许小伟 沈 琪 严运兵 吴 强 张 楠

1.武汉科技大学汽车与交通工程学院，武汉， 430081 2.纯电动汽车动力系统设计与测试湖北省重点实验室，襄阳，441053

0 引言

在传统的发动机故障诊断与预测中，监测的信号往往表现为时域或频域上的一维信号，影响因素只有时间或频率，而实际上发动机故障影响因素较多。复杂的高维数据在数据特征提取过程中，常利用波形分析法提取波动率变化最大值、波动率做功峰值、工倍频发火能量比等参数，或者采用小波包重构与分解提取信号的能量特征值，并作为特征参数，以向量的模式作为模型的输入[1]。这样处理解决了高维数据的模型输入问题，但会导致原始数据之间的自然结构信息丢失，多种模态特征之间的时序关联共生性遭到破坏，产生的误差也可能导致原始数据最有用的信息丢失，从而对后续的故障诊断造成影响[2]。

实际上发动机各个信号之间并不是相互独立的，众多信号相互干扰较大且带有强烈的非线性和复杂耦合的特征。众多信号源在数据分析中可以被表示成多维数组，即张量(tensor)。张量作为高维数据最自然的表示方式，不仅能够最大程度保持数据的内在结构特性，而且在实际问题中表示事物时更能接近事物的本质属性，这样得到的模型也能更加准确[3]。张量Tucker分解是高阶的主成分分析方法，能够挖掘出张量的潜在结构，分解得到的核心张量以低维子空间的形式存储原始张量，去除冗余信息后可以更为准确地表达原始张量。……