危化品運輸車載監(jiān)測系統(tǒng)判決方法研究

趙 正,王 磊，趙志國，王金升，朱建輝

(1.中國交通通信信息中心,北京 100000;2.淮陰工學院 交通工程學院，江蘇 淮安 223001)

目前，80%的國內(nèi)危險化學品需要通過高速公路運輸，每年通過公路運輸?shù)奈ｋU貨物總量達 3 億噸。隨著經(jīng)濟快速發(fā)展，?；坟浳镞\輸量也呈上升趨勢。據(jù)相關實驗可知，運輸途中的危險化學品，不可控因素眾多，就相當于移動著的隱形炸彈，一旦出現(xiàn)意外，影響甚大，將會對周邊居民的生命和財產(chǎn)造成極大的危害。因此，對?；愤\輸車監(jiān)測以及預警研究具有很好的社會效益和經(jīng)濟效益[1]。

以危險品在運輸途中的各種狀態(tài)為目標，有針對性地選擇多種傳感器來實現(xiàn)數(shù)據(jù)的采集，在整體結(jié)構(gòu)設計的基礎上構(gòu)建系統(tǒng)功能，以信號處理技術(shù)為基礎，將多傳感器信號進行處理和融合[2]，以GPS 車輛定位方法，以 4G 作為傳輸方式，來完成危險化學品運輸過程中的探測、跟蹤與監(jiān)測，并通過車載終端和遠程服務端兩者相結(jié)合進行實時報警，同時根據(jù)?；沸袠I(yè)的相關應急處理機制，減少和避免事故的二次危害，提高我國危險化學品運輸?shù)陌踩耘c可靠性[3]。

西南交通大學的楊一帆利用 DSP 設計了一種新型的氣體監(jiān)測器[4]，用于實時監(jiān)測罐體在運動過程中的氣體濃度變化。西南交通大學康團結(jié)基于 DBSCAN 聚類和 ZigBee 技術(shù)，采集了車輛的溫濕度，其部分傳感器使用 MEMS 微傳感器。中國地質(zhì)大學的王曉歡以物聯(lián)網(wǎng)為載體，通過 MEMS 傳感器采集位置、速度和溫度等數(shù)據(jù)信息，最后通過物聯(lián)網(wǎng)上傳后臺，并實現(xiàn)車輛軌跡繪制功能[5]。但在部分傳感器失效或者異常時，系統(tǒng)算法處理不是很精準，存在誤警的狀況。針對油氣管道泄漏監(jiān)測系統(tǒng)中存在較高的誤報率，馮健等人采用基于加權(quán)值分配的 D-S 合成規(guī)則對數(shù)據(jù)信息進行融合，提高監(jiān)測系統(tǒng)的精度。但在構(gòu)造基本概率分配函數(shù)時，所采用的方法不適合具體的應用場景，從而導致構(gòu)造結(jié)果中出現(xiàn)證據(jù)有沖突。目前，危化品運輸系統(tǒng)缺少適用的安全評價模型，數(shù)據(jù)融合尚未建立完整，成熟的理論和方法，但許多領域的研究人員根據(jù)其應用提出了一些有效的融合方法。通過對比，本文確定使用 D-S 論據(jù)理論，重點搭建運輸安全評價模型，并介紹評價模型中引用的算法理論，同時舉例驗證模型的可行性。

1 構(gòu)建運輸安全評價模型

在危化品運輸過程中，運輸狀態(tài)的一個變化量往往會導致多個信息也伴隨著變化。例如：車輛受到碰撞后，加速度會出現(xiàn)急劇異常的波動，伴隨而來的是罐內(nèi)液位引起明顯波動變化和罐內(nèi)壓力的瞬間異常變化；當發(fā)生車輛側(cè)翻事故時，罐車橫向角會發(fā)生變化，罐內(nèi)的?；芬何灰矔l(fā)生由傾斜帶來的變化；如果出現(xiàn)液體泄漏情況，不僅氣體傳感器會檢測到泄漏濃度信息變化之外，罐內(nèi)的壓力、液位也會在同一時刻發(fā)生變化。

運輸系統(tǒng)中，故障可以從三方面找，第一是車輛原因，超速、側(cè)翻、追尾等；第二?；吩?，泄露、超載等；第三是環(huán)境原因，環(huán)境溫度過高、濕度太大等，3種原因都會引起運輸事故，針對這些[6-7]，本文建立了運輸安全評價模型。通過多傳感器數(shù)據(jù)采集，融合處理，為事故提供評價，在事故即將發(fā)生時，為駕駛員和公司提供可靠的報警信息。

1.1 構(gòu)造基本概率分配函數(shù)

假設存在一組證據(jù){x1,x2,x3,…,xm}，xi(i?m)為某一傳感器輸出值，待識別的目標模式為{u1,u2,u3,…,un}，uj(j?n)為某一目標模式。對于任一uj，需要確定此模式下的各個傳感器輸出的典型值{x1j,x2j,x3j,…,xmj} 稱為典型樣本[8]。對于任一xi，與目標模式uj典型樣本中此條證據(jù)對應的值xij之間的漢明距離為:

與所有目標模式的漢明距離之和為:

Hij=|xi-xij|

(1)

與所有目標模式的漢明距離之和為:

(2)

定義任何一條證據(jù)xi對目標模式uj的信度函數(shù)分配為:

(3)

其中：j=1,2,…,n?？梢则炞C，以上構(gòu)造方法滿足條件信度函數(shù)分配的定義。根據(jù)式1，當證據(jù)xi距離目標模式典型樣本xij的距離越近，說明兩者越像，最終融合結(jié)果也越近，這時的信度函數(shù)分配值也越大。

典型樣本獲取信度函數(shù)在很多行業(yè)已經(jīng)有了使用，只要確定目標模式的典型樣本，就能得到該證據(jù)的信度函數(shù)?？梢杂行У貥?gòu)造出證據(jù)理論的基本概率值，在?；沸袠I(yè)中，專家經(jīng)驗與實驗數(shù)據(jù)可以容易獲得典型樣本，本文選擇的就是該方法來確定基本概率值。

1.2 數(shù)據(jù)融合理論

證據(jù)理論的核心內(nèi)容就是合成規(guī)則，其中包含 “證據(jù)” 和 “組合”，不確定、不知道的信息數(shù)據(jù)，就是 D-S 算法需要處理的 “證據(jù)”“組合”，將這些不同類型的數(shù)據(jù)進行整合，使用一定的組合規(guī)則，來得到一個全面的結(jié)論。多傳感器系統(tǒng)中，D-S 證據(jù)理論是常用的算法之一。證據(jù)理論處理數(shù)據(jù)問題時，通過可信度賦值給傳感器信息，保留信息時，也簡化未知概率分布。D-S 證據(jù)理論的最大優(yōu)勢在于先驗數(shù)據(jù)比概率理論更容易獲得，這些優(yōu)點使證據(jù)理論的應用領域更為廣泛，在信息融合、多屬性決策分析、人工智能等方面都有很好的應用。

證據(jù)理論借助合并多重證據(jù)獲取決策結(jié)論，在貝葉斯推理基礎上的推廣，是一種信息推理決策理論，兩者根本的分歧是是否利用先驗信息。當概率很弱的推理系統(tǒng)中，信息的“不準確”“不確定”，導致貝葉斯理論的判別有誤差，這也就是為什么在推理系統(tǒng)中，D-S 應用普遍的原因。D-S 的似然函數(shù)、信任函數(shù)就是用來解決系統(tǒng)的不確定性和不知道的差異。D-S 證據(jù)理論中不確定性信息的描述采用 “區(qū)間估計”，而非 “點估計”，為證據(jù)收集更有靈活性。在處理證據(jù)理論問題時，搭建識別框架，構(gòu)造命題的基本概率指派函數(shù)，以及合成規(guī)則都是重要的步驟[9]，只有符合系統(tǒng)，才能作出正確的決策[10]。

定義1：設D為辨別框架，由一完備且互不相容的命題集合組成冪集2D,在其上定義基本信任指派函數(shù)(BPA，Basic Probability Assignment)：m(A)?[0,1]，A代表辨別框架中任一子集，m(A)表示證據(jù)支持命題A發(fā)生的程度，m(A)滿足如下條件[11]：

(4)

m(A)稱為A的基本數(shù)。

定義2：信任函數(shù)(Belief Function)Bel(A)表示所有真屬于A的假設，即B，命題A的總信任度，其定義為：

由定義可知：

m(φ)=0;m(D)=0

(5)

似然函數(shù)(Plausibility Function)表示決策者對不反對命題A的程度，所有與A相交不為空的命題B的mass值的和，其定義為：

pl(A)=1-Bel(A-)

通過信度函數(shù)和似然函數(shù)，D-S證據(jù)理論就明確表示了“不確定”和“不知道”等概念[12]，詳見如圖1所示：

圖1 D-S不確定區(qū)間

定義3：若A?D且A≠0，稱A為m的一個焦元(Focal Element)。

Dempster合成法則(Dempster’S Rule of Combination)是反映證據(jù)的聯(lián)合作用的一個法則，可概括如下：

假設判別框架上D的兩個證據(jù)m1，m2，并分別含有焦元C1…Cn和B1…Bn。Dempster合成法則運算為正交和m=m1⊕m2。m為組合產(chǎn)生的新的證據(jù)體。

m(A)=m1(B)⊕m2(C)

A≠Φ

(7)

(8)

K稱為歸一化系數(shù)，表示兩個證據(jù)之間的沖突程度，k∈[0，1]。當k=1或者無窮接近1時，表示證據(jù)之間完全矛盾，融合會產(chǎn)生“Zadeh悖論”，得出的結(jié)果有巨大偏差，故不能應用Dempster 組合規(guī)則，如果k=0，則不用歸一化。

對于多個信度函數(shù)的合成。m1,m2，…,mn為2D上的n個BPA,它們的正交和m=m1⊕m2⊕…⊕mn為

m(A)=

(9)

其中

(10)

2 基于D-S證據(jù)理論的數(shù)據(jù)融合模型

利用證據(jù)理論融合，必先確定證據(jù)理論的識別框架[13]，根據(jù)監(jiān)測需求，建立識別模型，危險化學品輸車的4類狀態(tài)：U1是車體故障，U2是?；饭收希琔3是環(huán)境故障，U4是正常模式，識別框架U為U={U1,U2,U3,U4}，選取車輛姿態(tài)(傾角)、運行速度、加速度、環(huán)境溫度以及泄露濃度這五個參數(shù)為監(jiān)測指標[12]，結(jié)合專家知識與智能算法，采用基于典型樣本的信度函數(shù)獲取方法，然后通過D-S規(guī)則融合獲得最終結(jié)果。決策的結(jié)構(gòu)模型如圖2所示。

圖2 基于 D-S 證據(jù)理論的預警模型

3 實驗與分析

為了檢驗警報是否能在測量值超過閾值時觸發(fā)，而采用較低的閾值進行測量。選取車輛姿態(tài)(傾角)、運行速度、加速度、環(huán)境溫度以及泄露濃度這5個參數(shù)為監(jiān)測指標。

通過實驗室的系統(tǒng)平臺隨機測量得到數(shù)據(jù)，見表1。

表1 測量數(shù)據(jù)

建立模型，危險化學品運輸車的4類狀態(tài)：U1是車體報警，U2是?；穲缶?，U3是環(huán)境報警，U4是正常，根據(jù)實驗數(shù)據(jù)，結(jié)合專家經(jīng)驗，確定4組數(shù)據(jù)作為典型樣本，見表2。

表2 目標模型的典型樣本

設判定規(guī)則的閾值ε為0.50。

實例代入，辨識框架U={U1，U2，U3，U4}，根

據(jù)公式3，計算證據(jù)源，見表3。

表3 融合后的結(jié)果

根據(jù)公式(11)，計算K值：K= 0.52<1

(11)

根據(jù)公式(12)，融合后的值為：0.0086。

(12)

同理計算出m1與m2的U2,U3,U4融合結(jié)果，重復上面步驟計算出結(jié)果，見表4。

表4 D-S數(shù)據(jù)融合

通過MATLAB數(shù)據(jù)仿真，數(shù)據(jù)融合結(jié)果見圖3。

(a) 兩個證據(jù)體 (b) 三個證據(jù)體

(c) 四個證據(jù)體 (d) 五個證據(jù)體

圖3 D-S各數(shù)據(jù)融合結(jié)果

根據(jù)環(huán)境，選擇判決的閾值ε為0.50，采用基于BPAF(基本概率賦值)的決策。

(13)

通過圖3(a)、3(b)、3(c)、3(d)，可以看出來證據(jù)源的增加讓系統(tǒng)識別更加可靠，其最終的融合結(jié)果如圖上所示，可以看出來證據(jù)源的增加讓系統(tǒng)更加可靠，融合結(jié)果更加準確。通過此判別方法，可知系統(tǒng)屬于正常狀態(tài)，與事實相符，方法可行。

當m2傳感器數(shù)據(jù)異常時，使用決策層的融合結(jié)果與第一次融合判別狀態(tài)相同，依舊準確，如圖4所示。

圖4 D-S數(shù)據(jù)融合

通過此模型，可以解決?；愤\輸車安全評價問題，并在數(shù)據(jù)融合時，解決了當部分傳感器失靈時，系統(tǒng)的誤判的問題。

4 結(jié)論

針對?；愤\輸安全預警模型，介紹了模型中的三種故障，以及使用的數(shù)據(jù)融合的理論基礎，針對該理論中存在的基本概率賦值問題，選擇使用專家知識和漢明距離的典型樣本處理方法，而后搭建評價模型進行，并通過 MATLAB 仿真，可靠地解決了傳感器異常時系統(tǒng)出現(xiàn)誤判的問題。