邏輯推理核心是知識庫和推理機。演繹推理、歸納推理等典型的經(jīng)典邏輯推理往往遵循標準邏輯規(guī)范，依賴于確定度高的事件和現(xiàn)象，對于車輛電源系統(tǒng)復雜故障診斷而言，其靈活性和適應性不足[8]，而啟發(fā)式推理則有著與人類思維方式更加接近的推理過程[9]。本文將啟發(fā)式推理與面向?qū)ο蟮某绦蛟O計相結(jié)合，進行無人車電源故障檢測專家系統(tǒng)的設計。按照文獻[10]中的方法，以對象為中心，將對象的屬性、領域知識、方法等進行封裝，在提高程序健壯性的同時賦予程序模塊化的特征。

無人車電源系統(tǒng)可以分為供電模塊、控制模塊和傳感器模塊。供電模塊包括發(fā)電機、整流器和車載電池等；控制模塊包括汽車線控系統(tǒng)CAN網(wǎng)絡中的各類ECU；傳感器模塊包括激光雷達、相機、組合導航和交換機等。電源監(jiān)測系統(tǒng)用于對無人車電源系統(tǒng)進行檢測，其總體結(jié)構(gòu)如圖1所示，主要包括供電模塊、故障檢測專家系統(tǒng)、連接在CAN網(wǎng)絡上的汽車微控制器群和連接在以太網(wǎng)上的無人車車載設備。

圖1 無人車電源監(jiān)測系統(tǒng)結(jié)構(gòu)

3 面向?qū)ο蟮膶＜蚁到y(tǒng)設計

面向?qū)ο蟮膶＜蚁到y(tǒng)將傳統(tǒng)專家系統(tǒng)用類封裝起來，傳統(tǒng)專家系統(tǒng)主要包括征兆提取模塊、知識庫、推理機和人機接口。參照文獻[11]對程序設計的考量，為避免結(jié)構(gòu)化程序設計帶來的繁瑣算法，對每個模塊單獨定義了不同的類：文件類、接口類、會話類、屬性庫類和規(guī)則庫類，系統(tǒng)結(jié)構(gòu)如圖2所示。其中，規(guī)則庫類是故障診斷專家系統(tǒng)的核心。

以往的面向?qū)ο蟮膶＜蚁到y(tǒng)往往將規(guī)則對象的屬性作為真實對象的屬性，存在于對象內(nèi)部，這樣可以保留面向?qū)ο蟮闹R表示方法的封裝和繼承的特點，便于規(guī)則的傳遞。但在故障情況復雜的無人車電源系統(tǒng)中，如需更新或修改對象規(guī)則，需要對整個對象重新進行編譯，系統(tǒng)易用性較差。本文使用文獻[12]中的方法，單獨定義規(guī)則庫類，存放于外部存儲空間，系統(tǒng)進行故障診斷時調(diào)用該規(guī)則庫，這樣可以有效提升系統(tǒng)的靈活性和可擴充性，有效解決異構(gòu)對象重用的問題。相比于一般的面向?qū)ο笤O計，本系統(tǒng)規(guī)則庫與文件對象相互獨立，規(guī)則庫并不是對象的一個屬性，在對象發(fā)生繼承時規(guī)則不能有效傳遞，但這并不影響文件類對象引用規(guī)則庫。

圖2 面向?qū)ο蟮膶＜蚁到y(tǒng)結(jié)構(gòu)

4 面向?qū)ο蟮膶＜蚁到y(tǒng)實現(xiàn)

4.1 事件的獲取

為了全面、直觀地了解各事件及其對應的前、后件，本文引入故障拓撲模型對無人車電源系統(tǒng)故障進行歸類和分析，一般性故障問題可以采用文獻[13]中建立故障樹模型的方法進行分析，但是無人車電源系統(tǒng)故障具有模糊性和不確定性，故障之間存在著復雜的聯(lián)系，一種故障可能對應多種故障原因，一種故障原因也可能對應多種故障，并無明確的層次結(jié)構(gòu)，所以簡單的故障樹模型并不適用于該故障檢測專家系統(tǒng)。無人車電源系統(tǒng)故障拓撲模型如圖3所示，各故障模塊之間存在復雜的耦合關系，一個模塊發(fā)生故障會影響其他模塊的工作。無人駕駛系統(tǒng)自上而下一般分為環(huán)境感知層、規(guī)劃決策層和車輛控制層。規(guī)劃決策層及車輛控制層基于Linux系統(tǒng)搭建，自動駕駛傳感器信息的傳遞通過節(jié)點的發(fā)布和訂閱進行；決策層根據(jù)傳感器信息進行路徑的規(guī)劃和車輛控制量的計算，車輛的控制命令通過CAN總線下發(fā)[14-15]。

使用專家系統(tǒng)的征兆提取模塊，車輛電源系統(tǒng)故障的檢測通過兩種方式進行：傳感器模塊故障通過對訂閱的各傳感器節(jié)點發(fā)布的主題（Topic）的監(jiān)測和分析完成，一旦Topic數(shù)據(jù)消失或存在異常，則判定故障發(fā)生；供電模塊和控制模塊故障通過周期性讀取并解析CAN總線上對應協(xié)議的數(shù)據(jù)流實現(xiàn)。

圖3 無人車電源系統(tǒng)故障拓撲

無人車電源系統(tǒng)各模塊故障獲取原理如圖4所示。捕捉到故障事件后需要運用推理規(guī)則對故障原因和故障位置進行推理。

圖4 無人車電源系統(tǒng)故障獲取原理

4.2 規(guī)則的設計

基于產(chǎn)生式規(guī)則的專家系統(tǒng)可表示為“Ifpthenq”的形式，其中p為觸發(fā)規(guī)則的條件，q為結(jié)論或中間命題。在面向?qū)ο蟮膶＜蚁到y(tǒng)設計中，用P表示規(guī)則前件，Q表示規(guī)則后件，前件一般由對象的屬性和方法組成，后件由方法組成。前件、后件的可信度由規(guī)則前件中所有的比較節(jié)點確定。雖然規(guī)則獨立于對象，但為了進行推理，要把規(guī)則在形式上對象化，首先定義比較對象為：

在此基礎上進一步定義比較節(jié)點為：

用于描述規(guī)則的規(guī)則節(jié)點為：

規(guī)則置信度由前件置信度和后件置信度共同決定[16]，當前規(guī)則的置信度為：

式中，ECol為比較對象E的表達式，其名稱為A；E1和E2為兩個不同的比較對象；T為比較類型，這里選擇置信度比較；N為規(guī)則名稱；P為規(guī)則的前件集合；Q為規(guī)則的結(jié)果集合；cf為規(guī)則的置信度；ef為規(guī)則執(zhí)行狀態(tài)標志位。

在電源故障診斷中，將規(guī)則對應的前件和后件合并，同時合并其置信因子cf，最終合并的置信因子為：

規(guī)則R的執(zhí)行狀態(tài)標志位efR的值為：

其中，置信因子的比較閾值cf-R由該類型故障全部歷史置信因子cfRi(i=1,2,…,n)取平均得到：

式中，cfp和cfq分別為規(guī)律p和規(guī)律q對應的置信因子，這里p和q分別對應規(guī)則前件、規(guī)則后件或者2個規(guī)則前件；n為該類型全部歷史故障數(shù)量。

4.3 面向?qū)ο蟮囊?guī)則庫

規(guī)則庫用于存放電源系統(tǒng)故障規(guī)則，是規(guī)則庫類的私有成員。在規(guī)則庫類中定義成員函數(shù)進行規(guī)則的更新與管理，類的對象可以通過公有函數(shù)訪問類的私有成員變量。規(guī)則類的公有部分主要包括規(guī)則名稱、規(guī)則對應的前件集合P和后件集合Q、浮點型置信因子cf、布爾型規(guī)則執(zhí)行狀態(tài)標志位ef以及規(guī)則所屬的類別g，規(guī)則類的定義過程為：

其中，成員RuleName為對規(guī)則的名稱描述。

定義規(guī)則類后，定義規(guī)則庫類Rule_Lib進行規(guī)則層面的管理，具體實現(xiàn)為：

在系統(tǒng)習得新的故障規(guī)則時，面向?qū)ο蟮囊?guī)則庫類對新對象進行創(chuàng)建與初始化，形成新的規(guī)則對象并將其放入規(guī)則列表，隨后完成新規(guī)則的關系生成，新對象的創(chuàng)建與更新過程如圖5所示。

圖5 對象的創(chuàng)建與更新

在完成規(guī)則庫的設計后，推理機即可利用捕獲的故障事件和相應的規(guī)則進行故障原因的推理和定位。

4.4 推理機的設計

推理機的性能與構(gòu)造一般與規(guī)則的表示方式和組織方式有關，與規(guī)則的內(nèi)容無關，這可以保證推理機與規(guī)則庫的相對獨立，本文設計的專家系統(tǒng)推理機使用改進的深度優(yōu)先搜索（Depth First Search，DFS）算法生成動態(tài)樹，在電源故障診斷中，DFS算法的使用更符合故障診斷的判斷邏輯，比廣度優(yōu)先算法更能滿足檢測系統(tǒng)的要求[17]。如果利用靜態(tài)樹模型進行故障診斷，無人車電源檢測系統(tǒng)各模塊間的復雜關系會導致靜態(tài)樹的縱深過長、節(jié)點過多、重復率上升，進而占用大量計算資源，對系統(tǒng)性能產(chǎn)生不利影響[18]。利用DFS算法抽取故障關系表中相應節(jié)點前件中的信息，并按照樹結(jié)構(gòu)對節(jié)點前件進行排序，依據(jù)節(jié)點等級和排序結(jié)果動態(tài)生成事件樹模型。文獻[19]～文獻[20]使用動態(tài)樹進行故障的推理和診斷，計算相應的故障概率并將其作為故障原因判斷的重要依據(jù)，參照此方法，本文定義動態(tài)樹類，描述動態(tài)樹節(jié)點與故障規(guī)則拓撲表中故障前、后件的映射關系，以激光雷達模塊故障為例，首先建立對應的故障關系如表1所示。其中，R1代表雷達模塊故障，C1代表相機模塊故障，G1代表組合導航模塊故障，I1代表逆變器故障，S1代表交換機故障，B1代表電池故障。

表1 激光雷達模塊故障關系

隨后，按照文獻[21]中的方法將故障關系表中的節(jié)點取出重新排序成樹形結(jié)構(gòu)，排序算法如圖6所示。

圖6 DFS算法生成動態(tài)樹算法

這樣，相應模塊的故障關系即轉(zhuǎn)換成了動態(tài)樹模型。深度優(yōu)先算法的應用依賴規(guī)則庫中的規(guī)則關系，面向?qū)ο蟮囊?guī)則表示方法為：

事件可以為初事件、中間事件或最終事件。導出規(guī)則（Educe Rule）指可以使事實變成結(jié)論的規(guī)則，歸納規(guī)則（Iduce Rule）指以該事實為前提的另一個規(guī)則，對應動態(tài)樹同一級上的相鄰2個節(jié)點。類RuleDoc中的成員UsedRules調(diào)用上一個規(guī)則文件對象中的CurRules列表，成員UsedRules和成員CurRules共同為故障診斷專家系統(tǒng)提供推理，Rule Relation用于說明當前對象使用的規(guī)則。

以GPS模塊電源故障為例，定義傳感器模塊故障規(guī)則如表2所示，其中，Rsi表示傳感器模塊故障規(guī)則，Rpi表示供電模塊故障規(guī)則，In_Service為正常工作狀態(tài)，Error表示故障狀態(tài)，no_SC表示模塊未出現(xiàn)短路故障，no_OC表示模塊未出現(xiàn)開路故障。

表2 傳感器模塊電源故障規(guī)則

表3給出了GPS模塊故障的對應關系，Rs1和Rs2是其中的2條規(guī)則。

表3 傳感器模塊電源故障規(guī)則關系

以供電模塊故障為例，當事件PS_Error出現(xiàn)時，對應規(guī)則Rs1和Rs2，推理機首先檢查對應的第1個導出規(guī)則：如果該規(guī)則的ef位為1，則代表規(guī)則Rs1生效，Rs1中對應的事件GPS_Error、GPS_no_SC和GPS_no_OC均成立；如果規(guī)則Rs1的ef位為0，則推理機尋找第2條規(guī)則Rs2并讀取ef位的值。如果規(guī)則Rs1和Rs2的ef位均為0，則表示事件PS_Error大概率不會發(fā)生，這時推理機將從規(guī)則關系列表中尋找與事件PS_Error有關的歸納規(guī)則Rp1和Rp2，并將其ef位均置為0。

推理機的推理過程如圖7所示。該改進的DFS算法與傳統(tǒng)的DFS算法相比，在根據(jù)推理結(jié)果對規(guī)則標志位進行置位或復位的同時，可以對假設的事實和所有規(guī)則之間的啟發(fā)式關系進行反向歸納[22]。所以應用改進的DFS算法推理機可以快速修正搜索路徑，縮小搜索范圍，減少驗證規(guī)則的重復工作，提高推理效率。

圖7 啟發(fā)式推理流程

5 仿真與試驗驗證

分別利用仿真測試和實車測試檢測無人車電源檢測系統(tǒng)在模擬和真實環(huán)境下的故障診斷性能。

5.1 仿真驗證

仿真測試通過計算機設置故障類型和故障出現(xiàn)時間，觀察不同電源故障設置下電源故障檢測專家系統(tǒng)能否準確判斷故障類型并快速定位故障位置。

以雷達模塊故障為例，在仿真程序中設置中斷，中斷到來時將雷達數(shù)據(jù)重定向在儲存盤中，制造雷達數(shù)據(jù)丟失故障。仿真測試結(jié)果如圖8所示，軟件中規(guī)則庫欄實時顯示專家系統(tǒng)的推理過程，該系統(tǒng)還具備手動擴充規(guī)則庫的功能。

圖8 雷達模塊故障仿真測試結(jié)果

雷達故障發(fā)生時，系統(tǒng)先在規(guī)則庫中尋找相應的規(guī)則以及對應的規(guī)則關系，然后對導出規(guī)則和歸納規(guī)則的執(zhí)行狀態(tài)標志位進行判斷，當未找到匹配故障時，尋找與導出規(guī)則或歸納規(guī)則同級的相鄰規(guī)則再次進行匹配。該仿真測試結(jié)果為未找到匹配的故障，因為仿真過程只是人為中斷了雷達數(shù)據(jù)的傳輸，雷達模塊供電并未出現(xiàn)故障，其他模塊沒有受到影響，系統(tǒng)檢測到的信息有限，推理機搜尋不到對應的推理規(guī)則，進而無法得到推理結(jié)果。

5.2 試驗驗證

為了保證測試安全，試驗在無人車測試臺架上進行，如圖9所示。

圖9 無人車電源故障檢測專家系統(tǒng)臺架測試

無人車在測試臺架上進行無人駕駛場景模擬測試，在車輛正常運行的情況下斷開組合導航模塊供電，觀察無人車電源檢測系統(tǒng)推理過程和推理結(jié)果，如圖10所示。

由圖10可知，電源檢測系統(tǒng)獲取故障信息后通過專家系統(tǒng)有效地匹配出相應的故障規(guī)則并找出規(guī)則關系，確定了導出規(guī)則和歸納規(guī)則，利用這些規(guī)則確定了故障類型并進行了故障定位，該故障診斷專家系統(tǒng)達到了設計要求。

圖10 無人車電源故障檢測專家系統(tǒng)臺架測試結(jié)果

隨著運行時間和運行場景的增加，該專家系統(tǒng)可以不斷地對知識庫和規(guī)則庫進行完善，系統(tǒng)性能將進一步提升。

6 結(jié)束語

針對無人車電源系統(tǒng)復雜的拓撲結(jié)構(gòu)，本文運用改進的DFS算法和動態(tài)樹生成算法進行車輛電源故障檢測專家系統(tǒng)的設計，并采用面向?qū)ο蟮脑O計方法，使得專家系統(tǒng)具備故障診斷和定位能力。改進的DFS推理機在進行推理的同時，對假設的事實和所有規(guī)則之間的啟發(fā)式關系進行反向歸納，可以大幅提高推理效率。面向?qū)ο蟮脑O計方法賦予系統(tǒng)模塊化的特征，也使得知識庫和規(guī)則庫的更新和擴充更加方便。簡單高效的人機接口可以對故障進行實時監(jiān)測，同時具有故障查詢和知識庫管理的功能。通過不斷學習和完善，該系統(tǒng)可以更加精確地判斷故障類型和精準地定位故障位置，減少檢測人員的工作量，提高車載電源系統(tǒng)的故障檢測效率。