Модель підсистеми діагностики транспортного засобу на основі байєсівської мережі



Стаття | Article    

Download

На основі розробленого інструментарію для пакету MATLAB/Simulink запропоновано динамічну модель діагностики стану транспортного засобу. В основі діагностичної підсистеми лежить байєсівська мережа. Розроблена модель дозволяє виявляти причини несправності транспортного засобу в залежності від показань давачів, що встановлені на ключові вузли автомобіля.

THE MODEL OF VEHICLE DIAGNOSTIC SUBSYSTEM BASED ON BAYESIAN NETWORK

The dynamic model of vehicle diagnosis based on developed tools for MATLAB/Simulink was proposed. The basis of diagnostic subsystem is a Bayesian network. The model allows to identify the causes of vehicle failure based on sensors placed on the key components of the vehicle.

Keywords: Bayesian network, MATLAB/Simulink, simulation, S-function, diagnostics

Pysarenko Andrii

PhD, associate professor, Igor Sikorsky Kyiv Polytechnic Institute

Tischenko Dmytro

undergraduate, Igor Sikorsky Kyiv Polytechnic Institute

Ukraine, Kyiv

Діагностика відіграє важливе значення у багатьох галузях людської діяльності. Вчасна та точна діагностика у медицині дозволяє рятувати життя. Діагностика технічних засобів допомагає уникнути тяжких наслідків при виході з ладу важливих вузлів та механізмів. Сучасна діагностика широко використовує можливості інтелектуальних систем, наприклад таких як експертні системи чи штучні нейронні мережі [1]. Наприклад, Mycin – експертна система для діагностики інфекційних хвороб крові та рекомендації антибіотиків [2]. Нейронні мережі використовуються для боротьби з раком, зокрема, з раком молочної залози.

Сучасний світ неможливо уявити без транспорту. Необхідність використання транспортних засобів пов’язана зі значною небезпекою, яка супроводжує людину. За даними Всесвітньої організації охорони здоров’я смерть унаслідок ДТП входить в десятку причин, що її викликають. Розвиток електроніки та мікропроцесорної техніки призвів до впровадження моніторингу на транспорті – постійного контролю ключових параметрів транспортних засобів. Впровадження моніторингу переводить організацію транспортних процесів на більш високий якісний рівень, дозволяє збільшити ефективність транспортних засобів та зробити їх використання більш безпечним.

Розрізняють моніторинг стану та моніторинг параметрів, принциповою відмінністю яких є наявність інтерпретатора вимірюваних параметрів у термінах стану. Зазвичай для цього використовуються експертні системи підтримки ухвалення рішень про стан об'єкта та подальше керування.

Проте для прийняття рішень можна використовувати не тільки експертні системи. Байєсівські мережі,як один з інструментів інтелектуального аналізу даних, також з успіхом використовують для діагностики та прийняття рішень.

Байєсівська мережа – ймовірнісна модель, представлена у формі спрямованого ациклічного графа, вершинами якого є змінні досліджуваного процесу [3]. Така графічна модель для представлення ймовірнісних взаємозв’язків на множині змінних, поєднує у собі теорію ймовірності та теорію графів. Байєсівська мережа є ефективним інструментом для вирішення проблем, пов’язаних з невизначеностями та опису складних процесів.

Ефективне застосування байєсівських мереж тісно пов’язано з можливістю їх комп’ютерного моделювання. На теперішній час створено ряд програмних засобів, що дозволяють працювати з байєсівськими мережами.

Аналіз існуючих програмних пакетів, враховуючи їх функціонал та наявність безкоштовної ліцензії, виявив відсутність можливості створення динамічних моделей, що дозволяли б досліджувати поведінку систем у часі. Тому було вирішено поєднати можливості програмних продуктів GeNIe та Bayes NetToolbox. Обидва продукти, як уже зазначалось у [5], є повністю безкоштовними. GeNIe має зручний графічний інтерфейс та дозволяє користуватись алгоритмами для автоматичної побудови байєсівських мереж, однак отримані мережі неможливо включити до складу більш складних динамічних моделей. У Bayes NetToolbox відсутній графічний інтерфейс, але є можливість організації взаємодії з іншими модулями пакету MATLAB.

Серед таких модулів найбільший інтерес викликає надбудова MATLAB/Simulink, що використовується для моделювання найрізноманітніших систем та процесів. У ньому є набори інструментів для моделювання аерокосмічних систем, нейронних мереж, нечіткої логіки, систем керування та багатьох інших.

Створення користувацьких блоків для Simulink передбачає написання спеціальних функцій, – так званих S-Function [4]. Крім того, для перетворення моделей, отриманих уGeNIe, до вигляду, що використовується у Bayes Net Toolbox, був написаний окремий скрипт. Завдяки цьому скрипту можна створювати моделі за допомогою графічного інтерфейсу у GeNIe, а потім конвертувати у структуру Bayes NetToolbox.

S-Function приймає на вхід значення певних вершин та видає імовірності для інших вершин мережі. Загальний алгоритм запропонованого рішення можна представити наступним чином:

$1)$ створення байєсівської мережі у середовищі GeNIe;

$2)$ експорт структури та параметрів створеної мережі;

$3)$ визначення вхідних та вихідних величин мережі Байєса;

$4)$ побудова динамічної моделі у Simulink на основі S-Function.

Середовище GeNIe зберігає структури і параметри байєсівської мережі у форматі XML. На початку моделювання у MATLAB/Simulink, скрипт зчитує вмістXML-файлу, вибирає необхідні параметри та виконує команди для створення мережі у форматі тулбоксу Bayes Net. Потім, у ході моделювання, дані зі входівS-Function додаються у модель у вигляді свідчень (evidence). На основі цих свідчень формується ймовірнісний висновок. Цей висновок, у вигляді числових значень імовірностей необхідних вершин, подається на вихід S-Function.

На рис. 1 наведено структуру байєсівської мережі діагностування несправностей автомобіля.

Рис. 1 – Модель Car Diagnosis

Вершини мережі представляють ключові вузли автомобіля або їх параметри. Для кожного вузла визначено перелік станів, у яких він може перебувати, а також імовірність з якою цей вузол перебуває у тому чи іншому стані. Маємо наступні вершини:

$1)$ Main fuse – головний запобіжник.

$2)$ Alternator – генератор змінного струму.

$3)$ Charging system – система зарядки акумулятора.

$4)$ Battery voltage – напруга на акумуляторі.

$5)$ Battery age – вік акумулятора.

$6)$ Headlights – фари.

$7)$ Voltage at plug – напруга на свічках запалювання.

$8)$ Distributer – розподілювач запалювання.

$9)$ Spark timing – час запалювання.

$10)$ Spark quality – якість іскри запалювання.

$11)$ Spark plugs – правильність встановлення свічки запалювання.

$12)$ Starter Motor – стартер.

$13)$ Starter system – система старту двигуна.

$14)$ Fuel system – паливна система.

$15)$ Air filter – повітряний фільтр.

$16)$ Air system – повітряна система.

$17)$ Car cranks – стартер обертає двигун, але автомобіль ще не завівся.

$18)$ Car starts – автомобіль завівся.

У якості вхідних вершин було обрано: Battery voltage, Voltage at plug, Starter Motor, Car cranks та Car starts, оскільки ці величини підлягають безпосередньому вимірюванню під час функціонування транспортного засобу.

Battery voltage має три стани : strong, weak та dead.Стан strong відповідає значенню напруги від 10 до 12 В, weak від 9 до 10 та dead 0-9 В.

Voltage at plug – strong (20-25 кВ), weak (17-20 кВ) та none (0-17 кВ).

Starter Motor має двастани, які визначаються обертами на валу: Okay (200-300 об/хв) та Faulty (0-200об/хв).

Car cranks – True (400-700об/хв), та False (0-400 об/хв).

Car starts – True (1500-2000 об/хв), False (0-1500 об/хв).

Модель підсистеми діагностики у MATLAB/Simulink представлена на рис. 2.

Рис. 2 – Модель підсистеми діагностики транспортного засобу у MATLAB/Simulink

Процес вимірювання значень вхідних параметрів моделюється за допомогою блоку Signal Builder (рис.3). В подальшому замість нього можна подати сигнали з моделі транспортного засобу або дані, отримані з автомобіля.

Рис. 3 –Значення вхідних величин. Signal 1 – Battery voltage, Signal 2 – Voltage at plug, Signal 3 – Starter Motor, Signal 4 – Car cranks, Signal 5 – Car starts

Для перетворення числових значень параметрів у номер стану використовуються блоки sfun_case.

Байєсівська мережа міститься у блоці sfun_bnet.

a)

б)

Рис. 4 – Результати моделювання

Остаточний висновок формується блоком sfun_decisions. Вершини мають два або три стани. Крім того, деякі вершини передбачають градацію станів від «найкращого» до «найгіршого», а інші мають декілька «поганих» станів та один «добрий». Тому у висновку вказуються одразу дві вершини ­– з максимальною вірогідністю другого (рис. 4а) та останнього стану (рис. 4б). Для деяких вершин другий стан і є останнім, тому вони враховуються у обох порівняннях.

Результатом є номер вершини, яка є найвірогіднішою причиною поломки. У разі, якщо автомобіль заводиться, то імовірнісний висновок вказує на ту вершину, яка з найбільшою вірогідністю може стати причиною поломки. Наприклад, у період часу 2-4 c за останнім станом найвірогіднішою є вершина під номером 2 (Charging system), а за другим – під номером 9 (Sparkquality).

Таким чином,представлена модель підсистеми діагностики на основі мережі Байєса, дозволяє застосовувати її для формування висновку про причину несправності транспортного засобу. Запропоноване рішення дуже гнучке, оскільки дозволяє обирати які величини є вхідними (можуть бути виміряними), а які є вихідними (висновок по причинам несправності автомобіля). Перспективними кроками є включення розробленої підсистеми у модель, що дозволить на основі отриманих результатів впливати на проблемні вузли та підтримувати або повертати (за можливості)працездатність всієї системи.

ПЕРЕЛІК ПОСИЛАНЬ

$1.$ Diagnostic Expert Systems: From Expert’s Knowledge to Real-Time Systems [Електронний ресурс] //TMRF e-Book Advanced Knowledge Based Systems: Model, Applications &Research. – 2010. – Режим доступу до ресурсу: http://www.tmrfindia.org/eseries/ebookv1\-c4.pdf.

$2.$ Wesley A. Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project / Addison Wesley. – MA, 1984. – 754 с.

$3.$ Байєсівські мережі в системах підтримки прийняття рішень / М. З. Згуровський, П. І. Бідюк, О. М. Терентьєв, Т. І. Просянкіна-Жарова. – Київ: ТОВ «Видавниче Підприємство «Едельвейс», 2015. – 300 с.

$4.$ Write Level-2 MATLAB S-Functions [Електронний ресурс] – Режим доступу до ресурсу: https://www.mathworks.com/help/simulink/sfg/writing\-level\-2\-matlab\-s\-functions.html.

$5.$ Писаренко А. Інструменти побудови динамічних моделей інформаційних систем із застосуванням байєсівських мереж / А. Писаренко, Д. Тишенко. // Winter InfoCom 2016: Матеріали III Міжнародної науково-практичної конференції. – 2016.

Jun 14, 2017