一种基于改进K_means聚类算法的发动机状态评估方法技术

本发明专利技术公开了一种基于改进K_means聚类算法的发动机状态评估方法，涉及发动机状态评估技术领域，该方法包括，对履带装甲车辆发动机进行实车检测试，将S1中取得的数据通过相关性、单调性、预测性及鲁棒性的指标进行计算，通过S2的结果，进行总结，利用熵技术确定各评价指标的客观权重。该一种基于改进K_means聚类算法的发动机状态评估方法，履带装甲车辆发动机进行实车检测试得出的数据数据通过相关性、单调性、预测性及鲁棒性的指标进行计算，S2得出的数据利用熵技术确定各评价指标的客观权重，再通过履带装甲车辆发动机基于熵权理想点的多指标综合评价，并以距离理想解和负理想解的远近来评价各个方案，达到了对发动机进行状态进行评估的效果。态进行评估的效果。

【技术实现步骤摘要】
一种基于改进K_means聚类算法的发动机状态评估方法


[0001]本专利技术涉及发动机状态评估
，具体为一种基于改进K_means聚类算法的发动机状态评估方法。

技术介绍

[0002]目前市场上已有的发动机性能随因为使用年限逐渐退化是一个复杂机械系统退化过程，采用单一特征参数预测发动机剩余寿命都不可避免的存在片面性。另一方面随着现代检测技术的发展，发动机检测信号中能够提取的特征参数也在不断增多，基于多维特征的发动机状态评估与预测成为装甲车辆发动机状态评估和剩余寿命预测的必然趋势。因此在众多特征参数中，如何选取以及选取哪些有效信息，是开展技术状况评估及剩余寿命预测之前需要解决的一个问题。为解决提取有效信息、减少评估子集的问题，目前主流的手段有特征提取与特征选择两种，由于各种特征在发动机状态评估和预测过程中的作用和地位不同，有必要保留原始特征的物理意义。为此，我们提出了一种基于改进K_means聚类算法的发动机状态评估方法。

技术实现思路

[0003](一)解决的技术问题
[0004]本专利技术的目的在于提供一种基于改进K_means聚类算法的发动机状态评估方法，以解决上述
技术介绍
中提出的问题。
[0005](二)技术方案
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于改进K_means聚类算法的发动机状态评估方法，具体步骤如下：
[0007]S1：对履带装甲车辆发动机进行实车检测试。
[0008]S2：将S1中取得的数据通过相关性、单调性、预测性及鲁棒性的指标进行计算。
[0009]S3：通过S2的结果，进行总结。
[0010]S4：利用熵技术确定各评价指标的客观权重。
[0011]S5：履带装甲车辆发动机基于熵权理想点的多指标综合评价，通过构造多目标决策问题的理想点和负理想点，并以距离理想解和负理想解的远近来评价各个方案的好坏，得出一个评估结果。
[0012]优选的，S1.1：记录起动电流的发动机状态特征参数，并提取了履带装甲车辆发动机的起动电流特征；
[0013]S1.2：记录履带装甲车辆振动信号时、频域特征；
[0014]S1.3：对信号进行包络提取、多次自相关分析、STCZT变换、频率成分跟踪，计算振动信号在各时刻的基频频率，并通过线性关系转换为发动机瞬时转速；
[0015]S1.4：基于振动信号包络自相关STCZT的转速测量方法，通过对信号进行包络提取、多次自相关分析、STCZT变换、频率成分跟踪，计算振动信号在各时刻的基频频率，并通
过线性关系转换为发动机瞬时转速；因此采用振动信号包络自相关STCZT的转速测量方法提取的发动机转速，在发动机加减速时间特征的提取上具有更高精度。
[0016]优选的，S2.1：相关性指标，
[0017][0018]式中：Y＝(y1,y2,...,y
N
)为某一特征参数序列，T＝(t1,t2,...,t
N
)为相应时刻的时间序列，N为相应的监测点数；
[0019]相关性指标来源于相关系数的概念，通过取绝对值将其限定在[0,1]，相关性指标反映了特征参数序列与监测时间间的线性相关程度，一定程度上反映了特征参数在优劣变化中同类个体的普适性。某一特征参数的相关性指标值越大，则其与使用期之间的线性相关程度也越大，从而该特征参数也能更好地描述性能退化。
[0020]优选的，S2.2：单调性指标；
[0021][0022][0023]式中：Y＝(y1,y2,...,y
N
)为某一特征参数序列；
[0024]单调性指标部分地刻画了特征参数变化的一致性，其大小取决于单调非减或单调非増趋势的整体强度，其值限定在[0,1]。某种特征参数的单调性指标越接近于1，则表明随着使用期增加，该特征参数表现出很好的单调性趋势，从而也可更好地进行技术状况评估与剩余寿命预测。
[0025]优选的，S2.3：离散性指标；
[0026][0027]式中：y
max
为特征参数监测的最大值，y
min
为特征参数监测的最小值，σ(Y) 为检测过程中特征参数的标准差，为特征参数的均值；
[0028]离散性指标是基于群体统计量而定义的，其考虑了特征参数的变动范围和其在检测过程中的分散性，其取值范围也为[0,1]。而且某特征参数的变动范围越大，标准差越大，则这一特征参数的离散性指标越接近于1，装备技术状况优劣的可分性越好。
[0029]优选的，S2.4：鲁棒性指标定义为：
[0030][0031]式中Y＝(y1,y2,...,y
N
)为某一特征参数序列，为相应特征序列的趋势序列；
[0032]鲁棒性指标用以衡量特征参数序列的波动程度，主要反映了特征参数序列在其变化趋势的基础上抵抗外点干扰的鲁棒性，取值范围仍为[0,1]。特征参数序列的鲁棒性指标越大，表明该特征参数随使用期增加表现出的变化规律越平滑，特征序列变化趋势的不确定性越小，可预测性越强。
[0033]优选的，S4.1：通过熵计算不确定事务中提供信息量的数量，熵的定义为；
[0034][0035]一般在决策中某指标的H(x)越小，该指标提供的信息量越大，意味着不同状态特征之间所表现的差异度越大，该指标也就越容易区分不同状态特征的优劣，因此指标在优选排序中所起作用较大，权重应越大；反之若某指标的H (x)越大，该指标提供的信息量越小，即该指标在优选排序中所起的作用越小，不同状态特征之间所表现的差异度越小，甚至没有差别，此时用该指标将无法区分状态特征的优劣，因此该指标的权重也应越小。
[0036]优选的，S4.2：建立标准化决策矩阵，为消除各指标因量纲不同、数量级不同等因素对决策结果的影响，对多指标评价矩阵进行标准化处理得出决策矩阵R。本文根据评价指标的属性，定义决策矩阵中第j个特征第i个指标z
ij
的标准化参数为：
[0037][0038]式中：m为特征参数数量。
[0039]优选的，S4.3：根据式S4.2定义计算第i项指标的输出熵：
[0040][0041]根据各指标输出熵分别计算其客观权重：
[0042][0043]式中：n为评价指标数量。
[0044]优选的，S5.1：根据S4的结果标准化决策矩阵R和各指标熵权W，构建加权决策矩阵：
[0045][0046]确定理想点与负理想点
[0047][0048]计算相似度，作为综合评价各特征参数优劣的依据。
[0049]相似度的计算方法为：
[0050][0051]S5.2：将S5.1的结果通过示意图表达出来。
[0052](三)有益效果
[0053]与现有技术相比，本专利技术提供了一种基于改进K_means聚类算法的发动机状态评估方法，具备以下有益效果：
[0054]1、该基于改进K_means本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进K_means聚类算法的发动机状态评估方法，其特征在于：包括以下步骤：S1：对履带装甲车辆发动机进行实车检测试；S2：将S1中取得的数据通过相关性、单调性、预测性及鲁棒性的指标进行计算；S3：通过S2的结果，进行总结；S4：利用熵技术确定各评价指标的客观权重；S5：履带装甲车辆发动机基于熵权理想点的多指标综合评价，通过构造多目标决策问题的理想点和负理想点，并以距离理想解和负理想解的远近来评价各个方案的好坏，得出一个评估结果。2.根据权利要求1所述的一种基于改进K_means聚类算法的发动机状态评估方法，其特征在于：所述S1中包括以下步骤：S1.1：记录起动电流的发动机状态特征参数，并提取了履带装甲车辆发动机的起动电流特征；S1.2：记录履带装甲车辆振动信号时、频域特征；S1.3：对信号进行包络提取、多次自相关分析、STCZT变换、频率成分跟踪，计算振动信号在各时刻的基频频率，并通过线性关系转换为发动机瞬时转速；S1.4：基于振动信号包络自相关STCZT的转速测量方法，通过对信号进行包络提取、多次自相关分析、STCZT变换、频率成分跟踪，计算振动信号在各时刻的基频频率，并通过线性关系转换为发动机瞬时转速。3.根据权利要求1所述的一种基于改进K_means聚类算法的发动机状态评估方法，其特征在于：所述S2中相关性指标采用以下公式计算：式中：Y＝(y1,y2,...,y
N
)为某一特征参数序列，T＝(t1,t2,...,t
N
)为相应时刻的时间序列，N为相应的监测点数。4.根据权利要求1所述的一种基于改进K_means聚类算法的发动机状态评估方法，其特征在于：所述S2中单调性指标采用以下公式计算：征在于：所述S2中单调性指标采用以下公式计算：式中：Y＝(y1,y2,...,y
...

【专利技术属性】
技术研发人员：靳莹，李华莹，郭浩，乔新勇，顾程，宁初明，董意，薛大兵，谷广宇，
申请(专利权)人：军事科学院系统工程研究院军需工程技术研究所，
类型：发明
国别省市：