國六柴油機故障診斷智能決策支持系統

0 引言

柴油機具有經濟性好、熱效率高和耐久性強的特點，因此在長途運輸、工程做業等領域廣泛使用。但是車輛在長期的使用過程中，不可避免存在零件磨損、傳感器和執行器失效等故障，如不及時有效的進行狀態監測和維修，必然造成柴油機狀態的下降甚至機器本身不可逆的損壞。特別是柴油機排放標準已升級到國六階段，氧化催化器(diesel oxidation catalyst，DOC)-顆粒捕集器(diesel particulate filter，DPF)-選擇性催化還原(selective catalytic reduction，SCR)路線是柴油機后處理排放控制的主流技術路線，較國四國五排放階段，后處理傳感器大量增加，故障率升高，同時對線下維修能力有所挑戰。對柴油機的運行進行科學有效的監控與維修成為各廠家研究的熱點?，F代化信息技術廣泛應用于維修技術，由于多數車企沒有完善的全流程售后系統，大多集中在數學建模研究上，有必要建立科學智能的維修決策支持系統，系統化和規范化決策過程。

1 智能決策支持系統

1.1 系統介紹

決策支持系統

(Decision Support System,DSS)是一種綜合利用管理科學、控制理論、數據庫和運籌學等，以模型、知識、數據和方法等為手段，通過人機交互方法和協調器，輔助決策者處理半結構化決策問題的體系。通過人機會話接口實現對實際模型的控制、調用以及數據信息收集，模型庫(KBMS)、數據庫(MEBM)和方法庫(DBMS)分別由其本身資源集合和管理系統組成

，實現模型庫的管理和運行，其中模型管理系統是DSS的核心，這三種庫構成的支持系統即為DSS三庫結構。

DSS通過采集的數據，借助數學模型如線性規劃模型、層次分析法、貝葉斯決策分析法等處理得到結果，以解決半結構化決策問題。

高等職業院校智慧課堂教學的實施與信息化教學手段密不可分，VR、云計算、智慧課堂軟件、微課教學等信息化教學手段的實施，從教學中面臨的實際問題出發，有效促進信息技術與實際教學的深度融合，提升教師的教學效果和學生的學習效率。本部分重點闡述VR技術在高職智慧課堂中的應用。

智能決策支持系統在傳統三庫結構的基礎上加入知識庫(KBMS)，也就是規則庫，用來存儲規則、經驗數值和關系邏輯等

，DSS基本結構如圖1所示。DSS的專家系統可用來識別問題和類別，決策支持系統具有以計算機技術、仿真技術為基礎的定量分析特點，可以定性定量的為決策者提供信息，大大加強了處理半結構化問題、非機構化問題的能力和范圍

。

有一個朋友總是抱怨她的寶貝兒子非常磨蹭。就讀小學四年級的他，每天寫作業都要拖到很晚才能完成，早上起床也慢慢悠悠，仿佛除了玩兒，做一切事情都磨磨蹭蹭。朋友向我詢問解決的辦法，閑聊中我問她：“你當了這么多年全職媽媽，有沒有想要做點別的事情呢？”她懶洋洋地說：“我想做很多事情，可一去做，我就不想動了！”

決策系統離不開海量的數據輸入，根據不同用戶需求，需要定義不同的數據源并針對不同類的數據進行分析，為了更好地挖掘實際數據中隱含的、潛在的信息，數據挖掘技術

成為目前的研究和應用熱點。

1.2 數據挖掘

保利濱湖廣場裙樓部分共三層，公共區域包括大堂、商務、餐飲和康體四部分功能，均整合在其中。裙樓西側面對文翰湖，為主要景觀面，東側為凹入式內景庭院，南側設計為婚宴花園，引景入室，處處有景。酒店大堂主入口設在西側，步入大堂，正對的大堂吧兩層通高，園林景觀一覽無余，接待前臺、全日制餐廳和特色餐廳設在大堂左側，亦共享庭院景觀。二層設有行政餐廳和中餐廳，滿足不同商務人群的飲食選擇。

數據挖掘又稱為資料勘探，是指從大量數據中通過模型和算法提取隱含信息的過程。由于數據庫數據量繁雜紫且數量大，決策支持系統僅靠數據庫處理不能精確提供給決策者需要的信息，數據挖掘作為決策過程，借助模型算法等工具，對大量的結構化數據、關聯數據和非結構化數據進行統計和分析，輔助決策者做出理性決策。

近年，一些地市成立了城市防汛抗旱指揮部，協調指揮全市防洪減災工作，但這些城市同時設立城市防汛抗旱指揮部和城市防洪指揮部，存在城區防洪工作多頭管理的現象。防汛機構尚未延伸至基層組織，城市街道、社區和企事業單位等基層防汛機構存在人員和設施不足、崗位和職責不清等情況。城市防洪應急管理涉及水利、交通、電力、氣象、城建、園林、市政、城管等多個部門，部分工作交叉重合，以上這些情況都容易導致城市防洪應急管理中出現職責交叉、銜接不順甚至管理缺位。

建立柴油機故障診斷智能決策系統，根據柴油機數據屬性的特點和多維模型結構的簡潔性，選擇星型結構作為數據邏輯模型，星型結構包含事實表和多組維表組成，維表圍繞事實表為中心呈星型分布特點，針對柴油機維修決策支持系統，設計4個維表包括：分析參數維表、維修人員維表、時間維表和柴油機參數維表，各維表存儲對應數據并通過關鍵詞與事實表連接，基于柴油機故障診斷的數據邏輯模型如圖3所示。

1.3 智能決策支持系統結構

通過數據庫收集到大量數據后，數據挖掘對數據進行集成、規約和清理，通過平滑聚集、數據規范化等預處理將數據初步轉化為適合數據挖掘的形式，根據數據信息，使用統計學方法、決策樹法，神經網絡、模糊決策、遺傳算法等決策方法進行數據分析，最后通過人機交互系統將需要的知識進行可視化反饋，或者將其作為新的知識存放入數據庫中共其它使用者調取。

(1)一定類型、結構、編碼規則和行業規則的數據被采集后，經過轉換、裝載等預處理方法，數據倉庫從信息收集平臺得到多維數據，通過了解分析和決策需求，刪除非戰略性數據，增加時間主鍵，調整數據粒度，

模型庫是支持系統的關鍵，通過系統的調用命令快速相應，及時更換不同計算方法和模型，主要模型包括預測模型、最佳停運時間模型、最佳維修成本模型、最佳維修時間模型、劣化分析預測模型等。

寫話教學是作文教學的啟蒙階段，是作文教學的重要基礎。低年級學生閱讀面窄，語言積累不足，生活經驗缺乏，這些導致學生寫話能力發展較為緩慢。因而，我們在語文閱讀教學中，重視語言的積累以及語言文字的訓練，更能有效地促進學生寫話能力的提高。因此抓好小學低年級學生說話和寫話的訓練，是提高學生作文能力的基礎環節。

(4)結論評價模塊會對最終的分析結果進行有效評估，根據用戶需求，判斷決策是否冗余或者無法滿足需求，若是則需要返回重新篩選戰略性數據，優化或重新選擇參數和工具再次進行數據挖掘，知道滿足需求。

2 柴油機故障診斷智能決策系統

2.1 系統構建

數據挖掘需要對數據進行分類，將海量數據按照共同特點劃分入不同的類，再通過聚類分析對事例進行細分，將同一類數據間的相似性盡可能大，不同類數據間的相似性盡可能??；關聯兩個及以上變量，發現其之間存在的規律性，利用歷史數據的變化規律來預測未來的趨勢、種類和特性，偏差分析用來發現數據中的異常，主要方法是對比觀察對象和參照物之間的差異。

(2)數據挖掘是整個系統中的重要環節，其與數據倉庫共同推動數據分析的進行，并影響分析精度和效率，通過聚類、關聯分析，對分析結果進行歸納并預測未來趨勢

。

智能決策支持系統、數據挖掘有效結合可以極大地提高診斷和維修效率，其基本框架如圖2所示。

(3)模型庫、方法庫和知識庫管理系統基于數據挖掘和各庫建立，圍繞維修決策的需求和數據挖掘模型，建立豐富模型庫方法庫和知識庫，提供各類決策支持工具，以滿足不同需求以及不同信息源的分析。

2.2 應用案例

該系統在某地區試運行，目前各廠家國六車輛一般標配TBOX車載設備，通過車載設備可以查看車輛運行狀態，監控一些關鍵的運行參數。針對幾個國六柴油機典型故障進行跟蹤，通過數據庫信息匯總、相應算法進行數據挖掘分析，最后通過人機交互系統將需要的知識進行可視化反饋，通過運行，不斷發現問題，不斷完善數據庫，不斷對模型庫進行訓練優化。在運行過程中，系統能發現一些問題，達到預期效果。

圖4給出了本文算法的流程圖,即先初始化粒子位置和速度,根據適應度以及式(3)重新計算粒子的速度(第一次迭代不計算),并根據式(5)更新粒子的位置,然后計算新位置粒子的適應度,如果算法達到指定迭代次數,即輸出全局的歷史最優粒子為算法的結果,否則按圖4繼續迭代。

2.2.1 DPF過載過故障跟蹤

DPF過載問題是國六柴油機高發故障，通過數據庫售后數據分析發現，進氣管漏氣問題原因占比44%，而漏氣原因車輛分析主要是廠家A的售后問題(見圖4)。通過TBOX數據庫中抽取A廠家10臺車，調取大扭矩點工況的進氣壓力，通過知識庫調取改車型進氣壓力的標準值，發現大扭矩工況進氣壓力偏低，見表1。

通過模型庫分析基本鎖定廠家A進氣管路存在漏氣，從售后服務系統調取故障車輛照片(見圖5)，發現進氣管路膠管龜裂。后反饋廠家進行整改跟蹤，問題得到封閉。同時整個DPF過載故障率下降24%左右。

3 應用效果

通過三個月系統試運行，不斷完善數據庫、模型庫。通過人機交互，發現問題，對故障進行優化跟蹤。經統計，該運行區域前后三個月國六柴油機TOP10故障率，發現整體故障率能降低20%，詳細數據見表2。

4 結論

隨著柴油機排放升級的不斷發展，傳感器等零部件增長較多，客戶主觀感受故障率影響較大。柴油機故障診斷智能決策系統的搭建運行，通過模型庫、方法庫對運行故障作出判斷，識別到故障發生的原因，不斷跟蹤封閉。該系統運行能大大降低國六柴油機產品故障率。系統試運行三個月，結果顯示，國六柴油機售后高頻故障故障降低20%。如果后期數據庫打通各大系統(售后系統、研發系統標定系統、生產系統)等，該系統發揮的作用將會更大。

[1]蘇六十. 船舶柴油機維修決策研究[J]. 內燃機與配件,2021,(08):113-114.

[2]金炳哲,陳冬梅,徐在強. 基于數據庫與專家系統的柴油機故障診斷軟件開發[J]. 柴油機,2017,39(01):42-45.

[3]葛成威. 船體外板曲面成形智能決策支持系統研究[D].江蘇科技大學,2021.

[4]張奇. 基于專家系統的鐵路軌道維修智能決策支持系統研究[D].北京交通大學,2019.

[5]馮國弟.工程機械產品售后數據挖掘方法及應用[J]. 現代制造技術與裝備,2021,57(09):129-130+133.

[6]劉彥均,封宇,武千惠,黃必清. 面向大型裝備狀態分析的分布式實時數據倉庫構建技術[J]. 計算機集成制造系統,2017,23(10):2324-2333.