基于专家系统的汽车衡故障传感器判别

杨 静， 李丽宏

(太原理工大学 信息工程学院,山西 太原 030024)

0 引 言

专家系统(expert system,ES )是人工智能 (artificial intelligence,AI) 技术的重要分支，其智能化主要表现为能够在特定的领域内模仿人类专家思维来求解复杂问题。专家系统必须包含领域专家的大量知识，拥有类似人类专家的推理能力，并能由这些知识来解决实际问题[1]。

称重传感器是静态汽车衡的核心部件，由于使用环境大都是室外露天环境，受到雨水和潮湿空气的影响传感器易于出现性能蜕化、故障,甚至失效,将给后续的检测、控制及其诊断等带来一系列的影响，产生误诊断、误警报，甚至造成不可估量的损失。为了避免传感器故障或失效带来的严重后果，需要对传感器的故障或失效进行甄别,最基础的方法就是人工定期校准，但人工校准不但耗费人力、物力，而且绝大部分情况下根本无法进行。

目前传感器故障诊断方法普遍有：冗余法诊断、人工神经网络方法等,这些方法都需要利用传感器输出之间的关系。在多路传感器相关系的前提下，本文提出了基于专家系统的传感器故障检测[2],利用径向基函数神经网络(radial basic function neural network,RBFNN)拟合值和实测值，初始化专家系统数据库,为决策提供数据依据。

1 静态汽车衡称重系统

静态汽车衡称重系统主要由称重系统和计量软件组成，其中称重系统包括：承重台面、称重仪表和计算机。

汽车衡根据设计的称重量程，一般具有4～12路称重传感器，这些传感器按一定的拓扑结构分布在汽车衡承载台面下方,如图1。由于承载台面的机械构造特殊，不仅自身体积巨大而且自重较高，所以,造成了安装和检修时的困难[3]。

图1 承重台面传感器位置

图1中A,B,C为3块相互叠压的承载台面，依靠紧固螺栓将机械装置连为一体。1#～8#为传感器安装位置，分别安装在承载台面的顶角。

本系统工作流程如图2，静态汽车衡具体工作流程为：当车辆停在汽车衡称重台后，由称重仪表把称重数据上传给计算机，计算机通过专家系统数据库比对的判断称重是否正常、传感器是否损坏，并由人机界面直观地显示出来[4]。

图2 称重流程图

2 专家系统

专家系统故障诊断方法，主要用于那些没有精确数学模型或很难建立数学模型的复杂系统，其诊断过程是当计算机收到故障信息后，综合利用各种规则(专家经验)，进行一系列的推理，快速找到最终故障或最有可能的故障传感器[5]。专家系统是模拟专家决策能力的计算机系统，它由知识库、数据库、人机接口、推理机、解释系统组成,其核心是知识库和推理机。专家系统的性能和解决问题的能力取决于知识库所拥有知识的数量和质量。

数据库用于存储初始数据和推理过程中得到的中间数；推理机实际上是一组计算机程序，通过人机界面收集数据，并结合知识库得出推理决策并解决问题；解释器即向用户解释专家系统的行为。

人机界面是人与机器交互的接口，用来将专家的输入信息翻译成机器语言，同时输出系统的反馈信息，具体如图3所示。

图3 专家系统结构图

2.1 基于径向基的专家系统数据库

专家系统数据库(expert system database,EDS) ,一般来说具有如下特征：

1)面向应用对象的传统数据库以字符为处理对象，专家系统则以知识处理为对象。一个理想的EDS应该既能处理数据、知识，又能处理其他介质，如声音、图像和图形等。

2)处理对象的结构化使得系统能够减少冗余，增强共享能力。

3)独立的EDS具有逻辑结构和物理结构上的独立性，易于扩充和修改。

4)启发性EDS可以在信息不完全、不精确的情况下求解非结构化问题。

5)友好的人机界面。

在静态汽车衡称重中，由于各车每次实载重量的不同，所以,载重数据不具有纵向比较性，只能从各路传感器之间的相关性来进行横向比较。本文在基于RBFNN的专家系统中，充分利用RBFNN的拟合特性和传感器之间的相关性，将称重仪表独立获取的各路传感器信号xi和以RBFNN为手段拟合的数据xic进行数据比对[6,7]。

汽车衡的多路传感器按一定的拓扑结构分布在皮带秤承载框架下方，构成典型的多传感器称重系统，各只传感器相互关联，存在某种函数关系

(1)

由上式表明传感器xi的输出是其他m-1路传感器的输出函数。由式(1)可知传感器的相关性是进行神经网络预估的基础。利用RBFNN逼近所示的多传感器关联函数，从而完成任一传感器的输出估计，广义神经网络模型如图4所示[8]。

图4 广义神经网络模型

得出各路传感器拟合输出

(2)

式中W为RBFNN的权重,W=[w1,w2,…,wm]T。

隐含层基函数为高斯函数

(3)

其中,‖xk-xj‖为欧几里德距离，且

‖xk-xj‖2=

(4)

σ为标准差，按照下式选取

(5)

式中dmax为所选取的中心最大距离，n为隐含节点的个数。

用伪逆法求得输出权值w，在这里期望输出为原始数据中d={xij}。xij为第i个输入向量在第j处的期望输出值。wij(i=1,2,3,…,I;j=1,2,…,J)为第i个隐藏节点导第j个输出节点的权值，则输出权值可用下式求出

w=G+d.

(6)

其中,G+={gkj},矩阵w=wij

(7)

根据径向基函数中心确定方法的不同，RBFNN有不同的学习策略[9]，在此处采用随机选取固定中心进行网络训练[10]。随即选取固定中心的方法能防止径向基函数出现太平或太尖的情况。

在随机选取固定中心的方法中，基函数的中心和标准差都是固定的，唯一需要训练的参数就是隐含层与输出层之间的权值。

在本文中采集多组历史检测数据用于神经网络训练。此时RBFNN为一个8输入，8输出的广义RBFNN。该神经网络输入维数为8，隐含层有n个节点，n为训练样本次数。与正则化神经网络相比，正则化神经网络隐含节点的个数等于输入训练样本的个数。因此，如果训练样本的个数n过大，网络的计算量将非常大，而导致至效率过低甚至不能实现。广义神经网络减少隐含神经元的个数，求得较低维度数空间的次优解。Matlab广义神经网络隐含层节点个数默认n=25。

静态衡系统中的数据包括实测的各路传感器重量数据xi(i=1,2,3,…,8)和由径向基拟合出的数据xic(i=1,2,3,…,8)。

以山西某地静态衡称载40 t汽车时各路传感器重量内码为例，由于汽车停靠在称重台面中间，所以,1#,4#,5#,8#传感器重量内码偏小,如表1所示。

表1 正常传感器各路重量内码

2.2 推理机制

根据以上数据库中的数据可以得出静态衡故障传感器故障判别方法。该诊断率只考虑在同一时刻只有1只传感器故障的情况。当n只传感器均正常时满足

(xi-xic)/xic<ε,i∈[1,n],

(8)

式中ε为检测阈值。当任一传感器故障时，预测输出与自身输入有较大的误差

(xi-xic)/xic>ε.

(9)

这一特性为故障传感器的判断提供依据。连续采样k次后,如果仍然满足上式，则假设成立，而判定第i只传感器失效。为了简便而不失一般性，本文对秤台正常传感器做30次实验，每组实验检测次数k=5，检测阈值ε取为0.05。

3 实际检测

通过检测现场称量的异常情况。软件报警第6#传感器故障，通过检测机理算出

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

后依据国家标准检测规范对汽车衡进行静态检测，将各路传感器静态重量内码记录，并与径向基网络输出预估值对比，证实第6#传感器为故障传感器,如表2所示。

表2 异常传感器各路重量内码

4 在软件中的应用

在基于规则的诊断专家系统中，领域专家的知识与经验被表示成生产规则，一般形式是：if〈前提〉then〈结论〉。其中,前提部分表示能与数据匹配的模型，结论部分表示满足前提时可以得出的结论。基于规则的诊断知识表达方式直观、形式统一，在求解小规模问题时效率较高。

故障判断是静态衡称量软件的一部分，在程序加入简单的判别语句，人机交互其界面上便可以很直观地显示各路传感器当前状态。通过判别检测阈值的大小和故障传感器的编号，可以快捷而有效地判断出故障传感器的位置。

5 结 论

针对目前汽车衡维护、检修的困难，根据汽车衡多传感器相关性提出了以RBFNN为方法初始化数据库的专家系统。在采用专家系统进行故障传感器检测中，由RBFNN实时拟合预估数据，代替传统数据库中大量数据经验,仅通过少量的称重信息就可以有效地进行故障判断。通过在山西地区多次现场采集、计算、静态测试，得出该方法准确率达到96 %以上,为系统的检修和维护节省了大量人力和物力。

参考文献:

[1] 安茂春.故障诊断专家系统及其发展[J].计算机测量与控制,2008,16(9):1217-1219.

[2] 张娅玲,陈伟民,章 鹏,等.传感器故障诊断技术概述[J].传感器与微系统,2009,28(1):4-6.

[3] 林海军,滕召胜,迟 海,等.基于多传感器相关性的汽车衡智能容错方法[J].仪器仪表学报,2009(11):2336-2341.

[4] 李丽宏,王淑娟.专家系统在车辆轴型识别中的应用[J].软件,2012,33(3):12-14.

[5] 金 鑫,任献彬,周 亮.智能故障诊断技术研究综述[J].国外电子测量技术,2009(7):30-32.

[6] 张 涛,赵登福.基于RBF神经网络和专家系统的短期负荷预测方法[J].西安交通大学学报,2001,34(4):331-334.

[7] 吴浩中,黄飞鹏,王开文.基于RBF神经网络的传感器故障诊断研究[J].机车电传动,2003(2):25-27.

[8 ] 唐家德.基于Matlab的非线性曲线拟合[J].计算机与现代化,2008(6):15-19.

[9] 房 方,魏 乐.传感器故障的神经网络信息融合诊断方法[J].传感技术学报,2000,13(4):272-276.

[10] 李 萍,曾令可,税安泽,等.基于Matlab的BP神经网络预测系统的设计[J].计算机应用与软件,2008,25(4):149-150.