融合电控柴油机传感器数据的贝叶斯综合故障诊断网络研究*

黄云奇，刘存香

（广西交通职业技术学院汽车工程系，广西南宁530023）

0 引言

柴油机有较好的经济性和动力性，在交通运输、国防军工、工程机械、火力发电等有着广泛应用。目前，柴油机技术正日益朝着复杂化、高速化、自动化、精密化等方面发展。柴油机在运行过程中，一旦柴油机的某个部件发生故障，往往会导致停工待产，造成经济损失。现代柴油机的故障成因与故障现象之间存在一因多果或一果多因的复杂关系，再加上故障成因发生的随机性和模糊性，从而导致柴油机故障源的多样性和不确定性。如果继续使用精确的推理方法通过故障现象来判断故障原因，可能会造成故障原因的非真实反映，从而导致误判。

传统的柴油机故障诊断方法例如基于故障机理的诊断方法因柴油机结构的复杂性而逐渐被放弃［1-3］；故障树诊断法由于其诊断方法粗糙致使诊断精度不高［4］；瞬时转速波动诊断方法虽然能够反映故障信息，但不能反映造成故障的原因，而且测量瞬时转速波动需要高频响、高精度的仪器，成本高［5-6］。因而许多现代故障诊断的现代技术方法便应运而生，传感器诊断技术［7］和贝叶斯网络技术便是其中有代表性的两种方法。

利用传感器对发动机的工作状态进行监控，根据传感器数据的异常对故障进行判断，具有较好的实时性；但传感器数据容易受到噪声干扰，并且无法利用各故障源的先验概率，有时容易产生误判。使用贝叶斯网络对故障进行诊断可以很好地利用各故障源产生的先验概率，且具有很强的判断决策能力，但其有不能充分反映实时性的缺点。

本研究将上述两种故障诊断技术结合起来，发挥各自的优势，可以有效提高故障诊断的正确率和实时性。

1 贝叶斯网络主要特点及其应用范围

贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一。其是一个有向无环图（di⁃rected acyclic graph，DAG），由代表变量节点及连接这些节点有向边构成［8］。节点代表随机变量，节点间的有向边代表了节点间的互相关系（由父节点指向其子节点），用条件概率进行表达关系强度，没有父节点的用先验概率进行信息表达［9］。其适用于表达和分析不确定性和概率性的事件，可以从不完全、不精确或不确定的知识或信息中做出推理。它对于解决复杂设备不确定性和关联性引起的故障有很大的优势，在医疗诊断、统计决策、模式识别、专家系统、学习预测等领域的成功应用，充分表明了贝叶斯网络技术是一种强有力的不确定性推理方法［10］。

2 融合传感器数据的贝叶斯网络故障综合诊断模型

2.1 故障诊断模型的组成

贝叶斯网络综合诊断模型如图1所示。其由s1,s2,…sn共n个传感器组成的传感器群、数据处理、数据状态判断、故障单元先验概率获取、贝叶斯网络诊断等5个主要模块组成。

图1 贝叶斯网络综合诊断模型

2.2 传感器群模块

传感器群模块负责对柴油机的工作状态进行监测，完成状态数据采集工作。

设n个传感器采集到的状态数据为：S(t)=[s1(t),s2(t),…sn(t)]。

2.3 数据处理模块

数据处理模块是对传感器采集到的数据进行处理以减少各类噪声的干扰，并得到较为完整的柴油机工作状态数据。

设n个传感器的输入输出特征函数分别为：M(t)=[m1(t),m2(t),…mn(t)]，则最终得到的柴油机工作状态数据应为：D(t)=[(m1(t),s1(t)),…(mn(t),(sn(t))]。

2.4 数据状态判断模块

数据状态判断模块则判断传感器所获得的数据是否正常，若异常则确定出现的故障单元（含传感器本身）。

设n个传感器的状态数据判断函数为：J(t)=[j1(t),j2(t),…jn(t)]，R(t)=[r1(t),r2(t),…rn(t)]为数据判断结果，则数据判断结果为R(t)=[(j1(t),d1(t)),(j2(t),d2(t)),…(jn(t),dn(t))]。若ri(t)=0 则说明第i个传感器数据正常，若ri(t)=1则说明第i个传感器数据异常。

2.5 故障单元先验概率获取模块

故障单元先验概率获取模块则是根据前一个模块的判断结果，明确发生故障的单元，并保存故障单元发生故障的概率，为构建贝叶斯故障诊断网络奠定先验概率基础。

当ri(t)=1 时说明第i个传感器所对应的单个或多个测控对象（含传感器自身）可能出现了故障。为了充分利用多个传感器数据的实时性，笔者提出了以下的判断规则［11］：

式（1）表示当第i个传感器数据异常时可能出现的所有故障单元，Fi可根据被测控对象的工作原理或经验分析确定；式（2）中利用Pi( )∗根据柴油机工作状态数据计算出故障单元出现的可能性。一般取Fi中各个元素对的概率函数。

2.6 贝叶斯网络诊断模块

贝叶斯网络诊断模块如图2所示。贝叶斯网络诊断模块为系统的核心。

图2 贝叶斯网络诊断模块

本研究将故障分为各个相互独立且完全包含的类别（各故障类别至少应该具有可以区分的界限），然后对各个故障类别分别建造贝叶斯网络模型。一般故障现象由一个或几个原因造成的，这些原因又可能由一个或几个更低层次的原因造成，其成因比较复杂。建立起网络的节点关系后，还需要进行概率估计。具体方法是假设在某故障现象出现的情况下，估计该故障原因的各个节点的条件概率，这种局部化概率估计的方法可以大大提高故障诊断效率［12］。

3 电控柴油机燃油供给系故障源推断实验及结果分析

3.1 贝叶斯网络诊断网络的构建

发动机燃油系统的故障现象主要是不能正常启动、抖动、冒黑烟、动力不足等。研究人员可根据其工作原理并结合经验，建立起贝叶斯网络诊断网络，发动机燃油系统故障贝叶斯网络诊断如图3所示。

从图3 可以看出，发动机供油系的故障现象和故障源存在着因果关系，故障原因和故障现象存在着“多对多”的关系。例如节点SS1燃油压力传感器数据异常对应着FS1燃油泵故障、FS2喷油器故障、FS3燃油滤清器故障、FS4油路故障、FS5燃油压力调节器故障等5 个母节点，该节点出现问题后又可能会导致其下一级的子节点ST1不能启动、ST2发动机抖动、ST3动力不足、ST4冒黑烟、ST5启动困难等故障现象。除此之外，其他母节点和子节点也都具有上述的因果关系。

3.2 贝叶斯网络诊断网络的验证分析

本研究用丰田1KZ电控柴油机为实验对象，以发动机出现了ST3动力不足的故障现象，推断出最有可能的故障源为例进行叶斯网络诊断网络的验证分析。

图3 发动机燃油系统故障贝叶斯网络诊断

笔者将系统各部件的工作状态分为正常Normal（简写为N）和异常Abnormal（简写为A）两种情况。在统计故障产生概率时对于系统的并发故障按单独故障重复统计。在查询维修手册、咨询技术专家、使用传感器数据分析等基础上结合经验，确定故障诊断网络所需的先验概率值［13］。其母节点（故障源）先验概率值如表1所示。

子节点SS1燃油压力传感器数据状态的先验概率如表2、表3所示。

SS3节气门传感器数据状态的先验概率值如表4所示。

SS4空气传感器数据状态先验概率分别如表5所示。其他子节点的条件概率值可用类似的方法得到。

表1 母节点（故障源）的先验概率值

表2 SS1 燃油压力传感器数据状态的先验概率（a）

表3 SS1 燃油压力传感器数据状态的先验概率（b）

表5 SS4 空气传感器数据状态的先验概率值

在建立贝叶斯诊断网络并明确先验概率值后，本研究利用Hugin Expert软件对贝叶斯网络进行计算推理。假设发动机产生了ST3动力不足的故障现象（即其故障率Abnormal=1.0），此时与该节点相关的第一级母节点SS1燃油压力传感器和SS3节气门传感器及SS4空气传感器发生数据异常的概率如表6所示。从表6 可知SS1燃油压力传感器数据异常的可能性最高，而SS4空气传感器发生数据异常的概率最低。

此时令ST3动力不足的故障现象和SS4空气传感器发生数据异常同时出现（即其故障率Abnormal=1.0），其对应的第二级母节点FS1燃油泵故障、FS2喷油器故障、FS3燃油滤清器故障、FS4油路故障、FS5燃油压力调节器故障如表7所示。从结果上看，当子节点ST3动力不足的故障产生后，各故障源产生概率最高的是FS2喷油器故障，最低的可能是FS3燃油滤清器故障，其推理结果接近于实际情况。

表6 ST3 动力不足故障现象第一级母节点概率

表7 ST3 动力不足故障现象第二级母节点概率

4 结束语

本研究在构建了融合电控柴油机传感器数据的贝叶斯网络综合故障诊断模型，提出了相应的推算和诊断方法后，以丰田1KZ电控柴油机为实验对象对诊断网络进行了分析验证，有以下的几个结论：

（1）故障诊断的实时性与传感器数据的准确性有关，减少噪声干扰，提高传感器数据的准确性可有效提高诊断的实时效果。

（2）推断的结果与各类故障源的先验概率值密切相关，先验概率越准确，诊断的结果越接近实际，为此在日常的检测与维修中应注重保存相关的概率数据，以备后用。

（3）该网络可在已知某些故障成因和故障现象的情况下推断其他节点的发生故障的概率。已知的节点概率越多，其推断过程越明确，推断的结果越准确。

（References）：

［1］马善伟，乐正伟，吕 健，等.柴油机故障诊断技术综述［J］.上海第二工业大学学报，2008，25（2）：122-127.

［2］郑 劲，丁雪兴.柴油发动机故障诊断技术研究与应用［J］.机械，2012（6）：67-70.

［3］伍 纲，王东方，苏小平，等.柴油机C-EGR 系统新型冷却器数值分析［J］.流体机械，2012，40（11）：75-79.

［4］尚 文，王维民，齐鹏逸，等.基于条件规则与故障树法的燃气轮机故障诊断［J］.机电工程，2013，30（7）：798-801.

［5］王逍梦，任 章.基于小波变换的二阶传感器故障诊断研究［J］.兵工自动化，2013（5）：78-82.

［6］王维琨，江志农，张进杰.基于神经网络和瞬时转速的发动机失火故障研究［J］.机电工程，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，欧阳丹彤，刘大有.Bayesian网推理中的化简方法［J］.吉林大学学报（理学版），2004，42（1）：77-83.

［9］羌 磊，肖田元，乔桂秀.一种改进的Bayesian网络结构学习算法［J］.计算机研究与发展，2002（10）：1211-1226.

［10］［作者不详］.百度百科，贝叶斯网络［EB/OL］.［s.n.］.http：//baike.baidu.com/view/943316.htm？fr=aladdin

［11］王 敏，王万俊，熊春山，等.基于多传感器数据融合的故障诊断技术［J］.华中科技大学学报，2001，29（2）：96-98.

［12］刘存香，刘学军，韦志康.基于Bayesian故障诊断网络的柴油机故障信息关联度研究分析［J］.拖拉机与农用运输车，2008，35（1）：48-49.

［13］刘学军，刘存香，韦志康.贝叶斯网络在电控发动机燃油系统故障分析中的应用［J］.车用发动机，2008（B06）：124-125.