CN106547967A - 一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法 - Google Patents

Abstract

本发明的目的在于提供一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法，首先建立柴油机燃油系统的贝叶斯网络模型，并基于该模型对燃油系统进行故障诊断，获得每种故障的发生概率；其次，利用标准化公式对影响燃油系统维修操作代价的因素进行无量纲处理；再次，采用RBF神经网络融合维修操作中的多个影响因子，评估相应维修代价；最后，通过乘法公式综合评估故障发生概率为维修代价，按照乘积递减规则将维修操作进行排序，得到燃油系统最优维修策略。本发明通过代价分析与贝叶斯网络模型结合，通过综合评估故障概率与维修代价，对燃油系统的维修策略进行决策，使得决策结果更具参考价值。

Description

一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决 策方法

技术领域

本发明涉及的是一种发动机故障检测维修方法。

背景技术

燃油系统的健康状态直接决定了柴油机的工作性能。燃油系统健康状态的准确诊断和有效维护是确保柴油机安全运行的重要内容。然而，燃油系统结构复杂、各部件结构与功能高度关联，使得故障与外部征兆之间具有很强的耦合性。例如，燃油系统的燃油喷射不正时故障可能会导致燃油最高喷射压力降低，同时还会引起喷油持续期缩短等多个外部征兆；而燃油最高喷射压力降低这一外部征兆的出现则可能是出油阀失效、柱塞偶件穴蚀、及喷油器针阀卡滞(上卡)等故障共同作用的结果。因此，燃油系统的故障诊断与维修决策具有很强的不确定性，导致许多维修决策技术难以有效应用。

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的关联关系。贝叶斯网络利用拓扑结构和节点的概率信息(包括先验概率和条件概率)所表征先验知识，通过贝叶斯算法融合先验知识和当前信息，对目标状态进行不确定推理。近年来，已有学者将贝叶斯网络应用到柴油机燃油系统故障诊断技术领域，提高了多源信息非线性耦合条件下燃油系统故障识别的有效性，在一定程度上解决了燃油系统故障诊断技术中的“瓶颈”问题。然而，现有研究均集中在对燃油系统故障类型的准确辨识，而对于燃油系统故障的维修决策研究却没有涉及，因而无法对燃油系统的视情维修工作提供有效指导。在基于贝叶斯网络的故障诊断基础上进行的维修决策研究方面，有研究人员提出通过比较维修操作的“操作效率”(故障排除概率P_i与操作代价的比值)，执行“操作效率”最大的维修操作。还有研究在上述策略的基础上进行了相关改进。通过比较可以发现，这些方法的一个共同特点是：在进行决策之前需要对维修操作实施后的“故障排除概率”进行评估。然而，在未进行观测之前，某一维修操作的实施效果属于未知事件，无法做到准确评估。因此上述维修决策方法难以有效实施。

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系统故障诊断”(长沙航空职业技术学院学报，2010)提出了一种发动机燃油系统故障诊断方法，该公开文件自述为：“在构建某型发动机燃油系统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，从而大大提高复杂系统故障诊断的效率”。其不足之处是：该方法所建立的燃油系统贝叶斯网络模型所包含的故障现象均为发动机全局性指标，这些指标的变化还会受燃油系统以外的系统(如进排气系统)健康状态的影响，因此这些指标无法准确描述燃油系统的健康状态；此外，该方法仅能够对燃油系统的故障进行诊断，但是无法对燃油系统的维修操作进行决策，因此不能有效指导工作人员对燃油系统进行视情维修。

发明内容

本发明的目的在于提供可用来指导维护人员对燃油系统实施针对性维修，从而降低维修管理成本的一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法。

本发明的目的是这样实现的：

本发明一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法，其特征是：

(1)建立柴油机燃油系统的贝叶斯网络模型，其中外部征兆s_i(i＝1,2,…,7)是指高压油管油压信号的时、频域特征的异常变化，具体包括：余波波动频率增大s₁、余波振荡幅值减小s₂、喷射持续期增大s₃、峰值因子增大s₄、峭度减小s₅、针阀启喷压力减小s₆、最高喷射压力减小s₇，故障类型f_j(j＝1,2,…,7)包括：回油孔过大f₁、柱塞偶件磨损f₂、出油阀失效f₃、喷油孔堵塞f₄、针阀上卡f₅、喷油器滴漏f₆、高压油管渗漏f₇；

(2)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：余波波动频率、余波振荡幅值、喷射持续期、峰值因子、峭度、针阀启喷压力、最高喷射压力，将提取的时、频域特征输入燃油系统贝叶斯网络模型，得到每种故障的发生概率，计算方法采用贝叶斯公式：

式中，为观测到的外部征兆构成的集合，为拓扑结构G中的故障类型构成的集合，pa(V_i)为结点V_i的父结点集；

(3)将影响燃油系统维修操作代价的因素包括时间T、风险R、费用M、影响I进行标准化处理，将其转化为无量纲的纯数值，采用的标准化方法如公式：

式中x表示标准化前的数据，x^*表示标准化后的数据，x_max表示所有数据中的最大值，x_min表示所有数据中的最小值；

(4)建立代价分析RBF神经网络模型，然后将步骤(3)中标准化后的维修操作中的时间T、风险R、费用M和影响I作为输入，将维修代价E作为输出，利用RBF神经网络对燃油系统维修操作的代价进行综合评估，获得燃油系统不同维修操作所需要的代价；

(5)采用乘法公式综合评估步骤(2)中获得的燃油系统每种故障的发生概率与相应的维修代价：

H_i＝P(V_i ^f|e，G)·E_i，

式中，H_i表示对故障f_i的综合评估结果，P(V_i ^f|e，G)表示故障f_i的发生概率，E_i表示故障f_i对应维修操作的代价；在此基础上，按照乘积递减规则将维修操作进行排序，得到柴油机燃油系统最优维修策略。

本发明还可以包括：

1、代价分析RBF神经网络的建模过程如下：

(a)选取训练样本集Z＝{X₁,…X_m}，设置RBF神经网络的输入层节点数为4，输出层节点数为1，网络层数为3层，径向基函数为高斯函数；

(b)赋予隐层节点的连接权值w_i以任一非零常数，同时，随机从训练样本集Z中选取k个不同的训练样本作为学习中心c_i(i＝1,2,…,k)；

(c)依次选择输入样本X_p(p＝1,…,m)，采用下式识别与输入样本X_p欧氏距离最小的学习中心C_i：

||||为欧氏范数；

(d)利用下式所示的方法更新学习中心c_i，其中α为学习步长，且有0＜α＜1：

(e)重复执行步骤(b)、步骤(c)，直至学习中心c_i变化过程收敛；

(f)通过学习中心c_i确定径向基函数的方差σ_i：

(g)计算在当前输入样本X_p下，神经网络的实际输出X_p′：

(h)将神经网络实际输出X_p′与期望输出X_p″相比较，获得输出残差e_p：

e_p＝X_p″-X_p′，

在此基础上，采用最小均方差算法，调整隐层节点的连接权值w_i：

μ为学习速率，M＝[M₁,…,M_k]为隐层输出：M_i＝R(||X_p-c_i||)，R()为径向基函数；

(i)对所有输入/输出样本X_p/X_p″学习结束后，利用均方误差J，表征神经网络训练误差：

当J≤ε时，训练结束，ε为目标控制误差，否则，返回执行步骤(a)。

本发明的优势在于：本发明在利用贝叶斯网络模型诊断燃油系统故障的基础上，通过综合评估故障发生概率与维修代价获得最优维修策略，弥补了原有技术对于燃油系统维修决策的空白；此外，本发明利用RBF神经网络通过综合评估维修的四类影响因素，从而获得故障维修操作的代价，因此能够更为客观的反映实际维修操作所需的成本，使得决策结果更具参考价值。根据本发明的维修决策结果，可实现对柴油机燃油系统有计划、有针对性的视情维修，保障燃油系统的运行安全。

附图说明

图1为本发明的流程图；

图2为本发明柴油机燃油系统的贝叶斯网络模型拓扑结构图。

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1-2，本发明包括如下步骤：

1、建立燃油系统的贝叶斯网络模型，在所述贝叶斯网络模型中，外部征兆s_i包括：余波波动频率增大s₁、余波振荡幅值减小s₂、喷射持续期增大s₃、峰值因子增大s₄、峭度减小s₅、针阀启喷压力减小s₆、最高喷射压力减小s₇；故障类型f_j包括：回油孔过大f₁、柱塞偶件磨损f₂、出油阀失效f₃、喷油孔堵塞f₄、针阀上卡f₅、喷油器滴漏f₆、高压油管渗漏f₆；

2、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：余波波动频率、余波振荡幅值、喷射持续期、峰值因子、峭度、针阀启喷压力、最高喷射压力，将提取的时、频域特征输入燃油系统贝叶斯网络模型，计算每种故障的发生概率；

3、利用标准化公式将燃油系统维修操作的时间T、风险R、费用M和影响I进行无量纲处理，消除因各项参数量纲不同对维修代价分析的影响；

4、将标准化后的维修操作的时间T、风险R、费用M和影响I作为输入，利用RBF神经网络输出维修操作的代价；

5、将步骤1中获得的燃油系统每种故障的发生概率与步骤4中得到的相应维修代价相乘，进而按照乘积递减规则将维修操作进行排序，该序列可作为燃油系统的维修顺序。

具体如下：

1、所述贝叶斯网络模型的建立是指，建立燃油系统的贝叶斯网络模型，其中外部征兆s_i(i＝1,2,…,7)是指高压油管油压信号的时、频域特征的异常变化，具体包括：余波波动频率增大s₁、余波振荡幅值减小s₂、喷射持续期增大s₃、峰值因子增大s₄、峭度减小s₅、针阀启喷压力减小s₆、最高喷射压力减小s₇；故障类型f_j(j＝1,2,…,7)包括：回油孔过大f₁、柱塞偶件磨损f₂、出油阀失效f₃、喷油孔堵塞f₄、针阀上卡f₅、喷油器滴漏f₆、高压油管渗漏f₆。贝叶斯网络模型的拓扑结构G如图2所示。

2、所述燃油系统故障状态的诊断是指，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：余波波动频率、余波振荡幅值、喷射持续期、峰值因子、峭度、针阀启喷压力、最高喷射压力，将提取的时、频域特征输入燃油系统贝叶斯网络模型，计算得到每种故障的发生概率，计算方法采用贝叶斯公式，如公式(1)所示。

式中，为观测到的外部征兆构成的集合；为拓扑结构G中的故障类型构成的集合；pa(V_i)为结点V_i的父结点集。

3、所述维修代价影响因素的标准化处理是指，将影响燃油系统维修操作代价的因素：时间T、风险R、费用M、影响I进行标准化处理，以去除数据的单位限制，将其转化为无量纲的纯数值，便于具有不同单位和量级的时间T、风险R、费用M、影响I进行比较，消除因各项参数量纲不同对维修代价分析的影响。本发明采用的标准化方法如公式(2)所示。

式中，x表示标准化前的数据；x^*表示标准化后的数据；x_max表示所有数据中的最大值；x_min表示所有数据中的最小值。

4、所述燃油系统维修代价分析是指，首先建立代价分析RBF神经网络模型，然后将步骤2中标准化后的维修操作中的时间T、风险R、费用M和影响I作为输入，将维修代价E作为输出，利用RBF神经网络对燃油系统维修操作的代价进行综合评估，获得燃油系统不同维修操作所需要的代价。

所述代价分析RBF神经网络的建模过程如下：

第一步：选取训练样本集Z＝{X₁,…X_m}，设置RBF神经网络的输入层节点数为4，输出层节点数为1，网络层数为3层，径向基函数为高斯函数；

第二步：赋予隐层节点的连接权值w_i以任一非零常数，同时，随机从训练样本集Z中选取k个不同的训练样本作为学习中心c_i(i＝1,2,…,k)；

第三步：依次选择输入样本X_p(p＝1,…,m)，采用公式(3)识别与输入样本X_p欧氏距离最小的学习中心C_i。

公式(3)中，||·||为欧氏范数，下同。

第四步：利用公式(4)所示的方法更新学习中心c_i，其中α为学习步长，且有0＜α＜1。

第五步：重复执行第二步、第三步，直至学习中心c_i变化过程收敛。

第六步：通过学习中心c_i确定径向基函数的方差σ_i，计算方法如公式(5)所示。

第七步：计算在当前输入样本X_p下，神经网络的实际输出X_p′，计算方法采用公式(6)。

第八步：利用公式(7)将神经网络实际输出X_p′与期望输出X_p″相比较，获得输出残差e_p。在此基础上，采用最小均方差算法，如公式(8)，调整隐层节点的连接权值w_i。

e_p＝X_p″-X_p′ (7)

公式(8)中，μ为学习速率，M＝[M₁,…,M_k]为隐层输出，利用公式(9)计算。式中，R(·)为径向基函数。

M_i＝R(||X_p-c_i||) (9)

第九步：对所有输入/输出样本X_p/X_p″学习结束后，利用均方误差J，如公式(10)，表征神经网络训练误差，当J≤ε时(ε为目标控制误差)，训练结束，否则，返回执行第一步。

5、所述最优维修策略决策是指，采用乘法公式综合评估步骤1中获得的燃油系统每种故障的发生概率与相应的维修代价，如公式(11)所示。在此基础上，按照乘积递减规则将维修操作进行排序，如以此作为最优维修操作顺序，为燃油系统的故障维修提供理论指导和操作建议。式中，H_i表示对故障f_i的综合评估结果；P(V_i ^f|e，G)表示故障f_i的发生概率；E_i表示故障f_i对应维修操作的代价。

H_i＝P(V_i ^f|e，G)·E_i (11)

图2是本发明实施例某型柴油机燃油系统决策贝叶斯网络模型的拓扑结构图。本发明利用采集到的燃油系统高压油管压力信号对燃油系统故障进行诊断，继而结合代价分析结果，得到了维修操作的综合性指标，即故障发生概率与维修代价的乘积，该指标可作为决定燃油系统维修操作执行顺序的依据。

Claims (2)

1.一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法，其特征是：

(1)建立柴油机燃油系统的贝叶斯网络模型，其中外部征兆s_i(i＝1,2,…,7)是指高压油管油压信号的时、频域特征的异常变化，具体包括：余波波动频率增大s₁、余波振荡幅值减小s₂、喷射持续期增大s₃、峰值因子增大s₄、峭度减小s₅、针阀启喷压力减小s₆、最高喷射压力减小s₇，故障类型f_j(j＝1,2,…,7)包括：回油孔过大f₁、柱塞偶件磨损f₂、出油阀失效f₃、喷油孔堵塞f₄、针阀上卡f₅、喷油器滴漏f₆、高压油管渗漏f₇；

(2)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：余波波动频率、余波振荡幅值、喷射持续期、峰值因子、峭度、针阀启喷压力、最高喷射压力，将提取的时、频域特征输入燃油系统贝叶斯网络模型，得到每种故障的发生概率，计算方法采用贝叶斯公式：

$P(V_1^f,...,V_7^f|e,G)=\frac{\underset{V\backslash \{V_1^f,...,V_7^f\}\∪e}{\Σ}\underset{i=1}{\overset{14}{\Π}}P\left(V_i\right|pa\left(V_i\right),G)}{\underset{V\backslash e}{\Σ}\underset{i=1}{\overset{14}{\Π}}P\left(V_i\right|pa\left(V_i\right),G)},$

式中，为观测到的外部征兆构成的集合，为拓扑结构G中的故障类型构成的集合，pa(V_i)为结点V_i的父结点集；

(3)将影响燃油系统维修操作代价的因素包括时间T、风险R、费用M、影响I进行标准化处理，将其转化为无量纲的纯数值，采用的标准化方法如公式：

$x^{*}=\frac{x-x_{min}}{x_{max}-x_{min}},$

式中x表示标准化前的数据，x^*表示标准化后的数据，x_max表示所有数据中的最大值，x_min表示所有数据中的最小值；

(4)建立代价分析RBF神经网络模型，然后将步骤(3)中标准化后的维修操作中的时间T、风险R、费用M和影响I作为输入，将维修代价E作为输出，利用RBF神经网络对燃油系统维修操作的代价进行综合评估，获得燃油系统不同维修操作所需要的代价；

(5)采用乘法公式综合评估步骤(2)中获得的燃油系统每种故障的发生概率与相应的维修代价：

$H_i=P\left(V_i^f\right|e,G)\·E_i,$

式中，H_i表示对故障f_i的综合评估结果，表示故障f_i的发生概率，E_i表示故障f_i对应维修操作的代价；在此基础上，按照乘积递减规则将维修操作进行排序，得到柴油机燃油系统最优维修策略。

2.根据权利要求1所述的一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法，其特征是：

代价分析RBF神经网络的建模过程如下：

(a)选取训练样本集Z＝{X₁,…X_m}，设置RBF神经网络的输入层节点数为4，输出层节点数为1，网络层数为3层，径向基函数为高斯函数；

(b)赋予隐层节点的连接权值w_i以任一非零常数，同时，随机从训练样本集Z中选取k个不同的训练样本作为学习中心c_i(i＝1,2,…,k)；

(c)依次选择输入样本X_p(p＝1,…,m)，采用下式识别与输入样本X_p欧氏距离最小的学习中心C_i：

$C_i=\arg \underset{i}{min}\left|\right|X_p-c_i\left|\right|,$

|| ||为欧氏范数；

(d)利用下式所示的方法更新学习中心c_i，其中α为学习步长，且有0＜α＜1：

$c_i=\left\{\begin{array}{cc}{c}_i+\mathrm{\α}\[x_p-c_i\],& if{c}_i=C_i\\ c_i,& else\end{array}\right.;$

(e)重复执行步骤(b)、步骤(c)，直至学习中心c_i变化过程收敛；

(f)通过学习中心c_i确定径向基函数的方差σ_i：

$\left\{\begin{array}{c}{\mathrm{\σ}}_1={\mathrm{\σ}}_2=...={\mathrm{\σ}}_k=\frac{d_{max}}{\sqrt{2k}}\\ d_{max}=\underset{i,j}{max}\left|\right|c_i-c_j\left|\right|\end{array}\right.;$

(g)计算在当前输入样本X_p下，神经网络的实际输出X_p′：

${X_p}^{\′}=\underset{i=1}{\overset{k}{\Σ}}{w}_i\·\exp (-\frac{k}{d_{max}^2}||X_p-c_i|{|}^2);$

(h)将神经网络实际输出X_p′与期望输出X_p″相比较，获得输出残差e_p：

e_p＝X_p″-X_p′，

在此基础上，采用最小均方差算法，调整隐层节点的连接权值w_i：

$w_i=w_i+\mathrm{\μ}\frac{e_p{M}_i}{\left|\right|M\left|\right|},$

μ为学习速率，M＝[M₁,…,M_k]为隐层输出：M_i＝R(||X_p-c_i||)，R()为径向基函数；

(i)对所有输入/输出样本X_p/X_p″学习结束后，利用均方误差J，表征神经网络训练误差：

$J=\frac{1}{2}\mathrm{\Σ}{\left(e_p\right)}^2$

当J≤ε时，训练结束，ε为目标控制误差，否则，返回执行步骤(a)。