文摘
本文提出一种新颖的模糊确定性无控类型(FDNCT)系统和一个FDNCT推理算法(FIA)。FDNCT使用模糊输入并产生一个确定性non-fuzzy输出。FDNCT是一个扩展和替代现有的模糊单例推理算法。本文中描述的研究FDNCT适用于构建一个架构的智能系统来检测和消除潜在的火灾混合动力电动汽车的发动机和电池仓。传感器数据的模糊输入由发动机和电池仓,即温度、水分,和电池的电压和电流。系统综合数据和检测潜在的火灾,需要行动来消除风险,通知乘客的潜在火灾使用声音报警。本文还介绍了计算机模拟的结果比较国际汽联和单例推理算法来检测潜在的火灾和确定的行动来消除它们。
1。介绍
混合动力电动汽车(HEV)推进系统使用高压电池和发动机。引擎位于前面的车辆,和电池是在后面。戊肝病毒在正常操作期间是安全的。然而,它可以捕获火灾由于多个条件,即高温的发动机,电池破裂,泄漏液体,故障燃料箱,高温废气再循环系统,异常磨损的引擎和电池。事故火灾的可能性增加。因此,重要的是要理解的条件导致发动机和电池仓内潜在的火灾和采取措施消除影响。本文中描述的研究对这个话题。
根据最近出版的国家防火协会(NFPA) [1),已经有近287000美国汽车火灾在2003年和2007年之间。大火已造成无数生命和财产损失引起的。大部分车辆火灾是由于汽车流体泄漏、磨损机械部件,碰撞,电力故障。机舱火灾约86%的报道轻微病例和重大案件的70%。引擎火灾主要是由于油箱或燃料线故障。高电压锂离子电池在雪佛兰乘客戊肝病毒(2是电池起火事件的最近的例子之一。
如果机舱的温度和湿度很高,有一个火灾的可能性。电池是能量的主要来源之一的戊肝病毒(3]。如果电池没有操作有效地在充电过程中,电压不会增加。这表明化学平衡电池。如果这种模式继续和车厢的温度增加,电池可能会着火。燃油泄漏和能源管理管理不善可能导致引擎火灾的戊肝病毒(4]。过度充电会影响电池的爆炸和一个潜在的火灾。因此,重要的是要自动检测和消除潜在的火灾。
在一个典型的电池充电,电池的电压恒定电流输入增加,并减少后,到达峰值电压点。典型湿电池铅酸电池操作温度在85°和95°F。他们似乎降解性能如果温度大于125°F。在这个温度,化学失衡的可能性和潜在的火灾隐患。
基于前面的讨论,以下数据识别潜在的火灾:机舱的温度和水分的百分比,电池盒的温度,电压在充电过程中电池的特点,以及当前电池的充电和放电的特点。在发动机和电池仓传感器读取数据。
传感器数据在一段时间内显示不同模式取决于发动机和电池仓的条件。合成所需的数据是基于数据的时间和模式。例如,在发动机舱内温度的变化率可能会增加,减少,或呆在特定的时间长度相同的水平。在这种情况下,智能系统为一段时间内必须监控温度传感器和分析模式来确定一个潜在的火灾条件存在。变化的速度可以值大于零。一般来说,主题专家表示数据值在主观方面,也就是说,低,中,高值。没有精确定义的值低或高。因此,传统的分析技术缺乏方法处理主观的语言条件。一个智能系统和一种新方法是必要的收集所需的数据和合成他们来检测潜在的火灾和采取行动。此外,该系统必须处理语言的定义的变化率值。
模糊逻辑(5)提供了一个综合模糊和不确定的语言参数的推理机制。在文献中,模糊逻辑被人们用来探测火灾干湾和飞机的机舱6,7]。然而,他们使用基于规则的启发式或直方图和图像分析。一个基于网络的火灾探测8)也在文献中,但它主要是为家庭自动化系统。的相关工作9,10)使用传统Mamdani模糊逻辑(11)方法来探测火灾。最重要的是模糊逻辑应用程序似乎在文献中使用Mamdani火灾探测方法设计一个系统。Mamdani方法允许用户使用语言来表达系统的模糊规则条款。因此,专家们倾向于使用自然语言定义的规则,规则库和它增加了复杂性。随着规则库的增加,所需的内存空间和计算处理增加。此外,他们都使用输出隶属度函数近似,它需要更多的内存和计算。
一种模糊无控的系统进程模糊输入并产生一个确定的输出。输出是nonfuzzy,它可以有多个确定性值基于规则的含义。这种类型的系统需要检测和消除潜在的火灾戊肝病毒。本文提出了一种新颖的模糊确定性无控类型(FDNCT)推理系统和一个算法。FDNCT必须简单和更少的内存和计算的要求。它必须最小化未来规则修改的复杂性。此外,它必须有助于实现FDNCT芯片使用简单的逻辑架构和最小值的元素。
(描述的工作12,13)提出了规则约简方法达到计算效率。另一方面,作者似乎引入复杂的算法减少了规则和创建一个新组隶属度函数。(描述的方法12,13]复杂主题专家定义新规则或修改现有的规则。相反,单模糊集方法(14,15)提供一个模型使用实数的模糊规则,让模糊推理的一部分近似输出基于规则的加权平均相结合的先例。然而,他们需要定义多个模糊单件或实数获得结果。加权平均可能不是输出系统预计将执行一些操作。因此,在使用前需要额外处理或内存输出结果。中定义的方法(16,17]也遵循类似的近似方法,需要定义多个实数或模糊单例。这些方法都有近似的方法使用一个实数或产生一个确定的输出模糊集合,例如,输出一个确定性0.25或0.5的价值取决于适当的规则先行词的含义。
不存在简单的方法在文献中,这类似于提出FDNCT检测潜在的火灾和确定行动来消除它。为了填补这一空白和描述的方法的缺点14- - - - - -17],本文提供了以下的新贡献检测和消除潜在的火灾在混合动力汽车的发动机和电池仓。(我)FDNCT系统和FDNCT推理算法(FIA): FDNCT和FIA过程模糊输入并生成确定性nonfuzzy输出值。(2)智能检测系统的潜在火灾(IDSPF): IDSPF基于FDNCT提出系统的体系结构和FIA。国际汽联产生确定性的初始值,备用,IDSPF喷雾,并通知行为。
IDSPF有以下不同的特性,它有别于现有文献中描述(14- - - - - -17]。(我)主题专家总是使用Mamdani方法表达规则,组织他们推理和FDNCT系统方法。因此,没有改变的专家来添加或修改规则。(2)语言变量代表规则的输出,即初始(在),备用(圣),和喷雾(Sp),但是,在输出近似,国际汽联产生一个实数取决于规则先行词的含义。部分2和3有细节。(3)国际汽联的扩展和替代现有模糊单例推理算法中描述(14- - - - - -17)方法。部分2和3有细节。(iv)FDNCT和FIA提供简单的架构比现有的模糊单例推理算法中描述(14- - - - - -17)方法。国际汽联艾滋病在发展中FDNCT芯片使用最小数量的组件(作者未来的工作)。
IDSPF不断监控引擎和电池仓事件的高温,泄露的液体(水分)和异常电压充电的电池。然后使用FDNCT综合数据,并确定所需的行为,即喷雾灭火代理,保持喷雾器在待机或初始模式,并通知乘客舱乘客使用一个声音报警。IDSPF执行行动,消除潜在的火灾。
剩下的纸是组织如下。部分2介绍了FDNCT IDSPF的系统模型和体系结构。部分3描述了FDNCT推理算法(FIA)。部分4描述一个FDNCT实现的一个例子。部分5介绍了仿真结果的IDSPF使用FDNCT对单例的方法检测潜在的火灾。本文的结论部分6。
2。智能检测系统的潜在火灾(IDSPFs)
解释该IDSPF FDNCT,本文假设规则和操作点的混合动力汽车的发动机和电池仓。实际的规则和操作的实现依赖于专家知识的情况IDSPF和FDNCT应用。每一个实现都可以有不同的操作范围,但都遵循同样的方法提出了IDSPF FDNCT。
本节描述系统架构提出IDSPF的部分2.1并在部分FDNCT系统模型2.2。
2.1。IDSPF架构
图1显示了该IDSPF系统体系结构的示意图。组件的IDSPF如下:(我)传感器(温度(两个传感器)、湿度、电压、电流),(2)喷雾喷流(四),(3)无线路由器,(iv)智能模糊处理单元(IFPU):(一)FDNCT系统,(b)数据处理器,(c)数据存储、(d)通知/灭火处理器,(v)电子报警。
图2说明了IDSPF的工艺流程。
(1)以下5个传感器监控引擎和电池仓和发送数据到IFPU每一分钟。(我)发动机室:(一)温度传感器,(b)湿度传感器,(2)电池盒:(一)温度传感器,(b)在电池电压传感器,(c)电流传感器的电池。
更快的温度和湿度数据的收购,一种近红外探测器(18可以使用)。然而,本文并不建议一种传感器使用只要传感器符合下列IDSPF假设:(我)IDSPF使用预先确定的传感器和喷嘴类型,(2)湿度传感器发送的数据百分比(%),(3)的位置和位置传感器处理各种因素,即降噪,能够承受高温环境,维持振动和冲击,和准确的数据,(iv)喷射飞机使用预定的灭火药剂。它符合美国保险商实验室(UL)分类器(http://www.ul.com/),即为布,B为易燃液体和气体,C现场电气设备,和D对可燃金属,(v)传感器的信号数据进行处理和转换为数值数据,(vi)传感器使用无线通讯传输数据。
(2)传感器/探测器与IFPU通信使用无线局域网(WLAN。IFPU接收来自传感器的数据的数据处理器并将它们存储在数据存储(例如,一个外部硬盘或物理内存设备)。让从引擎,目前的温度读数从引擎,目前水分阅读从电池盒是当前温度读数,电池的电流电压读,是目前电池的电流。
(3)数据处理器计算的变化率中的每个传感器数据并将它们存储数据存储每两分钟。让是温度的变化率的引擎,是水分的变化速度阅读从发动机,是的变化率从电池盒温度读数,是电池的电压读数的变化速度,和的变化率读数的电池的电流。
(4)FDNCT系统接收的数据数据处理器并应用国际汽联。它将输出发送回数据处理器。的FDNCT系统实现了FIA提出。
(5)基于传感器的读数数据处理器相互作用的FDNCT系统如下。(我)发送和到FDNCT系统和接收输出的决定机舱。(2)发送,,到FDNCT系统和接收输出的决定电池盒。(3)发送和到FDNCT系统和接收输出的决定机舱。(iv)发送,,到FDNCT系统和接收输出的决定电池盒。
的数据处理器可实现传感器读数数据在发送之前FDNCT系统使用适当的数据表所示2。
(6)数据处理器确定适当的行动值的基础上,,,。喷射飞机的行动保持默认状态,喷洒灭火剂,保持喷喷气机在待机模式,并警告乘客关于潜在汽车火灾。确定性的输出FDNCT系统提高了决策过程的IDSPF迅速采取行动。
(7)通知/灭火处理器推荐的操作执行数据处理器。
2.2。FDNCT系统模型
FDNCT是一个扩展和替代现有的模糊单例中描述推理算法(14- - - - - -17]。fuzzifier FDNCT系统有修改。FDNCT取代了单例推理的模糊推理算法。本节描述该FDNCT系统模型中使用的IDSPF引擎(1)和电池(2混合动力汽车)的隔间。该模型如下: 在哪里是th规则规则,也就是说,的一个潜在的火灾在发动机舱内。和是归一化的发动机机舱的温度和湿度传感器数据实例,分别。和相关的语言输入的模糊集隶属函数或温度和湿度数据,分别在哪里分别为3。是输出。是确定的值3,(初始)),(备用(St)),(喷雾(Sp))(通知(Nt)): 在哪里是th规则规则,也就是说,电池盒内的一个潜在的火灾。,,规范化的发动机温度,电流,电压传感器电池盒的数据实例,分别。,,相关的语言输入隶属度函数和模糊集在哪里分别为3。是输出。确定的值3,(初始)),(备用(St)),(喷雾(Sp))(通知(Nt))。
IDSPF使用输入值的变化率(归一化)和实际值(规范化)来确定正确的行动为一个潜在的火灾事件
为了简化计算,减少处理,语言输入隶属函数使用一个三角形的特性曲线。图3说明了三角会员特性曲线。隶属度函数的温度、电流、和水分输入使用简单的语言术语,即,低,中,高。然而,电压变量的名字是减少,增加,没有变化。在图3,,,在设在一开始,中心,分别和结束时的模糊集。在设在会员等级,fuzzified是输入值。的会员级别是零和,但在的会员级别是1。之间的值和有不同等级的会员基础上的位置吗和三角形。
与文献中的方法,FDNCT使用没有输出隶属度函数或单件,但输入隶属度函数表示(3)作为模糊集。表4说明了标准化的范围用于隶属度函数。图4说明输入的会员曲线,即,,。图5说明了会员曲线输入,即。
之前不分明化的输入,输入值归一化基于最大数字对于一个给定的变量如表所示2。的fuzzifier FDNCT nonfuzzy输入的地图,,,,到合适的会员等级根据(3),表4,数据4和5。这个过程被称为模糊化。这个过程使用(4)计算会员等级:
模糊推理过程FDNCT取决于if - then规则中定义(1)和(2)。主题专家表达规则的潜在的火灾探测和使用Mamdani方法消除他们的行动。简化规则、语言名称提供给每一个预期的输出,即在初始状态的喷雾器,圣让待机模式的喷雾器,Sp喷洒灭火剂的喷雾器,乘客和Nt发送报警通知。表5和6代表Mamdani引擎和电池仓的规则集,分别。Mamdani方法需要定义隶属度函数为每个输出。单例模式方法在文献中使用实数作为输出,但是他们不确定的输出。与文献中现有的单例模式相比,该FDNCT系统使用没有输出隶属函数,而是计算确定的输出值基于规则的含义使用FDNCT推理算法以小说的方式(FIA)。部分3描述了国际汽联的发动机和电池仓来确定确定的输出值。
3所示。FDNCT推理算法(FIA)
本节描述了国际汽联。(所示的模型表示为5)。让的预期输出FDNCT系统,是输出矩阵的基础上FDNCT规则系统,是的输出的行数矩阵,是列号的排的输出矩阵,来行和来输出的列矩阵。国际汽联假设规则含义聚合使用模糊或操作符:
的价值可以计算使用(6)。让的第一个输入变量的值和FDNCT系统和是相应的隶属度和输出系数th语言输入隶属函数模糊集,分别语言输入的第一个输入变量的隶属度函数。的价值可以计算使用(4)。
让会员等级的向量()1日输入变量的隶属度函数的输出系数向量对应的隶属度函数。让是最大的指数,也就是说,(8)的第一个输入变量
的价值可以计算使用(9)。让的值是th FDNCT系统的输入变量来输入,和是相应的隶属度和输出系数th语言输入隶属函数的模糊集th输入,分别语言输入隶属函数。的价值可以计算使用(4)。
让会员等级的向量()的隶属函数输入。让的向量输出相应的隶属度函数的系数输入。让是最大的指数,也就是说,(11)的th投入:
国际汽联实现过程如下。
步骤1。模糊if - then规则安排在一个矩阵的格式如表所示5和6。让是输出矩阵组成的独特的组合的所有输出隶属度函数,在那里的行数和吗列的数量。如表所示6假设只能有一个语言输入成员变量与一个输出每行每列和多语言的输入变量。专家表示语言变量低,高,增加等等。
步骤2。确定独特的语言输出和分配独特的数字从1开始。让独特的输出的总数。表5和6说明这个步骤的输出的结果如表所示1。替换所有的语言输出变量独特的数字。让被分配的输出数量th行和th列。
步骤3。为每个输入分配一个惟一的编号,每一个独特的语言输入变量使用一个一个从一个增量。表7展示了一个示例作业。
步骤4。让是语言输入变量的总数没有输出系数和th列是语言输入变量的总数,输出系数。让是一种语言输入变量的输出系数,是1。确定三角洲输出系数使用(12),并将其分配给所有的语言输入变量没有输出系数列。如果任何剩余的列有任何语言输入变量在相同的位置列,然后分配他们的输出系数与输出相应的语言输入变量的系数列。例如,假设第一列低和高的语言输入变量和0.33和1.35的输出系数低和高的语言变量,分别。假设中低,第三列和第四列介质和高语言输入变量。在这种情况下,变量在第三列低0.33,第四列和高价值得到1.35。重复步骤4所有剩下的列,以确保所有的语言输入变量的输出系数。执行所有任务后,最后矩阵看起来如图6和表7:
第5步。让是语言输入变量的总数行,没有输出系数,是语言输入变量的总数,输出系数。让是一种语言输入变量的输出系数是1。确定三角洲输出系数使用(13),并将其分配给所有的语言输入变量没有输出系数行。从一行只能输入变量,重复步骤5所有剩下的行以确保所有语言输入变量的输出系数。执行所有任务后,最后矩阵看起来如图6和表7:
步骤6。所示(14),让的总数输入FDNCT系统。让是所有的向量数值指定语言的输入变量th输入(步骤3),。让是语言的输入变量的总数输入。让的输出系数语言的输入变量。基于(14),发动机和电池盒的语言输入变量IDSPF可以表示为(15)和(16),分别。我们有
输出矩阵(图6和表7),(15)和(16)作为知识推断IDSPF FDNCT系统的输出。下面的方程作为国际汽联引擎:(4),(5)和(9)。部分4描述了FIA的应用程序使用一个例子。
4所示。FIA的例子
本节描述的应用FIA使用IDSPF输入的一个例子。
例1。我们有以下步骤。
步骤1。让华氏160°,是75%,华氏85°,3安培,是10伏特。规范化的输入值除以输入使用适当的数字表所示2和这两个小数点。表表达中使用的每个变量的最大操作点IDSPF实现。归一化值如下:,,,,。
步骤2。计算每个输入值的使用(4所有对应的输入隶属函数)。发现的最大价值值为每个输入,并找到相关的输出系数(15)和(16)。计算值如表所示3。
步骤3。根据系数的值列在表3FDNCT输出值的发动机和电池仓可以计算使用(5)。从表3,发动机室的输入和。相应的输出系数和;基于(5)和图6的价值是3;喷雾器喷雾,因为是> 2,发送警报通知乘客舱。同样,电池盒,和(5列)。基于(5)和表7的价值,是2;也就是说,保持喷雾器在待机模式。
5。仿真结果
作者模拟国际汽联的性能和单例方法使用计算机软件,也就是说,Matlab和Simulink,和一组标准化的输入数据引擎和电池仓。表8演示了一套小的大的样本数据集用于仿真。生成的数据是使用Matlab中的随机()函数库。在未来的工作中,模糊芯片可以实现测试方法在实际设置。
图7说明FDNCT的性能在单例方法的一个示例数据超过20迭代混合动力汽车的发动机室。FDNCT需要平均0.09秒执行一个动作的机舱,而单例方法平均需要0.12秒。FDNCT方法减少了大约25%的时间比单例方法。
图8说明FDNCT的性能优于单例的方法为一个示例数据超过20迭代混合动力汽车的电池盒。FDNCT需要平均0.11秒执行一个动作的电池盒,而单例方法平均需要0.19秒。FDNCT方法减少了大约42%的时间比单例的方法。
FDNCT方法的主要好处是开发一个模糊芯片与减少组件数量,和生产确定输出一个简单的和最小数量的模糊规则。的运行时间优势FDNCT在单例方法是次要的。
图9说明了动作输出使用FDNCT和单例方法20-sample数据混合动力汽车的电池盒。FDNCT输出确定值而单例方法输出不确定的值。FDNCT已经脆输出相比,单例方法。确定的输出无控类型的应用程序是必要的。类似的结果也获得了机舱仿真。基于图9,看到FDNCT方法(即需要喷涂操作。、动作输出= 3)迭代通过17个数字6。然而,单例方法需要一个非常不同的行动为每个迭代,它从不喷洒在整个模拟行动。单例方法似乎不来检测潜在的火灾,即使存在潜在的火灾情况。
6。结论
IDSPF是一种无控系统,采用模糊输入并产生一个确定的输出。IDSPF使用顺向的部分模糊规则作为一个潜在的火灾探测和确定的输出作为一个行动来消除潜在的火灾。对于无控类型的系统,使用模糊单例方法相比,FDNCT和FIA提供简单的解决方案,减少数量的计算。FDNCT产生一个确定的输出不使用一个输出模糊集合隶属函数。国际汽联和FDNCT工作与大多数使用模糊输入和无控类型的应用程序需要一个确定的输出。国际汽联是一个扩展和替代模糊集合的算法。传统的加权平均方法Mamdani单例方法需要更多的处理和更费时的模糊规则数量的增加。因此,提出FDNCT和FIA提供一个系统和一个算法,需要更少的存储空间和更高效的合成模糊输入和产生一个确定的输出。
本文的作者打算实施IDSPF和开发一个FDNCT模糊芯片使用硬件描述语言(HDL)在他们未来的工作。新方法允许使用最少的。
免责声明
此处引用到任何特定的商业公司、产品、过程或服务的贸易名称、商标、制造商,或者不一定构成或暗示其背书,建议,或由美国政府支持的军队(DoA)。作者所表达的意见并不一定国家或反映了美国政府的DoA,不得用于广告或产品代言的目的。