基于贝叶斯网络的柴油机润滑系统故障诊断方法

摘要

本发明涉及的是基于贝叶斯网络的柴油机润滑系统故障诊断方法。本发明将润滑系统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，建立柴油机润滑系统贝叶斯网络模型；利用数据采集系统检测柴油机润滑系统的性能参数，采用线性比例变换法对性能参数进行归类处理，根据获取的润滑系统实际工作状态信息；采用Hugin联合树算法将修正后的润滑系统贝叶斯网络模型转化为联合树。本发明在实施推理诊断前，依据润滑系统的实际工作状态，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系统的实际工作状态，从而降低模型推理的不确定性，提高了故障诊断的准确率。

说明书

技术领域

本发明涉及的是基于贝叶斯网络的柴油机润滑系统故障诊断方法。

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，使得系统故障率较高，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 用到柴油机润滑系统故障诊断领域，取得了一定成果。然而，在现有的研究中，润滑系统的 贝叶斯网络模型形式固定，不能依据系统的实际工作状态修正所建模型，使得模型对润滑系 统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系统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“舰船柴油主机滑油系统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系统故障诊断方法，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系统为研究对象，针对滑油系统故障诊断问 题，分析了常见故障机理，建立了滑油系统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，分析了滑油系统典型故障状态下的贝叶斯状态推理过程， 为滑油系统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，不能根据润滑系统的动态变化进行适应性调整，无法准确描述润滑系统的实际 状态，因此导致模型推理不确定性大，诊断精度较低；且该方法对润滑系统的故障诊断是一 种静态推理，其过程未依据柴油机润滑系统实际运行信息，无法真正实现对柴油机润滑系统 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系统故 障诊断方法。

本发明的目的是这样实现的：

(1)将润滑系统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 机润滑系统贝叶斯网络模型；

(2)利用数据采集系统检测柴油机润滑系统的性能参数，采用线性比例变换法对性能参 数进行归类处理，ω表示润滑系统的实际性能参数，ω^*表示性能参数的标准值，表示变换后 的性能参数，进而泛化润滑系统性能参数，获得润滑系统的实际工作状态信息e；

$\tilde{\omega }=\frac{\omega }{{\omega }^{*}}$

(3)根据获取的润滑系统实际工作状态信息e，对贝叶斯网络模型征兆层节点v_j的状态 π(v_j)进行二元取值，(ω_j)表示对性能参数ω_j的泛化，表示满足性能参数ω_j泛化的对应外部 征兆描述；适应性修正建立的润滑系统贝叶斯网络模型；

$\pi \left(v_j\right)=\left(\begin{array}{cc}1,& \begin{array}{cc}if& v_j~{\tilde{v}}_j=\arg Q\left({\omega }_j\right)\end{array}\\ 0,& else\end{array}\right)$

(4)采用Hugin联合树算法将修正后的润滑系统贝叶斯网络模型转化为联合树，进而将 润滑系统实际工作状态信息e作为推理证据，通过计算故障层节点s_i的边缘化条件概率 p(s_i|e)，对润滑系统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系统贝叶斯网络模型的具体方法为：依据征兆层节点v_j的状 态π(v_j)，重置润滑系统贝叶斯网络模型中故障层节点pa(v_j)的先验概率P(pa(v_j))；pa(v_j)为 征兆层节点v_j的父节点；

$P\left(pa\right(v_j\left)\right)=\left(\begin{array}{ccc}1,& if& \pi \left(v_j\right)=1\\ 0,& if& \pi \left(v_j\right)=0\end{array}\right).$

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，依据润滑系统的 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系统的实际工作状态，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，本发明对润滑系统故障类型的诊断推理依据润滑系统的实际工作状态 信息实施，因此诊断结果能够真实地反映润滑系统实际性能，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系统故障诊断方法流程图。

图2为某型四缸柴油机润滑系统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系统故障诊断方法，属于柴油机故障诊断 技术领域。首先将润滑系统故障类型及外部征兆抽象为网络节点，建立润滑系统贝叶斯网络 模型；其次，检测润滑系统性能参数，获取润滑系统实际工作状态信息；再次，根据获取的 润滑系统实际工作状态信息，通过重置故障层节点的先验概率，对润滑系统贝叶斯网络模型 进行适应性修正；最后，将润滑系统的实际工作状态信息作为推理证据，利用Hugin联合树 算法对润滑系统故障进行概率诊断。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系统当前工作状态，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系统的贝叶斯网络模型，然后，根据获取的润滑系统实际工作状态 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系统的实际工作状态， 提高故障诊断的准确率，最后，将润滑系统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系统实施针对性维修， 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、将润滑系统的故障类型S_i和外部征兆V_j分别抽象为故障层节点s_i和征兆层节点v_j，建 立柴油机润滑系统贝叶斯网络模型；

2、利用数据采集系统检测柴油机润滑系统的性能参数ω_i，采用线性比例变换法对性能参 数ω_i进行归类处理，进而泛化润滑系统的性能参数，获得润滑系统的实际工作状态信息e；

3、根据步骤2中获取的润滑系统实际工作状态信息e，对贝叶斯网络模型中征兆层节点v_j的状态π(v_j)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(v_j))，以修正建 立的润滑系统贝叶斯网络模型；

4、采用Hugin联合树算法将修正后的润滑系统贝叶斯网络模型转化为联合树，进而将润 滑系统实际工作状态信息e作为推理证据，通过计算故障层节点s_i的边缘化条件概率p(s_i|e)， 对润滑系统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：润滑系统贝叶斯网络模型的建立、润滑系统实际工 作状态信息获取、贝叶斯网络模型的适应性修正、及润滑系统故障的联合树诊断。具体如下：

1、所述润滑系统贝叶斯网络模型的建立是将润滑系统的故障类型S_i和外部征兆V_j分别作 为故障层节点s_i和征兆层节点v_j，建立柴油机润滑系统的贝叶斯网络模型。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(s_i)和条件概率p(v_j|pa(v_j))，其中pa(v_j)表示与征兆层 节点v_j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。

$p(v_1,\mathrm{...},v_n)=\underset{j=1}{\overset{n}{\Pi }}p\left(v_j\right|pa\left(v_j\right))---\left(1\right)$

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系统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ω_i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、所述润滑系统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系统 当前时刻的性能参数ω_i，并通过线性比例变换法，如公式(2)所示，使性能参数ω_i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，并将其作为润滑系统的实际工 作状态信息e。

$\tilde{\omega }=\frac{\omega }{{\omega }^{*}}---\left(2\right)$

上式中，ω表示润滑系统的实际性能参数；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，根据润滑系统实际工作状态，利用公式(3) 所示的方法，对贝叶斯网络模型征兆层节点v_j的状态π(v_j)进行二元取值。在公式(3)中，Q(ω_j) 表示对性能参数ω_j的泛化，表示满足性能参数ω_j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(v_j)的先 验概率P(pa(v_j))，对所建的润滑系统贝叶斯网络模型进行适应性修正，以使模型能够准确 地反映润滑系统的实际性能特征。

$\pi \left(v_j\right)=\left(\begin{array}{cc}1,& \begin{array}{cc}if& v_j~{\tilde{v}}_j=\arg Q\left({\omega }_j\right)\end{array}\\ 0,& else\end{array}\right)---\left(3\right)$

$P\left(pa\right(v_j\left)\right)=\left(\begin{array}{ccc}1,& if& \pi \left(v_j\right)=1\\ 0,& if& \pi \left(v_j\right)=0\end{array}\right)---\left(4\right)$

4、所述润滑系统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，并将润滑系统实际工作状态信息e作为证据，推理计算故障层节点s_i的边缘 化条件概率p(s_i|e)。p(s_i|e)即为在润滑系统的实际工作状态信息e条件下，故障层节点s_i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^*，诊断润滑系统的当前性能状态为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，v_j、pa(v_j)∈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、泛化的润滑系统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s_i上做边缘化处 理。

第六步：重复利用公式(9)计算故障层节点s_i的边缘化条件概率p(s_i|e)，获得所有故障 类型出现的可能性。

$p\left(s_i\right|e)=\frac{p(s_i,e)}{p\left(e\right)}=\frac{p(s_i,e)}{{\Sigma }_{s_i}p(s_i,e)}---\left(9\right)$

s^*＝argmaxp(s_i|e)(10)

图2是本发明实施某型四缸柴油机润滑系统的贝叶斯网络拓扑结构图。