楊一鳴 汪貴平

（長(zhǎng)安大學(xué)，西安 710064）

主題詞：面向?qū)ο?專家系統(tǒng) 電源檢測(cè) 無人車

1 前言

無人駕駛汽車車載用電設(shè)備和供電需求增加，對(duì)系統(tǒng)的可靠性也有非常嚴(yán)苛的要求，如果車輛運(yùn)行過程中出現(xiàn)發(fā)電機(jī)故障、配電線路故障、各傳感器模塊電源故障并導(dǎo)致設(shè)備掉電等情況，無人車會(huì)丟失實(shí)時(shí)數(shù)據(jù)，系統(tǒng)無法繼續(xù)獲取數(shù)據(jù)和進(jìn)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(xué)者利用神經(jīng)網(wǎng)絡(luò)或改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行電源故障檢測(cè)系統(tǒng)的設(shè)計(jì)[1-3]，但是基于神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)系統(tǒng)未能利用專家經(jīng)驗(yàn)，另外，專家系統(tǒng)的訓(xùn)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(yùn)行捕捉電源系統(tǒng)故障需要大量的時(shí)間；小波分析作為基于信號(hào)處理進(jìn)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(diǎn)[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(shì)：Gofuku等人通過引入估計(jì)智能體、支持向量機(jī)（Support Vector Machine，SVM）狀態(tài)辨識(shí)器、小波變換異常檢測(cè)器和基于案例的推理機(jī)來構(gòu)建混合故障診斷系統(tǒng)[5]，取得了不錯(cuò)的成效；北京航空航天大學(xué)的張莉針對(duì)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(kuò)展性[6]。但融合的做法使得故障診斷系統(tǒng)的復(fù)雜程度大幅增加，提高了實(shí)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(jìn)展并進(jìn)行了實(shí)際部署，很大一部分在知識(shí)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(fù)進(jìn)行“知識(shí)匹配—沖突消解—產(chǎn)生結(jié)果”的過程[7]，匹配較為費(fèi)時(shí)。為提升檢測(cè)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(shí)表示方面應(yīng)用面向?qū)ο蟮脑O(shè)計(jì)方法，設(shè)計(jì)結(jié)構(gòu)簡(jiǎn)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(kuò)展性。

2 系統(tǒng)描述

專家系統(tǒng)的邏輯推理核心是知識(shí)庫(kù)和推理機(jī)。演繹推理、歸納推理等典型的經(jīng)典邏輯推理往往遵循標(biāo)準(zhǔn)邏輯規(guī)范，依賴于確定度高的事件和現(xiàn)象，對(duì)于車輛電源系統(tǒng)復(fù)雜故障診斷而言，其靈活性和適應(yīng)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(shè)計(jì)相結(jié)合，進(jìn)行無人車電源故障檢測(cè)專家系統(tǒng)的設(shè)計(jì)。按照文獻(xiàn)[10]中的方法，以對(duì)象為中心，將對(duì)象的屬性、領(lǐng)域知識(shí)、方法等進(jìn)行封裝，在提高程序健壯性的同時(shí)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(jī)、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(luò)中的各類ECU；傳感器模塊包括激光雷達(dá)、相機(jī)、組合導(dǎo)航和交換機(jī)等。電源監(jiān)測(cè)系統(tǒng)用于對(duì)無人車電源系統(tǒng)進(jìn)行檢測(cè)，其總體結(jié)構(gòu)如圖1所示，主要包括供電模塊、故障檢測(cè)專家系統(tǒng)、連接在CAN網(wǎng)絡(luò)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(shè)備。

圖1 無人車電源監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)

3 面向?qū)ο蟮膶＜蚁到y(tǒng)設(shè)計(jì)

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(shí)庫(kù)、推理機(jī)和人機(jī)接口。參照文獻(xiàn)[11]對(duì)程序設(shè)計(jì)的考量，為避免結(jié)構(gòu)化程序設(shè)計(jì)帶來的繁瑣算法，對(duì)每個(gè)模塊單獨(dú)定義了不同的類：文件類、接口類、會(huì)話類、屬性庫(kù)類和規(guī)則庫(kù)類，系統(tǒng)結(jié)構(gòu)如圖2所示。其中，規(guī)則庫(kù)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(duì)象的屬性作為真實(shí)對(duì)象的屬性，存在于對(duì)象內(nèi)部，這樣可以保留面向?qū)ο蟮闹R(shí)表示方法的封裝和繼承的特點(diǎn)，便于規(guī)則的傳遞。但在故障情況復(fù)雜的無人車電源系統(tǒng)中，如需更新或修改對(duì)象規(guī)則，需要對(duì)整個(gè)對(duì)象重新進(jìn)行編譯，系統(tǒng)易用性較差。本文使用文獻(xiàn)[12]中的方法，單獨(dú)定義規(guī)則庫(kù)類，存放于外部存儲(chǔ)空間，系統(tǒng)進(jìn)行故障診斷時(shí)調(diào)用該規(guī)則庫(kù)，這樣可以有效提升系統(tǒng)的靈活性和可擴(kuò)充性，有效解決異構(gòu)對(duì)象重用的問題。相比于一般的面向?qū)ο笤O(shè)計(jì)，本系統(tǒng)規(guī)則庫(kù)與文件對(duì)象相互獨(dú)立，規(guī)則庫(kù)并不是對(duì)象的一個(gè)屬性，在對(duì)象發(fā)生繼承時(shí)規(guī)則不能有效傳遞，但這并不影響文件類對(duì)象引用規(guī)則庫(kù)。

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(shí)現(xiàn)

4.1 事件的獲取

為了全面、直觀地了解各事件及其對(duì)應(yīng)的前、后件，本文引入故障拓?fù)淠Ｐ蛯?duì)無人車電源系統(tǒng)故障進(jìn)行歸類和分析，一般性故障問題可以采用文獻(xiàn)[13]中建立故障樹模型的方法進(jìn)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(fù)雜的聯(lián)系，一種故障可能對(duì)應(yīng)多種故障原因，一種故障原因也可能對(duì)應(yīng)多種故障，并無明確的層次結(jié)構(gòu)，所以簡(jiǎn)單的故障樹模型并不適用于該故障檢測(cè)專家系統(tǒng)。無人車電源系統(tǒng)故障拓?fù)淠Ｐ腿鐖D3所示，各故障模塊之間存在復(fù)雜的耦合關(guān)系，一個(gè)模塊發(fā)生故障會(huì)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(dòng)駕駛傳感器信息的傳遞通過節(jié)點(diǎn)的發(fā)布和訂閱進(jìn)行；決策層根據(jù)傳感器信息進(jìn)行路徑的規(guī)劃和車輛控制量的計(jì)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(cè)通過兩種方式進(jìn)行：傳感器模塊故障通過對(duì)訂閱的各傳感器節(jié)點(diǎn)發(fā)布的主題（Topic）的監(jiān)測(cè)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(duì)應(yīng)協(xié)議的數(shù)據(jù)流實(shí)現(xiàn)。

圖3 無人車電源系統(tǒng)故障拓?fù)?/p>

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(yùn)用推理規(guī)則對(duì)故障原因和故障位置進(jìn)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(shè)計(jì)

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(shè)計(jì)中，用P表示規(guī)則前件，Q表示規(guī)則后件，前件一般由對(duì)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(diǎn)確定。雖然規(guī)則獨(dú)立于對(duì)象，但為了進(jìn)行推理，要把規(guī)則在形式上對(duì)象化，首先定義比較對(duì)象為：

在此基礎(chǔ)上進(jìn)一步定義比較節(jié)點(diǎn)為：

用于描述規(guī)則的規(guī)則節(jié)點(diǎn)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(dāng)前規(guī)則的置信度為：

式中，ECol為比較對(duì)象E的表達(dá)式，其名稱為A；E1和E2為兩個(gè)不同的比較對(duì)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(biāo)志位。

在電源故障診斷中，將規(guī)則對(duì)應(yīng)的前件和后件合并，同時(shí)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(biāo)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(duì)應(yīng)的置信因子，這里p和q分別對(duì)應(yīng)規(guī)則前件、規(guī)則后件或者2個(gè)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(kù)

規(guī)則庫(kù)用于存放電源系統(tǒng)故障規(guī)則，是規(guī)則庫(kù)類的私有成員。在規(guī)則庫(kù)類中定義成員函數(shù)進(jìn)行規(guī)則的更新與管理，類的對(duì)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(duì)應(yīng)的前件集合P和后件集合Q、浮點(diǎn)型置信因子cf、布爾型規(guī)則執(zhí)行狀態(tài)標(biāo)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(duì)規(guī)則的名稱描述。

定義規(guī)則類后，定義規(guī)則庫(kù)類Rule_Lib進(jìn)行規(guī)則層面的管理，具體實(shí)現(xiàn)為：

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

圖5 對(duì)象的創(chuàng)建與更新

在完成規(guī)則庫(kù)的設(shè)計(jì)后，推理機(jī)即可利用捕獲的故障事件和相應(yīng)的規(guī)則進(jìn)行故障原因的推理和定位。

4.4 推理機(jī)的設(shè)計(jì)

推理機(jī)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(guān)，與規(guī)則的內(nèi)容無關(guān)，這可以保證推理機(jī)與規(guī)則庫(kù)的相對(duì)獨(dú)立，本文設(shè)計(jì)的專家系統(tǒng)推理機(jī)使用改進(jìn)的深度優(yōu)先搜索（Depth First Search，DFS）算法生成動(dòng)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(cè)系統(tǒng)的要求[17]。如果利用靜態(tài)樹模型進(jìn)行故障診斷，無人車電源檢測(cè)系統(tǒng)各模塊間的復(fù)雜關(guān)系會(huì)導(dǎo)致靜態(tài)樹的縱深過長(zhǎng)、節(jié)點(diǎn)過多、重復(fù)率上升，進(jìn)而占用大量計(jì)算資源，對(duì)系統(tǒng)性能產(chǎn)生不利影響[18]。利用DFS算法抽取故障關(guān)系表中相應(yīng)節(jié)點(diǎn)前件中的信息，并按照樹結(jié)構(gòu)對(duì)節(jié)點(diǎn)前件進(jìn)行排序，依據(jù)節(jié)點(diǎn)等級(jí)和排序結(jié)果動(dòng)態(tài)生成事件樹模型。文獻(xiàn)[19]～文獻(xiàn)[20]使用動(dòng)態(tài)樹進(jìn)行故障的推理和診斷，計(jì)算相應(yīng)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(dòng)態(tài)樹類，描述動(dòng)態(tài)樹節(jié)點(diǎn)與故障規(guī)則拓?fù)浔碇泄收锨啊⒑蠹挠成潢P(guān)系，以激光雷達(dá)模塊故障為例，首先建立對(duì)應(yīng)的故障關(guān)系如表1所示。其中，R1代表雷達(dá)模塊故障，C1代表相機(jī)模塊故障，G1代表組合導(dǎo)航模塊故障，I1代表逆變器故障，S1代表交換機(jī)故障，B1代表電池故障。

表1 激光雷達(dá)模塊故障關(guān)系

隨后，按照文獻(xiàn)[21]中的方法將故障關(guān)系表中的節(jié)點(diǎn)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(dòng)態(tài)樹算法

這樣，相應(yīng)模塊的故障關(guān)系即轉(zhuǎn)換成了動(dòng)態(tài)樹模型。深度優(yōu)先算法的應(yīng)用依賴規(guī)則庫(kù)中的規(guī)則關(guān)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(dǎo)出規(guī)則（Educe Rule）指可以使事實(shí)變成結(jié)論的規(guī)則，歸納規(guī)則（Iduce Rule）指以該事實(shí)為前提的另一個(gè)規(guī)則，對(duì)應(yīng)動(dòng)態(tài)樹同一級(jí)上的相鄰2個(gè)節(jié)點(diǎn)。類RuleDoc中的成員UsedRules調(diào)用上一個(gè)規(guī)則文件對(duì)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(dāng)前對(duì)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(duì)應(yīng)關(guān)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(guān)系

以供電模塊故障為例，當(dāng)事件PS_Error出現(xiàn)時(shí)，對(duì)應(yīng)規(guī)則Rs1和Rs2，推理機(jī)首先檢查對(duì)應(yīng)的第1個(gè)導(dǎo)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(duì)應(yīng)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(jī)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(huì)發(fā)生，這時(shí)推理機(jī)將從規(guī)則關(guān)系列表中尋找與事件PS_Error有關(guān)的歸納規(guī)則Rp1和Rp2，并將其ef位均置為0。

推理機(jī)的推理過程如圖7所示。該改進(jìn)的DFS算法與傳統(tǒng)的DFS算法相比，在根據(jù)推理結(jié)果對(duì)規(guī)則標(biāo)志位進(jìn)行置位或復(fù)位的同時(shí)，可以對(duì)假設(shè)的事實(shí)和所有規(guī)則之間的啟發(fā)式關(guān)系進(jìn)行反向歸納[22]。所以應(yīng)用改進(jìn)的DFS算法推理機(jī)可以快速修正搜索路徑，縮小搜索范圍，減少驗(yàn)證規(guī)則的重復(fù)工作，提高推理效率。

圖7 啟發(fā)式推理流程

5 仿真與試驗(yàn)驗(yàn)證

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

5.1 仿真驗(yàn)證

仿真測(cè)試通過計(jì)算機(jī)設(shè)置故障類型和故障出現(xiàn)時(shí)間，觀察不同電源故障設(shè)置下電源故障檢測(cè)專家系統(tǒng)能否準(zhǔn)確判斷故障類型并快速定位故障位置。

以雷達(dá)模塊故障為例，在仿真程序中設(shè)置中斷，中斷到來時(shí)將雷達(dá)數(shù)據(jù)重定向在儲(chǔ)存盤中，制造雷達(dá)數(shù)據(jù)丟失故障。仿真測(cè)試結(jié)果如圖8所示，軟件中規(guī)則庫(kù)欄實(shí)時(shí)顯示專家系統(tǒng)的推理過程，該系統(tǒng)還具備手動(dòng)擴(kuò)充規(guī)則庫(kù)的功能。

圖8 雷達(dá)模塊故障仿真測(cè)試結(jié)果

雷達(dá)故障發(fā)生時(shí)，系統(tǒng)先在規(guī)則庫(kù)中尋找相應(yīng)的規(guī)則以及對(duì)應(yīng)的規(guī)則關(guān)系，然后對(duì)導(dǎo)出規(guī)則和歸納規(guī)則的執(zhí)行狀態(tài)標(biāo)志位進(jìn)行判斷，當(dāng)未找到匹配故障時(shí)，尋找與導(dǎo)出規(guī)則或歸納規(guī)則同級(jí)的相鄰規(guī)則再次進(jìn)行匹配。該仿真測(cè)試結(jié)果為未找到匹配的故障，因?yàn)榉抡孢^程只是人為中斷了雷達(dá)數(shù)據(jù)的傳輸，雷達(dá)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(cè)到的信息有限，推理機(jī)搜尋不到對(duì)應(yīng)的推理規(guī)則，進(jìn)而無法得到推理結(jié)果。

5.2 試驗(yàn)驗(yàn)證

為了保證測(cè)試安全，試驗(yàn)在無人車測(cè)試臺(tái)架上進(jìn)行，如圖9所示。

圖9 無人車電源故障檢測(cè)專家系統(tǒng)臺(tái)架測(cè)試

無人車在測(cè)試臺(tái)架上進(jìn)行無人駕駛場(chǎng)景模擬測(cè)試，在車輛正常運(yùn)行的情況下斷開組合導(dǎo)航模塊供電，觀察無人車電源檢測(cè)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(cè)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(yīng)的故障規(guī)則并找出規(guī)則關(guān)系，確定了導(dǎo)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(jìn)行了故障定位，該故障診斷專家系統(tǒng)達(dá)到了設(shè)計(jì)要求。

圖10 無人車電源故障檢測(cè)專家系統(tǒng)臺(tái)架測(cè)試結(jié)果

隨著運(yùn)行時(shí)間和運(yùn)行場(chǎng)景的增加，該專家系統(tǒng)可以不斷地對(duì)知識(shí)庫(kù)和規(guī)則庫(kù)進(jìn)行完善，系統(tǒng)性能將進(jìn)一步提升。

6 結(jié)束語

針對(duì)無人車電源系統(tǒng)復(fù)雜的拓?fù)浣Y(jié)構(gòu)，本文運(yùn)用改進(jìn)的DFS算法和動(dòng)態(tài)樹生成算法進(jìn)行車輛電源故障檢測(cè)專家系統(tǒng)的設(shè)計(jì)，并采用面向?qū)ο蟮脑O(shè)計(jì)方法，使得專家系統(tǒng)具備故障診斷和定位能力。改進(jìn)的DFS推理機(jī)在進(jìn)行推理的同時(shí)，對(duì)假設(shè)的事實(shí)和所有規(guī)則之間的啟發(fā)式關(guān)系進(jìn)行反向歸納，可以大幅提高推理效率。面向?qū)ο蟮脑O(shè)計(jì)方法賦予系統(tǒng)模塊化的特征，也使得知識(shí)庫(kù)和規(guī)則庫(kù)的更新和擴(kuò)充更加方便。簡(jiǎn)單高效的人機(jī)接口可以對(duì)故障進(jìn)行實(shí)時(shí)監(jiān)測(cè)，同時(shí)具有故障查詢和知識(shí)庫(kù)管理的功能。通過不斷學(xué)習(xí)和完善，該系統(tǒng)可以更加精確地判斷故障類型和精準(zhǔn)地定位故障位置，減少檢測(cè)人員的工作量，提高車載電源系統(tǒng)的故障檢測(cè)效率。