基于K-means和K近邻的DPF设备故障分类算法

论文摘要

DPF（柴油微粒过滤器）在使用过程中,由于灰分积累、使用不当等原因易造成DPF堵塞等故障,现有的数据采集设备无法直接反映出设备是否发生故障。针对这一问题,提出了一种基于K-means和KNN的DPF故障分类算法。在K-means++选择初始聚类中心的基础上引入了阈值限定D0,以降低同类型样本被选为后续聚类中心的概率。其次,为了保证聚类数目的真实性,采用层次分析法辅助初步确定聚类参数k,并利用轮廓系数和交叉验证来评估模型。KNN模型利用已分类的样本对来自不同厂家的混合测试样本进行预测,实验结果表明,其预测准确率达到了90%以上,基本实现了DPF设备故障属性分类,为后续维护工作提供了可供参考的依据。

论文目录

• 0 引言
• 1 DPF数据源分析
•   1.1 数据预处理
•   1.2 数据特征分析
• 2 K-means和Knn模型建立
•   2.1 K-means聚类模型建立
•     2.1.1 相似性度量选择
•     2.1.2 层次分析确定聚类数目k
•     2.1.3 选择初始质心
•     2.1.4 训练模型
•   2.2 KNN模型建立
•     2.2.1 设定参数m
•     2.2.2 模型测试
• 3 结束语

文章来源

类型: 期刊论文

作者: 周爱国,王嘉立,杨思静,沈勇,楼狄明

关键词: 柴油微粒过滤器,故障分类,近邻,层次分析,交叉验证

来源: 内燃机与配件 2019年12期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 动力工程

单位: 同济大学机械与能源工程学院

基金: 智能电动汽车信息安全保障理论及防护方法基金号:2016YFB0100902子课题:车载传感器网络多源信息安全融合技术与充电装置防护方法

分类号: TK407

DOI: 10.19475/j.cnki.issn1674-957x.2019.12.023

页码: 57-59

总页数: 3

文件大小: 327K

下载量: 136