楊 靜， 李麗宏

(太原理工大學 信息工程學院,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求解復雜問題。專家系統(tǒng)必須包含領(lǐng)域?qū)＜业拇罅恐R，擁有類似人類專家的推理能力，并能由這些知識來解決實際問題[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、控制及其診斷等帶來一系列的影響，產(chǎn)生誤診斷、誤警報，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的嚴重后果，需要對傳感器的故障或失效進行甄別,最基礎(chǔ)的方法就是人工定期校準，但人工校準不但耗費人力、物力，而且絕大部分情況下根本無法進行。

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[2],利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(radial basic function neural network,RBFNN)擬合值和實測值，初始化專家系統(tǒng)數(shù)據(jù)庫,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)和計量軟件組成，其中稱重系統(tǒng)包括：承重臺面、稱重儀表和計算機。

汽車衡根據(jù)設(shè)計的稱重量程，一般具有4～12路稱重傳感器，這些傳感器按一定的拓撲結(jié)構(gòu)分布在汽車衡承載臺面下方,如圖1。由于承載臺面的機械構(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的困難[3]。

圖1 承重臺面?zhèn)鞲衅魑恢?/p>

圖1中A,B,C為3塊相互疊壓的承載臺面，依靠緊固螺栓將機械裝置連為一體。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：當車輛停在汽車衡稱重臺后，由稱重儀表把稱重數(shù)據(jù)上傳給計算機，計算機通過專家系統(tǒng)數(shù)據(jù)庫比對的判斷稱重是否正常、傳感器是否損壞，并由人機界面直觀地顯示出來[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，主要用于那些沒有精確數(shù)學模型或很難建立數(shù)學模型的復雜系統(tǒng)，其診斷過程是當計算機收到故障信息后，綜合利用各種規(guī)則(專家經(jīng)驗)，進行一系列的推理，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算機系統(tǒng)，它由知識庫、數(shù)據(jù)庫、人機接口、推理機、解釋系統(tǒng)組成,其核心是知識庫和推理機。專家系統(tǒng)的性能和解決問題的能力取決于知識庫所擁有知識的數(shù)量和質(zhì)量。

數(shù)據(jù)庫用于存儲初始數(shù)據(jù)和推理過程中得到的中間數(shù)；推理機實際上是一組計算機程序，通過人機界面收集數(shù)據(jù)，并結(jié)合知識庫得出推理決策并解決問題；解釋器即向用戶解釋專家系統(tǒng)的行為。

人機界面是人與機器交互的接口，用來將專家的輸入信息翻譯成機器語言，同時輸出系統(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

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

1)面向應用對象的傳統(tǒng)數(shù)據(jù)庫以字符為處理對象，專家系統(tǒng)則以知識處理為對象。一個理想的EDS應該既能處理數(shù)據(jù)、知識，又能處理其他介質(zhì)，如聲音、圖像和圖形等。

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

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

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)化問題。

5)友好的人機界面。

在靜態(tài)汽車衡稱重中，由于各車每次實載重量的不同，所以,載重數(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)性來進行橫向比較。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，將稱重儀表獨立獲取的各路傳感器信號xi和以RBFNN為手段擬合的數(shù)據(jù)xic進行數(shù)據(jù)比對[6,7]。

汽車衡的多路傳感器按一定的拓撲結(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)性是進行神經(jīng)網(wǎng)絡(luò)預估的基礎(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，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為標準差，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)點的個數(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個隱藏節(jié)點導第j個輸出節(jié)點的權(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有不同的學習策略[9]，在此處采用隨機選取固定中心進行網(wǎng)絡(luò)訓練[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。

在隨機選取固定中心的方法中，基函數(shù)的中心和標準差都是固定的，唯一需要訓練的參數(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數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)訓練。此時RBFNN為一個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個節(jié)點，n為訓練樣本次數(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)點的個數(shù)等于輸入訓練樣本的個數(shù)。因此，如果訓練樣本的個數(shù)n過大，網(wǎng)絡(luò)的計算量將非常大，而導致至效率過低甚至不能實現(xiàn)。廣義神經(jīng)網(wǎng)絡(luò)減少隱含神經(jīng)元的個數(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)點個數(shù)默認n=25。

靜態(tài)衡系統(tǒng)中的數(shù)據(jù)包括實測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汽車時各路傳感器重量內(nèi)碼為例，由于汽車停靠在稱重臺面中間，所以,1#,4#,5#,8#傳感器重量內(nèi)碼偏小,如表1所示。

表1 正常傳感器各路重量內(nèi)碼

2.2 推理機制

根據(jù)以上數(shù)據(jù)庫中的數(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刻只有1只傳感器故障的情況。當n只傳感器均正常時滿足

(xi-xic)/xic<ε,i∈[1,n],

(8)

式中ε為檢測閾值。當任一傳感器故障時，預測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。為了簡便而不失一般性，本文對秤臺正常傳感器做30次實驗，每組實驗檢測次數(shù)k=5，檢測閾值ε取為0.05。

3 實際檢測

通過檢測現(xiàn)場稱量的異常情況。軟件報警第6#傳感器故障，通過檢測機理算出

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

后依據(jù)國家標準檢測規(guī)范對汽車衡進行靜態(tài)檢測，將各路傳感器靜態(tài)重量內(nèi)碼記錄，并與徑向基網(wǎng)絡(luò)輸出預估值對比，證實第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內(nèi)碼

4 在軟件中的應用

在基于規(guī)則的診斷專家系統(tǒng)中，領(lǐng)域?qū)＜业闹R與經(jīng)驗被表示成生產(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可以得出的結(jié)論?；谝?guī)則的診斷知識表達方式直觀、形式統(tǒng)一，在求解小規(guī)模問題時效率較高。

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

5 結(jié) 論

針對目前汽車衡維護、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)庫的專家系統(tǒng)。在采用專家系統(tǒng)進行故障傳感器檢測中，由RBFNN實時擬合預估數(shù)據(jù)，代替?zhèn)鹘y(tǒng)數(shù)據(jù)庫中大量數(shù)據(jù)經(jīng)驗,僅通過少量的稱重信息就可以有效地進行故障判斷。通過在山西地區(qū)多次現(xiàn)場采集、計算、靜態(tài)測試，得出該方法準確率達到96 %以上,為系統(tǒng)的檢修和維護節(jié)省了大量人力和物力。

參考文獻:

[1] 安茂春.故障診斷專家系統(tǒng)及其發(fā)展[J].計算機測量與控制,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方法[J].儀器儀表學報,2009(11):2336-2341.

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

[5] 金 鑫,任獻彬,周 亮.智能故障診斷技術(shù)研究綜述[J].國外電子測量技術(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)的短期負荷預測方法[J].西安交通大學學報,2001,34(4):331-334.

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

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

[9] 房 方,魏 樂.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)學報,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)預測系統(tǒng)的設(shè)計[J].計算機應用與軟件,2008,25(4):149-150.