龚成平

摘要：为更好的识别发动机电控系统故障类别，本文提出一种改进Kmeans和PSO算法。该算法依数据聚类分析问题的要求，以数据点与各群中心的距离为评估标准，将粒子群优化算法和Kmeans算法相结合，用粒子群优化算法的记忆与分享信息的能力来选取群中心，并利用Kmeans来调整群中心的位置，解决粒子群算法的求解效率低和Kmeans易落入区域最佳解的情况。将该方法应用于构建的发动机电控系统故障诊断模型，结果表明能有效提高发动机电控系统故障识别效果。

Abstract： In order to better identify the fault category of the engine electronic control system， this paper proposes an improved Kmeans and PSO algorithm. According to the requirements of the data clustering analysis problem， the algorithm uses the distance between the data point and the center of each group as the evaluation standard， combines the particle swarm optimization algorithm and the Kmeans algorithm， and uses the memory and the ability of sharing information of the particle swarm optimization algorithm to select the group Center， and use Kmeans to adjust the position of the center of the group to solve the problem of low efficiency of particle swarm algorithm and Kmeans easy to fall into the best solution of the region. The method is applied to the constructed fault diagnosis model of the engine electronic control system， and the results show that it can effectively improve the fault identification effect of the engine electronic control system.

关键词：Kmeans;PSO;发动机电控系统;故障诊断

Key words： Kmeans;PSO;engine electronic control system;fault diagnosis

中图分类号：TH17                                      文献标识码：A                                文章编号：1674-957X（2021）02-0026-02

0  引言

随着智能制造和人工智能技术的不断发展，更多新的技术应用于传统汽车制造业。设备故障是影响汽车行业的主要原因，因此进行故障诊断显得尤为重要。

发动机电控系统是汽车发动机的关键组成部分，该系统的运行状态对整个机组产生关键作用，因此对其进行故障特征提取和模式识别具有十分重要的意义[1]。周美兰[2]利用蚁群算法和BP神经网络对电控系统的故障做了详细的诊断研究。李志鹏[3]利用BP神经网络来识别电控发动机的故障。巴寅亮[4]等提出利用概率神经网络来识别发动机电控系统的故障。

根据发动机电控系统故障诊断问题的要求，将Kmeans算法和PSO算法相结合，用粒子群优化算法的记忆與分享信息的能力来选取群中心，并利用Kmeans[5]来调整群中心的位置，解决粒子群算法的求解效率低和Kmeans易落入区域最佳解的情况。将该方法应用于构建的发动机电控系统故障诊断模型，结果表明能有效提高发动机电控系统故障识别效果。

1  改进Kmeans和PSO算法

为解决Kmeans和PSO两种算法在单独使用时，表现不佳的情况，特将两种算法进行结合，得到一种新的算法。

采用Kmeans算法来做聚类时易落于区域最佳解，因此本文提出了采用启发式算法PSO与Kmeans相结合的算法，来降低出现区域最佳解的概率，使数据聚类问题的处理中，所得数据聚类中组内距离总和最小。此算法是结合Kmeans分群法和PSO算法，在PSO算法流程当中加入了Kmeans分群法的概念，其流程如图1所示，其中符号说明：i：资料编号;k：群组编号;Pi：第i笔资料;Ck：第k群组之中心点。

算法的一般步骤为：

步骤2：接着随机产生群组的初始中心点随机选取K个中心点{C1，C2…CK}。初始中心对于Kmeans分群法有极大的影响，但因结合了PSO算法，可以藉由PSO算法本身的特性避免掉入区域最佳解的情形发生;

步骤3：对所有数据点计算到初始中心点的距离，其距离公式是使用欧几里得距离d（xi，xj），计算出所有数据点到初始中心点的距离后，指派数据点到距离Ci较小的那一群，最后计算出适合函数;

步骤4：更新个体最佳值和整体最佳值，如公式（1） 和公式（2）;

步骤6：检查是否满足终止条件，若满足，则算法结束;若无，则重复步骤3，直到满足终止条件为止。

2  改进K均值-模拟退火算法的轴承振动故障诊断

2.1 发动机电控系统故障诊断模型建立

本文以电控发动机最常见的故障之一——怠速不稳为例，通过对不同的故障原因属于的故障状况，利用基于Kmeans的PSO算法对故障模式进行识别。用基于Kmeans的PSO算法对基本故障聚类分析，得到聚类中心{u1，u2，…，uM}。{X1，X2，…，XN}为需要诊断的样本数据，XN的故障种类可根据公式（7）得到。即判断需要诊断样本的与已获得的中心点的欧式距离，并根据距离的长短对各类故障进行分配。

在获得训练样本的中心点后，将测试样本加入，再进行测算，并更新聚类中心并完善诊断模型。在诊断阶段中，通过不间断的将测试样本加入，通过迭代与调参，让该模型进行循环学习，通过不断的调整中心来完善诊断模型。

2.2 模型的应用验证

将上述的诊断模型结合发动机实例。实验所用数据均为发动机怠速故障中的数据经过归一化得来的，怠速电控系统常见的故障最为常见的有：氧传感器故障、空气流量传感器故障、进气压力传感器故障。将训练样本用来“学习”，实验样本用来评判，进行氧传感器故障、空气流量传感器故障、进气压力传感器故障三种故障诊断，全部样本都获得z分数归一化处理。表1为基于改进Kmeans和PSO算法下发动机怠速故障诊断结果，从图2中可以看出，基于kmeans的PSO算法明显由于PSO算法。文中数据参考文献[6]。其中，A为氧传感器，B为空气流量传感器，C为进气压力传感器。

将所得样本进行聚类测试，得到样本1-5标号分别与空气流量传感器故障、氧传感器故障、进气压力传感器故障、空气流量传感器故障和进气压力传感器故障聚类中心最近。然后进行归一化重新计算，得到氧传感器故障的聚类中心为{1.0000，0.8441，0.8837};空气流量传感器故障的聚类中心为{0.6574，0.0121，0.2561};进气压力传感器故障的聚类中心为{0.6456，0.4567，0.9963}。改进后的算法得出的故障中心更优与原始算法得出的故障聚类中心。

3  結论

本文在分析了Kmeans和PSO算法各自优缺点的基础上，提出一种改进Kmeans和PSO算法。该算法依数据聚类分析问题的要求，以数据点与各群中心的距离为评估标准，将粒子群优化算法和Kmeans算法相结合，用粒子群优化算法的记忆与分享信息的能力来选取群中心，并利用Kmeans来调整群中心的位置，解决粒子群算法的求解效率低和Kmeans易落入区域最佳解的情况。将该方法应用于构建的发动机电控系统故障诊断模型，结果表明能有效提高发动机电控系统故障识别效果。

参考文献：

[1]张立国，李盼，李梅梅，张淑清，张志福.基于ITD模糊熵和GG聚类的滚动轴承故障诊断[J].仪器仪表学报，2014，11：2624-2632.

[2]周美兰，敖雪.基于蚁群神经网络的电控发动机故障诊断研究[J].黑龙江大学自然科学学报，2011（03）：415-420.

[3]李志鹏，邵宪友，张东兴，杨传英.基于BP神经网络的电控发动机故障诊断研究[J].重庆理工大学学报（自然科学），2015（08）：6-11.

[4]巴寅亮，王书提，谢鑫.基于改进的BP神经网络的柴油发动机故障诊断[J].工业仪表与自动化装置，2015（03）：94-97，102.

[5]姚立国，黄海松.改进K均值模拟退火聚类算法的滚动轴承故障诊断[J].组合机床与自动化加工技术，2017（04）：114-117.

[6]王书提.基于人工神经网络的电控发动机故障诊断研究[D].新疆农业大学，2016.