简谈基于贝叶斯网络模型构造的汽车故障诊断研究.docVIP

简谈基于贝叶斯网络模型构造的汽车故障诊断研究 　　1引言 　　汽车故障诊断技术，常依靠先进的传感器技术和检测技术，并对各种动态信息进行各种分析、处理，辨识故障产生原因、发生部位等，提出针对性的维修措施和处理方法，来提高汽车的安全性、动力性和经济性。由于诊断对象的复杂性、测试手段的局限性、知识表达的不精确等因素，故障征兆和故障原因间的因果关系不再是确定性的一一映射关系，而是表现为很强的随机性和不确定性。因而，常规的故障诊断技术受到了挑战，寻找一种适合用于表达和分析不确定性事物的故障诊断方法己经成为领域专家研究的热点。 　　目前，有机结合了概率论和图论理论基础的贝叶斯网络在解决此类问题上具有很多优势，主要表现在较强的不确定性问题处理能力和多源信息表达及处理能力，使诊断结果更趋准确、可靠。传统贝叶斯网络进行故障诊断时，通常主要依据专家先验知识手工构建贝叶斯网络，模型构造过程不可避免存在一定主观性。另外检测对象模型随着时间变化总是在动态变化，因此利用一成不变的故障诊断模型进行诊断，势必会产生诊断较大误差甚至谬误。本文研究了一种基于贝叶斯网络模型构造的在线汽车故障诊断方法，能够有效地综合领域专家的先验知识和实时传感数据的分布特征，利用贝叶斯网络的学习能力构造诊断模型，提高故障诊断系统的自适应性。 　　2故障诊断系统 　　汽车自动故障诊断系统的功能一般分三步完成数据采集、故障检测和故障诊断。有效地融合领域专家的宝贵经验知识和实时传感数据的分布特征，为故障诊断提供决策依据。本文提出的基于贝叶斯网络构造的故障诊断融合系统架构。该系统包括五个子模块:数据采集模块、推理和学习模块、知识模块、输出模块和人机交互界面模块。 　　数据采集模块通过传感器系统可以获得检测对象的多源互补信息，经数据处理模块过滤为特征信号，并将这些诊断系统可识别的数据信息处理后储存到数据库中备用。 　　知识模块的知识库中包含两类知识，一类是规则，如重新构造贝叶斯网络所需的度量函数、搜索算法等先验知识;另一类是推理机模型知识，如来自专家的先验知识、修正后的贝叶斯网络模型等。 　　推理和学习模块是故障诊断系统的核心。其中诊断模型学习机，可以调用数据库样本数据，并利用知识库中已有的贝叶斯网络结构学习和参数学习算法构建、修正故障诊断所需推理机模型，用以满足诊断系统对不确定性问题表示、推理和在线学习等要求。 　　输出模块负责将推理得到的故障诊断结果合理、直观地予以解释，并经人机界面反馈。 　　3贝叶斯网络构造的故障诊断优化算法 　　3.1贝叶斯网络的构造 　　由贝叶斯网络定义可知，其模型由网络拓扑结构和局部概率分布集合两部分组成，因此贝叶斯网构造(又称学习)可以被分解为结构学习和参数学习。结构学习是利用训练样本集，尽可能结合先验知识，确定合适的贝叶斯网络拓扑结构和参数;参数学习是在结构学习的基础上，确定结构中每个节点的条件概率表。若网络结构已知，参数学习相对简单。因此本文重点讨论结构学习。 　　3.2基于贝叶斯网络构造的故障诊断优化算法 　　针对故障诊断问题，本文提出的基于贝叶斯网络构造的故障诊断优化算法可用伪码描述。该算法能够有效地综合领域专家的先验知识和实时传感特征数据，利用贝叶斯网络的再构造能力，适时对汽车故障诊断贝叶斯模型进行模型优化，提高了故障诊断系统的自适应性。 　　4实验评价 　　为验证本文提出的基于贝叶斯网络构造的故障诊断算法正确性和有效性，在PC机(奔腾2.5GHzCPU，2G内存)上采用Matlab7.1下完成仿真。 　　4.1标准网络构造实验 　　由前面分析可知，故障诊断结果的准确性与实现诊断推理贝叶斯网络构造方法的可靠性密不可分。因此，有必要验证本文采用的贝叶斯网络构造方法，即贝叶斯网络等价类学习算法的正确性。 　　实验采用贝叶斯网结构学习中标准数据库---ASIA网络来完成。训练数据样本取5000组。实验中，从仅有节点而无边连接的初始网开始搜索。原始ASIA贝叶斯网络和学习所得相应网络结构图，重复10次学习实验过程，平均学习过程耗时7.8281s。为学习过程中BIC值随网络结构间各节点添加和删除边操作变化的情况。为网络各节点间边操作的寻优及相应BIC值变化过程。可以看出伴随寻优操作的进行，BIC值逐渐提高并收敛。实验表明:当数据量充分时(本实验当样本数据大于3474组时)，学习得到的网络结构与原始ASIA网络结构完全一致;本文所使用的贝叶斯网络构造方法是正确、有效的。 　　4.2发动机供油系统故障诊断实例 　　汽车发动机通常由5个子系统和2大机构组成，即供油系、润滑系、冷却系、点火系、起动系以及曲柄连杆机构和配气机构。实验中选取的诊断对象是某型汽车发动机供油系统，其常见的故障现象有发动机抖动、冒黑烟、发动机动力不足以及不能正常起动等。对该发动机供油系统进行