CN109815441A - 一种采用贝叶斯网络模型诊断及预测发动机故障的方法 - Google Patents

Abstract

本发明提供一种生成用于判断发动机的故障的贝叶斯网络模型的方法，以及采用所述贝叶斯网络模型诊断和预测发动机故障的方法。其中，生成所述贝叶斯网络模型的方法包括：1)收集发动机发生故障时的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；2)根据所述故障征兆以及所述故障原因之间的对应关系，生成用于判断发动机的故障的事故树；3)基于导致发动机发生故障的各种原因的先验概率以及贝叶斯定理的条件概率，确定针对所述事故树中的每一个节点的概率，建立用于判断发动机的故障的贝叶斯网络模型。

Description

一种采用贝叶斯网络模型诊断及预测发动机故障的方法

技术领域

本发明涉及对发动机故障的诊断和预测。

背景技术

拖拉机是一种用于牵引和驱动作业机械完成各项移动式作业的自走式动力机，其包括发动机、传动、行走、转向、液压悬挂、动力输出、电器仪表、驾驶操纵及牵引等装置，按结构类型可以将拖拉机分为轮式、履带式、船形拖拉机和自走底盘式拖拉机。中国作为一个农业大国，拖拉机既是农业生产的主要动力来源，又是农业生产中应用最为广泛的农机。

发动机是拖拉机产生动力的最重要的装置，其通过燃烧诸如柴油的燃料将热能转变为机械能以向外提供动力。在使用时，拖拉机发动机通过诸如橡胶皮带等传动装置将动力提供给拖拉机的驱动轮使得拖拉机行驶。若是作为核心部件的发动机产生了故障，则会导致拖拉机无法正常使用，从而直接影响农耕的效率。有统计显示，拖拉机发动机故障事故在拖拉机故障中占有很大的比重，如果能够以相对合理的成本来判断拖拉机发动机的故障、甚至在拖拉机发动机发生故障之前进行预测，这将对农业生产起到非常有益的帮助。

拖拉机发动机的故障检测不同于面向一般的简单设备的故障检测，这是由于拖拉机发动机其内部结构相对复杂。并且，拖拉机发动机产生故障的征兆以及发生故障的原因之间存在诸多复杂的对应关系，例如一个故障可能由多种因素造成而一个因素又可能引发多种故障，每一个故障原因对故障征兆的贡献程度可能均不相同，这使得对拖拉机发动机的故障做出精确判断和及时诊断变得尤其复杂。目前对于拖拉机发动机的故障诊断往往是拖拉机发生故障之后，由有经验的修理师傅依靠经验进行判断或者采用造价相对较高的专业故障诊断仪器进行具体的故障排查。可以理解，这样的维修成本、时间成本非常高，需要等待报修、检测、修理等一系列过程后才可恢复对拖拉机发动机的使用。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种生成用于判断发动机的故障的贝叶斯网络模型的方法，包括：

1)收集发动机发生故障时的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；

2)根据所述故障征兆以及所述故障原因之间的对应关系，生成用于判断发动机的故障的事故树；

3)基于导致发动机发生故障的各种原因的先验概率以及贝叶斯定理的条件概率，确定针对所述事故树中的每一个节点的概率，建立用于判断发动机的故障的贝叶斯网络模型。

优选地，根据所述方法，其中步骤2)包括：

将一种所述故障征兆作为所述事故树中的一个节点，并且将与同一种所述故障征兆对应的多个故障原因中的每一个分别作为所述事故树中与所述故障征兆对应的节点之下较低一层中的节点。

优选地，根据所述方法，其中步骤2)还包括：

将发动机发生的故障作为事故树的顶层的节点，并且将与所述故障对应的多个故障征兆中的每一个分别作为所述事故树中所述顶层的节点之下较低一层中的节点。

优选地，根据所述方法，其中步骤3)包括：

将所述导致发动机发生故障的各种原因的先验概率作为所述事故树中与所述故障原因对应的节点的概率，并将其输入到MATLAB贝叶斯工具箱中，以获得所述事故树中与所述故障征兆对应的节点的概率。

优选地，根据所述方法，其中步骤3)包括：

基于与同一种所述故障征兆对应的多个故障原因中的每一个分别对所述故障征兆的贡献程度，评估所述事故树中与所述故障原因对应的节点的概率。

优选地，根据所述方法，其中步骤3)采用以下方式中的一种或多种来获得所述导致发动机发生故障的各种原因的先验概率：

对发动机的产品进行实验检测、参考拖拉机发动机故障诊断的历史数据或由专家打分。

一种采用贝叶斯网络模型对导致发动机产生故障的原因进行诊断的方法，其中所述贝叶斯网络模型通过权利要求1-6中任意一项所述的方法生成，所述诊断的方法包括：

A1)获得发动机所表现出的故障征兆；

A2)基于所确定的故障征兆、以及所述贝叶斯网络模型的事故树中与所述故障征兆对应的节点的概率、以及所述事故树中与所述故障征兆存在对应关系的每一个故障原因的节点的概率，计算所述每一个故障原因对产生所述故障征兆的贡献度，其中，所述贡献度等于所述故障原因的节点的概率与所述故障征兆的节点的概率的乘积；

A3)获得所述每一个故障原因对产生所述故障征兆的贡献度的大小。

一种采用贝叶斯网络模型对发动机未来可能产生的故障进行预测的方法，其中所述贝叶斯网络模型通过权利要求1-6中任意一项所述的方法生成，所述预测的方法包括：

B1)确定发动机中硬件所产生的问题，所述问题对应于所述贝叶斯网络模型的事故树中的故障原因；

B2)根据与所述问题对应的故障原因、以及贝叶斯网络模型中与所述故障原因对应的节点的概率，以及与所述故障原因对应的故障征兆的节点的概率，计算在发生所述问题时引发相应故障征兆的概率，其中，所述在发生所述问题时引发相应故障征兆的概率等于所述故障征兆的节点的概率除以所述故障原因的节点的概率；

B3)输出在发生所述问题时引发相应故障征兆的概率。

一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序在被执行时用于实现上述任意任意一项所述的方法。

一种用于判断发动机的故障的系统，包括：

存储装置、以及处理器；

其中，所述存储装置用于存储计算机程序，所述计算机程序在被所述处理器执行时用于实现上述任意一项所述的方法。

与现有技术相比，本发明的优点在于提供了一种生成用于判断拖拉机发动机的故障的贝叶斯网络模型的方法，采用该方法可以生成用于描述拖拉机出现故障的故障征兆、以及引发各个故障征兆的故障原因的事故树，并且针对事故树上的每个节点提供相应的概率，以用于诊断导致拖拉机发动机产生故障的故障原因、以及预测拖拉机发动机可能将要发生的故障征兆和/或故障。在采用上述贝叶斯网络模型对导致拖拉机发动机产生故障的原因进行诊断时，可以获得每一个故障原因对相应故障征兆的贡献度，使得维修人员可以按照贡献度的大小，按照贡献度从大至小的顺序选择对应的故障原因逐一地进行排查，从而有针对性地进行检修、提高工作效率、节省了拖拉机发动机维修时的人工成本。并且，还可以利用上述贝叶斯网络模型对拖拉机发动机可能产生的故障征兆和/或故障进行预测，从而提示用户及时地对拖拉机发动机进行检查或维修，避免了在拖拉机发动机发生故障之后进行报修、停工等待，改善了用户体验。

附图说明

以下参照附图对本发明实施例作进一步说明，其中：

图1是根据本发明的一个实施例的生成用于判断拖拉机发动机的故障的贝叶斯网络模型的方法的流程图；

图2是根据本发明的一个实施例的拖拉机发动机故障诊断的事故树的示意图；

图3是根据本发明的一个实施例由专家对拖拉机发动机启动困难这一故障征兆所导致的各个故障原因进行打分的贝叶斯网络模型的事故树的示意图；

图4是由三名专家对引发故障征兆的故障原因进行打分的示意图；

图5是根据本发明的一个实施例的采用贝叶斯网络模型对导致拖拉机发动机产生故障的原因进行诊断的方法的流程图；

图6是根据本发明的一个实施例的采用贝叶斯网络模型对拖拉机发动机可能产生的故障征兆和/或故障进行预测的方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作详细说明。

如背景技术中所述，拖拉机发动机的结构和工作原理十分复杂，无论是定量还是定性都难以提供一种完备、准确的模型以对其结构、功能和行为进行有效的表达。发明人通过研究提出，可以将拖拉机产生故障的征兆以及发生故障的原因看作是不确定性因素，利用贝叶斯网络能够对不确定性知识以及推理的特性，对拖拉机发动机的故障进行判断。

在本发明中所指的“故障”表示发动机丧失正常工作的能力。“故障征兆”表示发动机发生故障的迹象。“故障原因”表示导致发动机发生故障或产生故障征兆的原由。

对此，本发明提出了一种基于贝叶斯网络对拖拉机发动机的故障进行判断的方法。参考图1，根据本发明的一个实施例，提供了一种生成用于判断拖拉机发动机的故障的贝叶斯网络模型的方法，包括：

步骤1.收集拖拉机发动机发生故障时的各种故障征兆和导致该故障征兆的故障原因。

在本发明中，可以收集拖拉机发动机产生故障的数据，必要时可以对所述数据进行筛选。在实际使用中，可以针对实际的拖拉机产品进行测试以获得拖拉机的故障征兆以及故障，例如将洛阳中科晶上智能装备有限公司研发的北斗星远程控制器1.0版本安装到拖拉机上以实现对拖拉机数据的采集。还可以依托多家拖拉机厂商及用户，根据厂商的实验数据及用户相关经验获取拖拉机的各种故障征兆以及故障。

举例来说，以“拖拉机启动困难”这一故障征兆，可能导致其发生的故障原因包括：“油泵滤网堵塞、工作不良、油泵单向阀泄漏”；“燃油滤清器堵塞”；“喷油器脏堵、针阀卡滞、漏油”；“油压过低”；“火花塞烧蚀、积炭、断火、间隙过大”；“空气流量计热膜脏污”、“进气歧管压力传感器工作不良”、“进气系统漏气、堵塞”；“点火正时不正确”；“水温传感器工作不良”；“曲轴位置传感器工作不良”；“怠速控制阀故障”；“温度开关故障”；“起动开关及接线故障”；“机械故障”。

在上述故障原因中，对于空气流量、水温传感器、曲轴位置、进气岐管压力、油压过低，我们可以通过安装在拖拉机上的北斗星远程控制器来获取相应的参数，通过参数的异常即可判断；而对于燃油滤清器堵塞；喷油器脏堵、针阀卡滞、漏油、火花塞烧蚀、积炭、断火、机械故障这些无法通过设备直接检测到的故障原因，则需要根据拖拉机厂家及用户经验获得与故障征兆对应的故障原因。

可以理解，上述采集的拖拉机发动机产生故障的数据仅能大致上提供与故障征兆对应的可能的故障原因，其并不能准确并且直观地反应出导致拖拉机发生故障的直接原因。因此，在本发明中还需要通过提供故障征兆和故障原因之间的组合方式以及针对各种故障征兆提供每种故障原因可能引发该故障征兆的概率，以自动判断及预警发动机的故障。

步骤2.基于在步骤1中获得的拖拉机发动机产生故障的故障征兆以及故障原因之间的对应关系，逐级演绎获得针对拖拉机发动机故障诊断的事故树。这里的事故树用于反映与故障对应的各个故障征兆以及产生这些故障征兆的故障原因，其将拖拉机发生的“故障”作为事故树的“顶事件”，将每个“故障征兆”作为事故树中的“中间事件”，并且将产生故障征兆的“故障原因”作为事故树的“底事件”。事故树的每个事件被看作是事故树的一个节点，在各个节点之间通过有向弧连接，事故树通过这样的方式将拖拉机发动机的各种故障征兆以及各种故障原因按照因果关系进行逐级演绎。可以理解，除采用上述方式建立包含“顶事件”、“中间事件”、以及“底事件”三层的事故树之外，还可以针对每一个故障征兆，根据与该故障征兆对应的故障原因建立相应的两层的事故树。

根据本发明的一个实施例，采用以下方式建立拖拉机发动机故障诊断的事故树，包括：

步骤2.1.将拖拉机发动机发生故障这一结果为事故树的顶事件；

步骤2.2.将拖拉机发动机的每一个故障征兆分别作为事故树的一个中间事件；

步骤2.3.根据在步骤1中获得的拖拉机发动机产生故障的故障征兆以及故障原因之间的对应关系，针对每一个故障征兆将与其对应的故障原因作为该故障征兆所对应的中间事件下的底事件。

图2示出了一个拖拉机发动机故障诊断的事故树的示例。其中，事故树的各个事件分别为：

<顶事件>A：拖拉机发动机故障；

<中间事件>B1：发动机不能工作；

<与B1对应的底事件>，包括：

b11：油泵滤网堵塞、不能工作、油泵单向阀泄漏；b12：喷油器卡滞；b13：油压过低；b14：进气歧管压力传感器不工作、进气系统漏气、堵塞；b15：曲轴位置传感器不工作；b16：水温传感器不工作；

<中间事件>B2：发动机怠速不稳；

<与B2对应的底事件>，包括：

b21：进气系统漏气、空气滤清器堵塞、空气流量计热膜脏污；b22：油压低；b23：节气门位置传感器滑片电阻值不正确；b24：怠速控制阀或旁通空气阀工作不良；b25：曲轴强制通风阀失效；b26：氧传感器工作不良、反馈控制电路故障；

<中间事件>B3：发动机起动困难；

<与B3对应的底事件>，包括：

b31：油泵滤网堵塞、工作不良、油泵单向阀泄漏；b32：火花塞烧蚀、积炭、断火、间隙过大；b33：空气流量计热膜脏污；b34：进气歧管压力传感器工作不良；b35：曲轴位置传感器工作不良；

<中间事件>B4：发动机加速喘振；

<与B4对应的底事件>，包括：

b41：喷油器针阀卡滞；b42：进气管的真空接口被积碳堵塞；b43：氧传感器工作不良

<中间事件>B5：发动机油耗过高；

<与B5对应的底事件>，包括：

b51：喷油器内部损坏或磨损严重；b52：热膜式空气流量计热敏电阻不良进气歧管压力传感器故障；b53：冷却液温度传感器异常；b54：节气门位置传感器故障；b55：爆燃传感器工作不良。

通过上述事故树可以清楚的反应出导致拖拉机发动机的每一个故障征兆发生的对应的故障原因。这里的事故树将在随后的步骤中用于建立贝叶斯网络模型，以根据事故树中各个节点的概率，判断拖拉机发生的故障及发生故障的概率。

步骤3.基于主观实验和/或客观实践，收集导致拖拉机发动机发生故障的先验概率，针对步骤2所获得的拖拉机发动机故障的事故树的每一个节点赋予对应的概率，以建立贝叶斯网络模型。在一个贝叶斯网络模型中，其各个节点应该赋予相应的条件概率，从而反应出节点与节点之间影响程度。对于其中的根节点，必须有来自主观实验或客观实践的先验概率，使得可以根据根结点发生的概率以及其他节点的条件概率推测出贝叶斯网络模型中每个节点的概率。

对于本发明而言，可以通过实际地对拖拉机发动机的产品进行实验检测、参考前人对拖拉机发动机故障诊断研究的数据(例如查阅文献)、由专家打分来获得用于贝叶斯网络模型中的先验概率。领域专家长期从事拖拉机发动机的故障诊断研究，故障诊断方面经验丰富，能根据多年知识积累确定用于贝叶斯网络模型的先验概率以及条件概率。在我国关于拖拉机发动机的故障诊断与分析的研究中有关故障诊断及故障概率方面的文献、成果极少，因此可以考虑根据拖拉机厂说明书、各发动机厂家的故障统计数据、类似设备的发动机等元件故障概率的分析数据、领域专家对节点打分来确定。

图3是根据本发明的一个实施例由专家对拖拉机发动机启动困难这一故障征兆所导致的各个故障原因进行打分的贝叶斯网络模型的事故树的示意图。图4是由三名专家对引发故障征兆的故障原因进行打分的示意图。

根据本发明的一个实施例，若是需要由图4中的三名专家对图4中的故障原因b31至b35进行打分，则可以由每位专家根据他们的既往经验评估故障原因b31至b35中每一个分别对故障征兆B3的贡献程度。例如，假设专家H1认为b31油泵滤网堵塞、工作不良、油泵单向阀泄漏对故障征兆B3的贡献程度较大，则可以将节点b31的概率P(b31)设置为一个较大的值。在设置时，可以使得节点b31至节点b35的概率之和等于1。

这里可以由一名或多名专家对与贝叶斯网络的事故树的底事件对应的每一个节点(即图3中的b31至b35，图2中的b11至b16、b21至b26、b31至b35、b41至b43、b51至b55)设置相应的概率，并利用贝叶斯网络模型计算更高层节点(即事故树的中间事件、以及顶事件)的概率，这里可以根据相邻层的节点之间的条件概率进行计算。例如，节点B3的概率P(B3)等于涉及节点b31的条件概率P(B3|b31)与节点b31的概率P(b31)的乘积，即P(B3)＝P(B3|b31)P(b31)。在本发明中，可以采用MATLAB软件中的FullBNT-1.07工具箱(MATLAB贝叶斯工具箱)以较低层节点的概率为输入计算更高层节点的概率，在该工具箱中提供了相应的条件概率以进行计算。

参考图3可以看到，在评估每个节点的概率时，可以由多名专家来确定与贝叶斯网络的事故树的底事件对应的每一个节点的概率(即图3中导致拖拉机启动困难这一故障征兆的各个故障原因的概率)。为了获得一个综合的概率，例如图3中节点b31的概率P(b31)，可以对该多名专家提供的概率进行加权，例如根据每名专家的影响力来设置针对该名专家所提供的概率的权重。例如，图4中的专家H1、H2、H3分别为针对导致拖拉机启动困难这一故障征兆B3的其中一个原因(例如，油泵滤网堵塞、工作不良、油泵单向阀泄漏，即b31)进行打分，他们针对节点b31给出的概率分别为0.25、0.28、和0.15。若专家H1、H2、H3的影响力分别为0.36、0.3、0.34，全部三名专家的影响力之和等于1，则可以将节点b31的概率确定为P(b31)＝0.25×0.36+0.28×0.3+0.15×0.34＝0.225。以此类推，由专家针对与贝叶斯网络的事故树的底事件对应的每一个节点均给出该节点的概率，对于图3的示例而言还需给出节点b32至b35的概率。在获得了图3中节点b31至b35的概率后，将它们的概率输入MATLAB贝叶斯工具箱中，则可以计算获得节点B3的概率。类似地，将图2中节点B1至B5的概率输入到MATLAB贝叶斯工具箱中，则可以计算获得节点A的概率。

由此，可以获得贝叶斯网络的事故树中每一个节点的概率。在获得了贝叶斯网络的事故树中各个节点的概率之后，则完成了针对用于判断拖拉机发动机的故障的贝叶斯网络模型的构建。

如前文中所介绍地，拖拉机发动机的一个故障征兆可能是由多种故障原因所导致的，而相同或相似的故障原因有可能会造成不同的故障征兆。例如，图2中的b11：油泵滤网堵塞、不能工作、油泵单向阀泄漏会导致产生故障征兆B1：发动机不能工作，而b31：油泵滤网堵塞、工作不良、油泵单向阀泄漏则会导致产生故障征兆B3：发动机起动困难。这为拖拉机发动机的故障诊断增加了难度。相比之下，本发明则可以利用通过上述方法建立的贝叶斯网络模型对拖拉机发动机发生故障时的故障原因进行诊断，还可以利用上述贝叶斯网络模型基于拖拉机发动机的硬件状况来预测可能发生的故障征兆和/或故障。

下面将针对故障的诊断以及预测进行介绍。

根据本发明的一个实施例，采用上述贝叶斯网络模型对导致拖拉机发动机产生故障的原因进行诊断，包括：

步骤A1.根据用户反馈或仪器检测确定拖拉机发动机所表现出的故障征兆。可以理解，在使用拖拉机发动机时，故障征兆是用户可以最直观地观测到的表征，这里可以利用贝叶斯网络模型的事故树来确定与该故障征兆对应的故障原因，以便能够有针对性的排查、检修拖拉机的发动机。

步骤A2.基于在步骤A1中确定的故障征兆、以及贝叶斯网络模型的事故树中与所述故障征兆对应的节点的概率、以及所述事故树中与所述故障征兆存在对应关系的每一个故障原因的节点的概率，计算与贝叶斯网络模型的事故树中相应的底事件对应的每一个节点对该故障征兆的贡献度。

例如，假设已确认拖拉机发动机存在B3：发动机起动困难这一故障征兆，则可以针对事故树中与B3对应的节点b31至b35中的每一个对该故障征兆的贡献度。例如，对于节点b31而言，其对B3的贡献度等于节点B3的概率与节点b31的概率的乘积，即P(31)＝P(B3)P(b31)，节点b32对B3的贡献度等于节点B3的概率与节点b32的概率的乘积，以此类推，可以获得节点b31至b35中每一个对该故障征兆的贡献度。

在实际使用过程中，用户往往发现拖拉机存在不止一个故障征兆。例如，假设确定拖拉机发动机存在B2和B3这两项故障征兆。则可以利用事故树中对应的各个节点的概率，分别计算节点b21至b26中的每一个对B2的贡献度、以及节点b31至b35中的每一个对B3的贡献度。

步骤A3.根据在步骤A2中计算获得的与贝叶斯网络模型的事故树中相应的底事件对应的每一个节点对该故障征兆的贡献度的大小，来确定导致所述故障征兆的故障原因。

在本发明中，可以输出每个故障原因对相应故障征兆的贡献度，也可以输出按照贡献度从大至小(或从小至大)的顺序排列的对应的故障原因的序列。

可以理解，若一个故障原因对故障征兆的贡献度远大于其他故障原因对该故障征兆的贡献度，则可以认为该故障原因最有可能是导致该故障征兆的原因。维修人员可以按照贡献度的大小，按照贡献度从大至小的顺序选择对应的故障原因逐一地进行排查，由此可以有针对性地进行检修，节省工作量、提高工作效率。

此外，若是一个故障原因对故障征兆的贡献度非常小，例如小于0.01，则认为该故障原因可能不是导致该故障征兆的原因，在维修人员进行检修时可以不对其进行排查。

根据本发明的一个实施例，采用上述贝叶斯网络模型对拖拉机发动机可能产生的故障征兆和/或故障进行预测的方法，包括：

步骤B1.采用软件监测或用户反映等方式，确定拖拉机发动机中相应硬件所产生的与贝叶斯网络模型的事故树中的故障原因对应的问题。

例如，可以对图2中各个底事件对应的硬件，例如油泵滤网、油泵单向阀、喷油器、油压表、进气歧管压力传感器、进气系统、曲轴位置传感器、水温传感器、空气滤清器、空气流量计、节气门位置传感器等进行定时监测。一旦发现诸如油泵滤网堵塞等与事故树中的底事件对应的问题，则记录该问题并确定与该问题对应的底事件。

步骤B2.根据所述问题对应的故障原因、以及贝叶斯网络模型中与所述故障原因对应的节点的概率，以及与所述故障原因对应的故障征兆的节点的概率，计算在发生所述问题时引发相应故障征兆的概率。

这里所述在发生所述问题时引发相应故障征兆的概率可以被看作是一个条件概率。例如，当监测到b35：曲轴位置传感器工作不良时，则可以计算产生B3：发动机起动困难这一故障征兆的概率，其等于节点B3的概率除以节点b35的概率，即P(B3|b35)＝P(B3)/P(b35)。

步骤B3.输出引发相应故障征兆的概率，或者当引发相应故障征兆的概率大于设定的阈值时提供针对该故障征兆的警报。

根据上述实施例可以看出，本发明提供了一种生成用于判断拖拉机发动机的故障的贝叶斯网络模型的方法，采用该方法可以生成用于描述拖拉机出现故障的故障征兆、以及引发各个故障征兆的故障原因的事故树，并且针对事故树上的每个节点提供相应的概率，以用于诊断导致拖拉机发动机产生故障的故障原因、以及预测拖拉机发动机可能将要发生的故障征兆和/或故障。在采用上述贝叶斯网络模型对导致拖拉机发动机产生故障的原因进行诊断时，可以获得每一个故障原因对相应故障征兆的贡献度，使得维修人员可以按照贡献度的大小，按照贡献度从大至小的顺序选择对应的故障原因逐一地进行排查，从而有针对性地进行检修、提高工作效率、节省了拖拉机发动机维修时的人工成本。并且，还可以利用上述贝叶斯网络模型对拖拉机发动机可能产生的故障征兆和/或故障进行预测，从而提示用户及时地对拖拉机发动机进行检查或维修，避免了在拖拉机发动机发生故障之后进行报修、停工等待，改善了用户体验。

在发明人提供上述方案的过程中，曾采用洛阳中科晶上智能装备有限公司生产的北斗星远程控制器对拖拉机发动机的相关参数进行数据的采集，并将采集的数据传输到后台服务器，并根据前期的数据积累获得拖拉机发动机相关故障征兆及故障原因的先验概率。可以理解的是，不同的发动机的ECU数据格式及传输协议均是以1939协议为标准，在不同产品的发动机标准之间的差异并不直接影响根据本发明的方法的实施，本领域技术人员可以根据本发明的教导适应性地将根据本发明的方案应用到其它产品的发动机上。

需要说明的是，上述实施例中介绍的各个步骤并非都是必须的，本领域技术人员可以根据实际需要进行适当的取舍、替换、修改等。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管上文参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种生成用于判断发动机的故障的贝叶斯网络模型的方法，包括：

1)收集发动机发生故障时的各种故障征兆和导致每一种所述故障征兆的至少一种故障原因；

2)根据所述故障征兆以及所述故障原因之间的对应关系，生成用于判断发动机的故障的事故树；

3)基于导致发动机发生故障的各种原因的先验概率以及贝叶斯定理的条件概率，确定针对所述事故树中的每一个节点的概率，建立用于判断发动机的故障的贝叶斯网络模型。

2.根据权利要求1所述的方法，其中步骤2)包括：

将一种所述故障征兆作为所述事故树中的一个节点，并且将与同一种所述故障征兆对应的多个故障原因中的每一个分别作为所述事故树中与所述故障征兆对应的节点之下较低一层中的节点。

3.根据权利要求2所述的方法，其中步骤2)还包括：

将发动机发生的故障作为事故树的顶层的节点，并且将与所述故障对应的多个故障征兆中的每一个分别作为所述事故树中所述顶层的节点之下较低一层中的节点。

4.根据权利要求1所述的方法，其中步骤3)包括：

将所述导致发动机发生故障的各种原因的先验概率作为所述事故树中与所述故障原因对应的节点的概率，并将其输入到MATLAB贝叶斯工具箱中，以获得所述事故树中与所述故障征兆对应的节点的概率。

5.根据权利要求4所述的方法，其中步骤3)包括：

基于与同一种所述故障征兆对应的多个故障原因中的每一个分别对所述故障征兆的贡献程度，评估所述事故树中与所述故障原因对应的节点的概率。

6.根据权利要求5所述的方法，其中步骤3)采用以下方式中的一种或多种来获得所述导致发动机发生故障的各种原因的先验概率：

对发动机的产品进行实验检测、参考拖拉机发动机故障诊断的历史数据或由专家打分。

7.一种采用贝叶斯网络模型对导致发动机产生故障的原因进行诊断的方法，其中所述贝叶斯网络模型通过权利要求1-6中任意一项所述的方法生成，所述诊断的方法包括：

A1)获得发动机所表现出的故障征兆；

A2)基于所确定的故障征兆、以及所述贝叶斯网络模型的事故树中与所述故障征兆对应的节点的概率、以及所述事故树中与所述故障征兆存在对应关系的每一个故障原因的节点的概率，计算所述每一个故障原因对产生所述故障征兆的贡献度，其中，所述贡献度等于所述故障原因的节点的概率与所述故障征兆的节点的概率的乘积；

A3)获得所述每一个故障原因对产生所述故障征兆的贡献度的大小。

8.一种采用贝叶斯网络模型对发动机未来可能产生的故障进行预测的方法，其中所述贝叶斯网络模型通过权利要求1-6中任意一项所述的方法生成，所述预测的方法包括：

B1)确定发动机中硬件所产生的问题，所述问题对应于所述贝叶斯网络模型的事故树中的故障原因；

B2)根据与所述问题对应的故障原因、以及贝叶斯网络模型中与所述故障原因对应的节点的概率，以及与所述故障原因对应的故障征兆的节点的概率，计算在发生所述问题时引发相应故障征兆的概率，其中，所述在发生所述问题时引发相应故障征兆的概率等于所述故障征兆的节点的概率除以所述故障原因的节点的概率；

B3)输出在发生所述问题时引发相应故障征兆的概率。

9.一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序在被执行时用于实现如权利要求1-8中任意一项所述的方法。

10.一种用于判断发动机的故障的系统，包括：

存储装置、以及处理器；

其中，所述存储装置用于存储计算机程序，所述计算机程序在被所述处理器执行时用于实现如权利要求1-8中任意一项所述的方法。