没有合适的资源?快使用搜索试试~ 我知道了~
为解决柴油机润滑系统多故障的解耦与诊断问题,提出一种基于贝叶斯网络模型的故障诊断方法.建立的润滑系统贝叶斯网络诊断模型包括利用有向无环图描述多故障耦合关系和采用概率形式表示故障诊断定量知识两个部分.按照故障类型将润滑系统故障诊断任务分解为各类故障的诊断子任务,对于各子任务,利用故障树模型分析故障与征兆及多故障间的耦合关系,并通过故障树向贝叶斯网络的转化建立润滑系统的贝叶斯网络模型结构.在定量参数方面,采用noisy-OR/AND模型分析故障与征兆间的因果关联强度,通过设定故障的先验发生概率描述润滑系统的历史运行状况.最后,通过两起“进机油压过低”故障实例验证所提出方法的有效性.
资源推荐
资源详情
资源评论
第 34卷 第 6期 控 制 与 决 策 Vol.34 No.6
2019年 6月 Control and Decision Jun. 2019
文章编号: 1001-0920(2019)06-1187-08 DOI: 10.13195/j.kzyjc.2017.1399
基于贝叶斯网络的柴油机润滑系统多故障诊断
王金鑫, 王忠巍
†
, 马修真, 刘 龙, 袁志国
(哈尔滨工程大学 动力与能源工程学院,哈尔滨 150001)
摘 要: 为解决柴油机润滑系统多故障的解耦与诊断问题, 提出一种基于贝叶斯网络模型的故障诊断方法. 建立
的润滑系统贝叶斯网络诊断模型包括利用有向无环图描述多故障耦合关系和采用概率形式表示故障诊断定量知
识两个部分. 按照故障类型将润滑系统故障诊断任务分解为各类故障的诊断子任务, 对于各子任务, 利用故障树
模型分析故障与征兆及多故障间的耦合关系, 并通过故障树向贝叶斯网络的转化建立润滑系统的贝叶斯网络模
型结构. 在定量参数方面, 采用 noisy-OR/AND模型分析故障与征兆间的因果关联强度, 通过设定故障的先验发生
概率描述润滑系统的历史运行状况. 最后,通过两起“进机油压过低”故障实例验证所提出方法的有效性.
关键词: 柴油机;润滑系统;多故障诊断;贝叶斯网络;故障树;noisy-OR/AND模型
中图分类号: TK428 文献标志码: A
Diagnosis of multiple faults of diesel engine lubrication system based on
Bayesian networks
WANG Jin-xin,WANG Zhong-wei
†
,MA Xiu-zhen,LIU Long,YUAN Zhi-guo
(College of Power and Energy Engineering,Harbin Engineering University,Harbin 150001,China)
Abstract: Motivated by decoupling and diagnosing of the multiple faults of diesel engine lubrication system, a fault
diagnosis method based on Bayesian networks is proposed. The establishment of a diagnosis Bayesian networks model
for the lubrication system includes two processes: representing the coupling relationship between multiple faults through
directed acyclic graph, and setting up the quantitative parameters in the form of probability. Before the implementation
of the proposed method, the diagnostic task of the lubrication system is decomposed according to the types of failure. A
fault tree model is utilized in every single diagnostic subtask to analyze the coupling between failures and symptoms and
between different failures. The fault tree can be naturally converted into the topology of the lubr ication system diagnosis
Bayesian network. In the aspect of quantitative parameters, the noisy-OR/AND model is adopted to analyze the strength
of causal relation between failures and symptoms. The historical health infor mation can be represented through the prior
probability of faults. The methodology proposed is illustrated by taking the failure‘low oil pressure’as an example.
Testing results from two actual fault cases verify the effectiveness of the proposed methodology.
Keywords: diesel engine;lubrication system;multiple faults diagnosis;Bayesian networks;fault tree;noisy-
OR/AND model
0 引
润滑系统是柴油机运动部件可靠润滑的重要
保障, 其不良的工作状态将导致柴油机整机的异常
磨损, 甚至引发拉缸、抱轴等重大安全事故
[1]
. 长期
以来, 因润滑系统故障导致的柴油机运行事故屡有
发生. 据日本海事法院统计, 在 2009 ∼ 2014 年间约
有 21% 的船舶主机事故由润滑失效引起
[2]
; 在我国,
因润滑失效导致的故障占舰船柴油机所有故障的
80 % 以上
[3]
; 瑞典保赔协会的数据显示
[4]
, 润滑失效
是 2005 ∼ 2014 年间船舶主机的三大高发故障之一,
其造成的经济损失更是在所有故障损失中居于首
位. 目前, 柴油机正向着高强化指标、高功率密度、
模块化设计与制造的方向发展,其结构和功能更为复
杂, 单位功率密度更大, 对润滑系统可靠性的要求也
将变得更为严格. 研究柴油机润滑系统故障诊断技
术,及时、准确地诊断出润滑系统故障成为保障柴油
机可靠运行的迫切需求.
润滑系统结构与功能复杂, 不同故障间、故障与
征兆间往往存在高度的耦合关系, 给故障的诊断过
程带来了极大的困难. 多故障耦合是机械设备故障
收稿日期: 2017-10-23;修回日期: 2018-04-07.
基金项目: 国家自然科学基金项目 (51305089);黑龙江省自然科学基金项目 (E2016018).
责任编委: 叶丹.
†
通讯作者. E-mail: wangzw@hrbeu.edu.cn.
1188 控 制 与 决 策 第34卷
诊断研究中的一个技术难题
[5]
. 对润滑系统多故障
诊断,目前广泛采用的故障树方法虽然能够直观地表
达多故障间的耦合关系, 但该方法不能实现“由上至
下”的诊断推理
[6-7]
, 因而无法独立地应用于诊断润
滑系统故障. 近年来, 有研究者提出了基于支持向量
机的诊断方法
[1]
,但该方法将识别润滑系统的健康状
态视为一个二分类问题,仅能判断润滑系统是否发生
故障,无法诊断出故障的具体形式. 文献 [8]将基于二
叉树支持向量机 (BT-SVM) 应用到柴油机子系统故
障诊断中, 首先利用二叉树思想分解润滑系统多故
障诊断问题, 然后对每个诊断活动分别建立 SVM 分
类器. 相比于文献 [1], 该方法实现了对多故障的分离
与辨识. 然而, 对于 k 种待检故障形式, 该诊断方法需
要k − 1个 SVM分类器, 导致诊断模型的建立过于复
杂. 同时, 多个SVM分类器的建立需要大量完备的故
障样本,进一步增加了该方法实际应用的难度.
贝叶斯网络因其在描述故障与征兆间复杂因果
关系上的独特优势,获得了国内外故障诊断研究者的
共同关注. 文献 [9] 建立了基于贝叶斯网络的齿轮泵
故障诊断模型, 该模型包含了齿轮泵常见的 4 种故障
及对应的 8 种征兆; 文献 [10] 将贝叶斯网络应用到南
海“流花 4-1”油田海底生产系统的故障诊断中, 实
现了对采油树、液压动力单元等采油设备多故障的
识别与诊断;文献 [11] 利用贝叶斯网络故障诊断技术
指导对设备的状态维修, 以离心式压气机为例, 验证
了所建贝叶斯网络诊断模型在多故障分析中的有效
性. 然而, 尽管贝叶斯网络诊断技术受到了研究者的
广泛关注,但很少有文章研究该方法在柴油机润滑系
统多故障诊断中的应用. 此外, 现有研究大多通过直
接建立故障与征兆的对应关系、量化不同故障组合
对征兆的耦合影响强度,构建机械设备贝叶斯网络诊
断模型. 对于结构和功能复杂、包含故障种类众多的
复杂机械系统, 该方法的建模过程实施难度过大, 不
利于该项技术的实际应用.
本文采用贝叶斯网络解决润滑系统的多故障耦
合与诊断问题. 首先利用故障树描述润滑系统故障
与征兆、多故障间的耦合关系, 通过其向贝叶斯网络
的转化, 建立贝叶斯网络诊断模型拓扑结构; 在定量
参数方面, 采用 noisy-OR/AND 模型描述故障与征兆
间的因果关联强度. 为降低故障诊断难度, 本文在实
施诊断前首先将润滑系统故障诊断任务进行分布式
分解; 然后对各子任务分别实施故障诊断; 最后通过
两个故障实例验证本文方法的有效性.
1 诊断任务的分解
图 1 是一种典型船用柴油机润滑系统管路示意
图. 柴油机起动前, 滑油通过预供泵 3 泵吸, 对柴油机
各运动部件实施预润滑; 起动完成后, 预供泵停止, 滑
油由机带泵5输送.
润滑系统结构复杂, 故障形式多样. 为降低故障
诊断难度, 本文首先依据故障类型, 分解润滑系统故
障诊断任务, 见图 2. 整个润滑系统故障诊断任务被
1-2-3- 4- 5- 6- 7- 8- 9-
10- 11- 12- 13-14- 15- 16- 17- 18- 19-
20- 21- 22- 23-A- B- C-
!"# $%& '() *+'(),-. *+) ),-. /0# 1"# 23.
45. 46. 78# 95# $5: ;< => ?@ AB$C DE
FGH I$) JH $6: KLGM KDE/0IN KI$)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
A
B
C
图 1 柴油机润滑系统示意图
剩余7页未读,继续阅读
资源评论
weixin_38604951
- 粉丝: 4
- 资源: 893
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于ARIMA-LSTM-transformer等模型进行流感时间序列预测Python源码(高分项目)
- 基于景观生态风险评价的流域景观格局优化,教学视频和资料,喜欢的就下载吧,保证受用
- java设计模式-建造者模式(Builder Pattern)
- C语言刷题-lesson5_1731564764305.pdf
- JavaScript开发指南PDG版最新版本
- JavaScript程序员参考(JavaScriptProgrammer'sReference)pdf文字版最新版本
- jQuery1.4参考指南的实例源代码实例代码最新版本
- CUMCM-2018-D.pdf
- jQueryapi技术文档chm含jQuery选择器使用最新版本
- DWIN_SET.rar
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功