基于贝叶斯网络的电控发动机故障诊断

谢学飞，陈琳

（南通职业大学汽车与交通工程学院，江苏 南通 226007）

前言

对于电控发动机而言，ECU内部都有一个故障自诊断电路，如果发动机发生故障，目前常采用电脑解码仪进行故障诊断。但是电控发动机各系统和部件之间的关联越来越紧密，单凭故障代码排除故障，有时会使故障诊断陷入僵局或使维修时间增长；另外，对于纯机械故障，维修工人仅能凭借经验排除会大大降低维修效率。贝叶斯网络是一种基于概率推理的网络模型，已成功应用于可靠性分析、模式识别、故障诊断等领域。采用贝叶斯网络对电控发动机故障进行分析，能够更好地对故障进行定性和定量分析[1]。所以，在实车故障排除时，我们可以在利用贝叶斯网络分析的基础上结合诊断仪的故障码进行故障排除，这样可以提高故障诊断效率。

1 贝叶斯网络基本原理

贝叶斯网络是一种处理不确定信息的有力工具。在利用贝叶斯网络进行故障分析时，一方面可以看出故障现象与故障原因之间的关系；另一方面可以通过定量计算得到各个故障原因发生的概率，这充分发挥了贝叶斯网络特有的优点和作用[2]。而且，与故障树相比，贝叶斯网络凭借其独特的优势，能够解决复杂系统的动态性、多态性等问题。

贝叶斯网络一般由若干节点、连接节点的有向边以及概率表组成。如图1所示，图中共有三个节点，根据它们之间的依赖关系，节点A和B称为父节点，也称为根节点（没有父节点的节点），它们附有边缘概率分布，称为先验概率；节点C称为子节点，附有条件概率分布，称为条件概率表。

图1 简单的贝叶斯网络

利用贝叶斯网络可以进行双向推理，一方面我们可以自上而下进行推理，计算出系统发生概率，对系统进行可靠性评估，另一方面，我们可以进行自下而上推理，进行故障诊断，找出系统薄弱环节。

2 发动机无法起动贝叶斯网络模型的建立与分析

2.1 电控发动机无法起动故障贝叶斯网络的建立

发动机不能起动的现象主要有以下几种：起动机带不动发动机，或能带动，但转动缓慢；起动机能带动发动机正常运转，但无着火迹象；有着车迹象，但发动机不能起动[3,4]。为了便于讨论，本文只讨论第三种情况，这种情况下，电控发动机不能起动的原因如下：

（1）点火系统。点火系统高压线圈故障、高压线路故障、火花塞故障以及点火控制模块故障会造成点火系统提供的高压火花弱或点火时刻不正常而使发动机不能起动。

（2）燃油供给系统。电动燃油泵及控制电路故障、燃油压力调节器故障、喷油器故障会造成燃油压力低，使混合气过浓而造成发动机不能起动。

（3）进气系统。进气系统如果出现空气滤清器堵塞、漏气、怠速控制阀故障、节气门出现故障的空气量太多或太少。

（4）控制系统。冷却液温度传感器及电路故障、空气流量传感器及电路故障、曲轴位置传感器及电路故障会造成发动机控制出现问题，致使发动机不能起动。

（5）其他。配气机构故障、曲柄连杆机构故障。

图2 电控发动机无法起动贝叶斯网络拓扑结构

通过电控发动机不能起动原因的分析，建立了电控发动机无法起动贝叶斯网络拓扑结构如图2所示。

图中各节点名称的符号如下：

T——表示电控发动机无法起动；M1——点火系统故障；M2——燃油供给系统故障；M3——进气系统故障；M4——控制系统故障；M5——其他；X1——高压线圈故障；X2——高压线路故障；X3——火花塞故障；X4——点火控制模块故障；X5——电动燃油泵及控制电路故障；X6——燃油压力调节器故障；X7——喷油器故障；X8——空气滤清器堵塞；X9——漏气；X10——怠速控制阀故障；X11——节气门故障；X12——冷却液温度传感器及电路故障；X13——空气流量传感器及电路故障；X14——曲轴位置传感器及电路故障；X15——配气机构故障；X16——曲柄连杆机构故障。

2.2 贝叶斯网络中各个节点概率值的确定

基于发动机无法起动的故障数据库[5,6]，得到发电控动机无法起动的贝叶斯网络根节点的故障概率，如表1所示。

表1 贝叶斯网络中各个根节点先验概率

贝叶斯网络中各个条件概率表根据故障树与贝叶斯网络的转换方法，如下图所示。

图3 贝叶斯网络中间节点M1的条件概率表

图4 贝叶斯网络中间节点M2的条件概率表

图5 贝叶斯网络中间节点M5的条件概率表

图6 贝叶斯网络叶节点T的条件概率表

由于 M3的条件概率表与 M1相同，M4的条件概率表与M2相同，故此处省略。

2.3 贝叶斯网络的概率计算

由于本文建立的电控发动机无法起动的贝叶斯网络较复杂，计算量比较大。针对复杂的贝叶斯网络模型，单靠人工计算肯定是不行的，我们需要借助计算机软件——贝叶斯网络工具箱（BNT）进行计算。针对本文建立的贝叶斯网络，在 MATLAB中编写程序，通过正向推理计算得出叶节点及中间节点发生概率，通过反向推理计算出根节点的后验概率。叶节点T的发生概率：P(T=1)=0.198675，中间节点：P(M1=1)=0.389264，P(M2=1)=0.341930，P(M3=1)=0.322523，P(M4=1)=0.255520，P(M5=1)=0.019900。各个根节点的后验概率见图7。通过中间节点发生概率的大小，我们可以看出在电控发动机无法起动时，点火系统发生故障的概率最大。

图7 各基本事件的后验概率

后验概率越大，说明导致电控发动机无法起动的影响越大[7]。由图7可知，当叶节点T发生故障，也就是电控发动机无法起动时，检测到各根节点的概率排序如下：X5>X4>X3>X7>X8=X13>X10=X14>X11>X12=X9>X13>X2=X6>X15=X16，我们可以看出电动燃油泵及控制电路故障的后验概率最大，也就是说当电动燃油泵及控制电路发生故障时，最容易导致电控发动机无法起动，电动燃油泵及控制电路为电控发动机无法起动的最薄弱环节，理论结果与实际情况相符合。

3 结论

为了解决电控发动机在故障诊断时，利用诊断仪读不出故障码或者依据故障码陷入困境会大大降低维修人员的维修效率的问题，本文利用贝叶斯网络诊断方法，得到电控发动机不能起动时各部件发生故障的可能性大小，进行故障排除，可以较好的解决上述问题。

当然，若只是根据后验概率制定故障诊断流程也是不够的，利用贝叶斯网络还可计算出事件重要度，将其与后验概率结合起来可进一步完善故障诊断策略。另外，贝叶斯网络自身还需进行一定的完善。此外，对于故障事件的概率值的获取需要更完备的数据库，还有待于进一步改进。