【技术实现步骤摘要】
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
[0001]本专利技术涉及一种车辆故障检测技术，特别是结合决策树算法和粒子滤波算法的车辆故障监测方法。该技术可用于对车辆运行中发生的故障进行实时监测和诊断，提高车辆故障检测的精度和效率。
技术介绍
[0002]车辆在运行过程中，若其中的机械零件发生故障，则通常会向外辐射更强的振动能量，加剧振动，因此理论上可以通过振动信号的强度变化对车辆进行故障监测。目前已有的车辆故障监测方法主要包括基于规则、模型的方法。基于规则的方法是最早的故障诊断方法之一，主要基于人工经验和规则来判断车辆是否发生故障，这种方法一般适应性差、难以适应复杂的车辆系统，并且需要大量的人工专业知识和时间。基于模型的故障检测方法是一种使用各种方法建立数学模型来描述车辆系统的行为，进而识别和定位车辆故障的方法。这种方法需要准确的数学模型和参数，对噪声和干扰的影响较大，信号特征难以提取，同时计算复杂度也很高。
技术实现思路
[0003]本专利技术提供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，...
【技术保护点】
【技术特征摘要】
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，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；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。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具体包括：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，该方法的具体表达式如下：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；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，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，p
i
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，D
i
表示特征值为第i个特征值时，与之对应的训练集的子集，|D
i
|是D
i
的样本个数，|D|是D的样本个数，H(D
i
)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；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，其公式为：Cα(T)＝C(T)+α
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。