一种基于图模型的发动机故障诊断方法技术

本发明专利技术一种基于图模型的发动机故障诊断方法，根据发动机结构和历史故障数据库，建立发动机各个零部件之间的故障节点图模型，各个零部件为各个节点，零部件之间的相互作用关系为节点之间的连线，将故障分解为若干个故障特征，各个故障特征为故障叶节点，当发生故障时，定位故障特征对应的故障叶节点，通过对图进行搜索，找到通往该叶节点的节点路径，通过各节点路径汇点判断产生故障的原因。本发明专利技术利用了历史故障数据库中的数据，充分利用了已有的经验知识，保证诊断模型的准确性；本发明专利技术将故障特征分解，对每个故障特征查找对应的故障零部件，清晰地解释了每个零部件与对应的故障特征之间的关系，快速、准确地诊断出发动机的故障。

【技术实现步骤摘要】
一种基于图模型的发动机故障诊断方法
本专利技术涉及发动机诊断方法控制领域，具体涉及一种基于图模型的发动机故障诊断方法。
技术介绍
发动机是汽车、农机的心脏，包含了大量的零部件，结构复杂，对于其故障快速、准确的诊断能够帮助人们节约维修成本，提高工作效率。为快速诊断发动机故障，有人提出以下两种方案：方法一：通过电动车仿真模型产生仿真故障数据，然后神经网络利用仿真得到的数据进行训练。通过Matlab/Simulink搭建电动车仿真模型，用仿真模型模拟故障时传感器的参数，根据传感器参数和故障类型训练神经网络进行故障诊断。但是这种方法，故障诊断系统与物理模型是分离的，诊断通过神经网络进行，缺乏对已有诊断经验的利用，诊断过程将各个故障作为一个整体进行诊断，不能用动力系统的传动原理清晰的解释，当出现新的故障类型时，更新模型需要重新训练神经网络，比较繁琐和耗时，诊断模型更新比较困难。方法二：用故障数据训练神经网络，进而用神经网络预测故障。根据发动机参数以及对应的故障，搭建神经网络模型，将发动机参数和对应的故障代码送入神经网络进行训练，实现模型对发动机故障的预测功能。但是这种方法，神经网络模型缺乏可解释性，神经网络内部对故障类型和故障产生的原因进行映射从而建立对应关系，这种映射和对应关系是将各个故障作为一个整体进行诊断，不能用发动机的零部件之间的数学关系和热力学原理清晰的解释，诊断系统缺乏知识存储和不断学习的环节。当出现新的故障类型时，需要重新训练神经网络，比较繁琐，诊断模型更新比较困难。由上述可知，上述两种方案均是将各个故障作为一个整体进行诊断，无法清晰解释每个零部件与对应的故障特征之间的关系，当某个故障特征出现后，不能快速地查找到该故障特征所对应的零部件，且出现新的故障特征后，需要重新训练神经网络，比较繁琐，诊断模型更新比较困难，不利于企业工作效率的提高。
技术实现思路
针对上述
技术介绍
存在的问题，本专利技术提供一种基于图模型的发动机故障诊断方法，能够清晰解释每个零部件与对应的故障特征之间的关系，快速、准确地诊断出故障的零部件，提高工作效率,且诊断模型更新和维护方便。为了实现上述目的，本专利技术提供一种基于图模型的发动机故障诊断方法，包括以下步骤：步骤①：基于发动机历史故障数据，将发动机故障分解为故障特征，建立发动机故障数据库，定义每个故障特征为叶节点，每个发动机零部件为节点，每个节点均具有唯一的识别编号，基于发动机故障数据库，建立发动机故障节点图模型；步骤②：根据故障特征对应的发动机零部件，将每个故障特征中涉及的零部件按零部件之间的相互作用关系的先后次序用连线连接起来，建立故障路径，单一故障路径中每个节点只在此路径中出现一次，且故障路径中不存在环形子路径；步骤③：当发生故障时，首先将故障分解为若干个故障特征，定位到故障特征叶节点，对每个故障特征叶节点搜索所有能够到达该叶节点的故障路径，各个故障路径交叉位置的节点对应的零部件即为可能产生故障的零部件；步骤④：结合零部件本身的维修历史和工作时间，以及在本次故障的所有故障路径中出现的次数，计算得出零部件成为故障原因的概率，并按成为故障原因的概率对零部件进行由高到底的排序，并从排序靠前的零部件开始进行故障排查；步骤⑤：若维修中发现发动机故障推断不准确，则依据实际维修零部件和过程，按照步骤①-步骤②的方法更新故障图模型。其中，步骤①中发动机故障分解方法为：将发动机故障看作数个监测指标，包括发动机表面振动加速度、发动机燃油率、发动机排气量、发动机机油压力、冷却液温度，每个异常的监测指标即为故障特征，如冷却液温度过高，发动机机油压力过高，发动机燃油率过低等，通过公式(1)判断监测指标是否异常：其中，z0为当前指标观测值，以下简称“观测值”，zn为正常指标值，g为每个指标的设定值，当观测值z0与正常指标zn之差除以zn后得到的结果大于等于g％，即视此观测值为异常值，若小于g％则为正常值。步骤③中的搜索方法包括如下步骤：1)查找与故障特征叶节点yi连接的节点，记为列表yi[s]；2)查找与列表yi[s]中每个节点si相连接的节点，将搜索结果记为列表si[q]；3)查找与列表si[q]中每个节点qi相连接的节点，将搜索结果记为列表qi[p]；4)反复执行步骤(2)和步骤(3)，直至搜索至根节点；5)得到所有连接至故障特征叶节点yi的故障路径；6)对所有故障特征叶节点执行上述步骤(1)-步骤(5)，得到所有故障特征叶节点的故障路径集和；7)计算故障路径中所有重复出现的节点即为路径交叉点，出现次数最多的节点即为最可能出现故障的节点，计算方法包括如下步骤：a)对所有故障路径，遍历其节点；b)若节点首次出现，则记节点出现次数为1；c)若节点已出现过并再次出现，将出现次数加1；d)直到所有故障路径的所有节点遍历完成。步骤④中的零部件故障概率的计算公式为：p＝f(n，m，t)(2)其中，p为零部件产生故障的概率，n为零部件历史维修次数，m为本次所有故障路径中零部件出现的次数，t为零部件历史累计工作时间。与现有技术相比，本专利技术具有以下优点：1)充分利用了历史故障数据库中的数据；2)便于更新和维护诊断模型，保证了对新故障诊断的准确性；3)本专利技术将故障特征分解，对每个故障特征查找对应的故障零部件，清晰地解释了每个零部件与对应的故障特征之间的关系，快速、准确地诊断出发动机的故障。附图说明图1为本专利技术发动机故障分解为故障特征示意图；图2为本专利技术发动机故障节点图模型示意图，p1-pn,q1-qn,s1-sn为零部件节点，y1-yn为故障特征叶节点；图3为故障路径及故障路径交叉节点示意图，节点之间的连线为故障中各个零部件之间的相互作用关系，即故障路径，q2表示一个故障路径交叉节点，而q1，q3只属于单一故障路径，不是故障路径交叉节点。具体实施方式下面结合附图对本专利技术作进一步说明。如图所示，本专利技术提供一种基于图模型的发动机故障诊断方法，包括以下步骤：步骤①：基于所收集的来自多辆车辆的发动机故障特征、故障原因以及故障原因的传导链条的历史数据，将发动机故障分解为若干故障特征，定义每个故障特征为故障特征叶节点，每个发动机零部件为节点，建立发动机故障节点图模型，每个节点均具有唯一的识别编号，每个识别编号对应一个发动机零部件，便于根据识别编号，快速找到对应的发动机零部件，发动机故障分解的方法如下：将发动机故障看作数个监测指标，包括发动机表面振动加速度、发动机燃油率、发动机排气量、发动机机油压力、冷却液温度，每个异常的监测指标即为故障特征，如冷却液温度过高，发动机机油压力过高，发动机燃油率过低等，通过公式(1)判断监测指标是否异常：其中，z0为当前指标观测值，以下简称“观测值”，zn为正常指标值，g为每个指标的设定值，当观测值z0与正常指标zn之差除以zn后得到的结果大于等于g％，即视此观测值为异常值，若小于g％则为正常值。对于每个故障特征，g的取值如下表所示：步骤②：根据故障特征对应的发动机零部件，将每个故障特征中涉及的零部件按零部件之间的相互作用关系的先后次序用连线连接起来，建立节点路径，即故障路径，单一故障路径中每个节点只在此路径中出现一次，且故障路径中不存在环形子路径，其中，各节点之间的连线代表各个零部件之间的相互作本文档来自技高网...

【技术保护点】
1.一种基于图模型的发动机故障诊断方法，其特征在于，包括以下步骤：步骤①：基于发动机结构和历史故障数据，将发动机故障分解为故障特征，定义每个故障特征为叶节点，每个发动机零部件为节点，每个节点均具有唯一的识别编号，建立发动机故障节点图模型；步骤②：根据故障特征对应的发动机零部件，将每个故障特征中涉及的零部件按零部件之间的相互作用关系的先后次序用连线连接起来，建立故障路径，单一故障路径中每个节点只在此路径中出现一次，且故障路径中不存在环形子路径；步骤③：当发生故障时，首先将故障分解为若干故障特征，定位到故障特征叶节点，对每个故障特征叶节点，搜索所有能够到达该叶节点的故障路径；步骤④：结合零部件本身的维修历史和工作时间，以及在本次故障的所有故障路径中出现的次数，计算得出零部件成为故障原因的概率，并按成为故障原因的概率对零部件进行由高到底的排序，从排序靠前的零部件开始进行故障排查；步骤⑤：若维修中发现发动机故障推断不准确，则依据实际维修零部件和过程，按照步骤①‑步骤②的方法更新故障路径，并更新故障图模型。

【技术特征摘要】
1.一种基于图模型的发动机故障诊断方法，其特征在于，包括以下步骤：步骤①：基于发动机结构和历史故障数据，将发动机故障分解为故障特征，定义每个故障特征为叶节点，每个发动机零部件为节点，每个节点均具有唯一的识别编号，建立发动机故障节点图模型；步骤②：根据故障特征对应的发动机零部件，将每个故障特征中涉及的零部件按零部件之间的相互作用关系的先后次序用连线连接起来，建立故障路径，单一故障路径中每个节点只在此路径中出现一次，且故障路径中不存在环形子路径；步骤③：当发生故障时，首先将故障分解为若干故障特征，定位到故障特征叶节点，对每个故障特征叶节点，搜索所有能够到达该叶节点的故障路径；步骤④：结合零部件本身的维修历史和工作时间，以及在本次故障的所有故障路径中出现的次数，计算得出零部件成为故障原因的概率，并按成为故障原因的概率对零部件进行由高到底的排序，从排序靠前的零部件开始进行故障排查；步骤⑤：若维修中发现发动机故障推断不准确，则依据实际维修零部件和过程，按照步骤①-步骤②的方法更新故障路径，并更新故障图模型。2.根据权利要求1所述的一种基于图模型的发动机故障诊断方法，其特征在于，步骤①中发动机故障分解方法为：将发动机故障看作数个监测指标，每个异常的监测指标即为故障特征，通过公式(1)判断监测指标是否异常：其中，z0为当前指标观测值，以下简称“观测值”，zn为正常指标值，g为每个指标的设定值，当观测值z0与正常指标zn之差...

【专利技术属性】
技术研发人员：李盈盈，王志端，李松松，
申请(专利权)人：洛阳智能农业装备研究院有限公司，
类型：发明
国别省市：河南,41