黃云奇

（廣西交通職業(yè)技術(shù)學(xué)院，汽車工程系，廣西南寧530023）

故障診斷與維修

基于Bayesian網(wǎng)絡(luò)的柴油發(fā)動機(jī)故障診斷分析系統(tǒng)的研發(fā)

黃云奇

（廣西交通職業(yè)技術(shù)學(xué)院，汽車工程系，廣西南寧530023）

根據(jù)電控柴油機(jī)故障源的多樣性和不確定性，提出了先使用傳感器數(shù)據(jù)技術(shù)檢測發(fā)動機(jī)不同階段的工作狀態(tài)，然后結(jié)合經(jīng)驗(yàn)法、專家指導(dǎo)意見等預(yù)算出故障源的可能發(fā)生的概率，最后使用Bayesian網(wǎng)絡(luò)推斷查找故障源的一種故障診斷方法。經(jīng)某電控柴油機(jī)的實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)結(jié)合了傳感器診斷技術(shù)的實(shí)時性和Bayesian網(wǎng)絡(luò)技術(shù)的判斷決策能力，提高了故障診斷的正確率和實(shí)效性。

電控柴油機(jī)；Bayesian網(wǎng)絡(luò)；故障診斷

1 電控柴油機(jī)故障的基本特點(diǎn)

現(xiàn)代電控柴油機(jī)的結(jié)構(gòu)及工作原理比較復(fù)雜，其故障原因和故障現(xiàn)象之間可能存在著一個故障成因?qū)?yīng)多個故障現(xiàn)象或者一個故障現(xiàn)象對應(yīng)多個故障成因的復(fù)雜關(guān)系。由于故障成因的模糊性，導(dǎo)致柴油機(jī)故障源存在著多樣性，如果僅通過某些故障現(xiàn)象來判斷故障原因，不科學(xué)，可能會造成誤判。

2 電控柴油機(jī)故障診斷技術(shù)及其應(yīng)用情況

基于故障機(jī)理的診斷等傳統(tǒng)的診斷方法由于柴油機(jī)結(jié)構(gòu)的過于復(fù)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(dǎo)致診斷精度低[2]；瞬時轉(zhuǎn)速波動診斷方法在一定程度上能夠反映故障的有關(guān)信息，但不能夠反映故障形成的原因，而且測量瞬時轉(zhuǎn)速波動需要高頻響、高精度的儀器，成本太高，不具普適性[3]。噪音分析法由于檢測噪聲信號設(shè)備造價昂貴及柴油機(jī)噪聲來源繁多的限制，該方法目前還未得到廣泛的應(yīng)用[4]。許多現(xiàn)代診斷技術(shù)方法便應(yīng)運(yùn)而生，傳感器診斷技術(shù)[5]根據(jù)傳感器數(shù)據(jù)的異常對故障進(jìn)行判斷，具有較好的實(shí)時性，但容易受到噪聲干擾容易產(chǎn)生誤判。Bayesian網(wǎng)絡(luò)診斷技術(shù)可以利用各種故障源的先驗(yàn)概率，并且具有很強(qiáng)的判斷決策能力，但其有不能充分反映實(shí)時性的缺點(diǎn)。

Bayesian網(wǎng)絡(luò)是模糊知識表達(dá)和推理領(lǐng)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(fù)雜設(shè)備的不確定性和關(guān)聯(lián)性引起的故障診斷方面有很大的優(yōu)勢。其將傳感器診斷技術(shù)和Bayesian網(wǎng)絡(luò)診斷技術(shù)結(jié)合起來，使這兩種技術(shù)能揚(yáng)長避短發(fā)揮各自的優(yōu)勢，提高了診斷的正確性和實(shí)時效率。

3 Bayesian網(wǎng)絡(luò)故障診斷分析系統(tǒng)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(wǎng)絡(luò)的各類故障診斷模型（如圖1所示）、診斷規(guī)則、網(wǎng)絡(luò)的所有節(jié)點(diǎn)、節(jié)點(diǎn)間的相互關(guān)系及故障單元先驗(yàn)概率、各類傳感器正常工作數(shù)據(jù)等信息。除了具備儲存功能以外還應(yīng)可以進(jìn)行有效修改或補(bǔ)充功能。

圖1Bayesian網(wǎng)絡(luò)診斷模型

3.2 柴油機(jī)運(yùn)轉(zhuǎn)數(shù)據(jù)信息采取及處理模塊

該模塊通過燃油壓力調(diào)節(jié)器、噴油器噴油壓力、怠速控制閥、冷卻水溫傳感器、進(jìn)氣溫度傳感器、進(jìn)氣壓力傳感器、轉(zhuǎn)速傳感器、節(jié)氣門位置傳感器、氧傳感器等獲取柴油機(jī)的工作狀態(tài)數(shù)據(jù)信息，作為故障診斷系統(tǒng)進(jìn)行診斷推理的證據(jù)信息。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）]為了減少各類噪聲的干擾，還要對數(shù)據(jù)信號進(jìn)行過濾處理。n個傳感器的輸入輸出特征函數(shù)為M（t）=[m1（t），m2（t），…，mn（t）]，其工作狀態(tài)數(shù)據(jù)為D（t）=[（m1（t），s1（t）），…，（mn（t），sn（t））].

3.3 柴油機(jī)運(yùn)行狀態(tài)判斷模塊

該模塊對傳感器傳來的各類柴油機(jī)運(yùn)行的實(shí)時狀態(tài)數(shù)據(jù)進(jìn)行判斷分析，如果這些狀態(tài)數(shù)據(jù)與標(biāo)準(zhǔn)值（或參考值）不符則說明出現(xiàn)了故障單元（含傳感器本身）。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)不正常。

由于柴油機(jī)故障的隨機(jī)性和模糊性，某傳感器數(shù)據(jù)異常并不能說明該單元就是產(chǎn)生故障的直接原因，還需結(jié)合Bayesian網(wǎng)絡(luò)診斷模塊進(jìn)行進(jìn)一步的診斷。

3.4 Bayesian網(wǎng)絡(luò)推理診斷模塊

該模塊是整個系統(tǒng)的核心模塊。其主要功能是根據(jù)故障現(xiàn)象及所得到的各類信息結(jié)合知識庫進(jìn)行推理計算得出每個故障原因節(jié)點(diǎn)發(fā)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(dú)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(yīng)的Bayesian網(wǎng)絡(luò)模型。一般情況下柴油機(jī)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B(yǎng)ayesian網(wǎng)絡(luò)的關(guān)系節(jié)點(diǎn)后要進(jìn)行概率估計，其方法是當(dāng)某故障現(xiàn)象出現(xiàn)后，推算與該故障原因有關(guān)聯(lián)的各個節(jié)點(diǎn)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(jī)交互模塊

該模塊是人與計算機(jī)之間傳遞、交換信息的媒介和對話接口，是系統(tǒng)的重要組成部分。其實(shí)現(xiàn)信息的內(nèi)部形式與人類可以接受形式之間的轉(zhuǎn)換。

3.6 系統(tǒng)幫助和支持模塊

用戶通過該模塊可查詢有關(guān)參數(shù)設(shè)置、功能使用、操作引導(dǎo)等操作。

4 Bayesian網(wǎng)絡(luò)故障診斷分析系統(tǒng)實(shí)驗(yàn)及結(jié)果分析[7]

4.1 網(wǎng)絡(luò)診斷模型的構(gòu)建

燃油供油系的多種故障現(xiàn)象與可能的故障源有明顯的因果關(guān)系，存在著典型的“多對多”關(guān)系，因此以燃油供給系統(tǒng)的故障現(xiàn)象（如：不能正常起動、發(fā)動機(jī)抖動、排氣管冒黑煙、加速不力等）為例建立起B(yǎng)ayesian診斷網(wǎng)絡(luò)模型，如圖2所示。

圖2 發(fā)動機(jī)燃油系統(tǒng)故障貝葉斯網(wǎng)絡(luò)診斷[7]

以某電控柴油機(jī)為實(shí)驗(yàn)對象，當(dāng)出現(xiàn)（加速不力）故障現(xiàn)象后，推斷出最有可能的故障原因（或者是故障源）為例進(jìn)行Bayesian診斷網(wǎng)絡(luò)的驗(yàn)證分析。用（簡寫為N）表示正常工作狀態(tài)，用（簡寫為A）表示異常工作狀態(tài)。其母節(jié)點(diǎn)（或是故障源）先驗(yàn)概率值可通過查詢維修資料、咨詢專家、傳感器數(shù)據(jù)分析等基礎(chǔ)上結(jié)合經(jīng)驗(yàn)得出（對于系統(tǒng)的并發(fā)故障，在統(tǒng)計故障概率時按單獨(dú)故障重復(fù)統(tǒng)計），其數(shù)據(jù)如表1所示。

表1 母節(jié)點(diǎn)（故障源）的先驗(yàn)概率值

用類似的方法得到其他子節(jié)點(diǎn)的條件概率值。子節(jié)點(diǎn)SS1（燃油壓力傳感器）和SS3（節(jié)氣門傳感器）及SS4（空氣傳感器數(shù)據(jù)）狀態(tài)先驗(yàn)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(shù)據(jù)狀態(tài)的先驗(yàn)概率（1）

表3 SS1（燃油壓力傳感器）數(shù)據(jù)狀態(tài)的先驗(yàn)概率（2）

表4 SS3（節(jié)氣門傳感器）數(shù)據(jù)狀態(tài)的先驗(yàn)概率值

表5 SS4（空氣傳感器）數(shù)據(jù)狀態(tài)的先驗(yàn)概率值

明確上述相關(guān)傳感器故障先驗(yàn)概率值后，利用Hugin Expert軟件進(jìn)行計算推理。假如產(chǎn)生了ST3（加速不力）的現(xiàn)象，相關(guān)的第一級母節(jié)點(diǎn)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)不正常的概率如表6所示。從表6可知（燃油壓力傳感器）數(shù)據(jù)不正常的概率最高，而SS4（空氣傳感器）發(fā)生不正常的可能性最低。

表6 ST3（加速不力）故障現(xiàn)象第一級母節(jié)點(diǎn)概率

令ST3（加速不力）和SS4（空氣傳感器）同時出現(xiàn)數(shù)據(jù)不正常的情況，對應(yīng)的第二級母節(jié)點(diǎn)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。當(dāng)子節(jié)點(diǎn)ST3（加速不力）的現(xiàn)象產(chǎn)生后，F(xiàn)S2（噴油器故障）是產(chǎn)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(chǎn)生故障概率最低的故障源。

表7 ST3（加速不力）故障現(xiàn)象第二級母節(jié)點(diǎn)概率

5 結(jié)束語

經(jīng)過理論建模、推理和實(shí)操后，對Bayesian網(wǎng)絡(luò)在電控柴油機(jī)綜合故障診斷上的應(yīng)用有以下的結(jié)論：故障診斷的實(shí)效性與傳感器數(shù)據(jù)的準(zhǔn)確性有關(guān)；故障推斷的結(jié)果與故障源的先驗(yàn)概率值密切相關(guān)；如果明確的節(jié)點(diǎn)概率越多，同時推斷過程更明確，則推斷的結(jié)果會更加準(zhǔn)確。

[1]林洋.基于貝葉斯網(wǎng)絡(luò)船用柴油機(jī)故障診斷系統(tǒng)的研究[D].大連：大連理工大學(xué)，2016

[2]尚文，王維民，齊鵬逸，等.基于條件規(guī)則與故障樹法的燃?xì)廨啓C(jī)故障診斷[J].機(jī)電工程，2013，30（7）：798-801.

[3]王維琨，江志農(nóng)，張進(jìn)杰.基于神經(jīng)網(wǎng)絡(luò)和瞬時轉(zhuǎn)速的發(fā)動機(jī)失火故障研究[J].機(jī)電工程，2013，30（7）：824-827.

[4]馮二浩，廊輝山，鄭宏俠．柴油機(jī)故障診斷研究綜述[J].機(jī)械管理開發(fā)，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(wǎng)推理中的化簡方法[J]．吉林大學(xué)學(xué)報（理學(xué)版），2004，42（1）：77-83．

[6]劉存香，劉學(xué)軍，韋志康．基于Bayesian故障診斷網(wǎng)絡(luò)的柴油機(jī)故障信息關(guān)聯(lián)度研究分析[J]．拖拉機(jī)與農(nóng)用運(yùn)輸車，2008，35（1）：48-49．

[7]黃云奇，劉存香.融合電控柴油機(jī)傳感器數(shù)據(jù)的貝葉斯綜合故障診斷網(wǎng)絡(luò)研究[J].機(jī)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?？茖W(xué)技術(shù)研究項(xiàng)目（項(xiàng)目編號：KY2015YB415）

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