英语原文共 11 页
基于概率的车辆故障诊断：贝叶斯网络方法
Yingping Huang；Ross McMurran；Gunwant Dhadyalla；R. Peter Jones
摘要 故障诊断对于确保车辆安全性和可靠性越来越重要。车辆故障诊断中的一个问题是难以正确诊断出真正的根本原因来成功解释故障症状。本文提出了一种基于贝叶斯网络的创新方法，用于指导离线车辆故障诊断。通过使用车辆信息娱乐系统作为案例研究，已经针对具有单个和多个症状的故障情况建立了许多贝叶斯诊断模型。特别考虑了贝叶斯模型结构的设计，根本原因的先验概率的确定和诊断程序。为了减轻计算量，采用面向对象的模型结构来防止模型过大。结果表明，所提出的方法能够以概率的方式引导车辆诊断。此外，该方法具有多症状导向的故障排除策略，并且能够最佳地同时诊断多种症状。
关键词 故障诊断；贝叶斯信念网络；建模；汽车
介绍
随着汽车产品和工程复杂性的增加，故障诊断对于车辆安全性和可靠性变得越来越重要。然而，由于两个原因，汽车系统难以诊断。（1）汽车系统具有许多以复杂方式相互作用的组件和子系统。（2）可能的根本原因和可用于确定真实原因的观察现象很多，导致难以成功解释故障症状和观察现象。故障排除的任务是解释初始故障症状并导出一系列测试，以有效和准确地分配故障的真正根本原因。
常规故障诊断流程图（也称为故障树）被广泛用于生成指导诊断技术人员的测试序列。图1显示了用于诊断现代车辆信息娱乐系统中的故障的故障诊断流程图的示例。从故障症状“SYS-NoSound”开始，该图引导用户通过告诉他们逐步执行哪个测试来定位缺陷。看来这正是用户需要的。实际上，这种方法具有几个固有的缺点。（1）这是一种“如果···就···”推理，故障排除决策是基于简单的“是”或“否”判断。在实践中，对失败原因的判断可能是不确定的;每个故障排除步骤包含用户要考虑的多个不确定选项。这意味着理想情况下应以概率方式引导故障诊断。（2）在每个故障排除步骤中，用户只有一个固定的选择，并被迫执行该方法建议的测试。如果图中的任何测试存在问题或被跳过，则用户容易被误诊。（3）该方法具有刚性结构，并且不允许用户在其自身的诊断经验和知识方面自由选择。（4）每个故障排除图仅处理具有单一症状的故障情况。对于具有多种症状的故障情况（这是常见的情况），该方法分别诊断故障。这种工作机制不允许以集成的方式考虑所有故障，导致许多不必要或无效的测试和检查。
图1传统的故障诊断流程图
贝叶斯信念网络（BBN）是一种基于概率的建模技术，适用于基于知识的诊断系统。BBN使我们能够对不确定性进行建模和推理，非常适合诊断存在不确定不完整数据的现实问题。因此，它是解决复杂汽车系统故障的合适解决方案。本文提出了一种汽车故障诊断的创新方法。通过结合BBN技术，所提出的方法克服了上述传统故障排除流程图的缺点。该方法的优点和新颖性是：（1）基于概率的方法，根据根本原因的概率作出诊断决定。（2）它具有动态过程，其中模型中的概率不断更新新证据。（3）该方法采用多症状导向的故障排除策略，能够给出一个优化的程序，以同时排除多种症状的故障情况。
在本文研究中，车辆信息娱乐系统已被选为案例研究。已经针对具有单一症状或具有多种症状的故障病例建立了许多诊断模型。特别考虑模型结构的设计，根本原因的先验概率的确定和诊断程序。为了减轻计算量，采用面向对象的模型结构来防止模型过大。在医学诊断方面使用BBN技术已经进行了大量研究（Wang，Zheng，Good，King，＆Chang，1999;KahnJr，Roberts，Shaffer，＆Haddawy，1997）。BBN也已应用于制造过程的监控（Kang＆Golay，1999;Wolbrecht，D#39;Ambrosio，Paasch，＆Kirby，2000）。与汽车系统相比，这些应用针对的是相对特定的小型系统。对于基于知识的车辆诊断，Foran和Jackman（2005）报告了相关的研究工作，他提出了一种基于规则的推理方法来诊断分布式多ECU控制系统。Gelgele和Wang（1998）报道了一种用于发动机故障诊断的专家系统。Neil，Fenton，Forey和Harris（2001）以及Neil，Fenton和Nielsen（2000）应用BNN来预测军用车辆的可靠性，并提出了建立大规模贝叶斯网络的通用程序。该项目的初步研究成果也发表在第8届国际先进车辆控制研讨会上（Huang，Antory，Jones，＆Groom，2006）。
本文由四部分组成。在此介绍之后，章节“贝叶斯信念网络”给出了贝叶斯网络的特征和概率计算的一般分析。章节“单一症状病例的诊断”通过使用车辆信息娱乐系统作为案例研究，提出了基于贝叶斯网络的汽车诊断方法。讨论了单一症状故障案例和多症状故障案例的两种模型。章节“多症状病例的诊断”提出了结论。
贝叶斯信念网络
朴素贝叶斯诊断
朴素的贝叶斯诊断模型是贝叶斯定理在工程诊断中的直接应用。图2显示了朴素贝叶斯网络的基本结构，其中A是故障症状，Bi（i=1,2，...n）是相互排斥的，完整的根本原因产生A，贝叶斯定理给出以下关系症状A和根之间的原因Bi：
图2朴素贝叶斯诊断模型
如果Bi生成A的先验概率P（Bi）和先验条件概率P（A/Bi）是经验或统计数据已知的，我们将能够通过公式1计算出A引起的后验概率P（Bi/A）。朴素贝叶斯诊断通过计算出现症状A时故障Bi发生的概率来解决故障，即后验条件概率P（Bi/A）。
对公式1做了两个假设：故障集Bi（i=1,2，...n）必须互斥且完整，即Bi概率的和为1。然而，在车辆故障诊断应用中，故障集合Bi不是排他性的并且可以同时发生。此外，在实践中很难了解完整的根本原因。并且，实际诊断问题可能涉及多层因果关系，例如，每个根本原因可以由不同的观察指示。因此，朴素的贝叶斯诊断模型不适合用于汽车故障诊断。作为朴素贝叶斯诊断的延伸，BBN为上述问题提供了有效的解决方案。
贝叶斯信念网络（BBN）的基本特征
贝叶斯信念网络是基于概率的图形模型，其允许将复杂事件图形化地描述为网络，并因此以概率方式推断事件之间的因果关系。对于特定的故障症状，BBN诊断模型不需要设置完整的根本原因并适应同时发生的根本原因。
BBN的拓扑结构
BBN由许多节点，有向链路和概率表组成，如图3所示。由于不允许有向链路形成环，因此BBN也称为有向无环图。对于BBN诊断模型，节点表示可以是故障症状，组件缺陷（根本原因）或观察的变量。有向链接表示变量之间的偶然关系。节点用概率注释。对于根边缘节点，这些是先验概率。对于其他节点，假设给定这些是节点状态存在或不存在的条件概率，判断连接到它的父节点是否失败。条件概率表示连接节点之间的因果关系的强度。
图3贝叶斯网络的一个简单例子
后验条件概率的微积分
建立诊断BBN的目标是在出现一个或多个故障症状时反向推断最可能的根本原因，即计算原因的后验概率。后验概率的计算涉及计算模型的联合概率（模型内所有节点的所有组合状态的概率）。为了简化联合概率的微积分，BBN对条件独立做出以下三个假设：
1.网络顶层的所有根节点彼此独立。
2.给定其公共父节点的状态，任何两个未链接的节点都是独立的。
3.给定所有父节点的状态，节点独立于其间接父节点（祖父节点）。
图4三种条件独立性
图4给出了BBN的示例，说明了这三种类型的条件独立性。网络包含五个节点X1，X2，X3，X4，X5，具有三层结构。在三种条件独立性的定义方面，X1，与X2无关，X3，X4的状态独立于X1和X2;X5与X4，X1和X2无关。以下推导表明如何利用三种条件独立性来计算后验条件概率P（X1=ture|X5=ture）。贝叶斯定理给出了当P（X1=ture，X5=ture）和P（X5=ture）时的边际概率公式
（2）
其中
而P（X1=ture，X2，X3，X4，X5=ture）和P（X1，X2，X3，X4，X5=ture）涉及计算模型的联合概率。在定义方面，该模型P（X1，X2，X3，X4，X5）的联合概率可以从
（5）
计算。
应用三种类型的条件独立性，公式5可以简化为
（6）
用公式6替代公式3和公式4使得后验概率的计算更加容易。
单一症状病例的诊断
在本文中，车辆信息娱乐系统已被选为应用案例。诊断是基于症状的，并且要将建模的故障症状按子系统功能，限定在四级内的操作进行分类。这种故障症状的类型也符合系统供应商的通用质量数据。该策略是建立多个子模型，用于诊断故障情况，报告单一症状，并采用面向对象的模型结构连接相关子模型，用于诊断报告多种症状的故障病例。
单一症状诊断模型的框架
图5贝叶斯诊断模型的框架
现有的故障诊断流程图是构建贝叶斯诊断模型的重要基础。图1表明故障诊断流程图由两种类型的节点组成，即由菱形包裹的观察节点和由矩形包裹的动作节点。就这些特征而言，我们提出了贝叶斯诊断模型的定制结构，如图5所示。贝叶斯诊断模型包含四层事件，即故障症状层，中间层，根本原因层和观察层。层之间存在直接的因果关系。故障症状层是客户报告的故障症状，例如“无显示”，“无声”或服务技术人员记录的故障代码，例如诊断故障代码（DTC）。根本原因层包含所有可能的根本原因，这些根本原因会产生故障症状，例如故障组件，线束断开和软件问题。中间节点层位于故障症状层和根本原因层之间。它通常是根本原因的组或类别，例如硬件问题或软件问题。实际上，通过应用中间层，模型中的每个节点都被限制为最多具有四个父节点。该策略防止高度复杂的条件概率表，从而促进诊断模型的生成。观察层可以是用于分配根本原因的任何信息，例如客户的报告，或诊断技术人员执行的测试的结果。观察节点隶属于特定根节点，并且每个根本原因通常可以具有一个或多个观察。中间节点也可以具有观察结果。在这种情况下，观察层是指示可能的根本原因或有用信息的组。
知识收集和分析
除了现有的故障诊断流程图之外，生成诊断模型还需要以下数据：文档，例如子系统特定的诊断规范、故障模式影响分析（FMEA）;诊断工程师的经验;和现场信息如保修数据库等。分析文档生成诊断模型的基本结构。
在确定模型的结构之后，通过以下方式获得模型所需的先验信息：
-根据原因层所需的先验概率是从历史故障数据的统计分析中生成的。
-领域专家提供了其他层所需的先验条件概率。
贝叶斯网络推理所需的证据由客户报告或诊断技术人员通过一系列测试提供。
症状模型“SYS-NoSound”
图6症状“SYS-NoSound”的贝叶斯诊断模型
症状“SYS-NoSound”的贝叶斯诊断模型如图6所示。该模型包含20个用蓝色椭圆绘制的观察节点，13个用琥珀色椭圆绘制的根本原点节点，7个用绿色椭圆绘制的中间节点和1个绘制的症状节点用黄色椭圆。可以看出，所有根本原因节点都被设置为根层边缘节点。这是因为可以从历史故障数据的统计分析中提取根本原因的先验概率，而观测节点的先验概率通常是未知的并且非常难以估计。表1列出了所有节点的名称，符号，类别，离散状态，根节点引起的先验概率和观察节点的条件概率。因为中间节点和症状节点的条件概率总是明确的，所以我们不在表格中列出这些概率。在本研究中，我们使用HUGIN软件进行贝叶斯网络传播和推理。
表1节点、先验概率和条件概率表
|
|
节点事件 |
记号 |
状态 |
概率 |
|
|
观察层 |
安装的放大器正确吗？ |
O1 |
T |
F |
|
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
