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。……