基于模糊推理理論的線控系統網絡健康度研究

李 芳 蘇笑然 廖承林 王麗芳

（中國科學院電力電子與電氣驅動重點實驗室 中國科學院電工研究所 北京 100190）

1 引言

隨著現代電子技術的不斷發展，汽車電子正向智能化控制的方向發展，并采用總線將各種汽車電子控制模塊連接成為車載網絡，可以不需要傳統的機械機構傳遞控制信號，而是利用電子手段來駕駛汽車，這一電子手段就是線控技術[1]。線控技術的不斷應用為汽車內部通信帶來便利與智能化的同時，也給汽車電子的發展帶來了新的挑戰[2]。由于直接關系到汽車的安全性，它對于所包含的每個部件的可靠性都要求極高，尤其包括起到關鍵傳輸作用的總線通信技術[3]。線控系統一般采取時間觸發的通信協議[4]。典型的時間觸發的包括 TTP/C，TTCAN，Flexray[5]。由于 Flexray在物理上通過兩條分開的總線通信，每一條的數據速率是10Mbps，總數據速率可達到20Mbps，而且Flexray具備的冗余通信能力，可實現通過硬件完全復制網絡配置，并進行進度監測，具有高速、可靠及安全的特點，所以一般的線控系統都選擇Flexray總線進行通信[6]。傳統的在線診斷系統中，只有一些非常明顯的故障會被檢測出來，比如說一些物理故障短路斷路的情況[7]。這就可能出現一個問題，即使總線上有錯誤存在，但是只要這些錯誤不影響正常的通信，錯誤數量就是在可接受范圍內，在線診斷系統就無法發現這些隱含的故障，這些問題逐步累積，很有可能引發系統無法正常通信[8]。所以說，對于線控系統網絡來說，一個合理的在線診斷策略對于保持線控系統正常的通信過程，系統的可靠性和安全性都是很有必要的。

目前國內外對于網絡的在線診斷研究主要就是利用網絡管理[9]。目前已經應用比較廣泛且成熟的是符合OSEK規范的網絡管理系統。OSEK網絡管理系統分為直接網絡管理和間接網絡管理兩種模式。其中直接網絡管理使用特定的網絡管理報文，利用令牌環機制監控網絡。網絡中所有節點構成一個邏輯環，節點通過發送NMPDU進行網絡管理。間接網絡管理不需要 NMPDU，而是通過監控節點的周期性應用報文，實現網絡的監控。節點發送的周期性應用報文被成功接收即被認為在線，在預定時間內沒有被成功接收即被認為離線[10]。OSEK網絡管理雖然沒有指定總線類型，但是其特性決定了其只適合于事件觸發的總線協議（如 CAN總線）而不能用于時間觸發類協議，因為節點網絡管理狀態的轉換和執行基于定時器的超時，無法與時間觸發類總線的通信周期同步[11]。

本文針對線控系統的 Flexray總線開展研究，以提高線控系統網絡通信技術的可靠性與實時性為目標，研究線控系統網絡通信的建模方法，同時引入網絡健康度這個概念[12]，代表線控系統網絡的運行情況，提出一種自適應神經模糊理論的線控系統網絡健康度預測的方法，基于通信過程中的網絡參數，對網絡的健康度進行合理的判斷。在以后的研究工作中，可以進一步參考網絡管理系統，設計適用于線控系統時間觸發類總線的在線診斷策略，更進一步提高線控系統網絡系統的可靠性。

2 自適應神經模糊推理系統

模糊推理系統（FIS）通過使用隸屬度函數，把精確的數值映射為容易理解的語言表達，如“優”，“良”，“差”。FIS不依賴精確數學分析，從人類專家的經驗知識和推理過程中提出 If-Then規則建立起模糊模型，以此為基礎設計模糊控制系統[13]。然而，僅僅依靠人類知識，很難選擇出適當的隸屬度函數的形狀和個數。如果利用自適應神經模糊推理系統（ANFIS），把已知的通信故障的數據進行離線的訓練，然后把訓練得到的模糊控制規則和隸屬度函數嵌入到模糊控制模塊中，就能夠最大限度的減少訓練誤差，提高系統的精確度和可靠性[14]。

ANFIS使用 Sugeno算法，算法包含五層[15]。圖1就為雙輸入單輸出的一階Sugeno的算法模型。

圖1 ANFIS系統算法示意圖Fig.1 The structure diagram of ANFIS algorithm

對應五層模型，每一層的算法分別如下：

第一層：

第二層：

第三層：

第四層：

第五層：

其中，第一層負責輸入信號的模糊化，其中輸入信號分別為x和y，Ai和Bi為對應的模糊集，輸出就是對應的隸屬度函數，選擇為鐘形函數

這里的 ai,bi,ci為前提參數，隸屬度函數的形狀就由前提參數來確定；第二層輸出的隸屬度函數相乘，計算各條規則的可信度M；在第三層得到歸一化的可信度N；第四層進行去模糊化，其中 pi,qi,ri；最后一層來計算系統的總輸出 f，只要給定了前提參數，ANFIS的輸出就可以表示為結論參數的線性組合。

混合學習算法可分為兩個步驟：

（1）確定前提參數的初始值，用最小二乘法計算結論參數。式（5）進行變形可得到若已有P組輸入輸出數據對，且給定前提參數，則矩陣 A，X，f的位數為 P×6，6×1和 P×1。一般的，樣本數據個數遠大于未知參數的個數（P>>6），使用最小二乘法可以得到均方誤差最小(min||AX-f||)

意義下的結論向量的最佳估計 X*

（2）根據上一步驟計算得到的結論參數進行誤差計算，采用前饋神經網絡中的 BP算法，將誤差由輸出端反向傳到輸入端，用梯度下降法更新前提參數從而改變隸屬函數的形狀。

3 線控系統網絡建模健康度仿真研究

3.1 線控系統的自適應神經模糊推理系統建模

ANFIS系統最大的好處就是不需要人為定制模糊控制規則，而是可以根據得到的數據選擇不同形狀和數量的隸屬度函數進行訓練，再根據訓練的結果選擇出合適的模糊控制規則。

選擇自適應模糊推理系統選擇為三輸入單輸出系統，如圖2所示，其中輸入選取網絡運行過程中的信號周期，丟包和通信錯誤三個指標，輸出就為網絡的健康度。

圖2 線控系統的三輸入單輸出的ANFIS模型結構Fig.2 Structure of three-input-ANFIS model for x-by-wire system

網絡運行過程中得到的數據輸入到Matlab的anfisedit中，選擇輸入的隸屬度函數5個，而且是高斯形狀，BP算法循環400個epoch，就可以得到圖3所示的訓練誤差圖，可以看到，訓練的誤差基本為0，這種情況下得到的模糊控制規則是可用的。

圖3 ANFIS系統數據訓練誤差Fig.3 Data training error of ANFIS

3.2 線控系統網絡建模

TrueTime是基于Matlab/Simulink的工具箱，包含網絡模塊和內核節點，其中網絡模塊選擇需要的Flexray或者TDMA，內核模塊則根據需要選擇不同的數量，分別作為網絡中的傳感器，執行器和控制器，通過編寫的代碼，嵌入內核模塊中，從而執行所需要的數據計算和信號傳遞。最終建立如圖4所示的線控系統網絡健康度監測的 TrueTime仿真模型。

圖4 線控系統的TrueTime仿真模型Fig.4 The TrueTime model for x-by-wire system

3.3 線控系統網絡健康度預測仿真結果

把3.1訓練好的模糊控制規則嵌入到3.2中搭建的Fuzzy Logic Controller模塊中，可以對線控系統的網絡健康度進行實時的預測，進行判斷當前網絡是否適合于通信。

在線控系統網絡健康度監控仿真模型中，可以通過改變系統的丟包率或者加入干擾節點來實現。配置兩種處于不同條件的網絡，第一個網絡不加任何干擾因素，第二個則改變網絡的丟包率，加入隨機的延時和干擾。這樣在模擬的 Flexray的通信過程中，信號的周期，丟包的個數和錯誤的情況就會出現，網絡的健康度也會發生變化。

所以，當線控系統網絡是健康的，模糊控制器的輸出為1，如圖5a。網絡條件改變時，健康度也發生變化，如圖5b所示。

圖5 線控系統仿網絡兩種狀態下的健康度仿真Fig.5 Network health degree simulation when x-by-wire system in two different conditions

仿真的結果表明，ANFIS算法確實能夠有效的對網絡的健康度進行實時的預測和監控。但是更有力的驗證還需要在實驗中完成。

4 線控系統網絡健康度預測實驗驗證

圖6 基于XF512單片機的Flexray網絡硬件電路Fig.6 The hardware circuit of Flexray Network based on MCU XF512

實驗過程利用Flexray通信的飛思卡爾的16位單片機MC9S12XF512搭建硬件電路，如圖6所示。通過對兩個節點進行配置，完成正常的信號傳輸。然后通過錯誤注入和總線干擾等相關的設備設計實驗條件制造總線上的傳輸錯誤，通過對輸出的網絡健康度的監控，驗證自適應模糊神經算法的可行性，進一步完善線控轉向系統網絡在線故障診斷策略。

4.1 Flexray兩個節點配置過程

首先需要進行的是對兩個Flexray節點的配置。這就包含了每個節點時間參數相關的配置和兩個節點相應通信過程的配置。

Flexray通信周期選擇為 1.25Mbps，對應的通信周期為40ms。其中節點一植入源碼公開的操作系統μC/OS-II，第三部分中生成的模糊控制系統通過Matlab的code generation工具，生成適合于S12(X)系列單片機的代碼，加入到操作系統定義的某一項任務里面，通過自通過切換不同的任務計算得到網絡健康度。

節點二則進行網絡中信號的提取和采集，加入FreeMaster作為監測工具，可以實時觀察開發板輸出信號的波形。Flexray時槽狀態需要通過讀取時槽狀態寄存器SSR來得到。SSR為16位寄存器，前八位和通道B相關，后八位和通道A相關，表1所示的就是和通道A相關的4種不同的錯誤類型和其他的標志位。

表1 時槽狀態寄存器的內容Tab.1 The content in slot status register

實驗的過程采用A通道單獨通訊，通過調用兩個函數：

Fr_get_slot_status_reg_value

Fr_get_channel_status_error_counter_value

狀態寄存器和錯誤計數器的數值就可以經由節點二時槽直接發送到節點一中。節點一經過模糊算法就得到網絡健康度，傳遞到節點二中，可以由FreeMaster動態讀取。

4.2 實驗結果

在網絡不加任何干擾信號的情況下，系統通信正常，通過FreeMaster觀測的線控系統網絡健康度保持為100，如圖7所示。

圖7 Flexray總線上不加任何干擾時的網絡健康度Fig.7 The network health degree when no inference is added on Flexray bus

然后通過信號發生器，在總線上面加入隨機噪聲干擾。觀察對應的時槽狀態寄存器，各種錯誤標志位都開始出現為1的情況。時槽狀態寄存器的數值也由正常時的 0xF0F0發生變化，表 2就列舉了在總線加入干擾之后出現的一部分錯誤。

表2 加入隨機干擾以后的時槽狀態Tab.2 The slot status when in random inference

另外，對于單片機中定義了與AB兩個通道相關的錯誤計數器 CASERCR和 CBSERCR。不管是出現那種錯誤，錯誤計數器就會自動加一，所以可以直接用來做錯誤統計。

隨著通信過程中 Flexray總線上面錯誤數目的增加，網絡的健康度也隨之下降，如圖8所示。

5 結論

線控系統的網絡健康度的監控可以作為預測的重要組成部分，可以及時發現錯誤或故障情況。仿真和實驗的結果證明這種基于自適應神經模糊推理系統的網絡預測算法是可行的。網絡中提取的參數輸入到自適應神經模糊推理系統中，得出實時的網絡健康度，作為網絡通信情況的重要指標，當這一指標處于合理的范圍之內時，就可以認為通信是正常的，超過這一范圍，就可以發現網絡中存在的故障，在通信中斷之前提前發現異常的情況。

圖8 Flexray總線上加入隨機干擾時網絡的健康度Fig.8 The network health degree when random noise is added on Flexray bus

未來的工作集中在把算法應用于線控系統的硬件平臺上，根據網絡控制單元的多樣化問題，進行完善這個基于自適應神經模糊推理系統的網絡健康度的實時監控和預測系統的算法。

[1] Naidu M Gopalakrishnan S,Nehl T W.Fault-tolerant permanent magnet motor drive topologies for automotive X-By-wire systems[J].IEEE Transactions on,Industry Applications,2010,46(2): 841-848.

[2] Chen Xin,Zhang Guixiang,Design of steering-by-wire system based on OSEKturbo real-time operation system[J].2012 International Conference on,Computer Science & Service System(CSSS): 2114-2117.

[3] R Hayama,M Higashi,S Kawahara,et al.Fault-tolerant automobile steering based on diversity of steer-by-wire,braking and acceleration[J].Reliability Engineering & System Safety,2010,1(95):10-17.

[4] SF Geng,QF Peng,LF Wang,The research of steer by wire system based on fuzzy logic control[C].Applied Mechanics and Materials.2011.

[5] Mane S P,Sonavane S S.A review on steer-by-wire system using Flexray[C].Wireless Communication,Vehicular Technology,Information Theory andAerospace & Electronic Systems Technology(Wireless VITAE),2011 2nd International Conference on 2011.

[6] C Wang,F Zhang,J Hua,Measurement and transmission of steering wheel angle based on FlexRay[J].Energy Procedia,2011,11: 779-785.

[7] Suwatthikul J,McMurran R,Jones R,In-vehicle network level fault diagnostics using fuzzy inference systems[J].Applied Soft Computing,2011,11:3709-3719,

[8] Kim MH,Lee S,LeeA KC.Fuzzy predictive redundancy system for fault-tolerance of x-by-wire systems[J].Microprocessors and Microsystems,2011,5(35): 453-461.

[9] L Jie,B Yue,W Pengjie.Platform construction of flexray bus and research on its performance[J].Sensors & Transducers,Special Issue,2013,25(12):254-259.

[10] Zhao Haixu,Wei Da,Qu Liangdong.Research for CAN node fault rapid detection based on OSEK network management[C].Applied Mechanics and Materials(Volumes 128-129): 975-978

[11] Li Yanwen,Zhang Hongwei,Gong Jinfeng,Design of automotive CAN network management based on OSEK standard[C].Electronic and Mechanical Engineering and Information Technology(EMEIT),2011 International Conference on(Volume: 2) 717-721.

[12] Baronti F,Petri E,Saponara S,et al.Design and verification of hardware building blocks for high-speed and fault-tolerant in-vehicle networks[J].IEEE Transactions on,Industrial Electronics,2011,3(58): 792-801

[13] 張坤,吳建東,毛承雄,等.基于模糊識別的光伏發電短期預測系統[J] 電工技術學報,2012,27(10):235-240.Zhang Kun,Wu Jiandong,Mao Chengxiong,Optimalcontrol of energy storage system for wind power generation based on fuzzy algorithm[J].Transactions of China Electrotechnical Society.2012,27(10): 235-240.

[14] 薛梅,夏長亮,王慧敏,等.基于 DSP 的開關磁阻電機磁鏈特性檢測與神經網絡建模[J].電工技術學報,2011,26(2): 68-73.Xue Mei,Xia Changliang,Wang Huimin.Flux linkage characteristic measurement based on dsp and artificial neural network modeling for switched reluctance motor[J].Transactions of China Electrotechnical Society.2011,26(2): 68-73.

[15] 何怡剛,祝文姬,周炎濤,等 基于粒子群算法的模擬電路故障診斷方法[J].電工技術學報,2010,25(6): 163-171.He Yigang,Zhu Wenji,Zhou Yantao,An analog circuit diagnosis method based on particle swarm optimization algorithm[J] Transactions of China Electrotechnical Society2010,25(6): 163-171.