基于加速聚类汽车发动机故障检测算法.docVIP

基于加速聚类汽车发动机故障检测算法 　　【摘要】发动机是汽车的心脏和关键，发动机性能的好坏将直接影响着汽车的性能和正常运行，可以在一定程度上提高汽车的使用年限，但是往往会因为日常维护的不合理或者设计缺陷以及环境因素等影响，导致汽车发动机出现一定的故障，所以需要不断研究和分析汽车发动机故障检验方式，促进汽车的稳定运行。基于加速聚类的汽车发动机故障检测算法实际上就是不断使用冗余数据聚类中的类距离理念来提高法攻击故障平均数据的可靠性，利用冗余数据合理分析不同故障数据信息，从而提高检测故障的时间，最大限度提高发动机的稳定性和安全性以及精确度。 　　【关键词】加速聚类；汽车；发动机故障；检测算法 　　利用先进的检测技术和传感技术来研究和分析汽车故障检测诊断，合理的分析和处理各种动态信息，分析发生故障的原因和故障的部位，提出一些具有针对性的合理的解决办法和措施，从而可以有效地增加汽车的稳定性、安全性、经济性以及动力性。但是在测试的过程中会出现很多不确定的问题，例如，测试方式的局限性、对象的复杂性等，导致故障原因与故障数据之间不再仅仅是一种确定的因果映射关系，具有很强的不确定性和随意性，所以，在进行汽车发动故障检测的时候具有很大的困难，需要一种符合实际情况的故障诊断手段，因此，主要分析了基于加速聚类的汽车发动机故障检测算法。 　　一、利用冗余数据快速定位加速聚类的汽车发动机 　　在车发动机数据中会存在一些不完全、非线性、高干扰以及强随机冗余数据，从而导致数据存在读取数据的过程中没有很高的准确性，可以适当的使用能够支持向量机的类距离的理念概率来进行优化和清洗数据，加速聚类的过程，在进行优化计算的时候，最基本的第一步骤就是，建立一个符合实际情况的二叉树分类模型。这种数据模型主要有两种形式，包括完全二叉树分类结构和偏二叉树分类结构。都可以当做汽车发动机存储故障数据的主要载体和依据，还存在其他种类的结构，是处于上述两种结构之间的一种，叫做近似完全二叉树分类结构，可以很好地存储和保存汽车发动机发生故障时候的数据信息，为以后的研究和分析提供依据和保证。 　　二、特征非线性权值递减分类 　　应该充分掌握汽车发动机出现故障数据的主要重心，利用重心合理的计算各种数据之间的距离，从而达到最大限度克服野点影响数据信息的问题，这种方式下可以得到符合实际情况的一组数据距离，合理计算和分析各类数据和故障数据之间的平均距离值，冗余故障数据类别具有很大的平均距离的时候，比较与其他类的距离相对比较远，合理的进行分离，然后适当的把有关数据进行一定删除，然后合理的对剩下的数据进行比较和分析，直到所有的汽车故障数据都利用冗余数据分离完成为止，在这个过程中存在一个相对比较重要的数据重心概念。假设具有类i具有n个样本，那么这类i的重心平均值为： 　　在上述式子中 为类i的第k个样本，类间距主要就是说第i类与第j类之间的重心为 ，可以合理的用dij来表示两类之间的实际距离。 　　，样本的故障数据主要特征用N来表示；重心 i的第k个分量用 ，所需要的这个距离实际上是 与重心 i之间的差值示范数，如果出现k个数据故障样本，那么实际类i和类j之间的实际距离就为dij（j=1.2........k），那么 　　，实际上 就是i类数据与其他数据之间的平均距离，样本类别数为k，进行初始化m=k，计算步骤如下： 　　第一步：合理的计算和分析故障数据类的重心。 　　第二步：合理计算冗余数据类和故障数据类之间的距离，合理的得到对称矩阵Dk。 　　第三步：合理计算每行故障数据中的算数平均值。 　　第四步：合理的比较故障数据中出现的相应元素的大小，如果故障数据组的元素得到最大值，那么就可以把第i类数据进行一定的分离，还可以合理的把矩阵数据中的第i列与第i行中的元素设置为0，如果存在很多个故障数据相同的最大值，那么需要合理的选择最小序号的类，进行首先分离，设置m-1=m，合理的回到步骤三，一直到能够进行一定的分离为止。 　　第五步：根据已经分离出来的数据进行规划二叉树。 　　第六步：结束算法。 　　依据上述计算方式，可以在一定程度上提高故障数据计算和检测的精度，确保数据具有一定的关联性，保证算法可以有效地运用到特征数据中，避免出现高干扰、不完整、强随机、非线性的数据问题，适当的增加准确性和精度。 　　三、对比和分析实验结果 　　合理选择具有明显传统型的设备运行故障数据进行分析和研究，拥有12*104个实验样本，其中总共出现了180条设备故障报警数据信息，为了分析和研究这种计算方式可以明显的支持向量机在汽车发动机故障监测中的测算和检测优势，对于出现问题的180条数据进行检测和分析，混合其他日志和180条设备故障日志，合理的分为两组，一组是文本增加10000条数据之后的汽车