CN105547717B - 基于贝叶斯网络的柴油机润滑***故障诊断方法 - Google Patents
基于贝叶斯网络的柴油机润滑***故障诊断方法 Download PDFInfo
- Publication number
- CN105547717B CN105547717B CN201510883986.6A CN201510883986A CN105547717B CN 105547717 B CN105547717 B CN 105547717B CN 201510883986 A CN201510883986 A CN 201510883986A CN 105547717 B CN105547717 B CN 105547717B
- Authority
- CN
- China
- Prior art keywords
- lubricating system
- bayesian network
- performance parameter
- lubricating
- oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及的是基于贝叶斯网络的柴油机润滑***故障诊断方法。本发明将润滑***的故障类型和外部征兆分别抽象为故障层节点和征兆层节点，建立柴油机润滑***贝叶斯网络模型；利用数据采集***检测柴油机润滑***的性能参数，采用线性比例变换法对性能参数进行归类处理，根据获取的润滑***实际工作状态信息；采用Hugin联合树算法将修正后的润滑***贝叶斯网络模型转化为联合树。本发明在实施推理诊断前，依据润滑***的实际工作状态，通过重置故障层节点的先验概率，对贝叶斯网络模型进行了适应性修正，使得模型能够准确描述润滑***的实际工作状态，从而降低模型推理的不确定性，提高了故障诊断的准确率。
Description
技术领域
本发明涉及的是基于贝叶斯网络的柴油机润滑***故障诊断方法。
背景技术
柴油机在国民经济的各个领域发挥着重要作用。然而，柴油机结构复杂，许多零部件处在高温、高压、高负荷的恶劣条件下工作，使得***故障率较高，维修保养费用很大。统计表明，在柴油机的各项使用费用中，维修保养方面的支出达15％-30％。另有统计显示，在进行设备管理维修时，确定故障所用时间占到总时间的70％-90％。由此可见，低效率的柴油机故障诊断方法浪费了大量的人力、物力资源，给工业生产带来了极大的不便。
柴油机故障诊断技术是实现故障早期预报和预防维修的有效手段，对于降低事故的危害，确保柴油机的安全运行具有重要作用。该项技术的应用首先要解决的关键问题就是故障特征与故障源之间的映射非线性。贝叶斯网络是一个有向无环图，其中的节点代表随机变量，节点间的有向边代表随机变量间的关联关系，并以先验概率的形式表征随机变量间关联程度的大小。贝叶斯网络在多态逻辑表达和不确定推理上具有独特的优势。利用贝叶斯网络对设备故障的诊断需要通过相关的推理算法进行。Hugin联合树算法是一种常用的贝叶斯网络精确推理算法。该算法首先将贝叶斯网络转化为一个一次结构——联合树，然后通过定义在联合树上的消息传递过程，对目标事件进行概率性的因果推理。近年来，有学者将贝叶斯网络应用到柴油机润滑***故障诊断领域，取得了一定成果。然而，在现有的研究中，润滑***的贝叶斯网络模型形式固定，不能依据***的实际工作状态修正所建模型，使得模型对润滑***的动态变化适应性差，诊断结果存在准确率较低，参考性不强等问题，严重制约了该项技术的进一步应用。发明一种能够根据设备实际状态，适应性调整模型结构，快速、准确地识别出故障类型的柴油机润滑***故障诊断方法对于提高设备运行的安全性，实现对柴油机的视情维修具有重要的意义。
经对现有技术的文献检索发现，公开文件“舰船柴油主机滑油***贝叶斯网络推理故障诊断方法”(四川兵工学报，2015)提出的一种柴油机润滑***故障诊断方法，该公开文件自述为：“以舰船动力装置中的柴油主机滑油管路***为研究对象，针对滑油***故障诊断问题，分析了常见故障机理，建立了滑油***常见故障的故障树结构，在此基础上构建了用于故障状态推理的贝叶斯网络模型，分析了滑油***典型故障状态下的贝叶斯状态推理过程，为滑油***的快速故障诊断提供了一种新的方法”。其不足之处是：该方法所建贝叶斯网络模型形式固定，不能根据润滑***的动态变化进行适应性调整，无法准确描述润滑***的实际状态，因此导致模型推理不确定性大，诊断精度较低；且该方法对润滑***的故障诊断是一种静态推理，其过程未依据柴油机润滑***实际运行信息，无法真正实现对柴油机润滑***故障的诊断，难以指导工作人员对设备进行针对性维修。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于贝叶斯网络的柴油机润滑***故障诊断方法。
本发明的目的是这样实现的：
(1)将润滑***的故障类型和外部征兆分别抽象为故障层节点和征兆层节点，建立柴油机润滑***贝叶斯网络模型；
(2)利用数据采集***检测柴油机润滑***的性能参数，采用线性比例变换法对性能参数进行归类处理，ω表示润滑***的实际性能参数，ω*表示性能参数的标准值，表示变换后的性能参数，进而泛化润滑***性能参数，获得润滑***的实际工作状态信息e；
(3)根据获取的润滑***实际工作状态信息e，对贝叶斯网络模型征兆层节点vj的状态π(vj)进行二元取值，(ωj)表示对性能参数ωj的泛化，表示满足性能参数ωj泛化的对应外部征兆描述；适应性修正建立的润滑***贝叶斯网络模型；
(4)采用Hugin联合树算法将修正后的润滑***贝叶斯网络模型转化为联合树，进而将润滑***实际工作状态信息e作为推理证据，通过计算故障层节点si的边缘化条件概率p(si|e)，对润滑***的当前故障类型进行诊断。
所述故障类型具体包括：活塞环密封失效S1、添加油量不足S2、冷却器故障S3、超出使用寿命S4、滑油油品不当S5、滑油中含有气泡S6、管路漏油S7、管路堵塞S8。
所述外部征兆具体包括：滑油液位过低V1、滑油温度过高V2、进机滑油压力过低V3、出机滑油压力过低V4、出机滑油流量过低V5。
所述适应性修正建立的润滑***贝叶斯网络模型的具体方法为：依据征兆层节点vj的状态π(vj)，重置润滑***贝叶斯网络模型中故障层节点pa(vj)的先验概率P(pa(vj))；pa(vj)为征兆层节点vj的父节点；
与现有技术相比，本发明的有益效果在于：本发明在实施推理诊断前，依据润滑***的实际工作状态，通过重置故障层节点的先验概率，对贝叶斯网络模型进行了适应性修正，使得模型能够准确描述润滑***的实际工作状态，从而降低模型推理的不确定性，提高了故障诊断的准确率；此外，本发明对润滑***故障类型的诊断推理依据润滑***的实际工作状态信息实施，因此诊断结果能够真实地反映润滑***实际性能，具有较强的现实指导意义。
附图说明
图1为本发明基于贝叶斯网络的柴油机润滑***故障诊断方法流程图。
图2为某型四缸柴油机润滑***贝叶斯网络拓扑结构图。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述的实施例。
本发明涉及一种基于贝叶斯网络的柴油机润滑***故障诊断方法，属于柴油机故障诊断技术领域。首先将润滑***故障类型及外部征兆抽象为网络节点，建立润滑***贝叶斯网络模型；其次，检测润滑***性能参数，获取润滑***实际工作状态信息；再次，根据获取的润滑***实际工作状态信息，通过重置故障层节点的先验概率，对润滑***贝叶斯网络模型进行适应性修正；最后，将润滑***的实际工作状态信息作为推理证据，利用Hugin联合树算法对润滑***故障进行概率诊断。本发明能够通过调整节点概率信息修正所建立的贝叶斯网络模型，使模型更准确的反映润滑***当前工作状态，提高了故障诊断的准确性，诊断结果具有较高的现实指导意义。
首先建立柴油机润滑***的贝叶斯网络模型，然后，根据获取的润滑***实际工作状态信息对贝叶斯网络模型进行适应性修正，以使模型能够准确描述润滑***的实际工作状态，提高故障诊断的准确率，最后，将润滑***实际工作状态信息作为推理证据，利用Hugin联合树算法对故障类型进行诊断推理，据此指导维护人员对柴油机润滑***实施针对性维修，保障设备安全，降低维修管理成本。
本发明的方法具体包括以下步骤：
1、将润滑***的故障类型Si和外部征兆Vj分别抽象为故障层节点si和征兆层节点vj，建立柴油机润滑***贝叶斯网络模型；
2、利用数据采集***检测柴油机润滑***的性能参数ωi，采用线性比例变换法对性能参数ωi进行归类处理，进而泛化润滑***的性能参数，获得润滑***的实际工作状态信息e；
3、根据步骤2中获取的润滑***实际工作状态信息e，对贝叶斯网络模型中征兆层节点vj的状态π(vj)进行二元取值，在此基础上，重置故障层节点的先验概率P(pa(vj))，以修正建立的润滑***贝叶斯网络模型；
4、采用Hugin联合树算法将修正后的润滑***贝叶斯网络模型转化为联合树，进而将润滑***实际工作状态信息e作为推理证据，通过计算故障层节点si的边缘化条件概率p(si|e)，对润滑***的当前故障类型进行诊断。
如图1所示，本发明包括以下步骤：润滑***贝叶斯网络模型的建立、润滑***实际工作状态信息获取、贝叶斯网络模型的适应性修正、及润滑***故障的联合树诊断。具体如下：
1、所述润滑***贝叶斯网络模型的建立是将润滑***的故障类型Si和外部征兆Vj分别作为故障层节点si和征兆层节点vj，建立柴油机润滑***的贝叶斯网络模型。贝叶斯网络模型可利用二元组B<G，P>表示，其中G为贝叶斯网络的拓扑结构，P为节点的概率信息。进一步，节点的概率信息P具体包括：先验概率p(si)和条件概率p(vj|pa(vj))，其中pa(vj)表示与征兆层节点vj存在因、果关系的故障层节点(父节点)。在贝叶斯网络模型B<G，P>中，所有外部征兆之间的联合概率分布可通过公式(1)表示。
所述故障类型具体包括：活塞环密封失效S1、添加油量不足S2、冷却器故障S3、超出使用寿命S4、滑油油品不当S5、滑油中含有气泡S6、管路漏油S7、管路堵塞S8。
所述外部征兆是指柴油机润滑***的性能参数的运行态势，具体包括：滑油液位过低V1、滑油温度过高V2、进机滑油压力过低V3、出机滑油压力过低V4、出机滑油流量过低V5。
进一步，所述性能参数ωi具体包括：滑油液位ω1、滑油温度ω2、进机滑油压力ω3、出机滑油压力ω4、出机滑油流量ω5。
2、所述润滑***实际工作状态信息获取是利用传感器和数据采集卡检测柴油机润滑***当前时刻的性能参数ωi，并通过线性比例变换法，如公式(2)所示，使性能参数ωi映射至特定区间([0，1)、[1，1]、(1，+∞))，以消除性能参数的单位限制，将其转化为无量纲的纯数值。在此基础上，按照定义1中约定的规则泛化获取的性能参数，并将其作为润滑***的实际工作状态信息e。
上式中，ω表示润滑***的实际性能参数；ω*表示性能参数的标准值；表示变换后的性能参数。
给出关键定义如下：
定义1：(定义性能参数的泛化规则)对采集到的性能参数进行线性比例变换后，利用高层概念“过低”、“正常”、“过高”分别替代性能参数在区间[0，1)、[1，1]、(1，+∞)内的取值，以通过模糊划分描述性能参数的运行态势。称该模糊划分方法为性能参数的泛化，记作Q(·)。
3、所述贝叶斯网络模型的适应性修正是指，根据润滑***实际工作状态，利用公式(3)所示的方法，对贝叶斯网络模型征兆层节点vj的状态π(vj)进行二元取值。在公式(3)中，Q(ωj)表示对性能参数ωj的泛化，表示满足性能参数ωj泛化的对应外部征兆描述。在此基础上，依据征兆层节点状态取值，采用公式(4)重置贝叶斯网络模型的相关故障层节点pa(vj)的先验概率P(pa(vj))，对所建的润滑***贝叶斯网络模型进行适应性修正，以使模型能够准确地反映润滑***的实际性能特征。
4、所述润滑***故障的联合树诊断是指，利用Hugin联合树算法转化贝叶斯网络模型B<G，P>为联合树，并将润滑***实际工作状态信息e作为证据，推理计算故障层节点si的边缘化条件概率p(si|e)。p(si|e)即为在润滑***的实际工作状态信息e条件下，故障层节点si所表征的故障类型出现的概率。此时，依据最大可能性原则，如公式(10)，选取边缘化条件概率最大的故障层节点s*，诊断润滑***的当前性能状态为s*所表征的故障类型S*，据此对柴油机实施有计划、有针对性的视情维修。
利用Hugin联合树算法计算边缘化条件概率的具体过程如下：
第一步：依据既定的转化算法将贝叶斯网络模型B<G，P>转化为联合树。
第二步：初始化联合树中团结点X的势函数为1，并根据贝叶斯网络模型中的条件概率更新势函数更新方法采用公式(5)，其中，vj、pa(vj)∈X(以下步骤中均满足此条件)。
第三步：利用公式(6)所示的方法将采集、泛化的润滑***的实际工作状态信息e作为推理证据，输入联合树。
第四步：通过团结点间的消息传递过程，如公式(7)，更新所有团结点的势函数。
公式(7)中，X表示发送消息的团结点；Y表示接受消息的团结点；S为X、Y间的分割集；分别为团结点Y、分割集S的原势函数。
第五步：利用公式(8)所示的方法对团结点X的势函数在故障层节点si上做边缘化处理。
第六步：重复利用公式(9)计算故障层节点si的边缘化条件概率p(si|e)，获得所有故障类型出现的可能性。
s*＝argmaxp(si|e) (10)
图2是本发明实施某型四缸柴油机润滑***的贝叶斯网络拓扑结构图。
Claims (2)
1.基于贝叶斯网络的柴油机润滑***故障诊断方法，其特征在于，包括如下步骤：
(1)将润滑***的故障类型和外部征兆分别抽象为故障层节点和征兆层节点，建立柴油机润滑***贝叶斯网络模型；
(2)利用数据采集***检测柴油机润滑***的性能参数，采用线性比例变换法对性能参数进行归类处理，ω表示润滑***的实际性能参数，ω*表示性能参数的标准值，表示变换后的性能参数，进而泛化润滑***性能参数，获得润滑***的实际工作状态信息e；
(3)适应性修正建立的润滑***贝叶斯网络模型，根据获取的润滑***实际工作状态信息e，利用公式(1)对贝叶斯网络模型征兆层节点vj的状态π(vj)进行二元取值；
Q(ωj)表示对性能参数ωj的泛化，表示满足性能参数ωj泛化的对应外部征兆描述；所述外部征兆具体包括：滑油液位过低V1、滑油温度过高V2、进机滑油压力过低V3、出机滑油压力过低V4、出机滑油流量过低V5；利用公式(2)重置润滑***贝叶斯网络模型中故障层节点pa(vj)的先验概率P(pa(vj))；pa(vj)为征兆层节点vj的父节点；
(4)采用Hugin联合树算法将修正后的润滑***贝叶斯网络模型转化为联合树，进而将润滑***实际工作状态信息e作为推理证据，通过计算故障层节点si的边缘化条件概率p(si|e)，对润滑***的当前故障类型进行诊断。
2.根据权利要求1所述的基于贝叶斯网络的柴油机润滑***故障诊断方法，其特征在于：所述故障类型具体包括：活塞环密封失效S1、添加油量不足S2、冷却器故障S3、超出使用寿命S4、滑油油品不当S5、滑油中含有气泡S6、管路漏油S7、管路堵塞S8。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510883986.6A CN105547717B (zh) | 2015-12-04 | 2015-12-04 | 基于贝叶斯网络的柴油机润滑***故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510883986.6A CN105547717B (zh) | 2015-12-04 | 2015-12-04 | 基于贝叶斯网络的柴油机润滑***故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105547717A CN105547717A (zh) | 2016-05-04 |
| CN105547717B true CN105547717B (zh) | 2018-07-24 |
Family
ID=55827061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510883986.6A Active CN105547717B (zh) | 2015-12-04 | 2015-12-04 | 基于贝叶斯网络的柴油机润滑***故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105547717B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106547967B (zh) * | 2016-11-01 | 2020-07-28 | 哈尔滨工程大学 | 基于代价分析的柴油机燃油***维修决策方法 |
| CN106778828B (zh) * | 2016-11-28 | 2020-05-15 | 哈尔滨工程大学 | 基于简化贝叶斯模型的柴油机燃油***多故障识别方法 |
| CN107905990A (zh) * | 2017-06-13 | 2018-04-13 | 武汉科技大学 | 一种基于模糊h网与贝叶斯方法的液压泵故障诊断*** |
| CN109815441B (zh) * | 2017-11-20 | 2023-06-02 | 洛阳中科晶上智能装备科技有限公司 | 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 |
| CN108388232B (zh) * | 2018-03-20 | 2020-07-24 | 江南大学 | 一种原油脱盐过程的运行模式故障监测方法 |
| CN110286333B (zh) * | 2019-06-18 | 2021-09-24 | 哈尔滨理工大学 | 一种锂动力电池***故障诊断方法 |
| CN110909763A (zh) * | 2019-10-16 | 2020-03-24 | 中国石化青岛液化天然气有限责任公司 | 基于故障知识库和贝叶斯网络的设备故障诊断方法 |
| CN110956268A (zh) * | 2019-10-16 | 2020-04-03 | 中国石化青岛液化天然气有限责任公司 | 基于大数据的压缩机故障诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5530020B1 (ja) * | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
| CN104063586A (zh) * | 2014-06-11 | 2014-09-24 | 西北工业大学 | 基于多态故障树的贝叶斯网络故障预测方法 |
| CN104462687A (zh) * | 2014-12-05 | 2015-03-25 | 北京航空航天大学 | 一种基于动态贝叶斯网络的可修go法算法 |
-
2015
- 2015-12-04 CN CN201510883986.6A patent/CN105547717B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5530020B1 (ja) * | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
| CN104063586A (zh) * | 2014-06-11 | 2014-09-24 | 西北工业大学 | 基于多态故障树的贝叶斯网络故障预测方法 |
| CN104462687A (zh) * | 2014-12-05 | 2015-03-25 | 北京航空航天大学 | 一种基于动态贝叶斯网络的可修go法算法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于贝叶斯网络分类器的船舶柴油机冷却***故障诊断;曾谊晖 等;《中南大学学报》;20100831;第41卷(第4期);第1379-1384页 * |
| 舰船柴油主机滑油***贝叶斯网络推理故障诊断方法;许伟 等;《四川兵工学报》;20150331;第36卷(第3期);第86-90页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105547717A (zh) | 2016-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105547717B (zh) | 基于贝叶斯网络的柴油机润滑***故障诊断方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| Sun et al. | Outlier data treatment methods toward smart grid applications | |
| Wang et al. | Data-driven risk assessment on urban pipeline network based on a cluster model | |
| Xi et al. | YDRSNet: an integrated Yolov5-Deeplabv3+ real-time segmentation network for gear pitting measurement | |
| CN111817880A (zh) | 一种油气田生产设备健康管理***以及实现方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| Feng et al. | Reliability evaluation of gantry cranes based on fault tree analysis and Bayesian network | |
| CN103530525B (zh) | 一种提高尾矿坝基于库水位的风险评估精准性的方法 | |
| CN109359662A (zh) | 一种面向百万千瓦超超临界机组非平稳特性的基于因果分析的多层贝叶斯网络故障诊断方法 | |
| Li et al. | Research on the Clustering Analysis and Similarity in Factor Space. | |
| CN114692875A (zh) | 一种故障诊断用gis知识图谱的构建方法 | |
| CN109858732A (zh) | 一种城镇供水管网健康状态评价方法 | |
| Liu et al. | A fault diagnosis method for rolling element bearings based on ICEEMDAN and Bayesian network | |
| Kuyunani et al. | Improving voltage harmonics forecasting at a wind farm using deep learning techniques | |
| Yu et al. | Early fault diagnosis model design of reciprocating compressor valve based on multiclass support vector machine and decision tree | |
| Ozturk et al. | Artificial intelligence in building information modeling research: Country and document-based citation and bibliographic coupling analysis | |
| Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
| Hong et al. | Evaluation of disaster-bearing capacity for natural gas pipeline under third-party damage based on optimized probabilistic neural network | |
| Lin et al. | Data-driven situation awareness of electricity-gas integrated energy system considering time series features | |
| CN113449120B (zh) | 一种结合空间信息的管线安全综合监管方法 | |
| CN101571931B (zh) | 一种面向普适计算的不确定性上下文的推理方法 | |
| CN104268270A (zh) | 基于MapReduce挖掘海量社交网络数据中三角形的方法 | |
| CN106342315B (zh) | 一种基于本体的产品测试性模型构建方法 | |
| CN102411730A (zh) | 描述逻辑与可废止逻辑整合的不一致本体非单调推理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |