李鴻明， 畢 翔，2， 魏振春，2， 韓江洪，2， 王啟忠

(1.合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，安徽合肥 230009;2.合肥工業(yè)大學(xué)安全關(guān)鍵工業(yè)測(cè)控技術(shù)教育部工程研究中心，安徽合肥230009;3.安徽國(guó)投新集能源股份有限公司 劉莊煤礦，安徽穎上 236200)

0 引 言

離散事件動(dòng)態(tài)系統(tǒng)(discrete event dynamic system s，簡(jiǎn)稱(chēng)DEDS)是由異步、突發(fā)的事件驅(qū)動(dòng)狀態(tài)演化的動(dòng)態(tài)系統(tǒng)，系統(tǒng)的輸入輸出是離散量，難以建立精確的數(shù)學(xué)模型[1]。產(chǎn)生式規(guī)則主要用于專(zhuān)家系統(tǒng)中，具有自然直觀(guān)、格式清晰、便于推理的特點(diǎn)，因而得到了廣泛的使用。規(guī)則化描述方法(rule description method，簡(jiǎn)稱(chēng)RDM)是一種將產(chǎn)生式規(guī)則應(yīng)用于DEDS，用來(lái)描述DEDS中各對(duì)象間行為關(guān)系的方法。該方法已應(yīng)用在車(chē)身總線(xiàn)控制系統(tǒng)、皮帶機(jī)集群控制系統(tǒng)中，并且取得了較好的效果[2，3]。

但是在實(shí)際的生產(chǎn)應(yīng)用中，是以混合動(dòng)態(tài)系統(tǒng)(HDS)為主，包括DEDS和連續(xù)變量動(dòng)態(tài)系統(tǒng)(CVDS)[4]。在此類(lèi)系統(tǒng)中，存在著連續(xù)變量的輸入與輸出，因?yàn)镽DM可使用的范圍是離散變量，對(duì)連續(xù)變量的描述存在不足，使得系統(tǒng)必須引入另一個(gè)控制方法，增加了系統(tǒng)的復(fù)雜度和設(shè)計(jì)難度。為了簡(jiǎn)化系統(tǒng)設(shè)計(jì)的結(jié)構(gòu)，需使RDM同樣適用于連續(xù)變量。模糊控制是以模糊集合論、模糊語(yǔ)言變量及模糊邏輯推理為基礎(chǔ)的，模擬人的近似推理和決策過(guò)程[5]，和RDM相似的都是以規(guī)則作為系統(tǒng)輸出的參照，因此RDM可以引用模糊控制的模糊概念來(lái)編寫(xiě)規(guī)則，同時(shí)在系統(tǒng)中引入模糊控制對(duì)連續(xù)變量的處理方式，使RDM適用于連續(xù)變量動(dòng)態(tài)系統(tǒng)。

1 DEDS的規(guī)則化描述方法

RDM采用類(lèi)似產(chǎn)生式規(guī)則(IF…THEN…)的規(guī)則形式，將系統(tǒng)中相關(guān)的事件和動(dòng)作寫(xiě)成一條規(guī)則，具有規(guī)范、簡(jiǎn)潔、貼近自然語(yǔ)言、易于理解和修改的特點(diǎn)[6-8]。每條規(guī)則都由左件和右件2部分組成，左件相當(dāng)于條件，右件相當(dāng)于動(dòng)作。左件和右件均由因子組成，因子不止一個(gè)時(shí)，中間用“&”相連，表示“邏輯與”，語(yǔ)法形式如下:

＜因子＞&＜因子＞&…&＜因子＞= =＜因子＞&＜因子＞&…&＜因子＞，

因子的定義如下:＜因子＞::=[＜因子名＞:＜因子值＞]。

因子是規(guī)則中的最小單元，每個(gè)因子代表系統(tǒng)中的一個(gè)對(duì)象，因子名為該對(duì)象名，因子值代表該對(duì)象當(dāng)前的狀態(tài)。

在采用RDM的系統(tǒng)中，系統(tǒng)被分為驅(qū)動(dòng)層和邏輯層。驅(qū)動(dòng)層包括輸入驅(qū)動(dòng)和輸出驅(qū)動(dòng)。當(dāng)某一個(gè)對(duì)象的狀態(tài)發(fā)生變化時(shí)，觸發(fā)生成該對(duì)象的因子，將其封裝在一個(gè)通信消息中發(fā)送給邏輯層。邏輯層相對(duì)底層是一個(gè)獨(dú)立的模塊，把系統(tǒng)中的控制策略剝離出來(lái)，包括規(guī)則庫(kù)和推理模塊。當(dāng)邏輯層收到通信消息后，提取因子信息，搜索規(guī)則庫(kù)激活相關(guān)規(guī)則，被成功激活規(guī)則的右件因子則作為輸出，發(fā)送給輸出驅(qū)動(dòng)模塊。輸出驅(qū)動(dòng)模塊將規(guī)則的右件因子解釋并執(zhí)行。邏輯層和驅(qū)動(dòng)層之間的耦合程度較低，可以很方便地進(jìn)行修改和完善，提高了系統(tǒng)的適應(yīng)性。

2 基于模糊理論的RDM

2.1 知識(shí)量化為模糊規(guī)則

在自然語(yǔ)言中，人們常用一些模糊性的詞語(yǔ)交流，使得可以用較少的言辭傳遞最大的信息量，如“大”、“小”、“快”、“慢”等[5]。如用人的思維邏輯去控制車(chē)速，“當(dāng)車(chē)速稍慢的時(shí)候，則輕踩油門(mén)”，車(chē)速是連續(xù)變化的，不能簡(jiǎn)單地用一個(gè)狀態(tài)或數(shù)值去表示，但可以使用這些模糊的語(yǔ)言值來(lái)描述其狀態(tài)，進(jìn)而描述整條規(guī)則。RDM是一種貼近自然語(yǔ)言的描述方法，因此也可以采用模糊語(yǔ)言值的方法，來(lái)描述連續(xù)系統(tǒng)的控制規(guī)則。

將輸入和輸出變量進(jìn)行量化，映射為模糊語(yǔ)言值，因子中的因子值用模糊語(yǔ)言值代替?zhèn)鹘y(tǒng)的精確值，由這種因子組合成的規(guī)則，稱(chēng)為模糊規(guī)則。如上述的車(chē)速控制，使用RDM的形式描述為＜車(chē)速:稍快＞==＜油門(mén):輕踩＞，因?yàn)槟：?guī)則使用的因子值是模糊量，于是在采用RDM系統(tǒng)的驅(qū)動(dòng)層中，需要將輸入的精確值轉(zhuǎn)化為模糊量發(fā)送到推理模塊，將推理模塊發(fā)送的模糊量轉(zhuǎn)化為精確值進(jìn)行輸出。在此，引入模糊控制中的模糊化和解模糊化方法，實(shí)現(xiàn)精確→模糊、模糊→精確的轉(zhuǎn)化過(guò)程。結(jié)合RDM系統(tǒng)自身的結(jié)構(gòu)特點(diǎn)，將模糊規(guī)則并入規(guī)則庫(kù)中，整個(gè)系統(tǒng)共用一個(gè)規(guī)則庫(kù)，保持邏輯層的獨(dú)立性。

2.2 模糊化

在模糊控制中，模糊化方法就是將輸入的精確值轉(zhuǎn)化為該變量在其論域上的模糊集合及其相應(yīng)的隸屬度[5]。這里輸入變量 x的隸屬函數(shù)μAi(x)采用三角形分布形式，即

其中，ai、bi、ci分別是三角形3個(gè)頂點(diǎn)的橫坐標(biāo)。

如圖1所示，將模糊化處理模塊并入輸入驅(qū)動(dòng)模塊中，保持系統(tǒng)原有層次結(jié)構(gòu)，驅(qū)動(dòng)層和邏輯層仍然以傳遞消息的方式進(jìn)行通信。原輸入驅(qū)動(dòng)模塊分為2個(gè)子模塊，一個(gè)用于處理連續(xù)變量的模糊化模塊，一個(gè)用于處理離散量的離散量轉(zhuǎn)換模塊。此時(shí)，層與層之間傳遞的通信消息就需要包括因子名、模糊值和對(duì)應(yīng)的隸屬度，結(jié)合RDM的語(yǔ)法形式，通信消息的格式如下:

[＜因子名＞:＜模糊值1-隸屬度1＞:＜模糊值2-隸屬度2＞:…:＜模糊值N-隸屬度N＞]，N表示模糊值的個(gè)數(shù)。

圖1 采用基于模糊控制的RDM系統(tǒng)結(jié)構(gòu)圖

2.3 推理過(guò)程

邏輯層收到驅(qū)動(dòng)層發(fā)送的通信消息，需要進(jìn)行規(guī)則推理。推理分2個(gè)步驟:

(1)確定激活哪些規(guī)則。將通信消息中所有隸屬度大于0的模糊值過(guò)濾出來(lái)，與對(duì)應(yīng)的因子名組成因子，因子名相同的因子歸并成為一個(gè)集合A，那么一個(gè)輸入量將會(huì)生成一個(gè)集合。對(duì)于一個(gè)有m個(gè)輸入量的系統(tǒng)，則會(huì)生成m個(gè)集合{A1，A2，A3，…，Am}，這m個(gè)集合的笛卡爾乘積D=A1×A2×A3×…×Am。遍歷整個(gè)規(guī)則庫(kù)，依次取出每條規(guī)則，如果規(guī)則左件所包含的因子與集合D中任意一個(gè)子集相同，此條規(guī)則將會(huì)被激活，匹配不到的子集將丟棄不用。

(2)量化被激活規(guī)則的左件隸屬度。一個(gè)多輸入的系統(tǒng)，被激活的規(guī)則左件包含了多個(gè)因子，并且各個(gè)因子的隸屬度不一定相同，因此規(guī)則左件的隸屬度需要重新定義。對(duì)被成功激活的規(guī)則左件的隸屬度采用取小的原則計(jì)算[5]，即以左件所包含的因子中最小的隸屬度作為此條規(guī)則左件的隸屬度，即

每條被激活的規(guī)則都至少有一個(gè)推薦的結(jié)論，即右件最少包含一個(gè)因子。將被成功激活的規(guī)則右件包含的因子與規(guī)則左件隸屬度μ組合，具有相同因子名的因子封裝在一條通信消息中，發(fā)送給輸出驅(qū)動(dòng)。

2.4 解模糊化過(guò)程

對(duì)于傳統(tǒng)規(guī)則推理出的是離散量，可以直接被驅(qū)動(dòng)程序執(zhí)行，但是對(duì)模糊規(guī)則推理出的是模糊量，需要將其轉(zhuǎn)化為可被驅(qū)動(dòng)理解的精確值，這個(gè)過(guò)程稱(chēng)為解模糊化[5]。這里解模糊使用重心法，其計(jì)算公式為:

其中，∑表示代數(shù)和;zi表示隸屬函數(shù)的質(zhì)心;∫μi(z)表示隸屬函數(shù)μi(z)下的面積;z0為輸出值。

圖1中，將解模糊化模塊并入輸出驅(qū)動(dòng)中，保持系統(tǒng)原有的層次結(jié)構(gòu)。這樣，輸出驅(qū)動(dòng)模塊就被分為2個(gè)子模塊，用于輸出連續(xù)變量的解模糊化模塊和用于輸出離散變量的離散量解釋模塊。

3 仿 真

模擬小車(chē)在一條有障礙物的高低不平的直線(xiàn)道路上行駛，要求是勻速運(yùn)動(dòng)的，并且在遇到障礙物時(shí)及時(shí)避讓?zhuān)褂闷脚_(tái)VC 6.0。

為了簡(jiǎn)化過(guò)程，小車(chē)的采用頻率為10 H z，控制車(chē)速v h=20m/s，始時(shí)車(chē)速為0。系統(tǒng)的輸入量有速度偏差e(t)=vt-v h和偏差變化率d e(t)/ d t，即小車(chē)的加速度a，系統(tǒng)的輸出是油門(mén)開(kāi)度K，當(dāng)K＞0時(shí)，踩油門(mén);K＜0時(shí)，踩剎車(chē);K=0時(shí)，保持不變，K∈[-100%，100%][9]。以加速度a-表示坡對(duì)車(chē)輛速度的影響，a-＞0時(shí)，表示下坡;a-＜0時(shí)，表示上坡;a-=0時(shí)，表示平坦，a-∈[-5，5]。道路共3個(gè)車(chē)道，障礙物靜止并隨機(jī)放置在某個(gè)車(chē)道上。油門(mén)開(kāi)度對(duì)車(chē)輛的驅(qū)動(dòng)加速度為a+，小車(chē)在t時(shí)刻車(chē)速為:

其中，vt0表示在t0時(shí)刻的車(chē)速a+d t為(t-t0)時(shí)間內(nèi)控制加速度對(duì)速度的影響a-d t為(tt0)時(shí)間內(nèi)坡度對(duì)汽車(chē)速度的影響。

將輸入和輸出量在各自的論域上劃分為5個(gè)等級(jí){-2，-1，0，1，2}，對(duì)應(yīng)的語(yǔ)言值{負(fù)大、負(fù)小、零、正小、正大}，英文字頭縮寫(xiě)為{NB，NS，ZO，PS，PB}，其隸屬函數(shù)如圖2所示。

圖2 隸屬度函數(shù)

使用RDM描述的車(chē)速控制規(guī)則如下:

障礙物在此是一種離散量的形式出現(xiàn)，共3個(gè)車(chē)道{1，2，3};車(chē)輛檢測(cè)當(dāng)前5個(gè)方向{左2，左1，前，右1，右2}，左2表示左邊第2個(gè)車(chē)道，左1表示左邊第1個(gè)車(chē)道，右2和右1相同;用1、0分別表示障礙物的有無(wú)，根據(jù)當(dāng)前小車(chē)所在車(chē)道和前方5個(gè)方向的障礙物情況，生成當(dāng)前狀態(tài)因子。避讓的規(guī)則如下:

系統(tǒng)的仿真結(jié)果如圖3、圖4所示。圖3是小車(chē)速度曲線(xiàn)圖，從中可以看出，對(duì)復(fù)雜的路面，車(chē)速保持在vh上下震蕩。圖4是仿真使用的坡道，造成曲線(xiàn)中幾次大的震蕩，是由于陡坡的作用。

圖3 仿真實(shí)時(shí)速度曲線(xiàn)

圖4 仿真坡道

小車(chē)對(duì)障礙物的避讓?zhuān)鐖D5所示。采用基于模糊控制的RDM系統(tǒng)對(duì)離散事件進(jìn)行處理，從圖5中可以看出，對(duì)離散事件處理能力沒(méi)有影響。

圖5 小車(chē)對(duì)障礙的避讓

4 結(jié)束語(yǔ)

針對(duì)RDM對(duì)連續(xù)變量描述的不足，提出了基于模糊控制的規(guī)則化描述方法，經(jīng)仿真驗(yàn)證表明，該方法能夠較好地應(yīng)用于連續(xù)變量動(dòng)態(tài)系統(tǒng)，擴(kuò)展了RDM的使用范圍，同時(shí)對(duì)原系統(tǒng)有很好的兼容性。與采用傳統(tǒng)RDM的系統(tǒng)相比，采用基于模糊控制的RDM系統(tǒng)，保留原系統(tǒng)的層次結(jié)構(gòu)和對(duì)離散變量的處理方式，輸入和輸出驅(qū)動(dòng)中分別引入模糊化和解模糊化模塊，規(guī)則庫(kù)中增加了模糊規(guī)則，實(shí)現(xiàn)了連續(xù)變量的輸入輸出，有效地降低了混合動(dòng)態(tài)系統(tǒng)結(jié)構(gòu)的復(fù)雜度，使得RDM可適用于更加復(fù)雜的系統(tǒng)。

[1] 鄭大鐘，趙千川.離散事件動(dòng)態(tài)系統(tǒng)[M].北京:清華大學(xué)出版社，2001:1-339.

[2] 韓江洪，魏振春，張本宏，等.總線(xiàn)式車(chē)身控制系統(tǒng)的規(guī)則化建模方法[J].汽車(chē)工程，2006，28(12):1121-1124.

[3] 韓江洪，鄭淑麗，陸 陽(yáng)，等.離散事件控制系統(tǒng)規(guī)則化描述方法的研究[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2005，28 (9):1081-1084.

[4] 龍 德，崔建江，徐心和，等.基于知識(shí)的分層事件調(diào)度混雜系統(tǒng)仿真策略[J].系統(tǒng)仿真學(xué)報(bào)，2003，15(12): 1805-1807.

[5] Passino K M，Yurkovich S.Fuzzy control[M].北京:清華大學(xué)出版社，2001:21-103.

[6] Wei Zhenchun，H an Jianghong，Lu Yang，et al.Hierarchical m odeling and control of discrete even t control sy stem s based on rule description method[J].Proceedings of the 2006 IEEE In ternational Conference on M echatronics and Au tomation，2006:2179-2183.

[7] 韓江洪，張亞瓊，魏振春，等.基于規(guī)則的離散事件系統(tǒng)模型與規(guī)則匹配研究[J].系統(tǒng)仿真學(xué)報(bào)，2008，20(6): 1394-1396.

[8] 肖冰冰，張維勇，畢 翔.一種基于規(guī)則化描述方法的驗(yàn)證技術(shù)[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2010，33(5): 674-678.

[9] 劉文光，何 仁.考慮油門(mén)開(kāi)度快速變化的自動(dòng)變速器換擋控制策略[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(9):16-19.