任 重 黃巧亮

（江蘇科技大學(xué)電子信息學(xué)院 鎮(zhèn)江 212000）

1 引言

隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，我國(guó)使用汽車(chē)的人數(shù)越來(lái)越多，導(dǎo)致道路上汽車(chē)越來(lái)越多并使得交通事故發(fā)生的頻率也大幅度上升。在這些交通事故中，有很大一部分原因是因?yàn)轳{駛員自身的原因所導(dǎo)致的，比如疲勞狀態(tài)下駕駛汽車(chē)、行駛車(chē)輛時(shí)注意力不集中等，所以一些學(xué)者就開(kāi)始研究疲勞駕駛檢測(cè)裝置，如蔡素賢、杜超坎等采用隨機(jī)森林算法對(duì)從CAN 總線上采集到的車(chē)輛運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行疲勞駕駛檢測(cè)識(shí)別，并有效地檢測(cè)駕駛員出駕駛員是否疲勞［1］。陳鑫、李為相等通過(guò)應(yīng)用改進(jìn)以后的ASM 算法對(duì)駕駛員的臉部特征進(jìn)行數(shù)據(jù)采集和模糊推理，最終分析判斷出駕駛員疲勞程度［2］。雖然這些研究取得了一定的效果，降低了事故發(fā)生的概率。

但也因此使汽車(chē)上被安裝了許許多多的嵌入式電子產(chǎn)品，導(dǎo)致汽車(chē)電子技術(shù)變得越來(lái)越集中化和密集化，這樣會(huì)使得車(chē)輛產(chǎn)生許多微小的電子控制系統(tǒng)故障且難以被察覺(jué)。為了避免一些交通事故是由于汽車(chē)上的子系統(tǒng)或者是裝置發(fā)生故障所導(dǎo)致，一些學(xué)者就針對(duì)汽車(chē)上的子系統(tǒng)或裝置展開(kāi)相關(guān)的故障診斷研究。如方坤、陶軍等為防止汽車(chē)液壓ABS系統(tǒng)發(fā)生故障，采用故障樹(shù)分析法對(duì)該系統(tǒng)的組成和原理進(jìn)行分析，找出系統(tǒng)中薄弱環(huán)節(jié)［3］。辛梅、王英宇利用神經(jīng)網(wǎng)絡(luò)算法對(duì)汽車(chē)發(fā)動(dòng)機(jī)進(jìn)行故障原因樣本訓(xùn)練，通過(guò)輸入故障數(shù)值可對(duì)發(fā)動(dòng)機(jī)進(jìn)行全面的診斷［4］。但疲勞駕駛檢測(cè)裝置也會(huì)由于自身原因發(fā)生故障，導(dǎo)致無(wú)法有效地警示駕駛員從而發(fā)生交通事故。所以為保證疲勞駕駛檢測(cè)裝置能夠正常工作，該裝置需要提高工作可靠性以及在出現(xiàn)故障時(shí)能快速有效地排查并定位故障源是十分重要的。

2 疲勞駕駛檢測(cè)裝置的基本組成和工作原理

2.1 疲勞駕駛檢測(cè)裝置的基本組成

該疲勞駕駛檢測(cè)裝置是由圖像采集模塊、數(shù)據(jù)存儲(chǔ)模塊、報(bào)警模塊、主控模塊、CAN通信模塊以及電源模塊組成的。如圖1 所示為疲勞駕駛檢測(cè)裝置的基本框圖。

圖1 裝置的基本框圖

2.2 疲勞駕駛檢測(cè)裝置的工作原理

檢測(cè)裝置先通過(guò)圖像采集模塊中的紅外CCD攝像頭對(duì)汽車(chē)駕駛員的面部表情進(jìn)行實(shí)時(shí)采集照片，接著通過(guò)A/D 轉(zhuǎn)換器將照片進(jìn)行模數(shù)轉(zhuǎn)換成數(shù)據(jù)，轉(zhuǎn)換之后將數(shù)據(jù)傳輸至主控模塊中的T7 芯片處理器上，與此同時(shí)在CAN 通信模塊的工作下會(huì)將CAN 總線上的車(chē)上其他傳感器的數(shù)據(jù)信號(hào)傳輸至T7 芯片處理器。接著將采集到的數(shù)據(jù)通過(guò)T7芯片處理器內(nèi)的疲勞駕駛檢測(cè)算法進(jìn)行分析判斷，如果確定駕駛員處于疲勞駕駛的狀態(tài)，則會(huì)發(fā)送報(bào)警信號(hào)給報(bào)警模塊，從而報(bào)警模塊中的語(yǔ)音提示器發(fā)送警示指令。出現(xiàn)疲勞駕駛預(yù)警的數(shù)據(jù)會(huì)發(fā)送至數(shù)據(jù)存儲(chǔ)模塊進(jìn)行存儲(chǔ)，方便后期調(diào)用。

3 故障樹(shù)分析介紹

故障樹(shù)分析法是一種預(yù)測(cè)復(fù)雜系統(tǒng)的可靠性和安全性的方法，最早用于評(píng)價(jià)“民兵”導(dǎo)彈發(fā)射控制系統(tǒng)的安全性［5］。它先對(duì)系統(tǒng)進(jìn)行分析，按照樹(shù)狀形式從總體到部分、從系統(tǒng)到元件逐層分析建立出相應(yīng)的故障樹(shù)模型，然后通過(guò)定性分析和定量分析，從兩個(gè)方面計(jì)算底事件和頂事件發(fā)生的概率以及相關(guān)的重要度［6］。從而在對(duì)系統(tǒng)進(jìn)行故障診斷以及對(duì)系統(tǒng)的優(yōu)化提供理論基礎(chǔ)。

4 基于故障樹(shù)的疲勞駕駛檢測(cè)裝置故障診斷分析

4.1 故障樹(shù)的建立

綜合疲勞駕駛檢測(cè)裝置的原理以及故障分析，根據(jù)模糊故障樹(shù)理論，建立相關(guān)故障樹(shù)模型。用T標(biāo)記頂事件，用E標(biāo)記中間事件，用X標(biāo)記底事件［7］。采用下行法的數(shù)學(xué)方法建模，如圖2 所示，故障樹(shù)中各符號(hào)代表的含義如表1所示。

表1 故障樹(shù)中各符號(hào)代表的含義

圖2 疲勞駕駛檢測(cè)裝置故障樹(shù)

4.2 故障樹(shù)的定性分析

故障樹(shù)定性分析是通過(guò)對(duì)故障樹(shù)逐級(jí)進(jìn)行分析系統(tǒng)故障原因或系統(tǒng)原因的組合，找出系統(tǒng)的薄弱環(huán)節(jié)，找出導(dǎo)致頂事件發(fā)生的所有最小割集［8］。現(xiàn)采用下行法求解疲勞駕駛檢測(cè)裝置故障樹(shù)的最小割集，由此獲得故障樹(shù)的全部割集。

T=E1∪E2∪E3∪E4=E5∪E6∪X3∪X4∪E7∪E8∪E9∪E10=X1∪X2∪X3∪X4∪X5∪X6∪X7∪X8∪X9∪X10∪X11∪X12∪X13∪X14∪X15

通過(guò)表達(dá)式可以看出該故障樹(shù)共有15 個(gè)最小割集，具體分別為X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X11、X12、X13、X14、X15。

故障樹(shù)實(shí)際上是由各個(gè)底事件構(gòu)成，這些底事件對(duì)頂事件均產(chǎn)生影響，因此在不考慮底事件發(fā)生概率的情況下對(duì)故障樹(shù)進(jìn)行定性分析求出底事件的結(jié)構(gòu)重要度［9］。底事件結(jié)構(gòu)重要度的計(jì)算一般采用通狀態(tài)枚舉法，底事件的結(jié)構(gòu)重要度：

底事件i的狀態(tài)

頂事件的狀態(tài)

式中，m 為底事件的總數(shù)；2m-1為系統(tǒng)在底事件i 不發(fā)生時(shí)的所有次數(shù)；nφ(Xi=1) 為頂事件在底事件i發(fā)生時(shí)會(huì)發(fā)生的次數(shù)；nφ(Xi=0 )為頂事件在底事件i發(fā)生時(shí)不會(huì)發(fā)生的次數(shù)。

底事件X9、X10、X11為例，采用狀態(tài)枚舉法計(jì)算三個(gè)底事件結(jié)構(gòu)重要度的狀態(tài)枚舉表如表2所示。

表2 底事件的枚舉情況

底事件X9的結(jié)構(gòu)重要度

底事件X10的結(jié)構(gòu)重要度

底事件X11的結(jié)構(gòu)重要度

通過(guò)計(jì)算所得，三個(gè)底事件的結(jié)構(gòu)重要度是相同的。根據(jù)故障樹(shù)可以看出，疲勞駕駛檢測(cè)裝置故障樹(shù)中任意一個(gè)底事件Xi到頂事件T 的結(jié)構(gòu)重要度均相同。

4.3 故障樹(shù)的定量分析

對(duì)故障樹(shù)定量分析的目的是計(jì)算出頂事件發(fā)生概率以及各個(gè)底事件的相關(guān)重要度，用以評(píng)價(jià)系統(tǒng)的安全可靠性。但由于在實(shí)際當(dāng)中很難獲取系統(tǒng)底事件發(fā)生的精確概率，限制了對(duì)故障樹(shù)準(zhǔn)確分析［10］。而模糊數(shù)學(xué)理論集合具有處理模糊和不精確信息的優(yōu)點(diǎn)，所以將FTA與模糊理論相結(jié)合。因此本文將引入模糊數(shù)學(xué)理論，通過(guò)專(zhuān)家經(jīng)驗(yàn)法對(duì)故障樹(shù)底事件發(fā)生概率給出模糊判斷，再結(jié)合專(zhuān)家權(quán)重，對(duì)模糊數(shù)進(jìn)行加權(quán)求和處理，求出對(duì)應(yīng)的底事件模糊發(fā)生概率，以及相關(guān)的底事件概率重要度和關(guān)鍵重要度，對(duì)故障樹(shù)分析的基本事件進(jìn)行定量分析。

4.3.1 計(jì)算專(zhuān)家權(quán)重

邀請(qǐng)了行業(yè)里具有工程實(shí)踐經(jīng)驗(yàn)的十位專(zhuān)家對(duì)該模型進(jìn)行評(píng)價(jià)。由于各位專(zhuān)家的職稱、學(xué)歷和工齡等自然信息不同，所以給出意見(jiàn)的可信度不同，因此賦予不同的權(quán)重。如表3 所示。通過(guò)強(qiáng)制比較法對(duì)每項(xiàng)進(jìn)行賦值。然后根據(jù)實(shí)際情況求出每位專(zhuān)家的權(quán)重值，計(jì)算公式為

表3 專(zhuān)家權(quán)重評(píng)判等級(jí)

其中，i表示為專(zhuān)家號(hào)，共有十位專(zhuān)家；j表示為項(xiàng)目號(hào)，共為三項(xiàng)。最終經(jīng)過(guò)計(jì)算所得每位專(zhuān)家的權(quán)重值如表4所示。

表4 各專(zhuān)家的評(píng)判分?jǐn)?shù)及權(quán)重值

4.3.2 計(jì)算各底事件模糊數(shù)

專(zhuān)家經(jīng)驗(yàn)法是指專(zhuān)家很難對(duì)所有事件發(fā)生的概率給出精確地估算值，所以很多都是根據(jù)自己的經(jīng)驗(yàn)采用一些語(yǔ)言值來(lái)進(jìn)行表示出底事件的模糊概率［11］。本文采用的語(yǔ)言值的集合為｛很?。╒S），?。⊿），較?。‵S），中等（M），較大（FL），大（L），很大（VL）｝來(lái)評(píng)價(jià)底事件發(fā)生的模糊概率。

不同語(yǔ)言值所對(duì)應(yīng)的不同模糊數(shù)如圖3所示。

圖3 代表語(yǔ)言值的模糊數(shù)表達(dá)式

與此對(duì)應(yīng)的三角模糊數(shù)A=（a，b，c）和梯形模糊數(shù)A=（a，b，c，d）的隸屬度函數(shù)表示為

因?yàn)橐诤铣赡：龜?shù)時(shí)方便計(jì)算，因此引入λ截集。這樣便可以將模糊數(shù)轉(zhuǎn)化為區(qū)間數(shù)進(jìn)行計(jì)算，而各模糊數(shù)形式與λ截集的對(duì)應(yīng)關(guān)系如表5所示。

表5 模糊數(shù)形式和λ 截集

選取對(duì)故障樹(shù)分析對(duì)象熟悉的N 位專(zhuān)家組成評(píng)估團(tuán)，設(shè)第K 位專(zhuān)家對(duì)第i 個(gè)底事件失效的評(píng)判為A(i)k，則第i個(gè)底事件失效的模糊數(shù)為

上式進(jìn)行了加權(quán)線性組合，RK表示由上文確定的第K 位專(zhuān)家的權(quán)重因子，A(i)k為三角/梯形模糊數(shù)，其λ截集形式為

表6 是10 位專(zhuān)家通過(guò)經(jīng)驗(yàn)積累對(duì)疲勞駕駛檢測(cè)裝置故障樹(shù)中各個(gè)底事件出現(xiàn)故障的可能性給出的模糊判斷。

表6 10位專(zhuān)家對(duì)各底事件的模糊判斷

以底事件X1為例，10 位專(zhuān)家對(duì)其評(píng)判依次為“很小”、“較小”、“很小”、“中等”、“較小”、“較大”、“較小”、“中等”、“小”、“很小”，將專(zhuān)家的語(yǔ)言值通過(guò)λ截集進(jìn)行合成形成模糊數(shù)的形式，則X1底事件所對(duì)應(yīng)的模糊數(shù)為

則隸屬度函數(shù)為

由于在分析底事件發(fā)生的概率時(shí)引入了模糊數(shù)，則在故障樹(shù)分析中必須把模糊數(shù)轉(zhuǎn)化為一個(gè)清晰值，即模糊可能性值（FPS）［12］。因此我們使用左右模糊數(shù)排序法，將模糊數(shù)轉(zhuǎn)化為對(duì)應(yīng)的模糊可能性值。該方法首先需要定義出最大模糊集與最小模糊集為

則模糊數(shù)M的左右模糊可能性值分別為

由于故障樹(shù)底事件發(fā)生的概率中，一些可能是已知的，另一些則是由模糊集理論和專(zhuān)家判斷法相結(jié)合得到的，所以為確保已知失效概率和模糊失效概率之間的一致性，則需要把FPS轉(zhuǎn)化為模糊失效率FFR［13］。即

通過(guò)計(jì)算可得k=2.9908，F(xiàn)FR=0.0010214。通過(guò)計(jì)算可以得到底事件X1的模糊發(fā)生概率為1.0214X10-3。

利用上述公式，可以求得出各個(gè)底事件的平均模糊數(shù)和模糊失效率如表7所示。

表7 各底事件的平均模糊數(shù)和模糊失效率

當(dāng)計(jì)算中間事件和頂事件的模糊發(fā)生概率時(shí)，因?yàn)檎麄€(gè)故障樹(shù)的各個(gè)底事件都是通過(guò)或門(mén)形成中間事件，再通過(guò)或門(mén)形成頂事件。因此通過(guò)或門(mén)求出上層事件概率的計(jì)算公式為

當(dāng)計(jì)算中間事件E5時(shí)，利用公式。

其它事件以此代入公式，得中間事件與頂事件的模糊發(fā)生概率如表8所示。

表8 中間事件及頂事件的模糊發(fā)生概率

4.3.3 計(jì)算底事件概率重要度和關(guān)鍵重要度

我們可以用底事件的概率重要度來(lái)表示出底事件對(duì)系統(tǒng)故障產(chǎn)生的影響程度。當(dāng)已知各個(gè)底事件發(fā)生的概率時(shí)，可用頂事件的發(fā)生概率對(duì)某個(gè)底事件的發(fā)生概率的偏導(dǎo)數(shù)表示這個(gè)底事件的概率重要度［14］。

設(shè)P(t)為頂事件的發(fā)生概率，Pxi(t)為底事件xi的發(fā)生概率，Ixi為底事件xi的概率重要度，即。而當(dāng)各基本事件發(fā)生概率不等時(shí)，還需要結(jié)合關(guān)鍵重要度，關(guān)鍵重要度表示第xi個(gè)基本事件發(fā)生概率的變化率引起頂事件發(fā)生概率的變化率［15］，表達(dá)式為中，Pxi(t)是底事件xi的發(fā)生概率，P(t)為頂事件的發(fā)生概率，Ixi為底事件xi的概率重要度。通過(guò)上述公式，計(jì)算出各個(gè)底事件的概率重要度和關(guān)鍵重要度，如表9所示。

表9 各底事件的概率重要度和關(guān)鍵重要度

5 結(jié)語(yǔ)

可得出結(jié)論如下：

1）通過(guò)對(duì)疲勞駕駛檢測(cè)裝置的系統(tǒng)性分析和研究，建立相應(yīng)的故障樹(shù)模型。并確定了故障樹(shù)中共有15 個(gè)最小割集以及各個(gè)底事件的結(jié)構(gòu)重要度。

2）結(jié)合專(zhuān)家經(jīng)驗(yàn)法和模糊數(shù)學(xué)理論，計(jì)算出各個(gè)底事件的模糊失效率和頂事件發(fā)生的模糊概率，并計(jì)算出每個(gè)底事件的概率重要度和關(guān)鍵重要度。

3）從數(shù)據(jù)中我們發(fā)現(xiàn)大概率影響裝置可靠性的底事件分別為X3、X9和X14，所以當(dāng)我們進(jìn)行故障診斷時(shí)可以優(yōu)先排查這些地方，提高診斷效率，為提高系統(tǒng)可靠性提供有效依據(jù)。

4）我們可以根據(jù)所得到的所有數(shù)據(jù)進(jìn)行分析，找出裝置中存在的薄弱環(huán)節(jié)，為各部分的設(shè)計(jì)和優(yōu)化提供一定的參考價(jià)值。