基于專家系統(tǒng)的汽車衡故障傳感器判別

楊 靜， 李麗宏

(太原理工大學(xué) 信息工程學(xué)院,山西 太原 030024)

0 引 言

專家系統(tǒng)(expert system,ES )是人工智能 (artificial intelligence,AI) 技術(shù)的重要分支，其智能化主要表現(xiàn)為能夠在特定的領(lǐng)域內(nèi)模仿人類專家思維來(lái)求解復(fù)雜問(wèn)題。專家系統(tǒng)必須包含領(lǐng)域?qū)＜业拇罅恐R(shí)，擁有類似人類專家的推理能力，并能由這些知識(shí)來(lái)解決實(shí)際問(wèn)題[1]。

稱重傳感器是靜態(tài)汽車衡的核心部件，由于使用環(huán)境大都是室外露天環(huán)境，受到雨水和潮濕空氣的影響傳感器易于出現(xiàn)性能蛻化、故障,甚至失效,將給后續(xù)的檢測(cè)、控制及其診斷等帶來(lái)一系列的影響，產(chǎn)生誤診斷、誤警報(bào)，甚至造成不可估量的損失。為了避免傳感器故障或失效帶來(lái)的嚴(yán)重后果，需要對(duì)傳感器的故障或失效進(jìn)行甄別,最基礎(chǔ)的方法就是人工定期校準(zhǔn)，但人工校準(zhǔn)不但耗費(fèi)人力、物力，而且絕大部分情況下根本無(wú)法進(jìn)行。

目前傳感器故障診斷方法普遍有：冗余法診斷、人工神經(jīng)網(wǎng)絡(luò)方法等,這些方法都需要利用傳感器輸出之間的關(guān)系。在多路傳感器相關(guān)系的前提下，本文提出了基于專家系統(tǒng)的傳感器故障檢測(cè)[2],利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(radial basic function neural network,RBFNN)擬合值和實(shí)測(cè)值，初始化專家系統(tǒng)數(shù)據(jù)庫(kù),為決策提供數(shù)據(jù)依據(jù)。

1 靜態(tài)汽車衡稱重系統(tǒng)

靜態(tài)汽車衡稱重系統(tǒng)主要由稱重系統(tǒng)和計(jì)量軟件組成，其中稱重系統(tǒng)包括：承重臺(tái)面、稱重儀表和計(jì)算機(jī)。

汽車衡根據(jù)設(shè)計(jì)的稱重量程，一般具有4～12路稱重傳感器，這些傳感器按一定的拓?fù)浣Y(jié)構(gòu)分布在汽車衡承載臺(tái)面下方,如圖1。由于承載臺(tái)面的機(jī)械構(gòu)造特殊，不僅自身體積巨大而且自重較高，所以,造成了安裝和檢修時(shí)的困難[3]。

圖1 承重臺(tái)面?zhèn)鞲衅魑恢?/p>

圖1中A,B,C為3塊相互疊壓的承載臺(tái)面，依靠緊固螺栓將機(jī)械裝置連為一體。1#～8#為傳感器安裝位置，分別安裝在承載臺(tái)面的頂角。

本系統(tǒng)工作流程如圖2，靜態(tài)汽車衡具體工作流程為：當(dāng)車輛停在汽車衡稱重臺(tái)后，由稱重儀表把稱重?cái)?shù)據(jù)上傳給計(jì)算機(jī)，計(jì)算機(jī)通過(guò)專家系統(tǒng)數(shù)據(jù)庫(kù)比對(duì)的判斷稱重是否正常、傳感器是否損壞，并由人機(jī)界面直觀地顯示出來(lái)[4]。

圖2 稱重流程圖

2 專家系統(tǒng)

專家系統(tǒng)故障診斷方法，主要用于那些沒(méi)有精確數(shù)學(xué)模型或很難建立數(shù)學(xué)模型的復(fù)雜系統(tǒng)，其診斷過(guò)程是當(dāng)計(jì)算機(jī)收到故障信息后，綜合利用各種規(guī)則(專家經(jīng)驗(yàn))，進(jìn)行一系列的推理，快速找到最終故障或最有可能的故障傳感器[5]。專家系統(tǒng)是模擬專家決策能力的計(jì)算機(jī)系統(tǒng)，它由知識(shí)庫(kù)、數(shù)據(jù)庫(kù)、人機(jī)接口、推理機(jī)、解釋系統(tǒng)組成,其核心是知識(shí)庫(kù)和推理機(jī)。專家系統(tǒng)的性能和解決問(wèn)題的能力取決于知識(shí)庫(kù)所擁有知識(shí)的數(shù)量和質(zhì)量。

數(shù)據(jù)庫(kù)用于存儲(chǔ)初始數(shù)據(jù)和推理過(guò)程中得到的中間數(shù)；推理機(jī)實(shí)際上是一組計(jì)算機(jī)程序，通過(guò)人機(jī)界面收集數(shù)據(jù)，并結(jié)合知識(shí)庫(kù)得出推理決策并解決問(wèn)題；解釋器即向用戶解釋專家系統(tǒng)的行為。

人機(jī)界面是人與機(jī)器交互的接口，用來(lái)將專家的輸入信息翻譯成機(jī)器語(yǔ)言，同時(shí)輸出系統(tǒng)的反饋信息，具體如圖3所示。

圖3 專家系統(tǒng)結(jié)構(gòu)圖

2.1 基于徑向基的專家系統(tǒng)數(shù)據(jù)庫(kù)

專家系統(tǒng)數(shù)據(jù)庫(kù)(expert system database,EDS) ,一般來(lái)說(shuō)具有如下特征：

1)面向應(yīng)用對(duì)象的傳統(tǒng)數(shù)據(jù)庫(kù)以字符為處理對(duì)象，專家系統(tǒng)則以知識(shí)處理為對(duì)象。一個(gè)理想的EDS應(yīng)該既能處理數(shù)據(jù)、知識(shí)，又能處理其他介質(zhì)，如聲音、圖像和圖形等。

2)處理對(duì)象的結(jié)構(gòu)化使得系統(tǒng)能夠減少冗余，增強(qiáng)共享能力。

3)獨(dú)立的EDS具有邏輯結(jié)構(gòu)和物理結(jié)構(gòu)上的獨(dú)立性，易于擴(kuò)充和修改。

4)啟發(fā)性EDS可以在信息不完全、不精確的情況下求解非結(jié)構(gòu)化問(wèn)題。

5)友好的人機(jī)界面。

在靜態(tài)汽車衡稱重中，由于各車每次實(shí)載重量的不同，所以,載重?cái)?shù)據(jù)不具有縱向比較性，只能從各路傳感器之間的相關(guān)性來(lái)進(jìn)行橫向比較。本文在基于RBFNN的專家系統(tǒng)中，充分利用RBFNN的擬合特性和傳感器之間的相關(guān)性，將稱重儀表獨(dú)立獲取的各路傳感器信號(hào)xi和以RBFNN為手段擬合的數(shù)據(jù)xic進(jìn)行數(shù)據(jù)比對(duì)[6,7]。

汽車衡的多路傳感器按一定的拓?fù)浣Y(jié)構(gòu)分布在皮帶秤承載框架下方，構(gòu)成典型的多傳感器稱重系統(tǒng)，各只傳感器相互關(guān)聯(lián)，存在某種函數(shù)關(guān)系

(1)

由上式表明傳感器xi的輸出是其他m-1路傳感器的輸出函數(shù)。由式(1)可知傳感器的相關(guān)性是進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)估的基礎(chǔ)。利用RBFNN逼近所示的多傳感器關(guān)聯(lián)函數(shù)，從而完成任一傳感器的輸出估計(jì)，廣義神經(jīng)網(wǎng)絡(luò)模型如圖4所示[8]。

圖4 廣義神經(jīng)網(wǎng)絡(luò)模型

得出各路傳感器擬合輸出

(2)

式中W為RBFNN的權(quán)重,W=[w1,w2,…,wm]T。

隱含層基函數(shù)為高斯函數(shù)

(3)

其中,‖xk-xj‖為歐幾里德距離，且

‖xk-xj‖2=

(4)

σ為標(biāo)準(zhǔn)差，按照下式選取

(5)

式中dmax為所選取的中心最大距離，n為隱含節(jié)點(diǎn)的個(gè)數(shù)。

用偽逆法求得輸出權(quán)值w，在這里期望輸出為原始數(shù)據(jù)中d={xij}。xij為第i個(gè)輸入向量在第j處的期望輸出值。wij(i=1,2,3,…,I;j=1,2,…,J)為第i個(gè)隱藏節(jié)點(diǎn)導(dǎo)第j個(gè)輸出節(jié)點(diǎn)的權(quán)值，則輸出權(quán)值可用下式求出

w=G+d.

(6)

其中,G+={gkj},矩陣w=wij

(7)

根據(jù)徑向基函數(shù)中心確定方法的不同，RBFNN有不同的學(xué)習(xí)策略[9]，在此處采用隨機(jī)選取固定中心進(jìn)行網(wǎng)絡(luò)訓(xùn)練[10]。隨即選取固定中心的方法能防止徑向基函數(shù)出現(xiàn)太平或太尖的情況。

在隨機(jī)選取固定中心的方法中，基函數(shù)的中心和標(biāo)準(zhǔn)差都是固定的，唯一需要訓(xùn)練的參數(shù)就是隱含層與輸出層之間的權(quán)值。

在本文中采集多組歷史檢測(cè)數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練。此時(shí)RBFNN為一個(gè)8輸入，8輸出的廣義RBFNN。該神經(jīng)網(wǎng)絡(luò)輸入維數(shù)為8，隱含層有n個(gè)節(jié)點(diǎn)，n為訓(xùn)練樣本次數(shù)。與正則化神經(jīng)網(wǎng)絡(luò)相比，正則化神經(jīng)網(wǎng)絡(luò)隱含節(jié)點(diǎn)的個(gè)數(shù)等于輸入訓(xùn)練樣本的個(gè)數(shù)。因此，如果訓(xùn)練樣本的個(gè)數(shù)n過(guò)大，網(wǎng)絡(luò)的計(jì)算量將非常大，而導(dǎo)致至效率過(guò)低甚至不能實(shí)現(xiàn)。廣義神經(jīng)網(wǎng)絡(luò)減少隱含神經(jīng)元的個(gè)數(shù)，求得較低維度數(shù)空間的次優(yōu)解。Matlab廣義神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)個(gè)數(shù)默認(rèn)n=25。

靜態(tài)衡系統(tǒng)中的數(shù)據(jù)包括實(shí)測(cè)的各路傳感器重量數(shù)據(jù)xi(i=1,2,3,…,8)和由徑向基擬合出的數(shù)據(jù)xic(i=1,2,3,…,8)。

以山西某地靜態(tài)衡稱載40 t汽車時(shí)各路傳感器重量?jī)?nèi)碼為例，由于汽車停靠在稱重臺(tái)面中間，所以,1#,4#,5#,8#傳感器重量?jī)?nèi)碼偏小,如表1所示。

表1 正常傳感器各路重量?jī)?nèi)碼

2.2 推理機(jī)制

根據(jù)以上數(shù)據(jù)庫(kù)中的數(shù)據(jù)可以得出靜態(tài)衡故障傳感器故障判別方法。該診斷率只考慮在同一時(shí)刻只有1只傳感器故障的情況。當(dāng)n只傳感器均正常時(shí)滿足

(xi-xic)/xic<ε,i∈[1,n],

(8)

式中ε為檢測(cè)閾值。當(dāng)任一傳感器故障時(shí)，預(yù)測(cè)輸出與自身輸入有較大的誤差

(xi-xic)/xic>ε.

(9)

這一特性為故障傳感器的判斷提供依據(jù)。連續(xù)采樣k次后,如果仍然滿足上式，則假設(shè)成立，而判定第i只傳感器失效。為了簡(jiǎn)便而不失一般性，本文對(duì)秤臺(tái)正常傳感器做30次實(shí)驗(yàn)，每組實(shí)驗(yàn)檢測(cè)次數(shù)k=5，檢測(cè)閾值ε取為0.05。

3 實(shí)際檢測(cè)

通過(guò)檢測(cè)現(xiàn)場(chǎng)稱量的異常情況。軟件報(bào)警第6#傳感器故障，通過(guò)檢測(cè)機(jī)理算出

(x6-x6c)/x6=36.7>0.05.

后依據(jù)國(guó)家標(biāo)準(zhǔn)檢測(cè)規(guī)范對(duì)汽車衡進(jìn)行靜態(tài)檢測(cè)，將各路傳感器靜態(tài)重量?jī)?nèi)碼記錄，并與徑向基網(wǎng)絡(luò)輸出預(yù)估值對(duì)比，證實(shí)第6#傳感器為故障傳感器,如表2所示。

表2 異常傳感器各路重量?jī)?nèi)碼

4 在軟件中的應(yīng)用

在基于規(guī)則的診斷專家系統(tǒng)中，領(lǐng)域?qū)＜业闹R(shí)與經(jīng)驗(yàn)被表示成生產(chǎn)規(guī)則，一般形式是：if〈前提〉then〈結(jié)論〉。其中,前提部分表示能與數(shù)據(jù)匹配的模型，結(jié)論部分表示滿足前提時(shí)可以得出的結(jié)論。基于規(guī)則的診斷知識(shí)表達(dá)方式直觀、形式統(tǒng)一，在求解小規(guī)模問(wèn)題時(shí)效率較高。

故障判斷是靜態(tài)衡稱量軟件的一部分，在程序加入簡(jiǎn)單的判別語(yǔ)句，人機(jī)交互其界面上便可以很直觀地顯示各路傳感器當(dāng)前狀態(tài)。通過(guò)判別檢測(cè)閾值的大小和故障傳感器的編號(hào)，可以快捷而有效地判斷出故障傳感器的位置。

5 結(jié) 論

針對(duì)目前汽車衡維護(hù)、檢修的困難，根據(jù)汽車衡多傳感器相關(guān)性提出了以RBFNN為方法初始化數(shù)據(jù)庫(kù)的專家系統(tǒng)。在采用專家系統(tǒng)進(jìn)行故障傳感器檢測(cè)中，由RBFNN實(shí)時(shí)擬合預(yù)估數(shù)據(jù)，代替?zhèn)鹘y(tǒng)數(shù)據(jù)庫(kù)中大量數(shù)據(jù)經(jīng)驗(yàn),僅通過(guò)少量的稱重信息就可以有效地進(jìn)行故障判斷。通過(guò)在山西地區(qū)多次現(xiàn)場(chǎng)采集、計(jì)算、靜態(tài)測(cè)試，得出該方法準(zhǔn)確率達(dá)到96 %以上,為系統(tǒng)的檢修和維護(hù)節(jié)省了大量人力和物力。

參考文獻(xiàn):

[1] 安茂春.故障診斷專家系統(tǒng)及其發(fā)展[J].計(jì)算機(jī)測(cè)量與控制,2008,16(9):1217-1219.

[2] 張婭玲,陳偉民,章 鵬,等.傳感器故障診斷技術(shù)概述[J].傳感器與微系統(tǒng),2009,28(1):4-6.

[3] 林海軍,滕召勝,遲 海,等.基于多傳感器相關(guān)性的汽車衡智能容錯(cuò)方法[J].儀器儀表學(xué)報(bào),2009(11):2336-2341.

[4] 李麗宏,王淑娟.專家系統(tǒng)在車輛軸型識(shí)別中的應(yīng)用[J].軟件,2012,33(3):12-14.

[5] 金 鑫,任獻(xiàn)彬,周 亮.智能故障診斷技術(shù)研究綜述[J].國(guó)外電子測(cè)量技術(shù),2009(7):30-32.

[6] 張 濤,趙登福.基于RBF神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的短期負(fù)荷預(yù)測(cè)方法[J].西安交通大學(xué)學(xué)報(bào),2001,34(4):331-334.

[7] 吳浩中,黃飛鵬,王開(kāi)文.基于RBF神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷研究[J].機(jī)車電傳動(dòng),2003(2):25-27.

[8 ] 唐家德.基于Matlab的非線性曲線擬合[J].計(jì)算機(jī)與現(xiàn)代化,2008(6):15-19.

[9] 房 方,魏 樂(lè).傳感器故障的神經(jīng)網(wǎng)絡(luò)信息融合診斷方法[J].傳感技術(shù)學(xué)報(bào),2000,13(4):272-276.

[10] 李 萍,曾令可,稅安澤,等.基于Matlab的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的設(shè)計(jì)[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(4):149-150.