梁曉峰，鄧熠，司國(guó)雷，陳君輝，陳文秀

(1.中國(guó)人民解放軍海軍裝備部，四川成都 610100；2.四川航天烽火伺服控制技術(shù)有限公司，四川成都 611130)

0 前言

燃油調(diào)節(jié)器具備航空發(fā)動(dòng)機(jī)啟停機(jī)、供油、按需調(diào)節(jié)油量等功能，是發(fā)動(dòng)機(jī)的重要組成部件。而弱狀態(tài)是指燃油調(diào)節(jié)器處于內(nèi)部部件磨損但不影響正常使用的工作狀態(tài)。燃油調(diào)節(jié)器的故障具有隱蔽性、長(zhǎng)期潛伏性及突發(fā)性，若想提早發(fā)現(xiàn)其隱藏故障，建立能夠描述監(jiān)測(cè)信號(hào)本質(zhì)屬性的本征特征空間，以實(shí)現(xiàn)對(duì)燃油調(diào)節(jié)器物理狀態(tài)的監(jiān)測(cè)，則尤為重要。然而，因流體固有的物理特性及機(jī)-液耦合所帶來(lái)的影響，使得人們很難通過(guò)常規(guī)手段獲取用于描述其狀態(tài)的信號(hào)本征特征，導(dǎo)致其自身物理狀態(tài)呈現(xiàn)較強(qiáng)的模糊性且將長(zhǎng)期處于弱狀態(tài)，存在極大的安全隱患。傳統(tǒng)的信號(hào)處理方法所提取的信號(hào)本征特征在特征空間呈現(xiàn)交錯(cuò)性分布，且受測(cè)試硬件和時(shí)間的限制，在一定測(cè)試時(shí)間內(nèi)獲取的工作狀態(tài)的信息量有限，導(dǎo)致提取的特征信息不完備。而當(dāng)利用未知信息判斷燃油調(diào)節(jié)器自身物理狀態(tài)時(shí)，會(huì)因特征信息的缺陷，導(dǎo)致難以進(jìn)行準(zhǔn)確的信息匹配，從而影響狀態(tài)監(jiān)測(cè)系統(tǒng)推理機(jī)的決策精度。因此，獲取較為完備的狀態(tài)信息并構(gòu)建互不交錯(cuò)的特征空間，對(duì)燃油調(diào)節(jié)器狀態(tài)監(jiān)測(cè)系統(tǒng)有重要意義。

在液壓系統(tǒng)狀態(tài)特征提取中，許多學(xué)者介紹了LMD、領(lǐng)域粗糙集、經(jīng)驗(yàn)?zāi)B(tài)、徑向基、貝葉斯神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)及小波包等算法，將它們作用于壓力、流量、振動(dòng)等信號(hào)中，并結(jié)合決策級(jí)/特征級(jí)數(shù)據(jù)融合技術(shù)，取得了良好的特征數(shù)據(jù),但存在效率較低、硬件和時(shí)間成本較高的缺點(diǎn)。基于上述分析，本文作者針對(duì)弱狀態(tài)下燃油調(diào)節(jié)器自身物理狀態(tài)難以描述的問(wèn)題，以燃油調(diào)節(jié)器出口組件的壓力脈動(dòng)為目標(biāo)，利用無(wú)監(jiān)督聚類(lèi)算法和多源信息融合技術(shù)對(duì)壓力脈動(dòng)信號(hào)進(jìn)行特征初次提取并設(shè)計(jì)尺度變化準(zhǔn)則，進(jìn)行特征重構(gòu)。利用Java編寫(xiě)特征提取和-NN(-Nearest Neighbor)故障分類(lèi)器的腳本，進(jìn)行算法測(cè)試。

1 弱狀態(tài)下?tīng)顟B(tài)表征現(xiàn)象及特征提取策略

1.1 燃油調(diào)節(jié)器的弱狀態(tài)表征現(xiàn)象

圖1所示為燃油調(diào)節(jié)器工作資源的分配方式。燃油泵向發(fā)動(dòng)機(jī)供給的燃油進(jìn)入燃油調(diào)節(jié)器后，在計(jì)量活門(mén)2油口開(kāi)度的控制下流經(jīng)出口組件5，發(fā)動(dòng)機(jī)油路為發(fā)動(dòng)機(jī)正常工作提供所需要的燃油。壓差活門(mén)1則在任意時(shí)刻下保證流入發(fā)動(dòng)機(jī)的燃油壓力恒定，占空比活門(mén)3、數(shù)字閥4及電子控制器6則根據(jù)發(fā)動(dòng)機(jī)的工作需要，對(duì)計(jì)量活門(mén)的油口開(kāi)度進(jìn)行控制，以實(shí)現(xiàn)對(duì)燃油供給量的調(diào)整。由于燃油調(diào)節(jié)器長(zhǎng)期工作在弱狀態(tài)下，當(dāng)其內(nèi)部零部件出現(xiàn)一定程度磨損(未達(dá)到完全失效的狀態(tài))時(shí)，其壓力-流量特性與正常狀態(tài)下相差不大。但是，若故障突然發(fā)生，將會(huì)造成不可逆轉(zhuǎn)的后果。而壓差活門(mén)1是影響發(fā)動(dòng)機(jī)供油壓力穩(wěn)定的關(guān)鍵部件且閥芯磨損是最主要的失效方式。為獲得不同弱狀態(tài)下，燃油調(diào)節(jié)器的壓力脈動(dòng)信號(hào)，將壓差活門(mén)的閥芯人為磨損至不同程度，并對(duì)出口組件5出油口處的壓力脈動(dòng)進(jìn)行監(jiān)測(cè)。此次測(cè)試將圖1中所示的壓差活門(mén)1的閥芯進(jìn)行人工失效，使它與內(nèi)部腔體的單側(cè)配合間隙分別為0.02、0.03、0.04和0.05 mm(完全失效的臨界值)，而單側(cè)間隙0.01 mm為設(shè)計(jì)尺寸且其余液壓元件計(jì)量活門(mén)2、占空比活門(mén)3、數(shù)字閥4、出口組件5、燃油泵及發(fā)動(dòng)機(jī)油路保持初始設(shè)計(jì)狀態(tài)。測(cè)試過(guò)程從啟動(dòng)持續(xù)至平穩(wěn)運(yùn)行，總時(shí)長(zhǎng)為20 s，采集數(shù)據(jù)時(shí)的采樣步長(zhǎng)為0.01 s，每種弱狀態(tài)下的樣本量共計(jì)2 000個(gè)。出口組件出油口的壓力脈動(dòng)時(shí)域狀態(tài)如圖2所示。

圖1 燃油調(diào)節(jié)器資源分配

圖2 不同壓差活門(mén)狀態(tài)下的出口組件壓力脈動(dòng)

由圖2可知：當(dāng)壓差活門(mén)的閥芯與腔體單側(cè)配合間隙(側(cè)隙)從0.01 mm(設(shè)計(jì)值)增加至0.05 mm(臨界失效值)時(shí)，出口組件出油口的壓力脈動(dòng)最終將穩(wěn)定在12 MPa左右；當(dāng)其內(nèi)部元件出現(xiàn)不同程度的失效(側(cè)隙為0.02～0.05 mm)時(shí)，壓力脈動(dòng)變化不明顯，且其曲線分布間隔較為均勻，表明此時(shí)的燃油調(diào)節(jié)器工作在弱狀態(tài)下，難以利用直接觀察或常規(guī)的時(shí)頻域分析方法提取特征以描述其當(dāng)前的物理狀態(tài)；當(dāng)壓差活門(mén)的閥芯磨損至臨界失效值(0.05 mm)時(shí)，出口組件的壓力脈動(dòng)曲線出現(xiàn)一定程度劇烈波動(dòng)，線條分布相較于其他情況更為緊密，表明此時(shí)的壓差活門(mén)已瀕臨失效，流向發(fā)動(dòng)機(jī)供油路的燃油壓力出現(xiàn)劇烈變化。綜上分析，當(dāng)燃油調(diào)節(jié)器內(nèi)部元件出現(xiàn)磨損但未到達(dá)臨界失效值時(shí)，其供給發(fā)動(dòng)機(jī)油路的燃油壓力基本處于穩(wěn)定狀態(tài)，但此時(shí)的燃油調(diào)節(jié)器內(nèi)部參數(shù)已發(fā)生變化，長(zhǎng)此以往會(huì)使燃油調(diào)節(jié)器由弱狀態(tài)逐步退化至全面失效，若無(wú)法在退化形成前識(shí)別其物理狀態(tài)并采取相應(yīng)措施，則會(huì)出現(xiàn)航空事故。

1.2 弱狀態(tài)下故障特征提取策略

弱狀態(tài)下燃油調(diào)節(jié)器中出口組件的壓力脈動(dòng)信號(hào)存在較強(qiáng)的模糊性，難以直接分辨它所處的物理狀態(tài)。加之?dāng)?shù)據(jù)采集過(guò)程中硬件條件和時(shí)間成本的限制，無(wú)法長(zhǎng)時(shí)間利用物理實(shí)驗(yàn)方法進(jìn)行高效的數(shù)據(jù)處理及分析工作。故本文作者提出如圖3所示的弱狀態(tài)故障特征提取策略及算法測(cè)試流程。

圖3 弱狀態(tài)燃油調(diào)節(jié)器狀態(tài)特征提取策略

2 特征提取、重構(gòu)及K-NN算法設(shè)計(jì)

2.1 特征提取算法及參數(shù)設(shè)計(jì)

(1)-means無(wú)監(jiān)督聚類(lèi)算法設(shè)計(jì)

-means無(wú)監(jiān)督聚類(lèi)算法為利用給定的包含個(gè)數(shù)據(jù)的數(shù)據(jù)集尋找數(shù)據(jù)間相似度并構(gòu)建個(gè)簇的方法。該方法將總體數(shù)據(jù)劃分為個(gè)內(nèi)部相似度極高的簇，原則上每個(gè)簇至少包含一個(gè)數(shù)據(jù)對(duì)象，每個(gè)數(shù)據(jù)對(duì)象必須屬于且只能屬于一個(gè)簇。其算法流程如圖4所示。

圖4 k-means算法流程

①初始值的選擇

根據(jù)現(xiàn)有的文獻(xiàn)及-means在模式識(shí)別領(lǐng)域的應(yīng)用研究，誤差平方和所有樣本的聚類(lèi)誤差可作為值的有效選擇指標(biāo)，如下所示：

(1)

式中:為第個(gè)簇;為中的樣本點(diǎn);為的質(zhì)心(中所有樣本的均值);為所有樣本的聚類(lèi)誤差;為每個(gè)簇中的元素。

②平均損失函數(shù)及其閾值

(2)

圖5 不同k值下的fLoss和聚類(lèi)時(shí)間

由圖5(a)可知：隨著的增加，在0.1～0.5的范圍內(nèi)浮動(dòng)且隨著的增大，不同弱狀態(tài)聚類(lèi)結(jié)果的均呈現(xiàn)局部上升。進(jìn)一步由一維搜索原理，可確定各弱狀態(tài)下的最優(yōu)聚類(lèi)個(gè)數(shù)=10。由圖5(b)可知：當(dāng)=8時(shí)，算法完成聚類(lèi)所需時(shí)間最小，平均耗時(shí)1.548 s;當(dāng)=10時(shí)，平均耗時(shí)2.977 s，但其聚類(lèi)結(jié)果的相較于=8時(shí)的普遍表現(xiàn)較優(yōu);而當(dāng)>10時(shí)，平均耗時(shí)超過(guò)10 s。綜上可知，當(dāng)前數(shù)據(jù)源下的聚類(lèi)個(gè)數(shù)=10時(shí)，平均損失函數(shù)的收斂閾值為0.1。

(2)信息融合算法設(shè)計(jì)

信息融合又稱多傳感器信息融合，此處的傳感器不僅包括物理意義上的各種傳感器系統(tǒng)，也包括與觀測(cè)環(huán)境匹配的各種信息獲取系統(tǒng)。本文作者將提取的時(shí)頻域特征視作多個(gè)不同傳感器獲取的多源信息，把聚類(lèi)后各子類(lèi)的每種時(shí)頻域信息都視為來(lái)自一個(gè)傳感器，通過(guò)信息融合進(jìn)行多時(shí)頻域特征變換。利用多種時(shí)頻域信息進(jìn)行原始信號(hào)的描述，以有效彌補(bǔ)單特征下信息不完備的問(wèn)題。

通常情況下，信息融合后新特征具有極高的維度，使得新特征空間的交錯(cuò)現(xiàn)象更加明顯，增加狀態(tài)監(jiān)測(cè)系統(tǒng)使用時(shí)的時(shí)間復(fù)雜度。而主成分分析(Principal Components Analysis，PCA)算法通過(guò)線性變換提取數(shù)據(jù)的主要特征分量，將高維數(shù)據(jù)變換為一組各維度線性無(wú)關(guān)的表示，是提取高維數(shù)據(jù)關(guān)鍵信息及降維的最有效方法之一。PCA算法流程如圖6所示，通過(guò)PCA獲得的降維數(shù)據(jù)在累計(jì)貢獻(xiàn)率的限制下進(jìn)行篩選。而累積貢獻(xiàn)率的大小表示當(dāng)前選擇的所有主成分?jǐn)y帶原數(shù)據(jù)的信息的比例，故文中PCA中的累計(jì)貢獻(xiàn)率=0.99。

圖6 PCA算法流程

2.2 空間質(zhì)心尺度變化方法

利用所提策略對(duì)原始信號(hào)數(shù)據(jù)進(jìn)行一次和二次特征提取，獲得的特征數(shù)據(jù)集中，部分弱狀態(tài)的特征數(shù)據(jù)集的特征空間分布呈現(xiàn)較高的位置交錯(cuò)性?？臻g質(zhì)心尺度變化是指在歐氏空間中，將數(shù)據(jù)集中遠(yuǎn)離其質(zhì)心的數(shù)據(jù)點(diǎn)，利用空間坐標(biāo)變化產(chǎn)生新的數(shù)據(jù)點(diǎn)并使它們聚集在以質(zhì)心為圓心、為平均半徑的包絡(luò)曲面內(nèi)。通過(guò)質(zhì)心尺度變化算法所產(chǎn)生的新數(shù)據(jù)點(diǎn)，在空間中的分布具有較低的位置交錯(cuò)性，能有效地提升狀態(tài)監(jiān)測(cè)系統(tǒng)的決策精度。原始特征數(shù)據(jù)的空間分布、空間質(zhì)心尺度變化原理如圖7所示。

圖7 原始特征數(shù)據(jù)分布及質(zhì)心尺度變化原理

如圖7(a)所示，原始特征數(shù)據(jù)分布在以第一主成分、第二主成分和第三主成分構(gòu)造的歐氏空間中。記弱狀態(tài)原始特征數(shù)據(jù)集為，此時(shí)={∪|≠且,=0.01,…,0.05}，其中和為不同的弱狀態(tài)特征集。圖中可清晰地看出，各弱狀態(tài)下的原始特征數(shù)據(jù)集并未呈現(xiàn)相互獨(dú)立的分布，即當(dāng)≠且,=0.01～0.05時(shí)，存在∩≠?，特別是虛線框內(nèi)所示的交錯(cuò)現(xiàn)象最為嚴(yán)重。當(dāng)有未知信號(hào)的特征集輸入時(shí)，狀態(tài)監(jiān)測(cè)系統(tǒng)將采取最大相似度原則進(jìn)行決策，此時(shí)會(huì)有多個(gè)弱狀態(tài)的特征數(shù)據(jù)與未知數(shù)據(jù)存在較高相似性，導(dǎo)致難以獲得準(zhǔn)確的決策結(jié)果。因此，設(shè)計(jì)空間質(zhì)心尺度變化算法，以降低不同弱狀態(tài)下特征數(shù)據(jù)的相似性，使每個(gè)相鄰數(shù)據(jù)集間都滿足∩=0，在提升狀態(tài)監(jiān)測(cè)系統(tǒng)的決策精度方面具有重要意義。

(3)

2.3 K-NN算法參數(shù)設(shè)計(jì)

-NN算法基本思路：在訓(xùn)練集中數(shù)據(jù)和標(biāo)簽已知的情況下，輸入測(cè)試數(shù)據(jù)，將測(cè)試數(shù)據(jù)的特征與訓(xùn)練集中對(duì)應(yīng)的特征進(jìn)行比較，找到訓(xùn)練集中與之最為相似的前個(gè)數(shù)據(jù)，則將測(cè)試數(shù)據(jù)所屬類(lèi)別對(duì)應(yīng)為個(gè)數(shù)據(jù)中出現(xiàn)次數(shù)最多的類(lèi)別。-NN算法具有易實(shí)現(xiàn)、對(duì)異常點(diǎn)不敏感、無(wú)訓(xùn)練時(shí)間、擅長(zhǎng)處理多分類(lèi)、預(yù)測(cè)及準(zhǔn)確度高的優(yōu)點(diǎn)，廣泛應(yīng)用于各類(lèi)型決策系統(tǒng)、推薦系統(tǒng)。其算法描述如下：

輸入：歷史數(shù)據(jù)集、歷史數(shù)據(jù)集對(duì)應(yīng)標(biāo)簽；

輸出：測(cè)試數(shù)據(jù)集所屬標(biāo)簽。

具體步驟：

(1)計(jì)算相似度。計(jì)算測(cè)試數(shù)據(jù)集每個(gè)樣本與所有隸屬數(shù)據(jù)的距離；

(2)形成決策數(shù)據(jù)集。設(shè)計(jì)超參數(shù)，并以此產(chǎn)生決策數(shù)據(jù)集；

(3)選擇決策法則。將測(cè)試數(shù)據(jù)集歸類(lèi)為個(gè)最近鄰樣本中具有最多樣本個(gè)數(shù)的類(lèi)別。

根據(jù)圖2所示數(shù)據(jù)及其數(shù)據(jù)量的特點(diǎn)，將選擇歐氏距離函數(shù)為-NN故障分類(lèi)器的相似度函數(shù)。同時(shí)，為增強(qiáng)-NN算法的健壯性，保證每次算法都能得出結(jié)果，將其超參數(shù)設(shè)置為奇數(shù)且在決策法則中選用少數(shù)服從多數(shù)的投票準(zhǔn)則。

3 算法測(cè)試及結(jié)果分析

(1)特征提取與重構(gòu)算法測(cè)試分析

利用圖2所示的出口組件各弱狀態(tài)下的壓力脈動(dòng)數(shù)據(jù)，在Linux環(huán)境下利用Java和Python平臺(tái)分別設(shè)計(jì)燃油調(diào)節(jié)器狀態(tài)特征提取算法及數(shù)據(jù)可視化功能。其中，-means算法的聚類(lèi)個(gè)數(shù)=10，損失函數(shù)的閾值為0.1，該算法一次提取的特征包含各子類(lèi)的均值、標(biāo)準(zhǔn)差、均方根、方根幅值、峭度、偏度、峰值、裕度及波形，共9類(lèi)時(shí)頻域特征。另外，設(shè)定PCA信息融合算法的累計(jì)貢獻(xiàn)率=0.99，空間質(zhì)心尺度變化準(zhǔn)則的相對(duì)尺度參數(shù)分別取為二次提取后的數(shù)據(jù)的標(biāo)準(zhǔn)差、為二次提取后的數(shù)據(jù)的標(biāo)準(zhǔn)差峰值及利用人為調(diào)參經(jīng)驗(yàn)獲取線性尺度=100。運(yùn)行燃油調(diào)節(jié)器狀態(tài)特征提取算法并讀取最終的數(shù)據(jù)可視化結(jié)果，如圖8所示。

圖8 fLoss=0.02時(shí)，不同尺度下的重構(gòu)特征分布

由圖8可知:各弱狀態(tài)在標(biāo)準(zhǔn)差尺度下的重構(gòu)特征數(shù)據(jù)分布的交錯(cuò)性比峰值尺度變化、線性尺度變化的分布明顯，表明此時(shí)的重構(gòu)特征數(shù)據(jù)質(zhì)量較差，且標(biāo)準(zhǔn)差不是一個(gè)穩(wěn)定的尺度變化參數(shù)；而經(jīng)峰值尺度和線性尺度變化后的重構(gòu)特征數(shù)據(jù)的分布處于穩(wěn)定的相互獨(dú)立狀態(tài)，表明這兩種尺度參數(shù)下的重構(gòu)特征數(shù)據(jù)分布交錯(cuò)性較弱，有效地抑制了特征空間的模糊性。進(jìn)一步分析產(chǎn)生上述現(xiàn)象的機(jī)制可知，如式(3)所示的數(shù)學(xué)模型將→′的點(diǎn)空間位置變化轉(zhuǎn)化為以質(zhì)心為核心，在尺度變化因子限制下的小步長(zhǎng)移動(dòng)。當(dāng)數(shù)據(jù)點(diǎn)與質(zhì)心的相對(duì)尺度越大時(shí)，其尺度變化因子越小，此時(shí)質(zhì)心的移動(dòng)步長(zhǎng)越小，其重構(gòu)數(shù)據(jù)點(diǎn)′的位置越靠近于質(zhì)心，更容易實(shí)現(xiàn)重構(gòu)特征在空間中的獨(dú)立分布。故圖(d)所示的線性尺度下重構(gòu)特征數(shù)據(jù)的分布相較于峰值尺度下的重構(gòu)特征數(shù)據(jù)分布更集中于質(zhì)心。

綜上可知，參數(shù)的選取將直接影響重構(gòu)特征。為實(shí)現(xiàn)對(duì)狀態(tài)特征模糊性的抑制，在使用空間質(zhì)心尺度變化算法進(jìn)行特征數(shù)據(jù)重構(gòu)時(shí)，其尺度變化參數(shù)可選擇峰值或線性參數(shù)。進(jìn)一步從算法感知角度看，用峰值能直接描述出一組數(shù)據(jù)中的最大數(shù)據(jù)且對(duì)數(shù)據(jù)自身的完備性和數(shù)據(jù)量大小不具有依賴性，能準(zhǔn)確地反映數(shù)據(jù)自身情況，因此峰值尺度下的重構(gòu)特征能更好地體現(xiàn)出燃油調(diào)節(jié)器狀態(tài)特征提取算法在數(shù)據(jù)感知階段所具備的智能性。

(2)-NN分類(lèi)算法測(cè)試分析

利用圖2所示的5組數(shù)據(jù)，在Linux環(huán)境中利用Java按照如表1所示的占比，采用隨機(jī)法從各弱狀態(tài)數(shù)據(jù)中抽取相應(yīng)數(shù)量的數(shù)據(jù)，并在隨機(jī)位置拼接成5組不同類(lèi)別的測(cè)試數(shù)據(jù)。

表1 測(cè)試數(shù)據(jù)集中各弱狀態(tài)數(shù)據(jù)占比

進(jìn)一步,利用Java搭建-NN分類(lèi)算法模型，并分別將未經(jīng)特征提取與重構(gòu)的測(cè)試數(shù)據(jù)集和已進(jìn)行特征提取與重構(gòu)(峰值尺度)的測(cè)試數(shù)據(jù)集作為-NN分類(lèi)算法的輸入數(shù)據(jù)，并將其超參數(shù)設(shè)定為0.7，即選擇前70%的數(shù)據(jù)作為決策數(shù)據(jù)集。根據(jù)少數(shù)服從多數(shù)的投票法則，-NN分類(lèi)算法對(duì)2種數(shù)據(jù)集決策結(jié)果分別如表2、表3所示。

表2 K-NN分類(lèi)算法對(duì)未經(jīng)特征提取與重構(gòu)的測(cè)試數(shù)據(jù)集T的識(shí)別率(結(jié)果保留小數(shù)點(diǎn)后兩位)

表3 K-NN分類(lèi)算法對(duì)峰值尺度重構(gòu)的測(cè)試數(shù)據(jù)集T的識(shí)別率(結(jié)果保留小數(shù)點(diǎn)后兩位)

由表2可知：當(dāng)使用未經(jīng)特征提取與重構(gòu)的測(cè)試數(shù)據(jù)時(shí)，5組測(cè)試數(shù)據(jù)平均耗時(shí)1.251 s，-NN算法基本做出了正確的決策，但其最高識(shí)別率均未超過(guò)0.5，并且在對(duì)第3組數(shù)據(jù)決策時(shí)出現(xiàn)模糊決策；而當(dāng)-NN算法使用經(jīng)過(guò)特征提取與重構(gòu)后測(cè)試數(shù)據(jù)時(shí)，5組測(cè)試數(shù)據(jù)平均耗時(shí)0.472 s，-NN算法識(shí)別率均高于0.5且其決策結(jié)果完全正確。

深入分析-NN分類(lèi)算法模型可知，由于算法運(yùn)行時(shí)需要搜尋整個(gè)數(shù)據(jù)空間，直接將未經(jīng)特征提取與重構(gòu)的測(cè)試數(shù)據(jù)(原始數(shù)據(jù))作為-NN算法的數(shù)據(jù)輸入，會(huì)因輸入數(shù)據(jù)量過(guò)大，導(dǎo)致運(yùn)行時(shí)間較長(zhǎng)，降低識(shí)別效率。同時(shí)，原始數(shù)據(jù)內(nèi)含較多的冗余數(shù)據(jù)且數(shù)據(jù)間關(guān)聯(lián)性較強(qiáng)，算法產(chǎn)生的決策數(shù)據(jù)集品質(zhì)不高，難以對(duì)各弱狀態(tài)進(jìn)行準(zhǔn)確描述，導(dǎo)致-NN分類(lèi)算法的決策效率較低且精度較差。而經(jīng)由特征提取與重構(gòu)(峰值尺度)的數(shù)據(jù)，其數(shù)據(jù)量和數(shù)據(jù)間的關(guān)聯(lián)性均得到大幅度削弱，這使得-NN分類(lèi)算法能夠在保持較少搜尋數(shù)據(jù)量的基礎(chǔ)上，產(chǎn)生具有良好品質(zhì)的決策數(shù)據(jù)，從而提升-NN分類(lèi)算法的整體性能。

4 結(jié)論

針對(duì)弱狀態(tài)下燃油調(diào)節(jié)器的狀態(tài)信號(hào)存在較強(qiáng)模糊性，難以進(jìn)行特征提取和故障診斷的問(wèn)題，在結(jié)合無(wú)監(jiān)督聚類(lèi)、多源信息融合與空間質(zhì)心尺度變化的基礎(chǔ)上，設(shè)計(jì)特征提取和重構(gòu)算法。經(jīng)算法測(cè)試，驗(yàn)證了重構(gòu)后的特征數(shù)據(jù)在特征空間中分布特性良好。進(jìn)一步利用Java搭建-NN分類(lèi)算法，將經(jīng)特征提取和重構(gòu)后的數(shù)據(jù)作為-NN算法的輸入，此時(shí)-NN分類(lèi)算法能夠有效地對(duì)測(cè)試數(shù)據(jù)進(jìn)行識(shí)別，且在效率與準(zhǔn)確率方面均表現(xiàn)良好。綜上可知，本文作者所設(shè)計(jì)的特征提取與重構(gòu)方法，不僅能夠有效地提取弱狀態(tài)下燃油調(diào)節(jié)器的狀態(tài)特征，還能夠幫助-NN分類(lèi)算法更加高效且準(zhǔn)確地進(jìn)行故障診斷診斷，為燃油調(diào)節(jié)器的后續(xù)健康管理系統(tǒng)搭建提供參考。