Оптимізація діагностування дизельних двигунів для швидкого виявлення та усунення несправностей

Abstract

У магістерській роботі було розроблено байєсівський підхід для швидкого виявлення несправностей під час діагностування дизельних двигунів. Ідея полягає в тому, щоб обчислити ймовірність наявності певних несправностей в системі. Для цього використовується як якісна, так і кількісна інформація. Одним із важливих джерел інформації є «навчальні» дані, які збираються під час тест-драйвів з різними штучними несправностями. Використання байєсівського підходу для виявлення несправностей для діагностики великих і складних систем може призвести до проблем з обчисленнями та зберіганням. У цій магістерській роботі представлено три пропозиції щодо вирішення цієї проблеми. Байєсовський підхід до усунення несправностей застосовано до діагностики дизельного двигуна. Дані збираються з реальних умовах експлуатації з реалізованими несправностями та використовуються в розрахунках. В експериментах показано, що байєсівський підхід має хороший потенціал для діагностики сільськогосподарських машин і добре справляється із реальною проблемою.

In the master's thesis, a Bayesian approach was developed for the rapid detection of faults when diagnosing diesel engines. The idea is to calculate the probability of certain faults in the system. Both qualitative and quantitative information is used for this purpose. One of the important sources of information is "training" data, which is collected during test drives with various artificial faults. Using a Bayesian fault detection approach to diagnose large and complex systems can lead to computational and storage problems. This master's thesis presents three proposals for solving this problem. The Bayesian approach to troubleshooting is applied to the diagnosis of a diesel engine. Data are collected from real operating conditions with implemented faults and used in calculations. Experiments have shown that the Bayesian approach has good potential for diagnosing agricultural machinery and copes well with the real problem.