基于決策樹算法的AMT掛擋過程冗余控制研究

劉海鷗， 盧佳興， 彭建鑫， 喬道云， 趙亦農

(1.北京理工大學 機械與車輛學院，北京 100081；2.北理慧動(常熟)車輛科技有限公司，江蘇,常熟 215513；3.內蒙古第一機械集團股份有限公司，內蒙古,包頭 014030)

輪式裝甲車輛自動機械變速器(automated mechanical transmission,AMT)作為底盤系統的重要組成部分，承擔著將發(fā)動機動力輸出至車輪的重要任務，一旦發(fā)生故障，將對車輛機動性和戰(zhàn)場生存能力造成嚴重影響.由于輪式裝甲車輛的工作環(huán)境較為惡劣，表征系統狀態(tài)的傳感器都可能會發(fā)生故障，尤其當系統處于動作狀態(tài)過程中，從而導致無法對系統進行精準的閉環(huán)控制.因此，在傳感器失效之后，有效的容錯控制方法對車輛的行車安全和動力保障極其關鍵.

容錯控制通?？煞譃榭刂坡芍匦抡{度、控制律在線重構設計和模型跟隨重組控制[1-2].劉峰[3]采用控制律重新調度的方法對自動變速系統進行了容錯控制研究；張振兆[4]采用控制律重構方法對純電動客車加速踏板信號故障進行了容錯控制，并采用控制律重構設計方法對電機過載故障進行了容錯控制；王發(fā)威[5]采用在線控制分配律簡化滑?？刂坡傻脑O計，實現了多操縱面飛機的快速平穩(wěn)控制；羅劍[6]采用了模型跟隨重組的主動容錯控制方案，針對分布式電驅動車輛設計了自適應容錯控制系統.

AMT系統的容錯控制技術中多采用控制律重新調度的方法，即在系統控制策略中增加故障狀態(tài)下的冗余控制策略，隨著容錯控制技術智能化程度的提高，基于數據驅動的冗余控制方法越來越多地受到重視[7].基于數據驅動的方法是通過對系統運行過程中產生的狀態(tài)數據進行數據分析和數據挖掘，對系統的某些特征進行建模，進而實現對系統的故障診斷和容錯控制[8-10].基于數據驅動的方法可以很方便地實現對復雜系統的建模分析，所以得到了專家學者的廣泛關注.

孫春芝[11]基于數據驅動的方法，針對船舶橫向運動系統中執(zhí)行器故障,運用殘差迭代反饋整定法設計容錯控制器.何磊等[12]根據車輛狀態(tài)和方向盤轉角數據，采用軟硬件冗余技術，實現轉向盤轉角傳感器的容錯控制.黃超[13]基于數據驅動技術,針對傳感器已知確定性故障和未知不確定故障,分別提出了基于逆的誤差補償與基于故障檢測可靠性評價的軟冗余容錯控制方法.Brennan公司通過實時監(jiān)測車輛懸架系統的狀態(tài)數據，結合模糊邏輯推理算法，設計了用于懸架系統狀態(tài)檢測的專家系統.Hirpal公司通過研究車輛出現故障時的一些狀態(tài)數據，利用決策樹算法，推理故障原因，為容錯控制提供依據[14-18].基于數據驅動方法，針對系統狀態(tài)傳感器失效狀態(tài)下的容錯控制進行的一些探索，大多是根據仿真試驗得到的數據進行的分析，缺少系統在實際應用過程中的數據支撐.

在AMT變速箱研制期間以及裝備部隊后，積累了大量的實車行駛數據，累計里程達數十萬公里，為進行基于數據驅動的系統狀態(tài)監(jiān)測奠定了良好的基礎.通過對系統位置傳感器失效情況的分析，利用掛擋時間預測模型對AMT系統掛擋過程進行狀態(tài)預測，為實現對系統的冗余控制提供了保障.

1 AMT系統物理響應行為概述

1.1 AMT換擋過程工作原理概述

AMT系統是在原有定軸式機械變速器基礎上增加自動變速操控系統(auto shift control system, ASCS)來實現自動變速功能的.ASCS由傳感器、電控單元、執(zhí)行機構組成，可以實現發(fā)動機轉速和扭矩協調控制、離合器分離/接合控制、變速箱擋位控制.可以將AMT系統的行為分為系統穩(wěn)態(tài)行為和物理系統響應行為[19].其中物理系統響應行為是在TCU產生換擋指令之后發(fā)生的離合器動作以及換擋過程，而除此之外的車輛正常的在擋行駛過程即為系統穩(wěn)態(tài)行為.輪式裝甲車輛AMT系統的變速箱擋位控制原理如圖1所示，主要包括主箱的擋位控制和副箱的高低擋切換控制.

圖1 換擋執(zhí)行機構工作原理圖

主箱的換擋操縱機構采用正交式布置形式，利用十字交叉式連接機構將選擋缸與掛擋缸正交布置.電子控制單元TCU控制選擋電磁閥(S1、S2)、掛擋電磁閥(S3、S4、S5)的開啟和關閉，進而控制相應氣缸活塞桿的運動，完成換擋.選擋、掛擋操縱機構分別安裝有選擋位移傳感器和掛擋位移傳感器，分別用于實時測量選擋位移x和掛擋位移y，表1是x、y取值與當前擋位的對應關系，表2所示為變速箱的換擋操縱過程中電磁閥控制邏輯.

表1 x、y與擋位的對應關系表

表2 電磁閥換擋控制邏輯表

1.2 AMT系統掛擋過程傳感器故障冗余控制研究

掛擋位移傳感器主要用于實時測量掛擋位移，并將掛擋位移實時反饋給控制系統，系統根據當前的掛擋進程，制定出掛擋電磁閥的時序控制策略，保證換擋過程形成完整的閉環(huán)控制.通過對實車數據的分析，掛擋位移傳感器在機構靜止時故障現象較少，在掛擋動作及相關過程中由于較大的沖擊更容易發(fā)生故障.AMT系統的掛擋過程是一個動態(tài)變化的過程，且掛擋位移傳感器對于系統掛擋進程的信息反饋至關重要，一旦發(fā)生故障，系統將無法實現對電磁閥的時序控制.

當掛擋位移傳感器出現故障時，在掛擋階段，程序可以通過判斷AMT輸入軸轉速n1、輸出軸轉速n2、當前擋位傳動比之間的冗余關系來判斷掛擋過程是否結束.但是這種控制方式存在很大的缺陷，轉速的冗余關系只能確定掛擋結束的時刻，無法在掛擋過程中實時地為電磁閥的控制策略提供反饋信息，即無法通過轉速的冗余關系確定掛擋過程中的具體的歷程.從而不能在掛擋動作發(fā)生時或者發(fā)生之前，提前制定好電磁閥的時序控制策略.因此，需要更加有效的冗余控制方法用于掛擋位移傳感器失效之后的電磁閥時序控制策略的制定.由于輪式裝甲車傳動系統工作環(huán)境較為惡劣，傳感器出現故障的可能性較高.因此，基于系統正常運行的大量歷史數據，在表征系統物理響應行為的傳感器失效后，根據系統運行的原理和規(guī)律實現系統物理響應行為狀態(tài)的預測，在掛擋動作發(fā)生時或動作發(fā)生之前提前制定好電磁閥的控制策略，并實時根據系統的運行狀態(tài)對掛擋進程進行判斷，為系統的冗余控制提供了一個新的思路.

1.3 掛擋過程預測方法選取

如前所述，擬通過數據挖掘的方法，從實車數據中提取出系統正常運行狀態(tài)下的數據，并用這些數據建立物理系統響應行為的時間模型，從而對系統狀態(tài)進行判斷.

決策樹算法是數據挖掘中一種常用算法，在分類、預測、規(guī)則提取等領域有著廣泛應用.這種算法主要通過貪婪算法遞歸實現分類與預測功能，具有計算速度快、易于理解、對噪聲的健壯性好等優(yōu)勢，非常適合用于數據挖掘，也符合AMT系統特征的要求[20].

典型的決策樹算法主要有ID3、C4.5以及CART等.ID3不適用于連續(xù)特征，而且對于缺失值和過擬合的情況沒有考慮.C4.5雖然考慮了過擬合的情況，但是僅能用于分類，而要進行預測的時間參數是一個連續(xù)型變量，因此不宜采用分類預測方法.CART是一種典型的二叉決策樹，可以做回歸，也可以做分類.它通過將數據重復分割成不同的分支來最大化每次分離的信息增益，CART可以很方便地學習非線性關系，而且對于異常值有很強的穩(wěn)健性，而且用CART建立的回歸模型運算量較小[21].因此，采取CART回歸樹來建立相應預測模型.

2 AMT掛擋時間預測模型

2.1 數據準備

實車試驗數據記錄了動力傳動系統的狀態(tài)信息，包括：選擋位移x和掛擋位移y、發(fā)動機轉速ne、變速箱輸入軸轉速n1、變速箱輸出軸轉速n2、離合器位移lc、氣壓值p、電磁閥的狀態(tài)、當前擋位ga、目標擋位gb、故障碼等信息.同時，在這些數據的基礎上，可以統計得到系統發(fā)生各個子動作的對應時間.為CART決策樹模型中特征值變量和預測值的選擇和統計提供數據依據.本試驗數據，僅針對6×6輪式裝甲車在土路工況的各態(tài)歷程.

以“3擋”換“4擋”的換擋過程為例，根據選擋位移x和掛擋位移y的數值變化，可以得到各個換擋過程中摘空擋、選擋、掛擋等子過程電磁閥開啟時間，對各個換擋過程的氣缸氣壓，輸入軸轉速以及輸出軸轉速進行取平均數處理可以得到AMT的狀態(tài)參量，整理得到如表3所示的數據統計表.

表3 換擋過程AMT狀態(tài)參量及電磁閥開啟時間統計表

換擋過程所用的時間是反映AMT系統工作狀態(tài)的重要指標，通過對換擋時間的統計和分析，能夠有效地掌握系統的運行狀態(tài).如表3所示，通過對試驗車的試驗數據進行統計和整理，以“3擋”換“4擋”的換擋過程為例，共得到859組“3擋”換“4擋”的各個子過程用時的數據，經過數據清洗后得到換擋過程各階段用時.

根據表3中所示換擋過程的各個子階段的用時數據，選取“摘空擋階段”、“選擋階段”、“掛擋階段”三個主要子階段的時間，如圖2所示為換擋各階段用時統計圖.從統計時間圖中可以看出，“摘空擋階段”和“選擋階段”的用時較為穩(wěn)定，每個階段的電磁閥的開啟時間也較為穩(wěn)定，可以只做基本的統計學分析.而“掛擋階段”的用時變化較大，這也與掛擋過程的影響因素較多相對應，需要建立決策樹進行進一步的分析，來確定電磁閥的時序控制策略.

圖2 換擋過程各階段用時統計圖

2.2 掛擋時間決策樹模型建立

2.2.1掛擋時間回歸決策樹的生成

根據統計得到試驗車的859組系統正常運行狀態(tài)下的“3擋”換“4擋”的換擋數據，可以得到原始數據集D，在這859組數據中隨機選取659組數據作為訓練集D1，用于建立CART回歸樹模型，其余200組換擋數據作為測試集D2，用于測試模型的預測效果.

D=D1∪D2,且D1∩D2=?

影響掛擋過程的因素主要包括換擋力、變速器輸入軸轉速n1、變速器輸出軸轉速n2以及擋位信息ga和gb等，由于文中統計的為“3擋”換“4擋”的試驗數據，因此擋位信息為常量.換擋操縱機構為氣動控制，換擋力與氣壓值成正比.綜合以上考慮，選取掛擋階段的氣壓p的平均值、變速器輸入軸轉速值n1的平均值、變速器輸出軸轉速值n2的平均值以及同步器的同步速差Δn作為決策樹的特征值變量，選取掛擋階段總時間作為決策樹的預測值，因此得到掛擋時間回歸決策樹的樣本訓練集特征空間：

D1=[X1X2…XmY]

(1)

X1=[x11x12…x1n]T,…,Xm=[xm1xm2…xmn]T

(2)

Y=[y1y2…yn]T

(3)

式中：X1，X2，…，Xm為掛擋時間回歸決策樹模型的特征屬性向量，分別指掛擋階段的氣壓p、變速器輸入軸轉速n1、變速器輸出軸轉速n2、同步器的同步速差Δn；m為特征屬性的個數，m=4；Y為掛擋時間回歸決策樹模型的預測目標向量，指掛擋階段總時間；n為訓練集樣本空間的容量，n=659.

回歸樹的生成是一個二叉遞歸劃分過程，采用平方誤差最小化的分裂準則.分裂過程從根節(jié)點開始，每次采取具有最小平方誤差的特征屬性及其特征屬性值作為最優(yōu)分裂屬性和最優(yōu)分裂屬性值，遍歷所有的特征和特征值，依次將輸入劃分成兩個區(qū)域.接著，再對每個子區(qū)域重復上述的劃分過程，直至滿足停止條件，就生成了一棵回歸決策樹.

具體的，選擇第j個屬性特征變量xj和它的一個取值s作為切分的特征屬性和切分點，將上述的訓練集D1劃分成兩個子區(qū)域R1和R2：

R1(j,s)={x|xj≤s}

(4)

R2(j,s)={x|xj>s}

(5)

在劃分的兩個區(qū)域R1和R2上，可以分別得到掛擋時間在兩個空間的的平均值:

t1=ave(yi|xi∈R1(j,s))

(6)

t2=ave(yi|xi∈R2(j,s))

(7)

遍歷氣缸氣壓p、AMT輸入軸轉速n1、AMT輸出軸轉速n2以及同步器同步速差△n等所有的屬性特征和特征值，根據平方誤差最小化的節(jié)點劃分準則，基于式(8)的目標函數，找到最佳切分屬性特征和最佳切分點：

(8)

每次劃分都可以找到一組最佳切分屬性特征變量xj和最佳切分點s，可以將訓練集劃分成兩個區(qū)域，同時將“樹節(jié)點”分裂成兩個“分枝”，對新生成的“樹節(jié)點”重復上述的操作過程，直至達到停止條件，可以將樣本空間劃分成M個區(qū)域，生成決策樹.若某個輸入量屬于某一區(qū)域，則其輸出即為訓練集在該區(qū)域上的所有輸出值的平均值，如式(9)和式(10)所示.

(9)

cm=ave(yi|xi∈Rm)

(10)

式中:f(x)為決策樹模型的判斷函數；cm為當數據屬于第m個區(qū)域時，模型的輸出值；I為數據從屬區(qū)域的標志函數.

2.2.2掛擋時間回歸決策樹的修剪

由于決策樹的“完全生長”會造成模型泛化能力的下降，產生過擬合，因此需要對得到的回歸決策樹進行簡化，也稱為決策樹剪枝.CART算法采用的是后修剪，即在決策樹建立完成之后，對置信度不達標的節(jié)點子樹以葉子節(jié)點代替.修剪的過程可以分為兩個部分：

① 根據修剪后整體損失函數的減少程度，在原始樹T0上剪去損失函數最小的子樹，得到子樹T1.如此修剪下去，直到根節(jié)點，形成一個子樹序列：

{T0,T1,…,Tn}

② 對修剪得到的子樹序列進行交叉驗證，平方誤差最小的決策樹為最優(yōu)回歸決策樹.將訓練集隨機分成N個集合，將其中的任意一個集合作為單獨的測試集，另外N-1組集合組成訓練集，可以產生N種不同的組合.事實表明，N組不同的組合對應的模型的平均性能和精度與該訓練集的原始模型在獨立測試集上的效果十分接近.如圖3所示為交叉驗證誤差隨修剪程度的變化趨勢，從圖中可以看出，在最小的均方差附近，均方差的變化較為平穩(wěn).這里采用“1 SE”準則進行最優(yōu)決策樹的選取，即相對于最小代價的0標準差有一個標準差代價的，并且樹形尺寸更加穩(wěn)定的決策樹，這樣的決策樹泛化能力更強，圖中選取修剪88個子葉節(jié)點得到的子樹作為最后的最優(yōu)決策樹.

圖3 交叉驗證誤差趨勢變化圖

最優(yōu)決策樹的結構如圖4所示，圖中p,n1,n2,n1-i×n2分別代表氣壓值、變速器輸入軸轉速、變速器輸出軸轉速和同步器的同步速差等4個屬性特征.各個節(jié)點上的判斷閾值，即為根據式(8)平方誤差最小化準則，計算得到的最佳切分點的數值，這樣在每個節(jié)點上數據集將被劃分成兩個區(qū)域.各個葉節(jié)點上的掛擋時間預測數值即為對應區(qū)間上的所有訓練集輸出值的平均數.

圖4 掛擋時間回歸決策樹模型

2.2.3特征空間重要性評價

在決策樹建立完成后，可以對影響掛擋時間的4個主要因素進行重要性評價.如圖5所示，在正常運行情況下，同步器的同步速差對掛擋時間的影響最大，即當系統出現故障狀態(tài)，需要對掛擋時間進行預測時，應對這個因素著重考慮，為故障診斷和容錯控制策略的制定提供重要的參考依據.

圖5 特征因素重要性評價圖

2.3 結果分析

模型預測效果主要是通過兩個參數來評估：預測值與真實值之間的誤差絕對值的平均值εa以及預測準確率ar.

(11)

ar=P(|ypredict-ytrue|<50 ms)

(12)

式中:ytrue為掛擋時間真實值,ms；ypredict為掛擋時間預測值,ms.

當預測值與真實值之間誤差的絕對值小于50 ms的時候，基于TCU控制程序的控制要求，認為是準確預測.根據上述建立起來的掛擋過程的CART回歸樹模型，對剩余200組掛擋數據的掛擋時間進行預測，預測結果如圖6所示.

圖6 掛擋時間模型預測效果圖

對模型預測效果評價參數進行數值計算可以得到：平均預測誤差εa=36.27 ms，預測準確率ar=94.5%.可見，模型的預測效果較為良好，準確率較高，且誤差在可以接受的范圍之內.由于機電氣系統結合的復雜性，掛擋時間的數據本身就是較難預測的.通過CART回歸樹模型的建立，挖掘出影響掛擋時間的內部機理，可以根據當前的車輛運行狀態(tài)對掛擋時間進行比較有效的預測，為容錯控制策略的制定提供有力的依據.

3 試驗驗證

為了保證試驗的安全性，首先通過臺架試驗驗證容錯控制程序的可靠性.經測試無誤后，再進行實際工況下實車驗證試驗的探索.

3.1 臺架試驗

3.1.1試驗條件

基于試驗室現有的故障診斷方案和容錯控制策略，結合掛擋時間決策樹模型，對AMT系統的控制單元TCU的控制程序進行開發(fā)，在其中增加基于換擋時間預測和換擋進程判斷的電磁閥控制程序，在試驗臺架上開展故障診斷及容錯控制試驗.

如圖7所示，試驗臺架由電機、離合器、AMT變速器依次連接而成，圖8為TCU實物圖和操縱手柄實物圖.由于試驗條件限制，試驗中用電機模擬發(fā)動機，作為動力源驅動整個臺架運轉.按照工作原理圖將各個電磁閥、電源、傳感器、控制器等進行線路的連接，將控制程序下載至TCU，并利用Microsoft Visual Basic開發(fā)上位機軟件，實時監(jiān)測試驗進程并記錄試驗數據.

圖7 試驗臺架圖

圖8 TCU和手柄

3.1.2掛擋位移傳感器故障下冗余控制

為了模擬掛擋位移傳感器出現故障，將其電源斷開.試驗過程中由2擋起步，控制電機轉速來控制系統自動換擋.在Microsoft Visual Basic開發(fā)上位機軟件觀察AMT是否可以正確檢測故障，并能夠對換擋的進程進行可靠的判斷.試驗結果如圖9所示.

根據如圖9所示的試驗結果，當傳感器的插頭被拔掉后，掛擋位移傳感器的位移信息不再發(fā)生變化，對應的故障標識位置1，表示系統已經準確檢測到故障.選擋傳感器、輸入軸轉速傳感器和輸出軸轉速傳感器信號顯示，AMT系統可以正常完成各個擋位的切換.

圖9(a)中的擋位信息顯示，在掛擋位移傳感器無法正常工作的情況下，基于CART算法對電磁閥工作時間的預測，將輸入輸出軸轉速不再滿足當前擋位傳動比的時刻作為換擋動作發(fā)生時刻，根據對摘空擋、選擋、換擋過程的時間預測結果進行適當的延時，從而判斷出完成換擋動作發(fā)生的時刻，對換擋進程進行準確的判斷.當誤差不超過50 ms時，TCU的控制策略可以實現對系統良好的控制，掛擋時間的預測準確率可以達到94.5%.由此可知，上述對于換擋進程的判斷具有90%以上的置信度.

圖9 換擋位移傳感器故障診斷及容錯試驗

臺架試驗的驗證結果表明，基于CART決策樹算法的換擋時間預測模型可以對換擋的各個進程的時間進行判斷，所得的比例閥控制策略也可以保證系統在掛擋傳感器失效之后完成正常的換擋操作.

3.2 實車驗證試驗

由于臺架試驗過程中，AMT的輸出軸不帶有負載，因此在換擋過程中轉速的變化與實際情況不符.為了驗證冗余控制的準確性，還需要進行實車驗證試驗的探索.

實車驗證的平臺為某6×6輪式裝甲車，該平臺裝配有完整的傳動系統、傳感器系統、上位機控制系統等.試驗環(huán)境為野外起伏土路，如圖10所示.為了保證試驗的安全性和試驗結果準確性，在換擋控制程序中不再將掛擋傳感器的信息作為控制程序的輸入，來近似模擬傳感器的失效狀況.在檢查完車輛的運行狀況良好后，由二擋起步，依次對車輛進行升擋和變擋操作.

圖10 試驗場地場景圖

圖11為試驗過程中的車輛的發(fā)動機轉速變化、AMT輸入/輸出軸轉速的變化和車速變化趨勢圖.

圖11 實車驗證數據變化圖

根據圖11中AMT輸入軸和輸出軸轉速可以計算得到AMT實際傳動比變化.結合表4中試驗平臺參數信息，可以觀察到系統的擋位變化情況：由二擋起步，依次升擋到6擋，再進行4擋到8擋之間的變擋操作.

表4 試驗平臺參數統計表

圖12表明基于CART算法的換擋時間預測模型對掛擋傳感器失效下的容錯控制具有良好的效果，可以保證車輛完成正常的換擋操作.下面提取出3擋升4擋過程中的比例閥的控制時間，來對該容錯控制策略的控制過程進行具體的說明.

圖12 實際傳動比變化趨勢圖

由表3可知，在3擋換4擋的過程中，需要對S1、S3、S4、S5等電磁閥或電磁閥組合進行時序控制.通常，各個電磁閥開啟的控制時間是根據換擋傳感器的位移來進行控制的.基于換擋時間預測模型，當位移傳感器失效之后，把換擋動作發(fā)生時的系統狀態(tài)參數作為模型的輸入，對電磁閥的開啟時間進行預測，圖13為預測得到的3擋升4擋過程中各個電磁閥的開啟時間控制時序圖.

圖13 電磁閥控制時序圖

當系統檢測到要進行3擋升4擋的操作時，系統將根據當前系統狀態(tài)參數計算生成如圖13所示的電磁閥控制時序，在電磁閥動作完成之后，結合系統的理論設計傳動比信息，控制邏輯中的當前擋位將變化成目標擋位，如圖14中的實線所示.

圖14 換擋過程預測效果圖

通過AMT輸入/輸出軸計算得到的系統實際傳動比變化和控制邏輯中預測得到的理論傳動比的對比可以發(fā)現，兩者換擋完成時刻偏差均在50 ms以內，這與決策樹預測模型的仿真測試結果是一致的.基于CART算法的容錯控制策略可以保證系統正常完成換擋操作，并對換擋結束點進行良好的預測.

4 結 論

基于CART決策樹算法建立了掛擋過程的決策樹預測模型，可以對AMT的掛擋時間進行準確預測，在誤差不超過50 ms的情況下，具有90%以上的準確率，能夠在掛擋傳感器失效的情況下對AMT系統的物理響應行為進行良好的狀態(tài)預測.

臺架試驗中，在掛擋傳感器失效時，基于CART算法的故障診斷和容錯控制可以順利完成各個擋位的切換，并確定各個換擋點的時刻.實車試驗中，通過對實際傳動比和控制策略預測的理論傳動比的對比發(fā)現，兩者的掛擋結束時刻的偏差在50 ms以內，系統可以在掛擋位移傳感器失效的情況下完成正常的掛擋操作.此結果對AMT系統的狀態(tài)監(jiān)測和容錯控制研究具有一定的實用價值，可以通過這種方式對車輛行駛的更多參數進行預測和估計，提升車輛性能.

在未來的研究中，可以針對多工況的輪式裝甲車實際行駛數據進行分析和建模，探索工況對AMT系統物理響應行為的影響，同時可以開展多個傳感器失效情況下的AMT系統的多個狀態(tài)參量預測工作.