面向随机混成系统的SysML组合建模语言及转换为概率混成自动机的方法

技术领域

本发明公开了一种面向随机混成系统的SysML组合建模语言及转换为概率混成自动机的方法，主要用于对混成系统使用SysML及其扩充建模语言进行半形式化建模后通过模型转换规则转换为形式化的自动机模型。本发明是一种混成系统的半形式化建模以及将其转换到形式化模型的建模转换方法。

背景技术

混成系统是一种软硬件子系统相互之间耦合紧密的动态系统，目前广泛应用于航空电子、远程医疗、汽车电子等领域，并且通常由离散和连续两部分组成。但现有的建模语言无法同时刻画混成系统的离散和连续的两种属性，所以通常需要使用两种或两种以上建模语言进行组合建模。

SysML是一种应用广泛，表意丰富的图形建模语言，可以使信息系统的结构、行为、需求和参数(数学模型)等方面可视化，便于后期就设计内容沟通和修改，但是其缺乏描述系统连续性的能力。而Modelica是一种基于方程数学建模语言，能够规范化地建立复杂系统的数学模型，从而实现对动态系统的仿真，可以描述信息物理系统的连续行为。

但SysML和Modelica的组合建模为半形式化模型，无法直接对其进行形式化验证。所以本发明提出一种从半形式化模型到形式化模型的转换算法。为了描述混成系统的通信属性以及不确定性，选取概率混成接口自动机作为形式化模型。在此基础上，展开后期的形式化验证工作。

发明内容

混成系统不仅存在连续变化和离散迁移变化，通常还具有通信属性以及不确定性。同时为进一步对其进行形式化的验证，需要将模型转换为形式化描述。基于上述情况，本发明采用SysML和Modelica进行组合建模，并将其转换为概率混成加权自动机，进而提出一种新的面向随机混成系统的SysML组合建模语言及转换为概率混成自动机的方法。

本发明是一种面向随机混成系统的SysML组合建模语言及转换为概率混成自动机的方法，具体实施方法如下：

步骤1：选取概率混成接口自动机作为描述系统的形式化模型

概率混成接口自动机A是一个多元组

步骤2：分别采用SysML和Modelica对混成系统的信息部分和物理部分进行建模，并基于元模型机制建立两者的对应关系。

混成系统的信息部分采用SysML的块定义图和状态机图进行描述。块定义图用于定义Block的特征以及Block之间的关系。行为状态机是一个有向图，由一组节点和一组相应的转移函数组成。其中，节点称为状态，转移函数又称状态转移条件。行为状态机通过响应一系列事件而″运行″。Modelica是一种面向对象的语言，具有一般类的特点。由于其基于方程建立，故可以在混合微分代数方程组中描述系统的连续特性。为了更好地描述SysM[和Modelica的对应关系，本发明定义了一个新的包含元模型、目标元模型、源元模型类型、依赖条件、约束和优先级的六元组作为对应规则。

步骤3：根据半形式化模型与概率混成接口自动机的语法语义提出模型转换规则和算法。

根据上述步骤提出的半形式化模型和自动机的语法语义进行对比，以及SysML和Modelica模型之间的对应规则，提出相应的转换算法。

步骤4：提出由SysML模型和Modelica模型转换得到的自动机的组合规则。

根据SysML和Modelica模型转换得到的PHIA的特征，提出一种区别于传统混成自动机组合的新的自动机组合方法。

本发明根据混成系统的实际特性对SysML语言进行了概率属性的扩展，使其能够足以描述混成系统的离散变化、连续变化、不确定性、通信属性等性质，同时使用模型转换算法将模型转为自动机模型，为后续进一步的形式化验证和分析工作奠定基础。

附图说明

图1为面向随机混成系统的SysML组合建模语言及转换为概率混成自动机的方法

图2为SysML模型转换为PHIA_s伪代码

图3为Modelica模型转换为PHIA_m伪代码

图4为PHIA_s和PHIA_m的组合算法伪代码

图5为超车系统决策部分的状态机图

图6为完整的PHIA模型

具体实施方式

本发明的实施提供了一种面向随机混成系统的SysML组合建模语言及转换为概率混成自动机的方法，为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明的目的是，针对无法对复杂的混成系统进行直接的形式化建模的问题，包括对具有不确定性和通信属性的混成系统进行半形式化建模，并提出一种从初步半形式化建模转换到形式化的自动机的模型转换方法。

对于半形式化建模的方法，采取SysML和Modelica建模语言对混成系统的信息部分和物理部分进行建模，为了能够解决混成系统的不确定性和通信属性，对SysML建模语言进行了扩充，提出了SysML概率行为附件，而物理系统方面为了能够使Modelica与SysML模型建立联系，在元模型的基础上建立两者的对应关系。最终采用概率混成接口自动机的模型，其能够描述混成系统的不确定和组件通信的性质。

面向混成系统的SysML扩展建模语言及其转换为概率混成接口自动机的流程如附图1所示。具体的发明实施方法如下：

1.选取概率混成接口自动机作为描述系统的形式化模型

概率混成接口自动机不仅可以描述信息物理融合系统的离散与连续变化性质，还能够对系统的不确定性以及通信属性进行相应的表达。

概率混成接口自动机(Probability Hybrid Interface Automata，PHIA).概率混成接口自动机A是一个多元组

(1)S

(2)

(3)X

(4)

(5)

(6)L：S→2

(7)Φ：S

(8)β是一个为S

(9)P：S

(10)T是转换关系的集合，T中的元素t包括

2.分别采用SysML和Modelica对混成系统的信息部分和物理部分进行建模，并基于元模型机制建立两者的对应关系。

2.1使用SysML对混成系统的信息系统进行建模，提出SysML概率行为附件。

2.1.1块定义图

块定义图用于定义Block的特征以及Block之间的关系，例如关联(Association)、泛化(Generation)和依赖(Dependency)。块定义图表达了Block上的属性和操作，以及基于Block的系统层次结构或系统分类树之类的关系。关联表示Block之间拥有普通关联(Association)、组成(Composition)或聚合(Aggregation)的关系，分别用实心菱形和空心菱形表示；泛化表示Block之间的继承关系(is a)，具体形式为类与类之间的继承关系，接口与接口之间的继承关系；依赖表示Block之间的相互依赖关系(use a)，其中一个Block的变化将影响另一个Block。

2.1.2行为状态图

状态机图定义了一组概念，可使用SysML中的有限状态机的形式化标准对离散事件驱动的行为建模。本发明采用的行为状态机是一个有向图，由一组节点和一组相应的转移函数组成。其中，节点称为状态，转移函数又称状态转移条件。行为状态机通过响应一系列事件而″运行″。从初始状态开始，每个状态都有相应的状态转移函数，当对应的事件到来时状态发生转换，在所有状态中至少有一个是终止状态，运行到终止态时状态机停止。

2.1.3 SysML模型的概率拓展

为了描述系统的概率行为，本发明在SysML原有的transition基础上添加了带有概率的卫式转移，transition的每个分支都带有一个数，代表选择这个分支的概率。

2.2通过Modelica对混成系统的物理部分进行建模

Modelica的类、方程结构可以建模混成系统物理部分中存在的连续变化和离散变化。

2.2.1类

Modelica中每个对象都有一个定义其数据和行为的类。类包含三种类型的成员有变量、方程和类本身。变量可以将类及其对象进行关联；方程表示类的行为，不同类之间的方程的相互作用决定了模型的求解过程；而类本身也可以作为其他类的成员。

2.2.2方程

传统语言中的赋值语句在Modelica中通常用方程表示，基于方程的建模方法不指定数据流的方向和执行的顺序，使其比赋值更加灵活，同时增强Mode]ica类的重用性。

2.3SysML模型与Modelica模型的对应规则

考虑到SysML和Modelica的建模特点，两者之间的元模型对应规则大致可描述为对模型的组成和子模型之间的联系、行为进行建模。为了更清楚的描述SysML和Modelica之间的对应关系，本发明抽象出了对应规则的模板，形式化地表达为：F(S，O，SP，DC，C，P)。S表示源元类的实例，O表示目标元类的实例。SP是源元类实例的属性，如果属性是原始类型，则指定目标元类的实例也拥有相同的类型：如果属性是枚举类型，那么需要在目标语言中构造相同的枚举类型；DC是源元类实例的依赖条件，待转换的模型可能是其他模型属性，只有当其所属模型存在转换时，当前转换才能进行。C表示约束，只有条件满足时转换规则才能实施。P是优先级，在源元类和目标元类之间可能对应多条映射规则，必须根据优先级高低的顺序依次判断条件是否满足。

3.通过概率混成接口自动机的语义和SysML-Modelica组合建模的定义给出转换规则，并提出相应的模型转换算法

由SysML和Modelica组合建模的半形式化模型可以转换成一个与之相对应的概率混成接口自动机

3.1SysML模型到概率混成接口自动机(PHIA_s)转换规则

(1)将SysML模型中的块定义图和状态机图作为输入

(2)将概率混成接口自动机的初始状态置为状态机中的初始状态，根据状态机中源状态与目标状态，确定概率混成接口自动机的目标状态(target_state)，并将状态机中对应状态的数据与概率混成接口自动机同步

(3)块定义图中描述了不同状态的内部活动，遍历块定义图和步骤(2)生成的概率混成接口自动机中的状态，将块定义图中的内部状态及时间转移到概率混成接口自动机的对应状态中，以内部活动

SysML模型转换的算法伪代码如附图2所示。

3.2Modelica模型到概率混成接口自动机(PHIA_m)转换规则

(1)将Modelica模型的不同类作为输入。

(2)遍历Modelica中的类，将类的id转化为概率混成接口自动机的状态，将不同类中的方程关系转化为概率接口混成自动机中流条件的函数(β)。

(3)对于不同类别中之间的联系(connection)，转换为概率混成接口自动机不同状态之间的迁移(t)，将其中的输入输出操作以输入活动

Modelica模型转换的算法伪代码如附图3所示。

4.根据SysML和Modelica模型转换后得到的概率混成接口自动机的特性，提出由SysML和Modelica模型转换得到的概率混成接口自动机的组合规则，最终组成为完整的概率混成接口自动机。

(1)将步骤3由SysML模型的到的概率混车接口自动机PHIA_s和由Modelica模型转换得到的PHIA_m作为输入，分别表示如下：

(2)遍历PHIA_s和PHIA_m中的状态，如果两者状态交集为空集，返回error。

(3)如果两者中的状态具备相同的标签函数，则将两种状态进行组合，两种状态之间具备相同的实数集，相同的输入活动，输出活动以及内部活动。

(4)对于相同迁移，但是只有源状态或者目标状态不同的情况，首先将相同的状态以及迁移保持不变，将不同的两个状态做合并，将其中的实数集合并，对其输入活动、输出活动以及内部活动做笛卡尔积，最终得到完整的概率混成接口自动机。

PHIA_s和PHIA_m的组合算法伪代码如附图4表示。

实施案例

本实施案例以无人驾驶的超车系统为例，该系统是典型的混成系统。其工作过程如下，无人车根据感知的周围环境和自身状态判断是否满足超车条件，将变道意图的预测结果作为指令传给轨迹规划模块。根据传统经验，无人车是否发生变道时，发生变道和继续跟随的概率为0.34和0.66。轨迹规划模块接收指令后，根据运动目标点和目标速度，计算后得到关于转向角、油门和制动的具体指令，再将指令传给底层控制模块。本案例对自动超车系统的部分半形式化模型进行展示，其中使用SysML的状态机图对超车系统的汽车状态变化进行建模，使用Modelica对超车系统的速度测量部分进行建模。

无人驾驶超车系统决策部分框架分为顶层状态机与相应的子状态机，超车顶层状态机下设置了超车子状态机，对超车过程中不同的驾驶阶段的转换进行逻辑建模，与人类驾驶员超车过程相似，超车子状态包括左换道，并行超越和右换道。并行超越状态主要用于车辆超车阶段，指导车辆进行合理速度规划，尤其当占用车道进行超车时，应及时完成超车并返回原车道。使用SysML对信息系统建模如附图5所示。

本例将无人驾驶超车系统速度测量部分首先对转轴的旋转速度进行测量，再转化为汽车的行驶速度。本文采用取样保持(Sample and hold)的速度测量方法，传感器在给定的时间点对速度进行取样，然后将其保持。在此模型中，变量omegal_measured声明为一个离散的变量，其在仿真过程中进行离散跃变。

使用Modelica对物理系统建模，如下所示：

最后根据步骤3和步骤4，得到完整的概率混成接口自动机，见附图6。