黃云奇，劉存香

（廣西交通職業(yè)技術(shù)學院汽車工程系，廣西南寧530023）

0 引言

柴油機有較好的經(jīng)濟性和動力性，在交通運輸、國防軍工、工程機械、火力發(fā)電等有著廣泛應用。目前，柴油機技術(shù)正日益朝著復雜化、高速化、自動化、精密化等方面發(fā)展。柴油機在運行過程中，一旦柴油機的某個部件發(fā)生故障，往往會導致停工待產(chǎn)，造成經(jīng)濟損失?，F(xiàn)代柴油機的故障成因與故障現(xiàn)象之間存在一因多果或一果多因的復雜關(guān)系，再加上故障成因發(fā)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(xù)使用精確的推理方法通過故障現(xiàn)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(tǒng)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(jié)構(gòu)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(zhuǎn)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(zhuǎn)速波動需要高頻響、高精度的儀器，成本高［5-6］。因而許多現(xiàn)代故障診斷的現(xiàn)代技術(shù)方法便應運而生，傳感器診斷技術(shù)［7］和貝葉斯網(wǎng)絡(luò)技術(shù)便是其中有代表性的兩種方法。

利用傳感器對發(fā)動機的工作狀態(tài)進行監(jiān)控，根據(jù)傳感器數(shù)據(jù)的異常對故障進行判斷，具有較好的實時性；但傳感器數(shù)據(jù)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(chǎn)生誤判。使用貝葉斯網(wǎng)絡(luò)對故障進行診斷可以很好地利用各故障源產(chǎn)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(shù)結(jié)合起來，發(fā)揮各自的優(yōu)勢，可以有效提高故障診斷的正確率和實時性。

1 貝葉斯網(wǎng)絡(luò)主要特點及其應用范圍

貝葉斯網(wǎng)絡(luò)是目前不確定知識表達和推理領(lǐng)域最有效的理論模型之一。其是一個有向無環(huán)圖（di?rected acyclic graph，DAG），由代表變量節(jié)點及連接這些節(jié)點有向邊構(gòu)成［8］。節(jié)點代表隨機變量，節(jié)點間的有向邊代表了節(jié)點間的互相關(guān)系（由父節(jié)點指向其子節(jié)點），用條件概率進行表達關(guān)系強度，沒有父節(jié)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(shè)備不確定性和關(guān)聯(lián)性引起的故障有很大的優(yōu)勢，在醫(yī)療診斷、統(tǒng)計決策、模式識別、專家系統(tǒng)、學習預測等領(lǐng)域的成功應用，充分表明了貝葉斯網(wǎng)絡(luò)技術(shù)是一種強有力的不確定性推理方法［10］。

2 融合傳感器數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)故障綜合診斷模型

2.1 故障診斷模型的組成

貝葉斯網(wǎng)絡(luò)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(shù)據(jù)處理、數(shù)據(jù)狀態(tài)判斷、故障單元先驗概率獲取、貝葉斯網(wǎng)絡(luò)診斷等5個主要模塊組成。

圖1 貝葉斯網(wǎng)絡(luò)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(tài)進行監(jiān)測，完成狀態(tài)數(shù)據(jù)采集工作。

設(shè)n個傳感器采集到的狀態(tài)數(shù)據(jù)為：S(t)=[s1(t),s2(t),…sn(t)]。

2.3 數(shù)據(jù)處理模塊

數(shù)據(jù)處理模塊是對傳感器采集到的數(shù)據(jù)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(tài)數(shù)據(jù)。

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

2.4 數(shù)據(jù)狀態(tài)判斷模塊

數(shù)據(jù)狀態(tài)判斷模塊則判斷傳感器所獲得的數(shù)據(jù)是否正常，若異常則確定出現(xiàn)的故障單元（含傳感器本身）。

設(shè)n個傳感器的狀態(tài)數(shù)據(jù)判斷函數(shù)為：J(t)=[j1(t),j2(t),…jn(t)]，R(t)=[r1(t),r2(t),…rn(t)]為數(shù)據(jù)判斷結(jié)果，則數(shù)據(jù)判斷結(jié)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(shù)據(jù)正常，若ri(t)=1則說明第i個傳感器數(shù)據(jù)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(jù)前一個模塊的判斷結(jié)果，明確發(fā)生故障的單元，并保存故障單元發(fā)生故障的概率，為構(gòu)建貝葉斯故障診斷網(wǎng)絡(luò)奠定先驗概率基礎(chǔ)。

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(xiàn)了故障。為了充分利用多個傳感器數(shù)據(jù)的實時性，筆者提出了以下的判斷規(guī)則［11］：

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

2.6 貝葉斯網(wǎng)絡(luò)診斷模塊

貝葉斯網(wǎng)絡(luò)診斷模塊如圖2所示。貝葉斯網(wǎng)絡(luò)診斷模塊為系統(tǒng)的核心。

圖2 貝葉斯網(wǎng)絡(luò)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(qū)分的界限），然后對各個故障類別分別建造貝葉斯網(wǎng)絡(luò)模型。一般故障現(xiàn)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(wǎng)絡(luò)的節(jié)點關(guān)系后，還需要進行概率估計。具體方法是假設(shè)在某故障現(xiàn)象出現(xiàn)的情況下，估計該故障原因的各個節(jié)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(jié)果分析

3.1 貝葉斯網(wǎng)絡(luò)診斷網(wǎng)絡(luò)的構(gòu)建

發(fā)動機燃油系統(tǒng)的故障現(xiàn)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(jù)其工作原理并結(jié)合經(jīng)驗，建立起貝葉斯網(wǎng)絡(luò)診斷網(wǎng)絡(luò)，發(fā)動機燃油系統(tǒng)故障貝葉斯網(wǎng)絡(luò)診斷如圖3所示。

從圖3 可以看出，發(fā)動機供油系的故障現(xiàn)象和故障源存在著因果關(guān)系，故障原因和故障現(xiàn)象存在著“多對多”的關(guān)系。例如節(jié)點SS1燃油壓力傳感器數(shù)據(jù)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(diào)節(jié)器故障等5 個母節(jié)點，該節(jié)點出現(xiàn)問題后又可能會導致其下一級的子節(jié)點ST1不能啟動、ST2發(fā)動機抖動、ST3動力不足、ST4冒黑煙、ST5啟動困難等故障現(xiàn)象。除此之外，其他母節(jié)點和子節(jié)點也都具有上述的因果關(guān)系。

3.2 貝葉斯網(wǎng)絡(luò)診斷網(wǎng)絡(luò)的驗證分析

本研究用豐田1KZ電控柴油機為實驗對象，以發(fā)動機出現(xiàn)了ST3動力不足的故障現(xiàn)象，推斷出最有可能的故障源為例進行葉斯網(wǎng)絡(luò)診斷網(wǎng)絡(luò)的驗證分析。

圖3 發(fā)動機燃油系統(tǒng)故障貝葉斯網(wǎng)絡(luò)診斷

筆者將系統(tǒng)各部件的工作狀態(tài)分為正常Normal（簡寫為N）和異常Abnormal（簡寫為A）兩種情況。在統(tǒng)計故障產(chǎn)生概率時對于系統(tǒng)的并發(fā)故障按單獨故障重復統(tǒng)計。在查詢維修手冊、咨詢技術(shù)專家、使用傳感器數(shù)據(jù)分析等基礎(chǔ)上結(jié)合經(jīng)驗，確定故障診斷網(wǎng)絡(luò)所需的先驗概率值［13］。其母節(jié)點（故障源）先驗概率值如表1所示。

子節(jié)點SS1燃油壓力傳感器數(shù)據(jù)狀態(tài)的先驗概率如表2、表3所示。

SS3節(jié)氣門傳感器數(shù)據(jù)狀態(tài)的先驗概率值如表4所示。

SS4空氣傳感器數(shù)據(jù)狀態(tài)先驗概率分別如表5所示。其他子節(jié)點的條件概率值可用類似的方法得到。

表1 母節(jié)點（故障源）的先驗概率值

表2 SS1 燃油壓力傳感器數(shù)據(jù)狀態(tài)的先驗概率（a）

表3 SS1 燃油壓力傳感器數(shù)據(jù)狀態(tài)的先驗概率（b）

表5 SS4 空氣傳感器數(shù)據(jù)狀態(tài)的先驗概率值

在建立貝葉斯診斷網(wǎng)絡(luò)并明確先驗概率值后，本研究利用Hugin Expert軟件對貝葉斯網(wǎng)絡(luò)進行計算推理。假設(shè)發(fā)動機產(chǎn)生了ST3動力不足的故障現(xiàn)象（即其故障率Abnormal=1.0），此時與該節(jié)點相關(guān)的第一級母節(jié)點SS1燃油壓力傳感器和SS3節(jié)氣門傳感器及SS4空氣傳感器發(fā)生數(shù)據(jù)異常的概率如表6所示。從表6 可知SS1燃油壓力傳感器數(shù)據(jù)異常的可能性最高，而SS4空氣傳感器發(fā)生數(shù)據(jù)異常的概率最低。

此時令ST3動力不足的故障現(xiàn)象和SS4空氣傳感器發(fā)生數(shù)據(jù)異常同時出現(xiàn)（即其故障率Abnormal=1.0），其對應的第二級母節(jié)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(diào)節(jié)器故障如表7所示。從結(jié)果上看，當子節(jié)點ST3動力不足的故障產(chǎn)生后，各故障源產(chǎn)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(jié)果接近于實際情況。

表6 ST3 動力不足故障現(xiàn)象第一級母節(jié)點概率

表7 ST3 動力不足故障現(xiàn)象第二級母節(jié)點概率

4 結(jié)束語

本研究在構(gòu)建了融合電控柴油機傳感器數(shù)據(jù)的貝葉斯網(wǎng)絡(luò)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(wǎng)絡(luò)進行了分析驗證，有以下的幾個結(jié)論：

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

（2）推斷的結(jié)果與各類故障源的先驗概率值密切相關(guān)，先驗概率越準確，診斷的結(jié)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(guān)的概率數(shù)據(jù)，以備后用。

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

（References）：

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

［2］鄭 勁，丁雪興.柴油發(fā)動機故障診斷技術(shù)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(tǒng)新型冷卻器數(shù)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(guī)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(nóng)，張進杰.基于神經(jīng)網(wǎng)絡(luò)和瞬時轉(zhuǎn)速的發(fā)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(wǎng)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(wǎng)絡(luò)結(jié)構(gòu)學習算法［J］.計算機研究與發(fā)展，2002（10）：1211-1226.

［10］［作者不詳］.百度百科，貝葉斯網(wǎng)絡(luò)［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(shù)據(jù)融合的故障診斷技術(shù)［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(wǎng)絡(luò)的柴油機故障信息關(guān)聯(lián)度研究分析［J］.拖拉機與農(nóng)用運輸車，2008，35（1）：48-49.

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