基于Bayesian網絡的柴油發動機故障診斷分析系統的研發

黃云奇

（廣西交通職業技術學院，汽車工程系，廣西南寧530023）

故障診斷與維修

基于Bayesian網絡的柴油發動機故障診斷分析系統的研發

黃云奇

（廣西交通職業技術學院，汽車工程系，廣西南寧530023）

根據電控柴油機故障源的多樣性和不確定性，提出了先使用傳感器數據技術檢測發動機不同階段的工作狀態，然后結合經驗法、專家指導意見等預算出故障源的可能發生的概率，最后使用Bayesian網絡推斷查找故障源的一種故障診斷方法。經某電控柴油機的實驗結果表明，該系統結合了傳感器診斷技術的實時性和Bayesian網絡技術的判斷決策能力，提高了故障診斷的正確率和實效性。

電控柴油機；Bayesian網絡；故障診斷

1 電控柴油機故障的基本特點

現代電控柴油機的結構及工作原理比較復雜，其故障原因和故障現象之間可能存在著一個故障成因對應多個故障現象或者一個故障現象對應多個故障成因的復雜關系。由于故障成因的模糊性，導致柴油機故障源存在著多樣性，如果僅通過某些故障現象來判斷故障原因，不科學，可能會造成誤判。

2 電控柴油機故障診斷技術及其應用情況

基于故障機理的診斷等傳統的診斷方法由于柴油機結構的過于復雜而逐漸被淘汰。直接檢查法對知識積累要求高，因此局限性很大，通常與其他診斷方法配合使用[1]。故障樹診斷法由于診斷過程過于粗糙導致診斷精度低[2]；瞬時轉速波動診斷方法在一定程度上能夠反映故障的有關信息，但不能夠反映故障形成的原因，而且測量瞬時轉速波動需要高頻響、高精度的儀器，成本太高，不具普適性[3]。噪音分析法由于檢測噪聲信號設備造價昂貴及柴油機噪聲來源繁多的限制，該方法目前還未得到廣泛的應用[4]。許多現代診斷技術方法便應運而生，傳感器診斷技術[5]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，但容易受到噪聲干擾容易產生誤判。Bayesian網絡診斷技術可以利用各種故障源的先驗概率，并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。

Bayesian網絡是模糊知識表達和推理領域里比較有效的理論模型之一，其可從模糊的知識或信息中做出推理。它對于解決由于復雜設備的不確定性和關聯性引起的故障診斷方面有很大的優勢。其將傳感器診斷技術和Bayesian網絡診斷技術結合起來，使這兩種技術能揚長避短發揮各自的優勢，提高了診斷的正確性和實時效率。

3 Bayesian網絡故障診斷分析系統的主要組成模塊

3.1 知識庫模塊

知識庫儲存的主要是基于Bayesian網絡的各類故障診斷模型（如圖1所示）、診斷規則、網絡的所有節點、節點間的相互關系及故障單元先驗概率、各類傳感器正常工作數據等信息。除了具備儲存功能以外還應可以進行有效修改或補充功能。

圖1Bayesian網絡診斷模型

3.2 柴油機運轉數據信息采取及處理模塊

該模塊通過燃油壓力調節器、噴油器噴油壓力、怠速控制閥、冷卻水溫傳感器、進氣溫度傳感器、進氣壓力傳感器、轉速傳感器、節氣門位置傳感器、氧傳感器等獲取柴油機的工作狀態數據信息，作為故障診斷系統進行診斷推理的證據信息。設n個傳感器采集到的狀態數據為S（t）=[s1（t），s2（t），…，sn（t）]為了減少各類噪聲的干擾，還要對數據信號進行過濾處理。n個傳感器的輸入輸出特征函數為M（t）=[m1（t），m2（t），…，mn（t）]，其工作狀態數據為D（t）=[（m1（t），s1（t）），…，（mn（t），sn（t））].

3.3 柴油機運行狀態判斷模塊

該模塊對傳感器傳來的各類柴油機運行的實時狀態數據進行判斷分析，如果這些狀態數據與標準值（或參考值）不符則說明出現了故障單元（含傳感器本身）。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個傳感器數據不正常。

由于柴油機故障的隨機性和模糊性，某傳感器數據異常并不能說明該單元就是產生故障的直接原因，還需結合Bayesian網絡診斷模塊進行進一步的診斷。

3.4 Bayesian網絡推理診斷模塊

該模塊是整個系統的核心模塊。其主要功能是根據故障現象及所得到的各類信息結合知識庫進行推理計算得出每個故障原因節點發生的概率，并給出維修的建議。

如圖1所示，將故障分為多個相互獨立（至少有明顯界限）且完全包含的類別，對各個故障類別分別建立相應的Bayesian網絡模型。一般情況下柴油機故障可能不是單一的，而由一個或者多個原因造成，而這些可能的原因也可能是由一個或者幾個更低層次的子原因造成，在建立起Bayesian網絡的關系節點后要進行概率估計，其方法是當某故障現象出現后，推算與該故障原因有關聯的各個節點的條件概率。這種局部化概率估算的方法可有效提高診斷效率[6]。

3.5 人機交互模塊

該模塊是人與計算機之間傳遞、交換信息的媒介和對話接口，是系統的重要組成部分。其實現信息的內部形式與人類可以接受形式之間的轉換。

3.6 系統幫助和支持模塊

用戶通過該模塊可查詢有關參數設置、功能使用、操作引導等操作。

4 Bayesian網絡故障診斷分析系統實驗及結果分析[7]

4.1 網絡診斷模型的構建

燃油供油系的多種故障現象與可能的故障源有明顯的因果關系，存在著典型的“多對多”關系，因此以燃油供給系統的故障現象（如：不能正常起動、發動機抖動、排氣管冒黑煙、加速不力等）為例建立起Bayesian診斷網絡模型，如圖2所示。

圖2 發動機燃油系統故障貝葉斯網絡診斷[7]

以某電控柴油機為實驗對象，當出現（加速不力）故障現象后，推斷出最有可能的故障原因（或者是故障源）為例進行Bayesian診斷網絡的驗證分析。用（簡寫為N）表示正常工作狀態，用（簡寫為A）表示異常工作狀態。其母節點（或是故障源）先驗概率值可通過查詢維修資料、咨詢專家、傳感器數據分析等基礎上結合經驗得出（對于系統的并發故障，在統計故障概率時按單獨故障重復統計），其數據如表1所示。

表1 母節點（故障源）的先驗概率值

用類似的方法得到其他子節點的條件概率值。子節點SS1（燃油壓力傳感器）和SS3（節氣門傳感器）及SS4（空氣傳感器數據）狀態先驗概率分別如表2、表3、表4、表5所示。

表2 SS1（燃油壓力傳感器）數據狀態的先驗概率（1）

表3 SS1（燃油壓力傳感器）數據狀態的先驗概率（2）

表4 SS3（節氣門傳感器）數據狀態的先驗概率值

表5 SS4（空氣傳感器）數據狀態的先驗概率值

明確上述相關傳感器故障先驗概率值后，利用Hugin Expert軟件進行計算推理。假如產生了ST3（加速不力）的現象，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）發生數據不正常的概率如表6所示。從表6可知（燃油壓力傳感器）數據不正常的概率最高，而SS4（空氣傳感器）發生不正常的可能性最低。

表6 ST3（加速不力）故障現象第一級母節點概率

令ST3（加速不力）和SS4（空氣傳感器）同時出現數據不正常的情況，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。當子節點ST3（加速不力）的現象產生后，FS2（噴油器故障）是產生故障概率最高的故障源，最低的可能是FS3（燃油濾清器）是產生故障概率最低的故障源。

表7 ST3（加速不力）故障現象第二級母節點概率

5 結束語

經過理論建模、推理和實操后，對Bayesian網絡在電控柴油機綜合故障診斷上的應用有以下的結論：故障診斷的實效性與傳感器數據的準確性有關；故障推斷的結果與故障源的先驗概率值密切相關；如果明確的節點概率越多，同時推斷過程更明確，則推斷的結果會更加準確。

[1]林洋.基于貝葉斯網絡船用柴油機故障診斷系統的研究[D].大連：大連理工大學，2016

[2]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.

[3]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.

[4]馮二浩，廊輝山，鄭宏俠．柴油機故障診斷研究綜述[J].機械管理開發，2010，25（2）：109-111.

[5]Luo R C.Dynamic Multi-sensor Data Fusion System for In telligent Robots[J].IEEE Journal of Robotics and Automation. 1988，4（4）：386-396.

[5]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．

[6]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．

[7]黃云奇，劉存香.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[J].機電工程，2015，32（2）：246-250.

The Diesel Engine Fault Diagnosis Based on Bayesian Network Analysis System Research and Development

HUANG Yun-qi
（Guangxi Vocational and Technical College of Communications，Department of Automotive Engineering，Nanning Guangxi 530023，China）

According to the diversity of electronically controlled diesel engine fault sources and uncertainty，this paper proposes to use the sensor data to detect the working state of the engine at different stages then combined with the empirical method，expert guidance，such as the probability of the budget for the source of the fault may occur，and finally the use of bayesian networks to infer a fault diagnosis method to find the source of the fault.An experimental results show that the electronic control diesel engine this system combined the sensor diagnosis technology of the real-time performance and decision-making ability of the bayesian network technology，the accuracy of fault diagnosis is improved and the effectiveness.

electronic control diesel engine；bayesian networks；fault diagnosis

TK428

A

1672-545X（2017）03-0219-04

2016-12-03

2015年廣西高校科學技術研究項目（項目編號：KY2015YB415）

黃云奇（1977-），男，廣西南寧人，副教授，工程師，研究生學歷，工學碩士，主要研究方向：汽車機電一體化技術、高等職職業教育教學與改革。