CN106778828B - 基于简化贝叶斯模型的柴油机燃油***多故障识别方法 - Google Patents
基于简化贝叶斯模型的柴油机燃油***多故障识别方法 Download PDFInfo
- Publication number
- CN106778828B CN106778828B CN201611061467.2A CN201611061467A CN106778828B CN 106778828 B CN106778828 B CN 106778828B CN 201611061467 A CN201611061467 A CN 201611061467A CN 106778828 B CN106778828 B CN 106778828B
- Authority
- CN
- China
- Prior art keywords
- fuel system
- fault
- diagnosis
- model
- reduction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
- Testing Of Engines (AREA)
Abstract
本发明的目的在于提供基于简化贝叶斯模型的柴油机燃油***多故障识别方法,首先利用高压油管油压信号的多个时、频域特征参数表征燃油***多种故障的外在特性,建立燃油***故障诊断决策表;其次,通过粗糙集理论分析决策表包含的诊断知识的等价性,简化故障诊断规则;再次,采用网络拓描述故障诊断规则,建立燃油***贝叶斯网络诊断模型,通过因果机制独立方法设定诊断模型所需的定量知识;最后采集燃油***高压油管压力信号,利用贝叶斯网络诊断模型对燃油***进行故障诊断,识别每种故障的发生概率。本发明可降低燃油***贝叶斯模型建立的复杂度,提高基于贝叶斯网络的燃油***多故障诊断技术的工程实用性。
Description
技术领域
本发明涉及的是一种柴油机故障诊断方法。
背景技术
柴油机故障诊断技术是保障柴油机在使用期限内安全、高效运行的有效手段。燃油***作为柴油机的关键组成部分,其健康状态的可靠检测是柴油机故障诊断研究中的一项重要内容。长期以来,燃油***故障诊断技术大多是针对单故障实施的。这类研究通常利用提取的燃油***运行状态特征参数作为辨识故障的依据,诊断过程较为简便、易于实现。然而,由于结构和功能的高度关联,燃油***的多种故障常会耦合、级联发生。此时,针对单个故障实施的诊断将造成对故障的漏判甚至误判。因此,单故障诊断技术在工程实际中难以得到有效的应用。
针对这一问题,有研究人员综合分析了燃油***多种故障的表现特征,提出了基于贝叶斯网络的柴油机燃油***故障诊断方法。贝叶斯网络是一个有向无环图,其中的网络结点表示随机变量,结点间的有向边表示随机变量间的关联关系。贝叶斯网络利用拓扑结构和网络结点的概率信息(包括先验概率和条件概率)所表征的先验知识,对目标的多种状态进行不确定辨识。在故障诊断中,贝叶斯网络结点即表征了故障类型和外部征兆,由网络结点及其间的有向边构成的网络局部结构即表示了产生式诊断规则,而诊断中的定量知识通过网络结点的概率信息表示。贝叶斯网络在燃油***故障诊断研究中的应用有效地解决了多故障识别这一难题。然而,该项诊断技术在实际应用时也面临着贝叶斯诊断模型建立复杂的问题。故障类型和外部征兆数量的增加将造成贝叶斯网络诊断模型建立所需的专家诊断规则(网络结点关联关系)以及定量知识(网络结点概率信息)大幅增加。这不仅加大了建模的工作量,同时对专家知识的全面性也有着较高的要求。此外,在现有的研究中,网络结点间定量知识的设定形式均为不同故障取值组合下外部征兆出现的条件概率,即P(s|f1,…,fn)(s为外部征兆,f1,…,fn为导致征兆s出现的故障),这使得建模所需的定量知识随故障类型数量指数式增加,而且该设定方式与通常的专家知识形式(某故障导致外部征兆出现的概率)不相符。综上所述,建模的复杂性使得基于贝叶斯网络的柴油机燃油***故障诊断技术实施难度大,限制了该方法的实际工程应用。
经对现有技术的文献检索发现,公开文件“基于贝叶斯网络的发动机燃油***故障诊断”(长沙航空职业技术学院学报,2010)提出了一种发动机燃油***故障诊断方法,该公开文件自述为:“在构建某型发动机燃油***故障诊断贝叶斯网络模型的基础上,提出逆向推理的最强依赖路径算法,通过该算法可以对故障可能的原因按概率大小进行排序,进而快速、准确地对故障进行定位,从而大大提高复杂***故障诊断的效率”。其不足之处是:该方法在建立贝叶斯诊断模型时没有考虑到诊断规则的等价性,造成所建模型包含了大量的冗余事件,且诊断模型需要设定大量的条件概率,使得诊断模型建立过程复杂、工作量大。
发明内容
本发明的目的在于提供指导维护人员对燃油***实施针对性维修,降低维修管理成本的基于简化贝叶斯模型的柴油机燃油***多故障识别方法。
本发明的目的是这样实现的:
本发明基于简化贝叶斯模型的柴油机燃油***多故障识别方法,其特征是:
(1)选取柴油机燃油***的故障类型及其外部征兆,以外部征兆作为条件属性集,以故障类型作为决策属性集,通过粗糙集理论构建燃油***故障诊断决策表T;
选取的柴油机燃油***故障类型包括:喷油器弹簧折断f1、出油阀失效f2、柱塞偶件穴蚀f3、喷孔积碳f4、针阀上卡f5、喷油器滴漏f6;选取的柴油机燃油***外部征兆包括:压力升高率降低s1、喷油持续期延长s2、余波宽度减小s3、峰值因子增大s4、启喷压力降低s5、余波振荡幅值减小s6、最高喷射压力降低s7;
(2)利用粗糙集理论分析外部征兆si(i=1,…,7)在燃油***故障辨识中的等价性,去除冗余的征兆属性,通过粗糙集理论中的诊断规则导出方法,得到燃油***故障最简诊断规则rei;
(3)利用约简后的诊断规则rei建立燃油***贝叶斯网络诊断模型,根据因果机制独立设定诊断模型中故障对外部征兆的贡献概率Pj=P(si|fj),利用下式求解外部征兆的条件概率:
式中Pa(si)为外部征兆si的父结点集;Pa(si)+为Pa(si)中取值为真的父节点子集;
(4)采集柴油机高压油管压力信号,并提取压力信号的时、频域特征,具体包括:压力升高率、喷油持续期、余波宽度、峰值因子、启喷压力、余波振荡幅值、最高喷射压力,将提取的时、频域特征输入贝叶斯网络诊断模型,计算得到柴油机燃油***每种故障的发生概率:
式中,n为贝叶斯网络模型中所有结点的个数,e表示由观测到取值为真的外部征兆结点sj +构成的集合,e={sj +};G表示燃油***贝叶斯网络诊断模型结构;V为由网络结点vi全体构成的集合,V={vi};ft(t=1,…,6)为贝叶斯网络诊断模型中的故障类型结点;pa(vi)为网络结点vi的父结点集。
本发明还可以包括:
1、燃油***故障诊断规则约简是基于故障诊断决策表T实施的,约简过程如下:
(1)求取故障诊断决策表T的分辨矩阵M=[cij]n×n,
式中,C称为条件属性集,n为论域的样本个数n=|U|,U表示由样本{ei}构成的论域,s(ei)表示样本ei在条件属性s上的取值;D(ei)表示样本ei在决策属性D上的取值;
(2)利用布尔运算公式计算故障诊断决策表T的分辨函数f(T):
式中,∧表示析取运算;∨表示合取运算;
(3)利用幂等律和吸收律合并分辨函数f(T)中的布尔量,将分辨函数表示为析取范式γ(T):
γ(T)=∑∏si,
其中的每个合取子式Πsi所对应的条件属性集C′={si}均为故障诊断决策表T的一个约简,选择其中一个约简结果,构建简化决策表T′;
(4)根据简化决策表T′导出燃油***故障诊断规则rei:对于决策表T′中论域U的一个样本ei,其对应的诊断规则为:
rei:des[C′(ei)]→des[D(ei)]
式中,des[C′(ei)]表示ei在简化后的条件属性集的取值;des[D(ei)]表示ei在决策属性集的取值;
将上式表示为产生式规则:
rei:ifdes[C′(ei)]then des[D(ei)]。
本发明的优势在于:本发明在建立燃油***贝叶斯网络诊断模型前,通过粗糙集理论约简诊断规则中的等价信息,去除了冗余的诊断征兆信息,从而简化了贝叶斯网络诊断模型的复杂度,同时也提高了模型的诊断效率;此外,本发明采用因果机制独立方法构建燃油***贝叶斯诊断模型,在建模过程中不需要直接设定网络结点的条件概率,减少了建模时所需的定量信息量,也使得建模信息更符合专家知识形式。根据本发明的成果,可提高基于贝叶斯网络的燃油***多故障诊断技术的工程实用性。
附图说明
图1为本发明的流程图。
图2为某型柴油机燃油***的贝叶斯网络诊断模型拓扑结构图。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1,本发明包括以下步骤:燃油***故障诊断决策表建立、故障诊断规则约简、贝叶斯网络诊断模型构建、燃油***多故障模式诊断。具体如下:
1、所述燃油***故障诊断决策表建立是指,选取柴油机燃油***常见的多种故障类型,将高压油管压力信号的时、频域特征参数的异常变化作为故障的外部征兆,根据燃油***故障样本数据,以特征参数作为条件属性集、故障类型作为决策属性集,通过粗糙集理论构建燃油***故障诊断决策表T。
本发明中,选取的柴油机燃油***故障类型具体包括:喷油器弹簧折断f1、出油阀失效f2、柱塞偶件穴蚀f3、喷孔积碳f4、针阀上卡f5、喷油器滴漏f6;选取的用于反应燃油***故障特性的外部征兆包括:压力升高率降低s1、喷油持续期延长s2、余波宽度减小s3、峰值因子增大s4、启喷压力降低s5、余波振荡幅值减小s6、最高喷射压力降低s7。
在粗糙集理论中,信息***可以通过一个形如T=(U,A,C,D)的决策表表示。其中,U表示由样本{ei}构成的论域,A=C∪D,C称为条件属性集,D称为决策属性集。本发明燃油***决策表中,条件属性集C={si}(i=1,…,7),决策属性集D={fj}(j=1,…,6)。本实施例通过收集相关知识,得到的某型号柴油机燃油***故障诊断决策表T如表1所示。表中,条件属性均离散化取值,1表示取值为真,即该外部征兆出现;0表示取值为假,即该外部征兆未出现。
表1某型号柴油机燃油***故障诊断决策表T
2、所述故障诊断规则约简是指,利用粗糙集理论分析外部征兆si(i=1,…,7)在燃油***故障辨识中的等价性,去除冗余的征兆属性,通过粗糙集理论中的诊断规则导出方法,得到燃油***故障最简诊断规则。
燃油***故障诊断规则约简是基于故障诊断决策表T实施的,约简过程如下:
第一步:利用公式(1)求取故障诊断决策表T的分辨矩阵M=[cij]n×n。
式中,n为论域的样本个数n=|U|;s(ei)表示样本ei在条件属性s上的取值;D(ei)表示样本ei在决策属性D上的取值。
第二步:利用布尔运算公式计算故障诊断决策表T的分辨函数f(T),计算方法如公式(2)所示。
式中,∧表示析取运算;∨表示合取运算。
第三步:利用幂等律和吸收律合并分辨函数f(T)中的布尔量,将分辨函数表示为式(3)所示的析取范式γ(T),其中的每个合取子式∏si所对应的条件属性集C′={si}均为故障诊断决策表T的一个约简,选择其中一个约简结果,构建简化决策表T′。
γ(T)=∑Πsi (3)
第四步:根据简化决策表T′导出燃油***故障诊断规则rei。对于决策表T′中论域U的一个样本ei,其对应的诊断规则如式(4)所示。
rei:des[C′(ei)]→des[D(ei)] (4)
式中,des[C′(ei)]表示ei在简化后的条件属性集的取值;des[D(ei)]表示ei在决策属性集的取值。
将式(4)表示为产生式规则,如式(5)所示。
rei:ifdes[C′(ei)]then des[D(ei)] (5)
根据本发明的方法,对本实施例中表1所示的燃油***故障诊断决策表T进行诊断规则约简,得到的一个简化后条件属性集为C′={s3,s6,s7},根据约简后的条件属性集C′构建的决策表T′如表2所示。
表2燃油***故障诊断简化决策表T′
3、所述贝叶斯网络诊断模型构建是指,利用约简后的诊断规则rei建立燃油***贝叶斯网络诊断模型拓扑结构,其中故障类型包括:喷油器弹簧折断f1、出油阀失效f2、柱塞偶件穴蚀f3、喷孔积碳f4、针阀上卡f5、喷油器滴漏f6;贝叶斯网络诊断模型中的外部征兆由步骤2得到的约简结果确定。根据因果机制独立设定诊断模型中故障对外部征兆的贡献概率Pj=P(si|fj),利用式(6)求解外部征兆的条件概率。
式中,Pa(si)为外部征兆si的父结点集;Pa(si)+为Pa(si)中取值为真的父节点子集。
图2为本实施例利用表2中约简后的诊断规则rei建立的某型柴油机燃油***的贝叶斯网络诊断模型拓扑结构。
4、所述燃油***多故障模式诊断是指,采集柴油机高压油管压力信号,并提取压力信号的时、频域特征,具体包括:压力升高率、喷油持续期、余波宽度、峰值因子、启喷压力、余波振荡幅值、最高喷射压力,将提取的时、频域特征输入贝叶斯网络诊断模型,计算得到柴油机燃油***每种故障的发生概率,计算方法采用贝叶斯公式,如公式(7)所示。
式中,n为贝叶斯网络模型中所有结点的个数,由本发明步骤2中约简结果确定;e表示由观测到取值为真的外部征兆结点sj +构成的集合,e={sj +};G表示燃油***贝叶斯网络诊断模型结构;V为由网络结点vi全体构成的集合,V={vi};ft(t=1,…,6)为贝叶斯网络诊断模型中的故障类型结点;pa(vi)为网络结点vi的父结点集。
Claims (2)
1.基于简化贝叶斯模型的柴油机燃油***多故障识别方法,其特征是:
(1)选取柴油机燃油***的故障类型及其外部征兆,以外部征兆作为条件属性集,以故障类型作为决策属性集,通过粗糙集理论构建燃油***故障诊断决策表T;
选取的柴油机燃油***故障类型包括:喷油器弹簧折断f1、出油阀失效f2、柱塞偶件穴蚀f3、喷孔积碳f4、针阀上卡f5、喷油器滴漏f6;选取的柴油机燃油***外部征兆包括:压力升高率降低s1、喷油持续期延长s2、余波宽度减小s3、峰值因子增大s4、启喷压力降低s5、余波振荡幅值减小s6、最高喷射压力降低s7;
(2)利用粗糙集理论分析外部征兆si在燃油***故障辨识中的等价性,去除冗余的征兆属性,i=1,···,7,通过粗糙集理论中的诊断规则导出方法,得到燃油***故障最简诊断规则rei;
(3)利用约简后的诊断规则rei建立燃油***贝叶斯网络诊断模型,根据因果机制独立设定诊断模型中故障对外部征兆的贡献概率Pj=P(si|ft),利用下式求解外部征兆的条件概率:
式中Pa(si)为外部征兆si的父结点集;Pa(si)+为Pa(si)中取值为真的父结点子集;
(4)采集柴油机高压油管压力信号,并提取压力信号的时、频域特征,具体包括:压力升高率、喷油持续期、余波宽度、峰值因子、启喷压力、余波振荡幅值、最高喷射压力,将提取的时、频域特征输入贝叶斯网络诊断模型,计算得到柴油机燃油***每种故障的发生概率:
式中,n为贝叶斯网络模型中所有结点的个数,e表示由观测到取值为真的外部征兆结点sj +构成的集合,e={sj +};G表示燃油***贝叶斯网络诊断模型结构;V为由网络结点vi全体构成的集合,V={vi};ft为贝叶斯网络诊断模型中的故障类型结点,t=1,···,6;pa(vi)为网络结点vi的父结点集。
2.根据权利要求1所述的基于简化贝叶斯模型的柴油机燃油***多故障识别方法,其特征是:燃油***故障诊断规则约简是基于故障诊断决策表T实施的,约简过程如下:
(1)求取故障诊断决策表T的分辨矩阵M=[cij]m×m,
式中,C称为条件属性集,m为论域的样本个数m=|U|,U表示由样本{ei}构成的论域,s(ei)表示样本ei在条件属性s上的取值;D(ei)表示样本ei在决策属性D上的取值;
(2)利用布尔运算公式计算故障诊断决策表T的分辨函数f(T):
式中,∧表示析取运算;∨表示合取运算;
(3)利用幂等律和吸收律合并分辨函数f(T)中的布尔量,将分辨函数表示为析取范式γ(T):
γ(T)=∑∏si,
其中的每个合取子式∏si所对应的条件属性集C′={si}均为故障诊断决策表T的一个约简,选择其中一个约简结果,构建简化决策表T′;
(4)根据简化决策表T′导出燃油***故障诊断规则rei:对于决策表T′中论域U的一个样本ei,其对应的诊断规则为:
rei:des[C′(ei)]→des[D(ei)]
式中,des[C′(ei)]表示ei在简化后的条件属性集的取值;des[D(ei)]表示ei在决策属性集的取值;
将上式表示为产生式规则:
rei:if des[C′(ei)]then des[D(ei)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611061467.2A CN106778828B (zh) | 2016-11-28 | 2016-11-28 | 基于简化贝叶斯模型的柴油机燃油***多故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611061467.2A CN106778828B (zh) | 2016-11-28 | 2016-11-28 | 基于简化贝叶斯模型的柴油机燃油***多故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778828A CN106778828A (zh) | 2017-05-31 |
CN106778828B true CN106778828B (zh) | 2020-05-15 |
Family
ID=58913316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611061467.2A Active CN106778828B (zh) | 2016-11-28 | 2016-11-28 | 基于简化贝叶斯模型的柴油机燃油***多故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778828B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108520302A (zh) * | 2018-03-23 | 2018-09-11 | 佛山科学技术学院 | 一种柴油机故障诊断*** |
KR20200041098A (ko) * | 2018-10-11 | 2020-04-21 | 현대자동차주식회사 | 파워 트레인 부품 고장 진단 방법 |
CN110147849B (zh) * | 2019-05-24 | 2022-03-25 | 吉林大学 | 一种强电磁脉冲下柴油发动机电控***薄弱环节识别方法 |
CN110618817B (zh) * | 2019-08-29 | 2023-10-10 | 北京航空航天大学合肥创新研究院 | 一种基于可分解否定范式的编译诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7385716B1 (en) * | 1999-09-02 | 2008-06-10 | Hewlett-Packard Development Company, L.P. | Authoring tool for bayesian network troubleshooters |
JP5181479B2 (ja) * | 2007-01-22 | 2013-04-10 | 富士ゼロックス株式会社 | 故障診断システム及び故障診断プログラム |
US8332337B2 (en) * | 2008-10-17 | 2012-12-11 | Lockheed Martin Corporation | Condition-based monitoring system for machinery and associated methods |
CN102879677A (zh) * | 2012-09-24 | 2013-01-16 | 西北工业大学 | 基于粗糙贝叶斯网络分类器的智能故障诊断方法 |
CN105547717B (zh) * | 2015-12-04 | 2018-07-24 | 哈尔滨工程大学 | 基于贝叶斯网络的柴油机润滑***故障诊断方法 |
CN106372330A (zh) * | 2016-08-31 | 2017-02-01 | 北京化工大学 | 动态型贝叶斯网络在机械设备故障智能诊断中的应用 |
-
2016
- 2016-11-28 CN CN201611061467.2A patent/CN106778828B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106778828A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778828B (zh) | 基于简化贝叶斯模型的柴油机燃油***多故障识别方法 | |
CN106547967B (zh) | 基于代价分析的柴油机燃油***维修决策方法 | |
CN107147639B (zh) | 一种基于复杂事件处理的实时安全预警方法 | |
CN109981559A (zh) | 交通工具网络攻击检测***及其方法 | |
CN110779746A (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
Taleb et al. | Big data pre-processing: closing the data quality enforcement loop | |
CN114039758B (zh) | 一种基于事件检测模式的网络安全威胁识别方法 | |
CN107272646A (zh) | 基于专家***的压力机故障诊断*** | |
Wang et al. | Exploiting Bayesian networks for fault isolation: A diagnostic case study of diesel fuel injection system | |
CN108667927A (zh) | 工程机械故障的远程管理方法、装置、***及存储介质 | |
CN114185760A (zh) | ***风险评估方法及装置、充电设备运维检测方法 | |
CN110908957A (zh) | 电力行业网络安全日志审计分析方法 | |
Ji et al. | A CNN-based network failure prediction method with logs | |
Luktarhan et al. | Multi-stage attack detection algorithm based on hidden markov model | |
Xiao et al. | A review of fault diagnosis methods based on machine learning patterns | |
CN108825482A (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测*** | |
CN112448919B (zh) | 网络异常检测方法、装置和***、计算机可读存储介质 | |
CN108121796A (zh) | 基于可信度的电能计量装置故障分析方法及装置 | |
CN117033501A (zh) | 大数据采集分析*** | |
CN104156623A (zh) | 一种机械复合故障的诊断方法 | |
CN116756518A (zh) | 基于联邦学习的云边协同电力缺陷识别方法及相关装置 | |
Liang et al. | Leak detection for long transportation pipeline using a state coupling analysis of pump units | |
CN116527346A (zh) | 基于深度学习图神经网络理论的威胁节点感知方法 | |
CN116108376A (zh) | 一种反窃电的监测***、方法、电子设备及介质 | |
Chengtao et al. | A novel fault diagnosis approach combining SVM with association rule mining for ship diesel engine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |