欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023110476333
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种结合决策树算法和粒子滤波算法的车辆故障监测方法,其特征在于,包括下列步骤:步骤1、在车辆运行过程中,实时采集车辆运行时发动机、变速器、离合器、分动器四个子系统的数据,是将传感器分别连接至上述子系统,收集数据并进行AD转换将其转换为数字信号;

步骤2、使用决策树算法进行故障模式建模,包括:

1)首先通过实验场测试收集包括正常运行和不同故障状态下的车辆振动信号数据,这些数据源来源于车辆的传感器,数据集中包括频率和振幅,接着检查数据中是否存在缺失值,如果有,可以选择删除含有缺失值的样本,也可以使用线性插值方法进行填补;

2)在训练集中选择最相关的特征,特征选择可以有效减少特征数量以降低算法的复杂度,并避免次要特征带来的干扰,这个过程使用特征选择算法来辅助选择,采用信息增益法进行特征选择,计算训练集的经验熵;

3)建立决策树模型,通过振幅来判断车辆是否存在故障,在训练过程中,根据上一步方法选择特征作为根节点,对节点进行分裂,将数据进行分类,每一次分类都需重新选择特征,迭代直到达到终止条件,在每个叶子节点处,将其标记为某一类别,包括正常、故障、严重故障,最后便将训练数据拟合成了一颗决策树模型;

4)对决策树进行评估和优化,为了防止过拟合,提高模型的泛化能力,对建立的决策树模型进行剪枝,使用测试集的数据对上一步建立的决策树模型进行验证,使用K折交叉验证法,将测试集划分为K个等分,依次将其中一个子集作为验证集进行K次测试,计算正确分类的样本数与总样本数之比作为准确率,最后,将K次评估结果取平均值作为最终的评估指标,评估结束后,从决策树的叶节点开始,逐个考察是否剪枝,对于每个叶节点,将叶节点替换为其父节点的多数类别,将叶节点的类别设置为该叶节点的父节点中占多数的类别,计算剪枝后的决策树准确率,使用损失函数计算模型复杂度;

步骤3、采用粒子滤波算法对采集到的原始数据进行预处理,并预测状态值;

步骤4、对步骤1中的四个子系统进行故障诊断,并给出相应的故障类型;

1)当车辆处于运行状态时,振动模型持续监测车辆振动状态数据;

2)使用步骤3的方法分别预测步骤1提到的四个子系统的状态,并输出状态估计值,然后分别输入到决策树模型识别可能存在的故障类型。

2.根据权利要求1所述的一种结合决策树算法和粒子滤波算法的车辆故障监测方法,其特征在于,所述步骤2中1)的具体表达式如下:y=y1+(x-x1)·(y2-y1)/(x2-x1)

式中,x,x1,x2表示横坐标,即频率,y,y1,y2表示纵坐标,即振幅,(x1,y1)和(x2,y2)是已知数据点的坐标,而(x,y)是要估计值的坐标;

根据给定的已知数据点,确定待估计点所在的区间,找到最靠近待估计点的两个已知点,记作(x1,y1)和(x2,y2),将参数值代入插值公式,计算得到待估计点的值y,然后对原始数据进行清洗,去除异常值或错误的数据,异常值可能会对决策树的构建和分类结果产生负面影响,最后将处理过的数据集划分为80%的训练集和20%的测试集。

3.根据权利要求1所述的一种结合决策树算法和粒子滤波算法的车辆故障监测方法,其特征在于,所述步骤2中2)首先计算训练集的经验熵,具体表达式如下:式中,D表示训练集,H(D)表示训练集的经验熵,i表示第i个特征值,n表示该特征的取值个数,pi表示该特征下每个特征值的类标签的概率;

计算特征对训练集的经验条件熵,具体表达式如下:

式中,A表示特征,H(D|A)表示特征A对训练集D的经验条件熵,Di表示特征值为第i个特征值时,与之对应的训练集的子集,|Di|是Di的样本个数,|D|是D的样本个数,H(Di)表示训练集子集的经验熵;

最后计算信息增益,具体表达式如下:

g(D,A)=H(D)-H(D|A)

式中,g(D,A)表示特征A对训练数据D的信息增益,信息增益越大,则意味着使用特征A来进行划分所获得“纯度提升”越大,因此选择信息增益最大的特征进行划分训练集。

4.根据权利要求1所述的一种结合决策树算法和粒子滤波算法的车辆故障监测方法,其特征在于,所述步骤2中4)的公式为:Cα(T)=C(T)+α·|T|

式中,Cα(T)表示模型复杂程度,C(T)表示原始决策树的错误率,|T|表示决策树的叶节点数,α是一个调节参数,用于平衡错误率和模型复杂度之间的关系;

计算剪枝前后的损失函数值,如果剪枝后的损失函数值小于剪枝前的值,则进行剪枝操作,否则,保留原始决策树。

5.根据权利要求1所述的一种结合决策树算法和粒子滤波算法的车辆故障监测方法,其特征在于,所述步骤3具体包括:

1)建立状态空间模型,其中包括状态方程和观测方程,状态方程描述信号在时间上的演化过程,具体表达式如下:xk=f(xk-1,uk,wk),k=1,…K

式中,xk表示系统当前时刻状态,xk-1表示系统前一时刻状态,uk表示输入,wk表示过程噪声,k表示时刻,K表示时刻范围,f表示状态转移函数,Ak和vk分别表示振动信号的振幅和频率;

观测方程描述采集信号与真实信号之间的关系,具体表达式如下:

yk=h(xk,nk),k=0,…K

式中,yk表示第k时刻的观测值,nk表示测量噪声,h表示观测函数;

2)根据所定义的状态系统模型,选取一组初始粒子并根据先验分布对其进行加权,具体步骤如下:首先定义先验分布为高斯分布,具体公式如下:

式中,f(xk)表示先验分布函数,μ表示扰动平均值,σ2表示方差,由于车辆振动信号的状态空间包括振幅和频率两个维度,根据先验分布,在状态空间中生成n对振幅和频率作为初始粒子的状态,每个粒子代表了状态空间中一种可能的取值,接着初始化权重,使其代表状态变量潜在的先验分布,初始权重W(x0)都设为1,x0表示初始状态;

3)使用上一步中得到的粒子及其初始权重,依次进行状态预测,并更新这些粒子的权重以反映它们与目前记录一致的程度,具体步骤如下:通过系统模型的协方差矩阵来生成过程噪声,公式如下:

式中,wk(xk)是过程噪声函数,Q是协方差矩阵,其表达式为:

式中Σ表示求和,对于每个粒子,根据系统的状态转移方程,通过过程噪声、外部输入、以及前一时刻的状态来预测当前时刻的状态,再由公式yk=h(xk,nk),k=0,…K计算出状态的观测值,然后计算粒子的权重,具体公式如下:式中,i表示第i个粒子,n表示n对振幅和频率,表示第i个粒子在当前时刻的状态,表示第i个粒子在前一时刻的状态,表示当前时刻第i个粒子的权重,表示前一时刻第i个粒子的权重,是统计学意义上的观测似然函数,再将粒子进行权重归一化,公式如下:式中,表示归一化后当前时刻第i个粒子的权重,表示所有粒子在当前时刻的权重之和,最后返回加权后的所有粒子;

4)对加权之后的所有粒子进行重采样,设定一个阈值,筛选出权重大于该值的N个粒子,公式如下:式中,Neff表示权重阈值,重采样后的样本值为重采样后的权重为最后输出状态的估计值,公式如下:式中,表示状态的估计值。