控制与决策  2019, Vol. 34 Issue (6): 1187-1194  
0

引用本文 [复制中英文]

王金鑫, 王忠巍, 马修真, 刘龙, 袁志国. 基于贝叶斯网络的柴油机润滑系统多故障诊断[J]. 控制与决策, 2019, 34(6): 1187-1194.
[复制中文]
WANG Jin-xin, WANG Zhong-wei, MA Xiu-zhen, LIU Long, YUAN Zhi-guo. Diagnosis of multiple faults of diesel engine lubrication system based on Bayesian networks[J]. Control and Decision, 2019, 34(6): 1187-1194. DOI: 10.13195/j.kzyjc.2017.1399.
[复制英文]

基金项目

国家自然科学(51305089);黑龙江省自然科学(E2016018)

作者简介

王金鑫(1990-), 男, 博士生, 从事柴油机故障诊断技术的研究, E-mail:wangjinxin@hrbeu.edu.cn;
王忠巍(1978-), 男, 副教授, 博士, 从事柴油机测试与故障诊断技术、基于嵌入式网络的船舶控制系统设计等研究, E-mail:wangzw@hrbeu.edu.cn;
马修真(1957-), 男, 教授, 从事柴油机测试与故障诊断、动力机械电控技术等研究, E-mail:maxiuzhen@hrbeu.edu.cn;
刘龙(1980-), 男, 副教授, 从事柴油机测控技术、柴油机喷雾及燃烧特性等研究, E-mail:liulong@hrbeu.edu.cn;
袁志国(1975-), 男, 高级实验师, 从事柴油机电控及实验技术等研究, E-mail:yuanzhiguo@hrbeu.edu.cn

通讯作者

王忠巍, E-mail: wangzw@hrbeu.edu.cn

文章历史

收稿日期:2017-10-23
修回日期:2018-04-07
基于贝叶斯网络的柴油机润滑系统多故障诊断
王金鑫 , 王忠巍 , 马修真 , 刘龙 , 袁志国     
哈尔滨工程大学 动力与能源工程学院,哈尔滨 150001
摘要:为解决柴油机润滑系统多故障的解耦与诊断问题, 提出一种基于贝叶斯网络模型的故障诊断方法.建立的润滑系统贝叶斯网络诊断模型包括利用有向无环图描述多故障耦合关系和采用概率形式表示故障诊断定量知识两个部分.按照故障类型将润滑系统故障诊断任务分解为各类故障的诊断子任务, 对于各子任务, 利用故障树模型分析故障与征兆及多故障间的耦合关系, 并通过故障树向贝叶斯网络的转化建立润滑系统的贝叶斯网络模型结构.在定量参数方面, 采用noisy-OR/AND模型分析故障与征兆间的因果关联强度, 通过设定故障的先验发生概率描述润滑系统的历史运行状况.最后, 通过两起“进机油压过低”故障实例验证所提出方法的有效性.
关键词柴油机    润滑系统    多故障诊断    贝叶斯网络    故障树    noisy-OR/AND模型    
Diagnosis of multiple faults of diesel engine lubrication system based on Bayesian networks
WANG Jin-xin , WANG Zhong-wei , MA Xiu-zhen , LIU Long , YUAN Zhi-guo     
College of Power and Energy Engineering, Harbin Engineering University, Harbin 150001, China
Abstract: Motivated by decoupling and diagnosing of the multiple faults of diesel engine lubrication system, a fault diagnosis method based on Bayesian networks is proposed. The establishment of a diagnosis Bayesian networks model for the lubrication system includes two processes: representing the coupling relationship between multiple faults through directed acyclic graph, and setting up the quantitative parameters in the form of probability. Before the implementation of the proposed method, the diagnostic task of the lubrication system is decomposed according to the types of failure. A fault tree model is utilized in every single diagnostic subtask to analyze the coupling between failures and symptoms and between different failures. The fault tree can be naturally converted into the topology of the lubrication system diagnosis Bayesian network. In the aspect of quantitative parameters, the noisy-OR/AND model is adopted to analyze the strength of causal relation between failures and symptoms. The historical health information can be represented through the prior probability of faults. The methodology proposed is illustrated by taking the failure' low oil pressure' as an example. Testing results from two actual fault cases verify the effectiveness of the proposed methodology.
Keywords: diesel engine    lubrication system    multiple faults diagnosis    Bayesian networks    fault tree    noisyOR/AND model    
0 引言

润滑系统是柴油机运动部件可靠润滑的重要保障, 其不良的工作状态将导致柴油机整机的异常磨损, 甚至引发拉缸、抱轴等重大安全事故[1].长期以来, 因润滑系统故障导致的柴油机运行事故屡有发生.据日本海事法院统计, 在2009~2014年间约有21%的船舶主机事故由润滑失效引起[2]; 在我国, 因润滑失效导致的故障占舰船柴油机所有故障的80 %以上[3]; 瑞典保赔协会的数据显示[4], 润滑失效是2005~2014年间船舶主机的三大高发故障之一, 其造成的经济损失更是在所有故障损失中居于首位.目前, 柴油机正向着高强化指标、高功率密度、模块化设计与制造的方向发展, 其结构和功能更为复杂, 单位功率密度更大, 对润滑系统可靠性的要求也将变得更为严格.研究柴油机润滑系统故障诊断技术, 及时、准确地诊断出润滑系统故障成为保障柴油机可靠运行的迫切需求.

润滑系统结构与功能复杂, 不同故障间、故障与征兆间往往存在高度的耦合关系, 给故障的诊断过程带来了极大的困难.多故障耦合是机械设备故障诊断研究中的一个技术难题[5].对润滑系统多故障诊断, 目前广泛采用的故障树方法虽然能够直观地表达多故障间的耦合关系, 但该方法不能实现“由上至下”的诊断推理[6-7], 因而无法独立地应用于诊断润滑系统故障.近年来, 有研究者提出了基于支持向量机的诊断方法[1], 但该方法将识别润滑系统的健康状态视为一个二分类问题, 仅能判断润滑系统是否发生故障, 无法诊断出故障的具体形式.文献[8]将基于二叉树支持向量机(BT-SVM)应用到柴油机子系统故障诊断中, 首先利用二叉树思想分解润滑系统多故障诊断问题, 然后对每个诊断活动分别建立SVM分类器.相比于文献[1], 该方法实现了对多故障的分离与辨识.然而, 对于k种待检故障形式, 该诊断方法需要k-1个SVM分类器, 导致诊断模型的建立过于复杂.同时, 多个SVM分类器的建立需要大量完备的故障样本, 进一步增加了该方法实际应用的难度.

贝叶斯网络因其在描述故障与征兆间复杂因果关系上的独特优势, 获得了国内外故障诊断研究者的共同关注.文献[9]建立了基于贝叶斯网络的齿轮泵故障诊断模型, 该模型包含了齿轮泵常见的4种故障及对应的8种征兆; 文献[10]将贝叶斯网络应用到南海“流花4-1”油田海底生产系统的故障诊断中, 实现了对采油树、液压动力单元等采油设备多故障的识别与诊断; 文献[11]利用贝叶斯网络故障诊断技术指导对设备的状态维修, 以离心式压气机为例, 验证了所建贝叶斯网络诊断模型在多故障分析中的有效性.然而, 尽管贝叶斯网络诊断技术受到了研究者的广泛关注, 但很少有文章研究该方法在柴油机润滑系统多故障诊断中的应用.此外, 现有研究大多通过直接建立故障与征兆的对应关系、量化不同故障组合对征兆的耦合影响强度, 构建机械设备贝叶斯网络诊断模型.对于结构和功能复杂、包含故障种类众多的复杂机械系统, 该方法的建模过程实施难度过大, 不利于该项技术的实际应用.

本文采用贝叶斯网络解决润滑系统的多故障耦合与诊断问题.首先利用故障树描述润滑系统故障与征兆、多故障间的耦合关系, 通过其向贝叶斯网络的转化, 建立贝叶斯网络诊断模型拓扑结构; 在定量参数方面, 采用noisy-OR/AND模型描述故障与征兆间的因果关联强度.为降低故障诊断难度, 本文在实施诊断前首先将润滑系统故障诊断任务进行分布式分解; 然后对各子任务分别实施故障诊断; 最后通过两个故障实例验证本文方法的有效性.

1 诊断任务的分解

图 1是一种典型船用柴油机润滑系统管路示意图.柴油机起动前, 滑油通过预供泵3泵吸, 对柴油机各运动部件实施预润滑; 起动完成后, 预供泵停止, 滑油由机带泵5输送.

图 1 柴油机润滑系统示意图

润滑系统结构复杂, 故障形式多样.为降低故障诊断难度, 本文首先依据故障类型, 分解润滑系统故障诊断任务, 见图 2.整个润滑系统故障诊断任务被分解为进机油压异常诊断、进机油温异常诊断、滑油消耗率过高诊断和滑油早期失效诊断4个子任务; 进机油压/油温异常诊断又分为进机油压/油温过低诊断和进机油压/油温过高诊断两类.通过诊断任务的分解, 将润滑系统复杂的故障诊断任务简化为对各类故障的诊断问题, 继而根据分解结果, 分别对各诊断子任务进行研究.

图 2 柴油机润滑系统诊断任务的分解

采用故障树方法分析润滑系统故障的传播机理及多故障间的耦合关系.以“进机油压过低”为例建立故障树模型, 见图 3.柴油机起动前后润滑系统油路发生变化, 故其包含的故障形式也不相同.为将润滑系统可能出现的故障包含在同一模型中, 采用房形事件表征柴油机运行阶段.该事件作为一个开关量:在指定运行阶段, 当前逻辑门下故障事件有效; 否则, 该故障因果链无效.例如, 柴油机起动前, 预供泵故障是导致进机油压过低的原因之一; 柴油机起动后, 预供泵停止工作, 滑油进机压力与其健康状态无关.通过建立故障树模型, 可以对润滑系统故障的传播机理和多故障间的耦合关系有一个清晰地认识.

图 3 润滑系统“进机油压过低”故障树
2 建立润滑系统贝叶斯网络诊断模型 2.1 贝叶斯网络

贝叶斯网络(BN)是一个有向无环图, 其中的节点表示随机变量(下文不区分“节点”和“随机变量”), 有向边表示节点间的关联关系, 关联强度通过条件概率刻画[11].对于根节点Vi, P(Vi)表示由先验信息确定的概率分布.例如, 图 4模型中, 当父节点V2V3均发生时, 节点V5发生概率为P(V5=T|V2, V3=T)=0.8;无观测信息时, 由历史数据或专家知识确定的根节点V1的发生概率为P(V1=T)=0.12.

图 4 贝叶斯网络

贝叶斯网络利用拓扑结构和概率值分别表示了关于建模对象的定性、定量知识, 据此可处理观测信息并实施不确定推理.设某次观测到图 4中节点V6发生, 由条件概率公式, 其根节点V1发生的概率为

(1)

(2)
(3)

在贝叶斯网络中, 节点的状态仅与其父节点的取值有关. 图 4模型中随机变量的联合分布为

(4)

其中pa(Vi)表示节点Vi的父节点集.由式(4), 式(2)和(3)可简化为

(5)
(6)

将式(5)和(6)代入式(1), 即可计算当前事件出现时(V6=T), 目标事件发生的概率(V1=T).

2.2 故障树向贝叶斯网络的转化

润滑系统贝叶斯网络模型的建立包括两部分:构建拓扑结构和设定定量参数.采用故障树向贝叶斯网络转化的方法, 建立润滑系统贝叶斯网络模型的拓扑结构. 图 5为由故障树构造贝叶斯网络的流程, 具体方法参见文献[12].对于图 3模型中的房形事件, 本文采用扩展状态空间的方法[13], 实现其向贝叶斯网络的转化. 图 6显示该类故障树结构的拓扑表示, 节点的条件概率见下式:

图 5 故障树构造贝叶斯网络流程
图 6 存在房形事件的故障树的拓扑表示
(7)
(8)

扩展后的输出事件(TE2)具有3种状态:发生(T) /不发生(F) /无效(def).其中, “无效”表示该事件是否发生不影响顶层事件(TE1), 该状态仅存在于房形事件取否时, 即E2=F.例如, 柴油机起动后, 房形事件“起动前”取否, 此时, “预供泵故障(起动前)”事件无效, 该故障不对滑油进机压力产生影响.

图 7为采用上述方法建立的润滑系统贝叶斯网络诊断模型结构.故障与征兆节点间的条件概率将在下节修正.

图 7 润滑系统贝叶斯网络诊断模型
2.3 设定模型定量参数 2.3.1 故障先验概率

故障先验概率能够反映润滑系统的历史运行状况, 是诊断当前故障类型的重要依据.参数学习是贝叶斯网络建模中常用的先验概率设定方法.然而, 大量的故障样本数据在工程中难以获取, 仿真数据的可靠性又难以保证.为此, 本文采用文献[14]提出的方法, 通过计算目标故障在故障例全集中的占比, 确定故障先验发生概率, 具体方法如下.

由贝叶斯定理, 征兆s由故障f引发的概率为

(9)

先验概率P(f)可表示为如下形式:

(10)

其中P(s|f)表示故障f引发征兆s出现的可能性.为简化计算, 不妨假设故障f发生必然引发征兆s的出现, 即P(s|f)=1, 则式(10)变为

(11)

式(11)即为故障f先验概率的计算公式.其中: P(s)表示征兆s出现的概率, 故障诊断是在观测到设备出现异常征兆后实施的, 故有P(s)=1;P(f|s)表示故障f在所有引起征兆s出现的案例中所占的比率.例如, 某柴油机“进机油压过低”的100个故障例中, 有8例是由“调压阀故障”引起, 则P(f2|s1)=8/100=0.08.

2.3.2 故障与征兆间的关联强度

2.2节的模型中, 节点间条件概率均为0或1.但实际上, 由于设备的复杂性以及状态监测中随机因素的影响, 润滑系统故障与征兆间的关联关系具有一定的不确定性[10], 发生某种故障未必会伴有相关征兆的出现.经典贝叶斯网络建模方法利用形如P(Vi|pa(Vi))的条件概率描述节点间的关联度, 但直接设定该项参数会使得模型所需的参数量随故障数呈指数式增长[12].为此, 本文采用noisy-OR/AND模型[12, 15]描述润滑系统故障与异常征兆间的因果关联强度.

图 8所示, 设f1, f2, …, fn是引发征兆s出现的n种故障, 其与征兆s间的因果机制相互独立.令Pi=P(s|f1, …, fi, …, fn)表示故障fi单独导致s出现的概率, 取否符号表示该事件未发生, 则在noisy-OR模型中, 多种故障f1, f2, …, fn对征兆s的耦合作用效果采用下式计算:

图 8 noisy-OR模型
(12)

其中pa(s)+表示节点s的取值为真的父节点子集.

特殊地, 润滑系统中过滤器与旁通阀构成了一个并联系统, 仅当滤器堵塞和旁通阀共同故障时, 滑油进机压力才会出现下降.但实际上, 单个部件故障就有可能造成滑油压力的降低.例如, 当过滤器脏堵时, 若旁通阀分流流量不足, 则滑油进机压力将因流量的减少而下降.采用noisy-AND模型分析该并联系统故障与征兆的关联性, 令Pi表示单部件故障造成滑油压力降低的概率, 则多故障对征兆的耦合影响利用下式计算:

(13)

并联系统中所有部件同时发生故障时, 相关征兆必然出现, 故P(s|f1, f2, …, fn)=1.

采用noisy-OR/AND模型后, 只需设定单个故障与征兆的关联强度, 不同故障状态组合下异常征兆出现的概率P(Vi|pa(Vi))通过单个故障对征兆的影响效果耦合得到, 不需直接设定, 从而大幅简化了贝叶斯网络诊断模型建立的复杂度.

3 实例分析

下文通过两个故障实例说明所建润滑系统贝叶斯网络模型在故障诊断中的应用, 推理过程采用联合树算法[16].

首先, 通过第2.3节的方法设定模型的故障先验概率、故障与异常征兆的关联强度, 分别见表 1表 2, 表格中各符号含义见图 7.其中: Pfisj表示故障fi对征兆sj的影响强度; 上标def表示故障节点的状态为“无效”.由于“无效”状态表示当前润滑系统不存在该故障形式, 本文将其对征兆的关联强度设置为0, 如PI3s2def.过滤器-旁通阀并联系统的单部件故障导致滑油流动堵塞属于小概率事件, 在此将其取为0.15.为表示模型之外因素对征兆的影响, 本文在模型中引入Leak节点[17], 并假设其对征兆的作用始终存在, 即当模型所列故障均未发生时, 征兆仍有可能出现.本文将Leak节点对征兆的影响强度统一设置为0.1, 如PLs2PLs5.

表 1 故障先验概率
表 2 故障与征兆的关联强度

实例1  文献[18]记载了一起某舰船左主机滑油压力过低故障实例, 该主机型号为8L20/27.初步检查发现, 油底壳中滑油油位正常, 无进水、进燃油, 机体内外管系无泄漏, 机油泵、调压阀均正常; 故障发生时, 柴油机运行在低工况下.将上述检查结果输入贝叶斯网络模型, 得到诊断结果见表 3.

表 3 实例1诊断结果

经诊断, 最有可能导致该主机进机滑油压力过低的原因为f3, 即管道或阀门堵塞.文献[18]对润滑系统进行了拆检, 发现输油管路中某截止阀安装方向与滑油流动方法相反, 且该阀阀头卡滞在开启位置; 舰船航行时, 由于阀头卡滞在开启位置, 滑油虽然能够通过截止阀, 但受到节流作用, 滑油进机压力降低.拆检前, 工作人员根据维修经验认为该故障由凸轮轴轴承磨损引起, 而贝叶斯网络综合了历史经验和检查结果, 准确地诊断出故障原因, 提高了故障检查和排除的准确性.

实例2  某船在正常航行中, 左主机(型号为12VE390ZC)滑油压力突然下降了0.1 MPa, 初次检查未查明原因, 一段时间后故障自动消失, 但此后该现象又多次出现[19].停机后对该润滑系统做了全面检查, 发现油柜中滑油油量、油质、油温均正常, 各阀门开关灵活, 管路无泄漏, 滤器、滤网畅通, 无堵塞.利用本文模型对该故障进行诊断, 结果见表 4.

表 4 实例2诊断结果

诊断结果显示, 该故障产生的主要原因是油泵供油压力s2过低, 其概率为57 %, 而导致这一现象的最大可能原因是机带泵故障f11.拆检发现, 机带泵中某个单向阀边缘出现了磨损.泵油时, 该阀无法实现有效密封, 滑油流经该阀时产生泄漏, 由此导致油泵出口油压低于正常值.更换单向阀后进行试车, 故障现象消失, 滑油压力恢复至正常范围.可见, 图 7模型准确地指示出了故障类型, 验证了本文方法的有效性.

4 结论

本文提出了一种基于贝叶斯网络的润滑系统诊断方法, 利用贝叶斯网络表达及处理多故障间的耦合关系, 实现故障的解耦与诊断.通过故障实例对该方法进行了验证, 结果表明, 本文方法能够有效解耦多故障的关联性, 得到符合实际的诊断结论.通过上述实施, 还可以得到贝叶斯网络方法在多故障诊断中的如下应用特点.

1) 利用网络节点表示故障与异常征兆事件, 通过节点间的有向边描述其因果关系, 从而能够清晰、直观地表达故障的传播机理以及多故障间的耦合特性.

2) 采用条件概率描述故障与征兆间的因果关联强度, 能够有效表达不完备、不确定的故障诊断知识, 同时能够反映故障与征兆间的因果不确定性.

3) 基于贝叶斯网络的诊断方法综合了设备历史运行状况(先验概率)和当前观测信息(推理证据), 诊断结果更为全面, 能为故障的排查提供更加准确的理论指导.

参考文献
[1]
Wang Y M, Cui T, Zhang F J, et al. Fault diagnosis of diesel engine lubrication system based on PSO-SVM and centroid location algorithm[C]. The 5th Int Conf on Control, Automation and Information Sciences. Ansan, 2016: 221-226. https://ieeexplore.ieee.org/abstract/document/7822464
[2]
Japan P & I Club. Thinking prevention of engine trouble[EB/OL]. [2017-06-20]. https://www.piclub.or.jp/job6t3ln2-380/?_380.
[3]
周平, 刘东风. 基于多信号模型的舰船柴油机测试性研究[J]. 测试技术学报, 2011, 25(2): 95-99.
(Zhou P, Liu D F. Research on testability of marine diesel engine based on multi-signal model[J]. J of Test and Measurement Technology, 2011, 25(2): 95-99. DOI:10.3969/j.issn.1671-7449.2011.02.001)
[4]
The Swedish Club. Main engine damage[EB/OL]. [2017-06-20]. http://www.swedishclub.com/media/publications/loss-prevention-and-brochures/.
[5]
王国彪, 何正嘉, 陈雪峰, 等. 机械故障诊断基础研究"何去何从"[J]. 机械工程学报, 2013, 49(1): 63-72.
(Wang G B, He Z J, Chen X F, et al. Basic research on machinery fault diagnosis—What is the prescription[J]. J of Mechanical Engineering, 2013, 49(1): 63-72.)
[6]
姚成玉, 陈东宁, 王斌. 基于T-S故障树和贝叶斯网络的模糊可靠性评估方法[J]. 机械工程学报, 2014, 50(2): 193-201.
(Yao C Y, Chen D N, Wang B. Fuzzy reliability assessment method based on T-S fault tree and Bayesian network[J]. J of Mechanical Engineering, 2014, 50(2): 193-201.)
[7]
Khakzad N, Khan F, Amyotte P. Safety analysis in process facilities: Comparison of fault tree and Bayesian network approaches[J]. Reliability Engineering and System Safety, 2011, 96(8): 925-932. DOI:10.1016/j.ress.2011.03.012
[8]
Cai C T, Zong H R, Zhang B L. Ship diesel engine fault diagnosis based on the SVM and association rule mining[C]. Int Conf on Computer Supported Cooperative Work in Design. Nanchang, 2016: 400-405.
[9]
Liu Z K, Liu Y H, Shan H K, et al. A fault diagnosis methodology for gear pump based on EEMD and Bayesian network[J]. Plos One, 2015, 10(5): e0125703. DOI:10.1371/journal.pone.0125703
[10]
Cai B P, Liu H L, Xie M. A real-time fault diagnosis methodology of complex systems using object-oriented Bayesian networks[J]. Mechanical Systems and Signal Processing, 2016, 80: 31-44. DOI:10.1016/j.ymssp.2016.04.019
[11]
Jun H B, Kim D. A Bayesian network-based approach for fault analysis[J]. Expert Systems with Applications, 2017, 81: 332-348. DOI:10.1016/j.eswa.2017.03.056
[12]
Bobbio A, Portinale L, Minichino M, et al. Improving the analysis of dependable systems by mapping fault trees into Bayesian networks[J]. Reliability Engineering and System Safety, 2001, 71(3): 249-260. DOI:10.1016/S0951-8320(00)00077-6
[13]
周忠宝, 董豆豆, 冯静, 等. 存在房形事件的故障树向贝叶斯网络的转化[J]. 哈尔滨工业大学学报, 2008, 40(6): 1001-1004.
(Zhou Z B, Dong D D, Feng J, et al. Methods of mapping fault trees with house events into Bayesian networks[J]. J of Harbin Institute of Technology, 2008, 40(6): 1001-1004. DOI:10.3321/j.issn:0367-6234.2008.06.038)
[14]
Huang Y P, McMurran R, Dhadyalla G, et al. Probability based vehicle fault diagnosis: Bayesian network method[J]. J of Intelligent Manufacturing, 2008, 19(3): 301-311. DOI:10.1007/s10845-008-0083-7
[15]
Cai B P, Huang L, Xie M. Bayesian networks in fault diagnosis[J]. IEEE Trans on Industrial Informatics, 2017, 12(5): 2227-2240.
[16]
Lauritzen S L, Spiegelhalter D J. Local computations with probabilities on graphical structures and their application on expert systems[J]. J of the Royal Statistical Society, 1988, 50(2): 157-224.
[17]
Dey D, Dong B. A probabilistic approach to diagnose faults of air handling units in buildings[J]. Energy and Buildings, 2016, 130: 177-187. DOI:10.1016/j.enbuild.2016.08.017
[18]
洪哲, 杜善刚, 王承禹. 某船柴油主机滑油压力低故障分析与排除[J]. 中国修船, 2006, 19(3): 21-23.
(Hong Z, Du S G, Wang C Y. Reasons analysis and removal of low-pressure of lubricating oil in some diesel engine[J]. China Ship Repair, 2006, 19(3): 21-23. DOI:10.3969/j.issn.1001-8328.2006.03.009)
[19]
任荣社, 王修敏, 章炜. 12VE390ZC柴油机滑油压力突然下降故障的分析与排除[J]. 内燃机, 2011(2): 60-61.
(Ren R S, Wang X M, Zhang W. Reasons analysis of lubricating oil pressure descending in 12VE390ZC diesel engine and its removal[J]. Internal Combustion Engines, 2011(2): 60-61.)