面向對象的無人車電源故障檢測專家系統設計＊

楊一鳴 汪貴平

（長安大學，西安 710064）

主題詞：面向對象 專家系統 電源檢測 無人車

1 前言

無人駕駛汽車車載用電設備和供電需求增加，對系統的可靠性也有非常嚴苛的要求，如果車輛運行過程中出現發電機故障、配電線路故障、各傳感器模塊電源故障并導致設備掉電等情況，無人車會丟失實時數據，系統無法繼續獲取數據和進行參數的更新與下發。近年來，故障診斷系統發展迅速，很多學者利用神經網絡或改進神經網絡進行電源故障檢測系統的設計[1-3]，但是基于神經網絡的故障檢測系統未能利用專家經驗，另外，專家系統的訓練樣本需要大量的故障數據，通過無人駕駛車輛日常運行捕捉電源系統故障需要大量的時間；小波分析作為基于信號處理進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[4]。上述故障診斷方法的融合是未來故障診斷系統的發展趨勢：Gofuku等人通過引入估計智能體、支持向量機（Support Vector Machine，SVM）狀態辨識器、小波變換異常檢測器和基于案例的推理機來構建混合故障診斷系統[5]，取得了不錯的成效；北京航空航天大學的張莉針對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融合提高故障診斷的可靠性和系統的可擴展性[6]。但融合的做法使得故障診斷系統的復雜程度大幅增加，提高了實現難度和成本。近年來，專家系統在故障診斷方面取得了很大進展并進行了實際部署，很大一部分在知識表示上使用了產生式規則，一般的產生式規則需要反復進行“知識匹配—沖突消解—產生結果”的過程[7]，匹配較為費時。為提升檢測效率，本文采用基于深度優先的產生式匹配策略，在系統構建和知識表示方面應用面向對象的設計方法，設計結構簡單且高效的故障診斷系統，以期提升系統的靈活性和可擴展性。

2 系統描述

專家系統的邏輯推理核心是知識庫和推理機。演繹推理、歸納推理等典型的經典邏輯推理往往遵循標準邏輯規范，依賴于確定度高的事件和現象，對于車輛電源系統復雜故障診斷而言，其靈活性和適應性不足[8]，而啟發式推理則有著與人類思維方式更加接近的推理過程[9]。本文將啟發式推理與面向對象的程序設計相結合，進行無人車電源故障檢測專家系統的設計。按照文獻[10]中的方法，以對象為中心，將對象的屬性、領域知識、方法等進行封裝，在提高程序健壯性的同時賦予程序模塊化的特征。

無人車電源系統可以分為供電模塊、控制模塊和傳感器模塊。供電模塊包括發電機、整流器和車載電池等；控制模塊包括汽車線控系統CAN網絡中的各類ECU；傳感器模塊包括激光雷達、相機、組合導航和交換機等。電源監測系統用于對無人車電源系統進行檢測，其總體結構如圖1所示，主要包括供電模塊、故障檢測專家系統、連接在CAN網絡上的汽車微控制器群和連接在以太網上的無人車車載設備。

圖1 無人車電源監測系統結構

3 面向對象的專家系統設計

面向對象的專家系統將傳統專家系統用類封裝起來，傳統專家系統主要包括征兆提取模塊、知識庫、推理機和人機接口。參照文獻[11]對程序設計的考量，為避免結構化程序設計帶來的繁瑣算法，對每個模塊單獨定義了不同的類：文件類、接口類、會話類、屬性庫類和規則庫類，系統結構如圖2所示。其中，規則庫類是故障診斷專家系統的核心。

以往的面向對象的專家系統往往將規則對象的屬性作為真實對象的屬性，存在于對象內部，這樣可以保留面向對象的知識表示方法的封裝和繼承的特點，便于規則的傳遞。但在故障情況復雜的無人車電源系統中，如需更新或修改對象規則，需要對整個對象重新進行編譯，系統易用性較差。本文使用文獻[12]中的方法，單獨定義規則庫類，存放于外部存儲空間，系統進行故障診斷時調用該規則庫，這樣可以有效提升系統的靈活性和可擴充性，有效解決異構對象重用的問題。相比于一般的面向對象設計，本系統規則庫與文件對象相互獨立，規則庫并不是對象的一個屬性，在對象發生繼承時規則不能有效傳遞，但這并不影響文件類對象引用規則庫。

圖2 面向對象的專家系統結構

4 面向對象的專家系統實現

4.1 事件的獲取

為了全面、直觀地了解各事件及其對應的前、后件，本文引入故障拓撲模型對無人車電源系統故障進行歸類和分析，一般性故障問題可以采用文獻[13]中建立故障樹模型的方法進行分析，但是無人車電源系統故障具有模糊性和不確定性，故障之間存在著復雜的聯系，一種故障可能對應多種故障原因，一種故障原因也可能對應多種故障，并無明確的層次結構，所以簡單的故障樹模型并不適用于該故障檢測專家系統。無人車電源系統故障拓撲模型如圖3所示，各故障模塊之間存在復雜的耦合關系，一個模塊發生故障會影響其他模塊的工作。無人駕駛系統自上而下一般分為環境感知層、規劃決策層和車輛控制層。規劃決策層及車輛控制層基于Linux系統搭建，自動駕駛傳感器信息的傳遞通過節點的發布和訂閱進行；決策層根據傳感器信息進行路徑的規劃和車輛控制量的計算，車輛的控制命令通過CAN總線下發[14-15]。

使用專家系統的征兆提取模塊，車輛電源系統故障的檢測通過兩種方式進行：傳感器模塊故障通過對訂閱的各傳感器節點發布的主題（Topic）的監測和分析完成，一旦Topic數據消失或存在異常，則判定故障發生；供電模塊和控制模塊故障通過周期性讀取并解析CAN總線上對應協議的數據流實現。

圖3 無人車電源系統故障拓撲

無人車電源系統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用推理規則對故障原因和故障位置進行推理。

圖4 無人車電源系統故障獲取原理

4.2 規則的設計

基于產生式規則的專家系統可表示為“Ifpthenq”的形式，其中p為觸發規則的條件，q為結論或中間命題。在面向對象的專家系統設計中，用P表示規則前件，Q表示規則后件，前件一般由對象的屬性和方法組成，后件由方法組成。前件、后件的可信度由規則前件中所有的比較節點確定。雖然規則獨立于對象，但為了進行推理，要把規則在形式上對象化，首先定義比較對象為：

在此基礎上進一步定義比較節點為：

用于描述規則的規則節點為：

規則置信度由前件置信度和后件置信度共同決定[16]，當前規則的置信度為：

式中，ECol為比較對象E的表達式，其名稱為A；E1和E2為兩個不同的比較對象；T為比較類型，這里選擇置信度比較；N為規則名稱；P為規則的前件集合；Q為規則的結果集合；cf為規則的置信度；ef為規則執行狀態標志位。

在電源故障診斷中，將規則對應的前件和后件合并，同時合并其置信因子cf，最終合并的置信因子為：

規則R的執行狀態標志位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分別為規律p和規律q對應的置信因子，這里p和q分別對應規則前件、規則后件或者2個規則前件；n為該類型全部歷史故障數量。

4.3 面向對象的規則庫

規則庫用于存放電源系統故障規則，是規則庫類的私有成員。在規則庫類中定義成員函數進行規則的更新與管理，類的對象可以通過公有函數訪問類的私有成員變量。規則類的公有部分主要包括規則名稱、規則對應的前件集合P和后件集合Q、浮點型置信因子cf、布爾型規則執行狀態標志位ef以及規則所屬的類別g，規則類的定義過程為：

其中，成員RuleName為對規則的名稱描述。

定義規則類后，定義規則庫類Rule_Lib進行規則層面的管理，具體實現為：

在系統習得新的故障規則時，面向對象的規則庫類對新對象進行創建與初始化，形成新的規則對象并將其放入規則列表，隨后完成新規則的關系生成，新對象的創建與更新過程如圖5所示。

圖5 對象的創建與更新

在完成規則庫的設計后，推理機即可利用捕獲的故障事件和相應的規則進行故障原因的推理和定位。

4.4 推理機的設計

推理機的性能與構造一般與規則的表示方式和組織方式有關，與規則的內容無關，這可以保證推理機與規則庫的相對獨立，本文設計的專家系統推理機使用改進的深度優先搜索（Depth First Search，DFS）算法生成動態樹，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，比廣度優先算法更能滿足檢測系統的要求[17]。如果利用靜態樹模型進行故障診斷，無人車電源檢測系統各模塊間的復雜關系會導致靜態樹的縱深過長、節點過多、重復率上升，進而占用大量計算資源，對系統性能產生不利影響[18]。利用DFS算法抽取故障關系表中相應節點前件中的信息，并按照樹結構對節點前件進行排序，依據節點等級和排序結果動態生成事件樹模型。文獻[19]～文獻[20]使用動態樹進行故障的推理和診斷，計算相應的故障概率并將其作為故障原因判斷的重要依據，參照此方法，本文定義動態樹類，描述動態樹節點與故障規則拓撲表中故障前、后件的映射關系，以激光雷達模塊故障為例，首先建立對應的故障關系如表1所示。其中，R1代表雷達模塊故障，C1代表相機模塊故障，G1代表組合導航模塊故障，I1代表逆變器故障，S1代表交換機故障，B1代表電池故障。

表1 激光雷達模塊故障關系

隨后，按照文獻[21]中的方法將故障關系表中的節點取出重新排序成樹形結構，排序算法如圖6所示。

圖6 DFS算法生成動態樹算法

這樣，相應模塊的故障關系即轉換成了動態樹模型。深度優先算法的應用依賴規則庫中的規則關系，面向對象的規則表示方法為：

事件可以為初事件、中間事件或最終事件。導出規則（Educe Rule）指可以使事實變成結論的規則，歸納規則（Iduce Rule）指以該事實為前提的另一個規則，對應動態樹同一級上的相鄰2個節點。類RuleDoc中的成員UsedRules調用上一個規則文件對象中的CurRules列表，成員UsedRules和成員CurRules共同為故障診斷專家系統提供推理，Rule Relation用于說明當前對象使用的規則。

以GPS模塊電源故障為例，定義傳感器模塊故障規則如表2所示，其中，Rsi表示傳感器模塊故障規則，Rpi表示供電模塊故障規則，In_Service為正常工作狀態，Error表示故障狀態，no_SC表示模塊未出現短路故障，no_OC表示模塊未出現開路故障。

表2 傳感器模塊電源故障規則

表3給出了GPS模塊故障的對應關系，Rs1和Rs2是其中的2條規則。

表3 傳感器模塊電源故障規則關系

以供電模塊故障為例，當事件PS_Error出現時，對應規則Rs1和Rs2，推理機首先檢查對應的第1個導出規則：如果該規則的ef位為1，則代表規則Rs1生效，Rs1中對應的事件GPS_Error、GPS_no_SC和GPS_no_OC均成立；如果規則Rs1的ef位為0，則推理機尋找第2條規則Rs2并讀取ef位的值。如果規則Rs1和Rs2的ef位均為0，則表示事件PS_Error大概率不會發生，這時推理機將從規則關系列表中尋找與事件PS_Error有關的歸納規則Rp1和Rp2，并將其ef位均置為0。

推理機的推理過程如圖7所示。該改進的DFS算法與傳統的DFS算法相比，在根據推理結果對規則標志位進行置位或復位的同時，可以對假設的事實和所有規則之間的啟發式關系進行反向歸納[22]。所以應用改進的DFS算法推理機可以快速修正搜索路徑，縮小搜索范圍，減少驗證規則的重復工作，提高推理效率。

圖7 啟發式推理流程

5 仿真與試驗驗證

分別利用仿真測試和實車測試檢測無人車電源檢測系統在模擬和真實環境下的故障診斷性能。

5.1 仿真驗證

仿真測試通過計算機設置故障類型和故障出現時間，觀察不同電源故障設置下電源故障檢測專家系統能否準確判斷故障類型并快速定位故障位置。

以雷達模塊故障為例，在仿真程序中設置中斷，中斷到來時將雷達數據重定向在儲存盤中，制造雷達數據丟失故障。仿真測試結果如圖8所示，軟件中規則庫欄實時顯示專家系統的推理過程，該系統還具備手動擴充規則庫的功能。

圖8 雷達模塊故障仿真測試結果

雷達故障發生時，系統先在規則庫中尋找相應的規則以及對應的規則關系，然后對導出規則和歸納規則的執行狀態標志位進行判斷，當未找到匹配故障時，尋找與導出規則或歸納規則同級的相鄰規則再次進行匹配。該仿真測試結果為未找到匹配的故障，因為仿真過程只是人為中斷了雷達數據的傳輸，雷達模塊供電并未出現故障，其他模塊沒有受到影響，系統檢測到的信息有限，推理機搜尋不到對應的推理規則，進而無法得到推理結果。

5.2 試驗驗證

為了保證測試安全，試驗在無人車測試臺架上進行，如圖9所示。

圖9 無人車電源故障檢測專家系統臺架測試

無人車在測試臺架上進行無人駕駛場景模擬測試，在車輛正常運行的情況下斷開組合導航模塊供電，觀察無人車電源檢測系統推理過程和推理結果，如圖10所示。

由圖10可知，電源檢測系統獲取故障信息后通過專家系統有效地匹配出相應的故障規則并找出規則關系，確定了導出規則和歸納規則，利用這些規則確定了故障類型并進行了故障定位，該故障診斷專家系統達到了設計要求。

圖10 無人車電源故障檢測專家系統臺架測試結果

隨著運行時間和運行場景的增加，該專家系統可以不斷地對知識庫和規則庫進行完善，系統性能將進一步提升。

6 結束語

針對無人車電源系統復雜的拓撲結構，本文運用改進的DFS算法和動態樹生成算法進行車輛電源故障檢測專家系統的設計，并采用面向對象的設計方法，使得專家系統具備故障診斷和定位能力。改進的DFS推理機在進行推理的同時，對假設的事實和所有規則之間的啟發式關系進行反向歸納，可以大幅提高推理效率。面向對象的設計方法賦予系統模塊化的特征，也使得知識庫和規則庫的更新和擴充更加方便。簡單高效的人機接口可以對故障進行實時監測，同時具有故障查詢和知識庫管理的功能。通過不斷學習和完善，該系統可以更加精確地判斷故障類型和精準地定位故障位置，減少檢測人員的工作量，提高車載電源系統的故障檢測效率。