融合電控柴油機傳感器數據的貝葉斯綜合故障診斷網絡研究*

黃云奇，劉存香

（廣西交通職業技術學院汽車工程系，廣西南寧530023）

0 引言

柴油機有較好的經濟性和動力性，在交通運輸、國防軍工、工程機械、火力發電等有著廣泛應用。目前，柴油機技術正日益朝著復雜化、高速化、自動化、精密化等方面發展。柴油機在運行過程中，一旦柴油機的某個部件發生故障，往往會導致停工待產，造成經濟損失?，F代柴油機的故障成因與故障現象之間存在一因多果或一果多因的復雜關系，再加上故障成因發生的隨機性和模糊性，從而導致柴油機故障源的多樣性和不確定性。如果繼續使用精確的推理方法通過故障現象來判斷故障原因，可能會造成故障原因的非真實反映，從而導致誤判。

傳統的柴油機故障診斷方法例如基于故障機理的診斷方法因柴油機結構的復雜性而逐漸被放棄［1-3］；故障樹診斷法由于其診斷方法粗糙致使診斷精度不高［4］；瞬時轉速波動診斷方法雖然能夠反映故障信息，但不能反映造成故障的原因，而且測量瞬時轉速波動需要高頻響、高精度的儀器，成本高［5-6］。因而許多現代故障診斷的現代技術方法便應運而生，傳感器診斷技術［7］和貝葉斯網絡技術便是其中有代表性的兩種方法。

利用傳感器對發動機的工作狀態進行監控，根據傳感器數據的異常對故障進行判斷，具有較好的實時性；但傳感器數據容易受到噪聲干擾，并且無法利用各故障源的先驗概率，有時容易產生誤判。使用貝葉斯網絡對故障進行診斷可以很好地利用各故障源產生的先驗概率，且具有很強的判斷決策能力，但其有不能充分反映實時性的缺點。

本研究將上述兩種故障診斷技術結合起來，發揮各自的優勢，可以有效提高故障診斷的正確率和實時性。

1 貝葉斯網絡主要特點及其應用范圍

貝葉斯網絡是目前不確定知識表達和推理領域最有效的理論模型之一。其是一個有向無環圖（di?rected acyclic graph，DAG），由代表變量節點及連接這些節點有向邊構成［8］。節點代表隨機變量，節點間的有向邊代表了節點間的互相關系（由父節點指向其子節點），用條件概率進行表達關系強度，沒有父節點的用先驗概率進行信息表達［9］。其適用于表達和分析不確定性和概率性的事件，可以從不完全、不精確或不確定的知識或信息中做出推理。它對于解決復雜設備不確定性和關聯性引起的故障有很大的優勢，在醫療診斷、統計決策、模式識別、專家系統、學習預測等領域的成功應用，充分表明了貝葉斯網絡技術是一種強有力的不確定性推理方法［10］。

2 融合傳感器數據的貝葉斯網絡故障綜合診斷模型

2.1 故障診斷模型的組成

貝葉斯網絡綜合診斷模型如圖1所示。其由s1,s2,…sn共n個傳感器組成的傳感器群、數據處理、數據狀態判斷、故障單元先驗概率獲取、貝葉斯網絡診斷等5個主要模塊組成。

圖1 貝葉斯網絡綜合診斷模型

2.2 傳感器群模塊

傳感器群模塊負責對柴油機的工作狀態進行監測，完成狀態數據采集工作。

設n個傳感器采集到的狀態數據為：S(t)=[s1(t),s2(t),…sn(t)]。

2.3 數據處理模塊

數據處理模塊是對傳感器采集到的數據進行處理以減少各類噪聲的干擾，并得到較為完整的柴油機工作狀態數據。

設n個傳感器的輸入輸出特征函數分別為：M(t)=[m1(t),m2(t),…mn(t)]，則最終得到的柴油機工作狀態數據應為：D(t)=[(m1(t),s1(t)),…(mn(t),(sn(t))]。

2.4 數據狀態判斷模塊

數據狀態判斷模塊則判斷傳感器所獲得的數據是否正常，若異常則確定出現的故障單元（含傳感器本身）。

設n個傳感器的狀態數據判斷函數為：J(t)=[j1(t),j2(t),…jn(t)]，R(t)=[r1(t),r2(t),…rn(t)]為數據判斷結果，則數據判斷結果為R(t)=[(j1(t),d1(t)),(j2(t),d2(t)),…(jn(t),dn(t))]。若ri(t)=0 則說明第i個傳感器數據正常，若ri(t)=1則說明第i個傳感器數據異常。

2.5 故障單元先驗概率獲取模塊

故障單元先驗概率獲取模塊則是根據前一個模塊的判斷結果，明確發生故障的單元，并保存故障單元發生故障的概率，為構建貝葉斯故障診斷網絡奠定先驗概率基礎。

當ri(t)=1 時說明第i個傳感器所對應的單個或多個測控對象（含傳感器自身）可能出現了故障。為了充分利用多個傳感器數據的實時性，筆者提出了以下的判斷規則［11］：

式（1）表示當第i個傳感器數據異常時可能出現的所有故障單元，Fi可根據被測控對象的工作原理或經驗分析確定；式（2）中利用Pi( )?根據柴油機工作狀態數據計算出故障單元出現的可能性。一般取Fi中各個元素對的概率函數。

2.6 貝葉斯網絡診斷模塊

貝葉斯網絡診斷模塊如圖2所示。貝葉斯網絡診斷模塊為系統的核心。

圖2 貝葉斯網絡診斷模塊

本研究將故障分為各個相互獨立且完全包含的類別（各故障類別至少應該具有可以區分的界限），然后對各個故障類別分別建造貝葉斯網絡模型。一般故障現象由一個或幾個原因造成的，這些原因又可能由一個或幾個更低層次的原因造成，其成因比較復雜。建立起網絡的節點關系后，還需要進行概率估計。具體方法是假設在某故障現象出現的情況下，估計該故障原因的各個節點的條件概率，這種局部化概率估計的方法可以大大提高故障診斷效率［12］。

3 電控柴油機燃油供給系故障源推斷實驗及結果分析

3.1 貝葉斯網絡診斷網絡的構建

發動機燃油系統的故障現象主要是不能正常啟動、抖動、冒黑煙、動力不足等。研究人員可根據其工作原理并結合經驗，建立起貝葉斯網絡診斷網絡，發動機燃油系統故障貝葉斯網絡診斷如圖3所示。

從圖3 可以看出，發動機供油系的故障現象和故障源存在著因果關系，故障原因和故障現象存在著“多對多”的關系。例如節點SS1燃油壓力傳感器數據異常對應著FS1燃油泵故障、FS2噴油器故障、FS3燃油濾清器故障、FS4油路故障、FS5燃油壓力調節器故障等5 個母節點，該節點出現問題后又可能會導致其下一級的子節點ST1不能啟動、ST2發動機抖動、ST3動力不足、ST4冒黑煙、ST5啟動困難等故障現象。除此之外，其他母節點和子節點也都具有上述的因果關系。

3.2 貝葉斯網絡診斷網絡的驗證分析

本研究用豐田1KZ電控柴油機為實驗對象，以發動機出現了ST3動力不足的故障現象，推斷出最有可能的故障源為例進行葉斯網絡診斷網絡的驗證分析。

圖3 發動機燃油系統故障貝葉斯網絡診斷

筆者將系統各部件的工作狀態分為正常Normal（簡寫為N）和異常Abnormal（簡寫為A）兩種情況。在統計故障產生概率時對于系統的并發故障按單獨故障重復統計。在查詢維修手冊、咨詢技術專家、使用傳感器數據分析等基礎上結合經驗，確定故障診斷網絡所需的先驗概率值［13］。其母節點（故障源）先驗概率值如表1所示。

子節點SS1燃油壓力傳感器數據狀態的先驗概率如表2、表3所示。

SS3節氣門傳感器數據狀態的先驗概率值如表4所示。

SS4空氣傳感器數據狀態先驗概率分別如表5所示。其他子節點的條件概率值可用類似的方法得到。

表1 母節點（故障源）的先驗概率值

表2 SS1 燃油壓力傳感器數據狀態的先驗概率（a）

表3 SS1 燃油壓力傳感器數據狀態的先驗概率（b）

表5 SS4 空氣傳感器數據狀態的先驗概率值

在建立貝葉斯診斷網絡并明確先驗概率值后，本研究利用Hugin Expert軟件對貝葉斯網絡進行計算推理。假設發動機產生了ST3動力不足的故障現象（即其故障率Abnormal=1.0），此時與該節點相關的第一級母節點SS1燃油壓力傳感器和SS3節氣門傳感器及SS4空氣傳感器發生數據異常的概率如表6所示。從表6 可知SS1燃油壓力傳感器數據異常的可能性最高，而SS4空氣傳感器發生數據異常的概率最低。

此時令ST3動力不足的故障現象和SS4空氣傳感器發生數據異常同時出現（即其故障率Abnormal=1.0），其對應的第二級母節點FS1燃油泵故障、FS2噴油器故障、FS3燃油濾清器故障、FS4油路故障、FS5燃油壓力調節器故障如表7所示。從結果上看，當子節點ST3動力不足的故障產生后，各故障源產生概率最高的是FS2噴油器故障，最低的可能是FS3燃油濾清器故障，其推理結果接近于實際情況。

表6 ST3 動力不足故障現象第一級母節點概率

表7 ST3 動力不足故障現象第二級母節點概率

4 結束語

本研究在構建了融合電控柴油機傳感器數據的貝葉斯網絡綜合故障診斷模型，提出了相應的推算和診斷方法后，以豐田1KZ電控柴油機為實驗對象對診斷網絡進行了分析驗證，有以下的幾個結論：

（1）故障診斷的實時性與傳感器數據的準確性有關，減少噪聲干擾，提高傳感器數據的準確性可有效提高診斷的實時效果。

（2）推斷的結果與各類故障源的先驗概率值密切相關，先驗概率越準確，診斷的結果越接近實際，為此在日常的檢測與維修中應注重保存相關的概率數據，以備后用。

（3）該網絡可在已知某些故障成因和故障現象的情況下推斷其他節點的發生故障的概率。已知的節點概率越多，其推斷過程越明確，推斷的結果越準確。

（References）：

［1］馬善偉，樂正偉，呂 健，等.柴油機故障診斷技術綜述［J］.上海第二工業大學學報，2008，25（2）：122-127.

［2］鄭 勁，丁雪興.柴油發動機故障診斷技術研究與應用［J］.機械，2012（6）：67-70.

［3］伍 綱，王東方，蘇小平，等.柴油機C-EGR 系統新型冷卻器數值分析［J］.流體機械，2012，40（11）：75-79.

［4］尚 文，王維民，齊鵬逸，等.基于條件規則與故障樹法的燃氣輪機故障診斷［J］.機電工程，2013，30（7）：798-801.

［5］王逍夢，任 章.基于小波變換的二階傳感器故障診斷研究［J］.兵工自動化，2013（5）：78-82.

［6］王維琨，江志農，張進杰.基于神經網絡和瞬時轉速的發動機失火故障研究［J］.機電工程，2013，30（7）：824-827.

［7］LUO R C.Dynamic Multi-sensor data fusion system for in?telligent robots［J］.IEEE Journal of Robotics and Auto?mation，1988，4（4）：386-396.

［8］董旭初，歐陽丹彤，劉大有.Bayesian網推理中的化簡方法［J］.吉林大學學報（理學版），2004，42（1）：77-83.

［9］羌 磊，肖田元，喬桂秀.一種改進的Bayesian網絡結構學習算法［J］.計算機研究與發展，2002（10）：1211-1226.

［10］［作者不詳］.百度百科，貝葉斯網絡［EB/OL］.［s.n.］.http：//baike.baidu.com/view/943316.htm？fr=aladdin

［11］王 敏，王萬俊，熊春山，等.基于多傳感器數據融合的故障診斷技術［J］.華中科技大學學報，2001，29（2）：96-98.

［12］劉存香，劉學軍，韋志康.基于Bayesian故障診斷網絡的柴油機故障信息關聯度研究分析［J］.拖拉機與農用運輸車，2008，35（1）：48-49.

［13］劉學軍，劉存香，韋志康.貝葉斯網絡在電控發動機燃油系統故障分析中的應用［J］.車用發動機，2008（B06）：124-125.