基于模糊邏輯的車載終端分層故障檢測(cè)模型

陳家超， 陳慶奎

（上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院， 上海 200093）

0 引言

隨著信息化產(chǎn)業(yè)快速發(fā)展，智能設(shè)備的規(guī)模不斷增長(zhǎng)、集成化水平也在提升，故障發(fā)生已然成為一種常態(tài)［1］，例如無(wú)人機(jī)傳動(dòng)器故障［2］、鐵路牽引器故障［3］、同步發(fā)電機(jī)濾波器故障［4］等。 車載終端是提供車輛位置信息、視頻監(jiān)控等功能的智能設(shè)備［5］，由于設(shè)備運(yùn)作時(shí)間長(zhǎng)，且經(jīng)常受到車輛行駛顛簸等環(huán)境因素的影響，其內(nèi)部功能模塊容易產(chǎn)生損耗，從而引發(fā)故障，例如：定位模塊故障、4G 模塊故障等。

本文將車載終端傳感數(shù)據(jù)的異?；騺G失作為證據(jù)，行車異常事件作為現(xiàn)象，建立包含證據(jù)、現(xiàn)象和故障的分層模型。 傳感數(shù)據(jù)易受信號(hào)干擾，為了減少故障誤報(bào)，保證模型的容錯(cuò)能力，結(jié)合模糊邏輯與累計(jì)度變化規(guī)律構(gòu)建知識(shí)庫(kù)，通過(guò)知識(shí)庫(kù)中的規(guī)則［6－7］實(shí)現(xiàn)由若干種證據(jù)累計(jì)形成現(xiàn)象、再由若干種現(xiàn)象累計(jì)形成故障的推導(dǎo)過(guò)程，從而有效檢測(cè)車載終端故障。 考慮到根據(jù)專家經(jīng)驗(yàn)設(shè)置的規(guī)則初始參數(shù)存在估計(jì)偏差，在模型運(yùn)行過(guò)程中采用修正算法動(dòng)態(tài)調(diào)節(jié)參數(shù)，進(jìn)一步提升模型的可靠性。

現(xiàn)階段，工人仍然采用定期巡檢的方式來(lái)維護(hù)車載終端，導(dǎo)致故障發(fā)現(xiàn)不及時(shí)，整體檢測(cè)效率較低，該模型減少了工人巡檢大批設(shè)備所需的工作量，能夠可靠檢測(cè)設(shè)備故障，因此具有重要的實(shí)際意義。

1 相關(guān)工作

模糊邏輯與傳統(tǒng)二值邏輯相比，更符合人對(duì)客觀事物的思維認(rèn)知，能夠針對(duì)具備模糊不確定性概念的問(wèn)題給出有效解決方法，在故障檢測(cè)及故障診斷領(lǐng)域中被廣泛使用。 文獻(xiàn)［8］提出一種基于模糊邏輯的輸電網(wǎng)絡(luò)定向接地故障檢測(cè)方法，將電壓測(cè)量數(shù)據(jù)匹配模糊規(guī)則，從而實(shí)現(xiàn)故障分類檢測(cè)。 文獻(xiàn)［9］提出一種基于直覺(jué)模糊脈沖神經(jīng)P（IFSNP）系統(tǒng)的設(shè)計(jì)方法，能夠有效診斷電力系統(tǒng)中復(fù)雜故障的成因。 文獻(xiàn)［10］提出一種融合多尺度模糊熵的特征提取方法，實(shí)現(xiàn)了旋轉(zhuǎn)機(jī)械的軸承故障診斷。文獻(xiàn)［11］針對(duì)道路施工裝備存在故障人工處理難度大、成本高等問(wèn)題，采用T－S 模糊故障樹(shù)實(shí)現(xiàn)了基于GPRS 網(wǎng)絡(luò)的遠(yuǎn)程故障診斷系統(tǒng)及方法。 文獻(xiàn)［12］提出一種將多分辨率分析與模糊－ARTMAP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，實(shí)現(xiàn)了電氣設(shè)備故障的檢測(cè)及分類。 文獻(xiàn)［13］提出一種神經(jīng)網(wǎng)絡(luò)與模糊PID控制相結(jié)合的方法，從控制角度定位自動(dòng)駕駛車輛的執(zhí)行器故障。

本文的故障檢測(cè)模型區(qū)別于上述文獻(xiàn)，通過(guò)對(duì)證據(jù)、現(xiàn)象和故障三種事件類型進(jìn)行定義，采用累計(jì)的方式實(shí)現(xiàn)模型分層推導(dǎo)，并以此檢測(cè)車載終端故障，其特點(diǎn)包括：

（1）具有包含證據(jù)、現(xiàn)象和故障的分層結(jié)構(gòu)，相比神經(jīng)網(wǎng)絡(luò)的“黑箱”模型［14］，整個(gè)故障推導(dǎo)過(guò)程更加清晰，可解釋性更強(qiáng)。

（2）針對(duì)若干種證據(jù)形成現(xiàn)象、若干種現(xiàn)象形成故障的變化規(guī)律，根據(jù)不同時(shí)間粒度實(shí)現(xiàn)累計(jì)，使故障檢測(cè)過(guò)程更具層次性。

（3）結(jié)合反饋結(jié)果修正模型參數(shù)，通過(guò)運(yùn)行時(shí)參數(shù)的不斷優(yōu)化，提升了模型的可靠性。

2 分層故障檢測(cè)模型

分層故障檢測(cè)模型的總體結(jié)構(gòu)如圖1 所示。 首先，對(duì)時(shí)間段內(nèi)的若干種證據(jù)進(jìn)行累計(jì)，并計(jì)算相應(yīng)的證據(jù)累計(jì)度；其次，為證據(jù)累計(jì)度設(shè)置關(guān)聯(lián)權(quán)重，匹配證據(jù)－現(xiàn)象規(guī)則并推導(dǎo)現(xiàn)象；然后，結(jié)合現(xiàn)象反饋動(dòng)態(tài)修正證據(jù)－現(xiàn)象規(guī)則；最后，通過(guò)若干種現(xiàn)象同理推導(dǎo)故障，并動(dòng)態(tài)修正現(xiàn)象－故障規(guī)則。

圖1 分層故障檢測(cè)模型總體結(jié)構(gòu)Fig. 1 Overall structure of layered fault detection model

2.1 分層模型事件

分層模型包含若干種事件，例如：GPS 定位數(shù)據(jù)異常、車輛不定位、定位器模塊故障等。 按不同事件類型將其分為證據(jù)、現(xiàn)象和故障。 對(duì)此擬做闡釋分述如下。

（1）證據(jù)：車載終端提供多種傳感數(shù)據(jù)，且不同數(shù)據(jù)類型具備相應(yīng)的傳輸協(xié)議，當(dāng)數(shù)據(jù)不滿足協(xié)議傳輸標(biāo)準(zhǔn)時(shí)產(chǎn)生證據(jù)。 證據(jù)按性質(zhì)可分為異常類證據(jù)和丟失類證據(jù)，前者表示傳感數(shù)據(jù)不符滿足協(xié)議約定的數(shù)值范圍，后者表示傳感數(shù)據(jù)不滿足協(xié)議約定的數(shù)據(jù)傳輸頻次。 例如：協(xié)議標(biāo)準(zhǔn)要求GPS 定位數(shù)據(jù)不能超過(guò)行駛線路sm 的范圍外，若當(dāng)前GPS定位數(shù)據(jù)超出該范圍，形成“GPS 定位數(shù)據(jù)異?！弊C據(jù)；協(xié)議標(biāo)準(zhǔn)要求每ts 完成一次通訊鏈路數(shù)據(jù)上傳，若遠(yuǎn)端未能在規(guī)定時(shí)間內(nèi)接收到該數(shù)據(jù)，形成“通訊鏈路數(shù)據(jù)丟失”證據(jù)。

（2）現(xiàn)象：現(xiàn)象表示車輛或設(shè)備的異常工作狀態(tài)，例如：車輛定位漂移、視頻監(jiān)控圖像閃爍等。 若干種證據(jù)頻繁出現(xiàn)時(shí)可以說(shuō)明現(xiàn)象產(chǎn)生。 例如：“GPS定位數(shù)據(jù)異?！弊C據(jù)和“通訊鏈路數(shù)據(jù)丟失”證據(jù)頻繁出現(xiàn)時(shí)，可以說(shuō)明“車輛定位漂移”現(xiàn)象產(chǎn)生。

（3）故障：車載終端包含多個(gè)傳感模塊，例如：定位模塊、通訊模塊等。 若干種現(xiàn)象頻繁出現(xiàn)時(shí)可以說(shuō)明故障產(chǎn)生。 例如：“車輛定位漂移”現(xiàn)象和“車輛不定位”現(xiàn)象頻繁產(chǎn)生時(shí)，可以說(shuō)明“定位模塊”故障產(chǎn)生。

2.2 累計(jì)度計(jì)算

累計(jì)度表示時(shí)間片段中同一事件的累計(jì)數(shù)量程度，根據(jù)事件的不同類型，分為證據(jù)累計(jì)度和現(xiàn)象累計(jì)度。

設(shè)時(shí)間片段W大小為p，證據(jù)類別數(shù)為n，對(duì)于第j種證據(jù)Cj（1 ≤j≤n），建立累計(jì)窗口SWj，并將W劃分為q個(gè)等長(zhǎng)子片段，SWj＝｛sj，ta，sj，ta＋1，…，sj，ta＋q｝（a≥1），其中ta表示W(wǎng)中的第a個(gè)子片段（1 ≤a≤q），sj，ta表示ta中證據(jù)Cj的產(chǎn)生標(biāo)志，若證據(jù)Cj產(chǎn)生，sj，ta＝1；否則sj，ta＝0。 統(tǒng)計(jì)SWj中q個(gè)子片段的證據(jù)產(chǎn)生標(biāo)志，可知證據(jù)Cj的總累計(jì)數(shù)。在長(zhǎng)度為p的時(shí)間范圍內(nèi)，根據(jù)專家經(jīng)驗(yàn)估計(jì)證據(jù)Cj的總累計(jì)數(shù)λj，p， 記證據(jù)Cj對(duì)應(yīng)的累計(jì)度為cj，SWj中cj的計(jì)算方法如式（1）所示：

其中，sum表示SWj中所有sj，tq的數(shù)值總和。

車載終端傳感數(shù)據(jù)具備時(shí)效性，SWj中證據(jù)的產(chǎn)生標(biāo)志隨著時(shí)間片段變化不斷更新，證據(jù)累計(jì)度亦不斷更新。 若初始狀態(tài)下SWj＝｛sj，t1，sj，t2，…，sj，tq｝，在當(dāng)前時(shí)刻超出子片段tq作用的時(shí)間范圍時(shí)，第t1個(gè)子片段中證據(jù)Cj的產(chǎn)生標(biāo)志sj，t1失效，同時(shí)形成第tq＋1個(gè)子片段，對(duì)應(yīng)證據(jù)Cj的產(chǎn)生標(biāo)志sj，tq＋1，此時(shí)SWj更新為｛sj，t2，sj，t3，…，sj，tq＋1｝。 累計(jì)窗口SWj在時(shí)間軸上的位置動(dòng)態(tài)變化，其不斷移動(dòng)的過(guò)程實(shí)現(xiàn)了證據(jù)累計(jì)度的連續(xù)計(jì)算。

通過(guò)統(tǒng)計(jì)時(shí)間片段中的現(xiàn)象產(chǎn)生標(biāo)志可以完成現(xiàn)象累計(jì)度的連續(xù)計(jì)算，其計(jì)算方法和累計(jì)窗口更新過(guò)程同理。

2.3 知識(shí)庫(kù)結(jié)構(gòu)及規(guī)則推導(dǎo)

2.3.1 知識(shí)庫(kù)結(jié)構(gòu)

知識(shí)庫(kù)是用于表示事件之間關(guān)聯(lián)的集合［15］，對(duì)于證據(jù)、現(xiàn)象和故障三種事件，集合包含了證據(jù)與現(xiàn)象，以及現(xiàn)象與故障之間的多對(duì)多關(guān)聯(lián)及對(duì)應(yīng)關(guān)聯(lián)的強(qiáng)弱。

證據(jù)與現(xiàn)象之間存在多對(duì)多關(guān)聯(lián)，在表1 證據(jù)與現(xiàn)象的示例中，“GPS 定位數(shù)據(jù)異?！弊C據(jù)和“通訊鏈路數(shù)據(jù)丟失”證據(jù)可能與“車輛定位漂移”現(xiàn)象有關(guān)，也可能與“車輛不定位”現(xiàn)象有關(guān)。 證據(jù)與現(xiàn)象之間存在關(guān)聯(lián)強(qiáng)弱，例如：“GPS 定位數(shù)據(jù)異?！弊C據(jù)與“通訊鏈路數(shù)據(jù)丟失”證據(jù)相比，前者對(duì)“車輛定位漂移”現(xiàn)象的關(guān)聯(lián)更強(qiáng)，而后者對(duì)“車輛不定位”現(xiàn)象的關(guān)聯(lián)更強(qiáng)。

表1 證據(jù)與現(xiàn)象示例Tab. 1 Evidence and phenomenon samples

記證據(jù)和現(xiàn)象的類別數(shù)分別為n和m，對(duì)于第j種證據(jù)Cj與第i種現(xiàn)象Di（1 ≤j≤n，1 ≤i≤m），采用關(guān)聯(lián)權(quán)重αi，j來(lái)表示證據(jù)Cj與現(xiàn)象Di之間的關(guān)聯(lián)強(qiáng)弱，其滿足約束條件越大表示關(guān)聯(lián)越強(qiáng)；反之亦然。 當(dāng)αi，j＝0 時(shí)，說(shuō)明證據(jù)Cj與現(xiàn)象Di之間不存在關(guān)聯(lián)；當(dāng)0＜αi，j＜1 時(shí)，說(shuō)明證據(jù)Cj與現(xiàn)象Di之間存在關(guān)聯(lián)；當(dāng)αi，j＝1 時(shí)，說(shuō)明證據(jù)Cj與現(xiàn)象Di之間是唯一關(guān)聯(lián)。

若干種證據(jù)通過(guò)累計(jì)形成現(xiàn)象，當(dāng)證據(jù)累計(jì)度不足時(shí)，對(duì)應(yīng)現(xiàn)象無(wú)法產(chǎn)生，例如：“GPS 定位數(shù)據(jù)異?！弊C據(jù)與“通訊鏈路數(shù)據(jù)丟失”證據(jù)的累計(jì)度都很低時(shí)，說(shuō)明證據(jù)沒(méi)有頻繁出現(xiàn)，該情況下現(xiàn)象不會(huì)產(chǎn)生。 根據(jù)式（1）中證據(jù)累計(jì)度cj的計(jì)算方法，當(dāng)SWj中證據(jù)Cj的產(chǎn)生數(shù)量和專家估計(jì)值相同時(shí)，標(biāo)準(zhǔn)累計(jì)度值為1，此時(shí)證據(jù)Cj相對(duì)于現(xiàn)象Di的標(biāo)準(zhǔn)加權(quán)累計(jì)度可以直接表示為αi，j。 累計(jì)度并不是精確的、固定的，其取值大小具備模糊不確定性［16－17］，即累計(jì)度可能稍高，也可能稍低。 記bi，j為αi，j的初始中心偏移量，為加權(quán)累計(jì)度閾值區(qū)間，bi，j］。 證據(jù)－現(xiàn)象規(guī)則結(jié)構(gòu)如式（2）所示：

其中，“⊕”表示若干個(gè)證據(jù)條件項(xiàng)之間的“與”關(guān)系，ωi表示現(xiàn)象Di產(chǎn)生的可能性，即現(xiàn)象Di的可信度，其滿足0＜ωi≤1。

現(xiàn)象與故障之間存在多對(duì)多關(guān)聯(lián)，在表2 現(xiàn)象與故障的示例中，“車輛定位漂移”現(xiàn)象和“車輛不定位”現(xiàn)象可能與“定位模塊”故障有關(guān)，也可能與“4G 模塊”故障有關(guān)。 現(xiàn)象與故障之間存在關(guān)聯(lián)強(qiáng)弱，例如：“車輛定位漂移”現(xiàn)象與“車輛不定位”現(xiàn)象相比，前者對(duì)“定位模塊”故障的關(guān)聯(lián)更強(qiáng)，而后者對(duì)“4G 模塊”故障的關(guān)聯(lián)更強(qiáng)。

表2 現(xiàn)象與故障示例Tab. 2 Phenomenon and fault samples

現(xiàn)象－故障知識(shí)庫(kù)由若干條現(xiàn)象－故障規(guī)則組成，其結(jié)構(gòu)與證據(jù)－現(xiàn)象知識(shí)庫(kù)同理。

2.3.2 規(guī)則推導(dǎo)

若干種證據(jù)計(jì)算加權(quán)累計(jì)度后匹配證據(jù)－現(xiàn)象規(guī)則。 當(dāng)n種證據(jù)的加權(quán)累計(jì)度分別隸屬于加權(quán)累計(jì)度閾值區(qū)間時(shí)，認(rèn)為該規(guī)則的條件生效，得到ωi可信度的現(xiàn)象Di。在證據(jù)－現(xiàn)象知識(shí)庫(kù)中存在使多條規(guī)則同時(shí)生效的情況，進(jìn)而導(dǎo)致多種現(xiàn)象同時(shí)形成。 設(shè)置數(shù)量閾值e（1 ≤e≤m），表示選取最可能產(chǎn)生的e種現(xiàn)象。 由于證據(jù)累計(jì)度的浮動(dòng)偏差會(huì)影響現(xiàn)象實(shí)際產(chǎn)生的可能性。 記第i種現(xiàn)象的加權(quán)可信度為的區(qū)間上限為， 區(qū)間下限為。α＾i，j越接近，說(shuō)明現(xiàn)象Dj越可能產(chǎn)生，對(duì)應(yīng)的取值也就越大。 將的重要度記作βi，j，βi，j的計(jì)算方法可寫為如下公式：

2.4 規(guī)則動(dòng)態(tài)修正

（1）擴(kuò)張法。 用于增大加權(quán)累計(jì)度分布點(diǎn)覆蓋范圍，提升規(guī)則適用性，即保持覆蓋范圍中心不變，減小的同時(shí)增大，如圖2 所示；但若覆蓋范圍過(guò)大，則會(huì)摻雜較多的異常分布點(diǎn)，導(dǎo)致規(guī)則準(zhǔn)確性降低。

圖2 采用擴(kuò)張法修正閾值區(qū)間Fig. 2 Using expansion method to modify the threshold interval

（2）收縮法。 用于減小加權(quán)累計(jì)度分布點(diǎn)覆蓋范圍，提升規(guī)則準(zhǔn)確性，即保持覆蓋范圍中心不變，增大的同時(shí)減小，如圖3 所示；但若覆蓋范圍過(guò)小，則會(huì)遺漏較多的正常分布點(diǎn)，導(dǎo)致規(guī)則適用性降低。

圖3 采用收縮法修正閾值區(qū)間Fig. 3 Using shrinkage method to modify the threshold interval

圖4 平移法修正閾值區(qū)間Fig. 4 Using translation method to modify the threshold interval

現(xiàn)以證據(jù)－現(xiàn)象規(guī)則為例，根據(jù)3 種閾值區(qū)間修正方法，給出加權(quán)累計(jì)度閾值區(qū)間，j的修正算法迭代步驟：

Step 1首先，將區(qū)間 [0，1] 等分為r段，每個(gè)子區(qū)間的大小為，將其作為區(qū)間單側(cè)擴(kuò)張或收縮的步長(zhǎng)。 然后，在各子區(qū)間中初始化區(qū)間計(jì)數(shù)器tcnt、fcnt及循環(huán)計(jì)數(shù)器qnt， 初始值均為0。將第k（1 ≤k≤r） 個(gè)子區(qū)間對(duì)應(yīng)tcnt、fcnt記作tcntk，fcntk。 其中，tcntk用于統(tǒng)計(jì)正常分布點(diǎn)命中了第k個(gè)子區(qū)間的次數(shù)；fcntk用于統(tǒng)計(jì)異常分布點(diǎn)命中了第k個(gè)子區(qū)間的次數(shù)。 最后，建立集合S存放中的正常分布點(diǎn)，執(zhí)行Step 2。

Step 2根據(jù)累計(jì)窗口SW計(jì)算若干種證據(jù)的累計(jì)度，并根據(jù)加權(quán)累計(jì)度匹配證據(jù)－現(xiàn)象規(guī)則。當(dāng)通過(guò)規(guī)則推導(dǎo)出現(xiàn)象時(shí)，qnt ＝qnt ＋1，同時(shí)由專家確認(rèn)該現(xiàn)象是否實(shí)際發(fā)生。 若實(shí)際發(fā)生，將該添加到集合S中，若其對(duì)應(yīng)第k個(gè)子區(qū)間，tcntk＝tcntk＋1；若實(shí)際未發(fā)生，fcntk＝fcntk＋1。由于初始狀態(tài)下的個(gè)數(shù)較少，無(wú)法有效估計(jì)點(diǎn)位分布情況，因此重復(fù)執(zhí)行Step 2，直到qnt滿足迭代啟動(dòng)閾值QTHRESHOLD，執(zhí)行Step 3。

Step 3假設(shè)當(dāng)前，分別對(duì)覆蓋 范 圍 下 的 若 干 個(gè)tcnt和fcnt求 和。 若＞ωi，說(shuō)明的覆蓋范圍較小，采用擴(kuò)張法增大覆蓋范圍，執(zhí)行Step 4；若＜ωi，說(shuō)明的覆蓋范圍較 大 或 覆 蓋 范 圍 中 心 偏 離， 執(zhí) 行 Step 5； 若，執(zhí)行Step 8。

Step 4以ε的步長(zhǎng)擴(kuò)張區(qū)間上下限，擴(kuò)張后閾值區(qū)間為［hs－ ε，hl＋ε］， 且滿足約束條件hs－ ε≥0，hl＋ε≤1。 然后，執(zhí)行Step 8。

Step 5在左半?yún)^(qū)間和右半?yún)^(qū)間中 分 別 統(tǒng) 計(jì)sum（tcnt）， 記 作lsum（tcnt） 和rsum(tcnt) 。 若或時(shí)，說(shuō)明正常分布點(diǎn)主要集中在區(qū)間左側(cè)或右側(cè)，采用平移法更新的覆蓋范圍中心，執(zhí)行Step 6，其中T表示比例閾值，T越接近1，說(shuō)明分 布 越 均 勻； 若且時(shí)，說(shuō)明正常分布點(diǎn)并未出現(xiàn)左偏或右偏的情況，采用收縮法減小覆蓋范圍，執(zhí)行Step 7。

Step 6在集合S中查找隸屬于當(dāng)前的若干個(gè)分布 點(diǎn)并計(jì) 算覆蓋 范圍中 心，記S ＝， 更 新 后 的 中 心 點(diǎn) 為， 平 移 后 的 閾 值 區(qū) 間 為，且滿足約束條件1。 然后，執(zhí)行Step 8。

Step 7以ε的步長(zhǎng)收縮區(qū)間上下限，收縮后的閾值區(qū)間為［hs＋ε，hl－ ε］， 且滿足約束條件hs＋ε≤hl－ ε。 然后，執(zhí)行Step 8。

Step 8將循環(huán)計(jì)數(shù)器qnt置為0，本輪修正結(jié)束，開(kāi)始下一輪迭代，執(zhí)行Step 2。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集及準(zhǔn)備工作

3.1.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)集由某車載終端公司提供，包含100臺(tái)車載終端的300 日歷史數(shù)據(jù)，數(shù)據(jù)類別有：GPS 數(shù)據(jù)、到離站數(shù)據(jù)、通訊鏈路數(shù)據(jù)和DVR 數(shù)據(jù)。 表3、表4 和表5 分別就不同數(shù)據(jù)類別給出證據(jù)、現(xiàn)象和故障的實(shí)例。

表3 證據(jù)實(shí)例Tab. 3 Evidence examples

表4 現(xiàn)象實(shí)例Tab. 4 Phenomenon examples

表5 故障實(shí)例Tab. 5 Fault examples

3.1.2 準(zhǔn)備工作

這里，結(jié)合專家經(jīng)驗(yàn)初始化證據(jù)－現(xiàn)象知識(shí)庫(kù)和現(xiàn)象－故障知識(shí)庫(kù)中若干條規(guī)則的標(biāo)準(zhǔn)加權(quán)累計(jì)度和中心偏移量，參數(shù)見(jiàn)表6、表7，表6、表7 的每行代表規(guī)則，其中αi（1 ≤i≤6） 表示規(guī)則中第i個(gè)條件項(xiàng)對(duì)應(yīng)的初始權(quán)重，ω表示可信度。 初始權(quán)重的中心偏移量b均設(shè)置0.1。 以表7 中的現(xiàn)象－故障知識(shí)庫(kù)中的規(guī)則No.1 為例，即表示當(dāng)“車輛定位漂移”現(xiàn)象的加權(quán)累計(jì)度在0.3 ～0.5 范圍內(nèi)，且“車輛不定位”現(xiàn)象的加權(quán)累計(jì)度在0.5～0.6 范圍內(nèi)時(shí)，產(chǎn)生“定位模塊”故障的可信度為0.8。

表6 證據(jù)－現(xiàn)象知識(shí)庫(kù)初始參數(shù)Tab. 6 Evidence－phenomenon knowledge base initial parameters

表7 現(xiàn)象－故障知識(shí)庫(kù)初始參數(shù)Tab. 7 Phenomenon－fault knowledge base initial parameters

3.2 評(píng)價(jià)指標(biāo)

3.2.1 區(qū)間偏差率

區(qū)間偏差率是衡量閾值區(qū)間修正前后偏差程度的單位。 記初始閾值區(qū)間為［a，b］，修正后的閾值區(qū)間為［c，d］。 閾值下限偏差LB、 閾值上限偏差HB的計(jì)算方法可用式（6）、式（7）來(lái)表示：

根據(jù)LB和HB計(jì)算區(qū)間偏差率BR，研究推得公式為：

3.2.2 查準(zhǔn)率和查全率

模型的可靠性通過(guò)知識(shí)庫(kù)中規(guī)則的查準(zhǔn)率PC和查全率RC來(lái)體現(xiàn)。 對(duì)于證據(jù)－現(xiàn)象知識(shí)庫(kù)，其評(píng)價(jià)指標(biāo)具體描述如下：

車輛從起點(diǎn)場(chǎng)站行駛至終點(diǎn)場(chǎng)站的時(shí)間片段稱為全程。 將車載終端歷史數(shù)據(jù)按全程進(jìn)行劃分，設(shè)全程數(shù)為M，現(xiàn)象類別數(shù)為N，對(duì)于第i次全程中的第j種現(xiàn)象（1 ≤i≤M，1 ≤j≤N），γi，j表示規(guī)則推導(dǎo)出的現(xiàn)象結(jié)論。 當(dāng)通過(guò)規(guī)則得出現(xiàn)象時(shí)，γi，j＝1，否則表示實(shí)際的現(xiàn)象結(jié)論，當(dāng)實(shí)際現(xiàn)象存在時(shí)，，否則。

真正例TP、 假正例FP、 假反例FN和真反例TN的計(jì)算方法的數(shù)學(xué)公式可寫為：

其中，A∈｛TP，F(xiàn)P，F(xiàn)N，TN｝。 當(dāng)γi，j＝1 且時(shí)，TPi，j＝1；當(dāng)γi，j＝1 且時(shí)，F(xiàn)Pi，j＝1；當(dāng)γi，j＝0 且時(shí)，F(xiàn)Ni，j＝1；當(dāng)γi，j＝0 且時(shí)，TNi，j＝1。 平均查準(zhǔn)率和查全率的計(jì)算方法可用式（10）、式（11）進(jìn)行描述：

對(duì)于現(xiàn)象－故障知識(shí)庫(kù)，將車載終端歷史數(shù)據(jù)按日進(jìn)行劃分，其評(píng)價(jià)指標(biāo)的計(jì)算方法同理。

3.3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)涉及4 種現(xiàn)象和3 種故障，對(duì)于多條證據(jù)－現(xiàn)象規(guī)則同時(shí)生效時(shí)的數(shù)量閾值e， 將e設(shè)置為4，表示選取所有可能產(chǎn)生的現(xiàn)象；對(duì)于現(xiàn)象－故障規(guī)則，將e設(shè)置為1，表示只選取最可能產(chǎn)生的故障。經(jīng)過(guò)前期測(cè)試，加權(quán)累計(jì)度閾值區(qū)間的子區(qū)間大小ε設(shè)置為0.01，比例閾值T設(shè)置為2，即兩側(cè)分布點(diǎn)在呈現(xiàn)2 倍數(shù)量差時(shí)認(rèn)為出現(xiàn)了左偏或右偏。

圖7 證據(jù)－現(xiàn)象規(guī)則No.1 的1，3閾值區(qū)間Fig. 7 Evidence－phenomenon rule No.1 for threshold interval1，3

根據(jù)60 臺(tái)車載終端的300 日歷史數(shù)據(jù)，分別以證據(jù)－現(xiàn)象規(guī)則No.1 和現(xiàn)象－故障規(guī)則No.1 為例，當(dāng)αi，j≠0 時(shí)（αi，j即規(guī)則No.j對(duì)應(yīng)的αi），給出2種規(guī)則在20 次迭代過(guò)程中加權(quán)累計(jì)度閾值區(qū)間的修正過(guò)程，圖5 ～圖8 展示了證據(jù)－現(xiàn)象規(guī)則No.1 中各條件項(xiàng)對(duì)應(yīng)閾值區(qū)間的變化。從圖5 中可知，對(duì)于“GPS 定位數(shù)據(jù)異?！弊C據(jù)的加權(quán)累計(jì)度閾值區(qū)間1，1， 在第1 次和第2 次迭代修正后，由于若干個(gè)實(shí)際加權(quán)累計(jì)度分布點(diǎn)1，1在1，1中散布得較為均勻，且通過(guò)算法得出的可信度未達(dá)到初始可信度取值0.8，因此區(qū)間發(fā)生了收縮；在第3 次迭代修正后，閾值上下限和中心位置都呈現(xiàn)相同幅度的增長(zhǎng)，這是因?yàn)榇藭r(shí)1，1主要集中于1，1的右側(cè)區(qū)間，即分布點(diǎn)右偏，因此中心位置發(fā)生了平移；在第7 次迭代修正后，可以看出閾值下限減小、閾值上限增大，說(shuō)明通過(guò)算法計(jì)算出的可信度已經(jīng)超過(guò)了0.8，認(rèn)為1，1收縮得過(guò)小，因此區(qū)間發(fā)生了擴(kuò)張。

圖8 證據(jù)－現(xiàn)象規(guī)則No.1 的1，4閾值區(qū)間Fig. 8 Evidence－phenomenon rule No.1 for threshold interval1，4

圖6 證據(jù)－現(xiàn)象規(guī)則No.1 的1，2閾值區(qū)間Fig. 6 Evidence－phenomenon rule No.1 for threshold interval1，2

表8 證據(jù)－現(xiàn)象知識(shí)庫(kù)的閾值區(qū)間修正結(jié)果Tab. 8 Results of threshold interval modification of evidencephenomenon knowledge base

圖9 和圖10 展示了現(xiàn)象－故障規(guī)則No.1 中各條件項(xiàng)對(duì)應(yīng)閾值區(qū)間的變化，表9 展示了現(xiàn)象－故障知識(shí)庫(kù)在20 次迭代后的閾值區(qū)間修正結(jié)果、即。 迭代修正過(guò)程的解釋同理，不再贅述。

表9 現(xiàn)象－故障知識(shí)庫(kù)的閾值區(qū)間修正結(jié)果Tab. 9 Results of threshold interval modification of phenomenonfault knowledge base

圖9 現(xiàn)象－故障規(guī)則No.1 的1，1閾值區(qū)間Fig. 9 Phenomenon－fault rule No.1 for threshold interval1，1

圖10 現(xiàn)象－故障規(guī)則No.1 的1，2閾值區(qū)間Fig. 10 Phenomenon－fault rule No.1 for threshold interval1，2

根據(jù)40 臺(tái)車載終端的300 日歷史數(shù)據(jù)，結(jié)合相關(guān)評(píng)價(jià)指標(biāo)給出規(guī)則閾值區(qū)間修正前后的對(duì)比分析。 表10 展示了針對(duì)證據(jù)－現(xiàn)象知識(shí)庫(kù)的各閾值區(qū)間實(shí)驗(yàn)結(jié)果，對(duì)于每種現(xiàn)象，第一行數(shù)據(jù)是采用初始閾值區(qū)間得出的評(píng)價(jià)指標(biāo)，第二行是采用修正后閾值區(qū)間得出的評(píng)價(jià)指標(biāo)，其中，AVG（BR） 表示規(guī)則各條件項(xiàng)區(qū)間偏差率的平均值。

表10 證據(jù)－現(xiàn)象知識(shí)庫(kù)相關(guān)評(píng)價(jià)指標(biāo)對(duì)比結(jié)果Tab. 10 Comparative results for related evaluation indicators of evidence－phenomenon knowledge base %

觀察表10 的第二列數(shù)據(jù)可以發(fā)現(xiàn)，修正后的查準(zhǔn)率更高，通過(guò)平均區(qū)間偏差率AVG（BR） 可知，當(dāng)偏差率越高時(shí)，查準(zhǔn)率修正后的增幅越大，這說(shuō)明專家經(jīng)驗(yàn)給出的初始參數(shù)準(zhǔn)確性較低，而對(duì)區(qū)間進(jìn)行修正后，通過(guò)規(guī)則推導(dǎo)出的現(xiàn)象更為準(zhǔn)確，即更接近專家給出的可信度（表6 中的ω）。 表10 的第三列數(shù)據(jù)表示修正前后的查全率，總體變化幅度不大，對(duì)于“車輛不定位”現(xiàn)象（Y2） 和“車輛監(jiān)控?zé)o圖像”現(xiàn)象（Y4）， 查全率有所下降，這是因?yàn)闇?zhǔn)確率較高時(shí)，規(guī)則往往會(huì)忽略距離集中分布范圍較遠(yuǎn)的數(shù)值點(diǎn)，造成規(guī)則泛化能力的下降。

表11 展示了現(xiàn)象－故障知識(shí)庫(kù)中各規(guī)則閾值區(qū)間修正前后的實(shí)驗(yàn)對(duì)比結(jié)果，表中相關(guān)數(shù)據(jù)的解釋同理，不再贅述。

表11 現(xiàn)象－故障知識(shí)庫(kù)相關(guān)評(píng)價(jià)指標(biāo)對(duì)比結(jié)果Tab. 11 Comparative results for related evaluation indicators of phenomenon－fault knowledge base %

根據(jù)表10 和表11 中修正后的規(guī)則閾值區(qū)間，分別統(tǒng)計(jì)現(xiàn)象和故障的查準(zhǔn)率和查全率，模型在當(dāng)前數(shù)據(jù)集上的現(xiàn)象平均查準(zhǔn)率和查全率約為85%和69%，故障平均查準(zhǔn)率和查全率約為81%和72%，對(duì)比修正前的評(píng)價(jià)指標(biāo)計(jì)算結(jié)果（現(xiàn)象平均查準(zhǔn)率和查全率約為75%和70%，故障平均查準(zhǔn)率和查全率約為73%和72%），修正前后平均查全率相接近，平均查準(zhǔn)率顯著增長(zhǎng)，能夠說(shuō)明模型可靠性的提升。

4 結(jié)束語(yǔ)

本文通過(guò)統(tǒng)計(jì)時(shí)間片段中的若干種證據(jù)實(shí)現(xiàn)證據(jù)累計(jì)度計(jì)算；對(duì)證據(jù)累計(jì)度設(shè)置關(guān)聯(lián)權(quán)重，結(jié)合模糊邏輯實(shí)現(xiàn)規(guī)則匹配與現(xiàn)象推導(dǎo)；根據(jù)修正算法動(dòng)態(tài)調(diào)整規(guī)則的閾值區(qū)間。 若干種現(xiàn)象推導(dǎo)故障與修正規(guī)則的過(guò)程同理。 模型通過(guò)證據(jù)、現(xiàn)象和故障之間的累計(jì)變化規(guī)律，實(shí)現(xiàn)車載終端故障檢測(cè)，且在運(yùn)行過(guò)程中不斷修正參數(shù)，在現(xiàn)有數(shù)據(jù)集上具備較好的表現(xiàn)效果。 作為初步研究結(jié)果，仍有部分問(wèn)題有待探究，如規(guī)則可信度調(diào)整問(wèn)題，規(guī)則擴(kuò)充與篩選問(wèn)題等。