基于LKJ數(shù)據(jù)分析的機(jī)車速度傳感器智能故障診斷

董 昱， 史 佳

(蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院， 甘肅 蘭州 730070)

列車運(yùn)行監(jiān)控記錄裝置(LKJ)目前已經(jīng)基本在全路廣泛使用。它除了具有防止列車冒進(jìn)信號(hào)、防止列車運(yùn)行超速、保障行車安全的列車控制功能外，還有實(shí)時(shí)記錄列車運(yùn)行過(guò)程中關(guān)鍵信息的作用，其記錄信息為：公里標(biāo)、限速、列車速度、機(jī)車信號(hào)、列車管壓力、司機(jī)操作等[1]。LKJ所記錄的運(yùn)行記錄數(shù)據(jù)中蘊(yùn)含著大量與列車狀態(tài)及車載設(shè)備運(yùn)用狀態(tài)相關(guān)的有用信息，是行車安全分析的重要依據(jù)，數(shù)據(jù)分析人員可以通過(guò)對(duì)LKJ數(shù)據(jù)進(jìn)行分析得知車載設(shè)備的故障與否。文獻(xiàn)[2]利用LKJ數(shù)據(jù)文件分析了速度傳感器與速度傳輸通道的故障情況；文獻(xiàn)[3]根據(jù)LKJ運(yùn)行記錄信息分析判斷了電務(wù)設(shè)備、監(jiān)控電源板等設(shè)備的故障狀態(tài)；文獻(xiàn)[4]結(jié)合LKJ數(shù)據(jù)分析中一些巧妙的解決方法，闡述了LKJ數(shù)據(jù)分析在發(fā)現(xiàn)、解決車載設(shè)備隱藏質(zhì)量問(wèn)題中的運(yùn)用。不過(guò)目前依據(jù)LKJ運(yùn)行記錄數(shù)據(jù)進(jìn)行車載設(shè)備的故障判斷仍然是以經(jīng)驗(yàn)豐富的現(xiàn)場(chǎng)工程人員分析為主定位故障原因，不僅分析效率低，而且面對(duì)大量記錄數(shù)據(jù)時(shí)分析容易出錯(cuò)。因此，有必要將計(jì)算機(jī)數(shù)據(jù)分析技術(shù)與故障診斷技術(shù)引入到LKJ數(shù)據(jù)日常分析當(dāng)中，達(dá)到提高數(shù)據(jù)分析效率以及快速定位故障的目的。

機(jī)車速度傳感器是列車關(guān)鍵的車載設(shè)備，它在列車測(cè)速定位方面發(fā)揮著巨大作用，是LKJ控車的基礎(chǔ)。因此，及時(shí)發(fā)現(xiàn)機(jī)車速度傳感器故障對(duì)行車安全以及提高列車行車效率具有重要意義。文獻(xiàn)[5]中周桂法直接從速度脈沖方波入手，應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)車速度傳感器脈沖丟失、脈沖突增以及脈沖被噪聲干擾的3種故障進(jìn)行故障診斷，取得了較好的效果；文獻(xiàn)[6]針對(duì)機(jī)車LKJ的3路速度傳感器通道有故障發(fā)生時(shí)，存在較大安全隱患的問(wèn)題提出速度傳感器自動(dòng)轉(zhuǎn)換裝置，保證列車行車安全。

本文以機(jī)車速度傳感器為故障診斷研究對(duì)象，利用LKJ運(yùn)行記錄數(shù)據(jù)，針對(duì)目前人工分析LKJ數(shù)據(jù)查找設(shè)備故障所存在的弊端，采用數(shù)據(jù)分析與計(jì)算機(jī)故障診斷算法相結(jié)合的方式進(jìn)行診斷工作。結(jié)果表明，這種方式能夠快速、準(zhǔn)確地定位故障原因，故障分析效率顯著提高。

1 速度傳感器故障分析

1.1 LKJ速度傳感器通道組成

LKJ裝置具有3路軸端光電式速度傳感器信號(hào)輸入通道，但LKJ只取其中1路作為當(dāng)前的列車速度參與計(jì)算和控制[6]。機(jī)車上與LKJ配套的速度傳感器一般共有2個(gè)：分為主速度傳感器和備用速度傳感器(以下簡(jiǎn)稱主速和備速)，2個(gè)速度傳感器均由監(jiān)控裝置的電源插件送出的15 V電源進(jìn)行供電。其中主速分別輸出兩路速度脈沖信號(hào)V0、V1至LKJ主機(jī)，并且這兩路速度信號(hào)還用于構(gòu)成LKJ的相位防溜控制，檢測(cè)列車是否發(fā)生溜逸；備速則只輸出一路速度脈沖信號(hào)V2給LKJ。這3路速度信號(hào)最終通過(guò)X34航空插頭輸入LKJ主機(jī)內(nèi)部。LKJ速度傳感器通道組成示意圖見(jiàn)圖1。

1.2 速度傳感器故障類型及其原因分析

通過(guò)分析故障的產(chǎn)生原因，并結(jié)合現(xiàn)場(chǎng)數(shù)據(jù)分析人員的專家經(jīng)驗(yàn)，整理得出速度傳感器故障類型有：速度傳感器斷軸；速度通道虛接；速度通道公共部分故障；速度傳感器丟脈沖等[2]。

(1) 速度傳感器斷軸

當(dāng)速度傳感器安裝座開孔尺寸及車輪軸端方孔套尺寸不合適或使用的速度傳感器軸長(zhǎng)度不對(duì)，機(jī)車在運(yùn)行中傳感器傳動(dòng)軸滑出方孔套而無(wú)法歸位、或傳感器傳動(dòng)方軸與機(jī)車軸端面頂死造成傳動(dòng)軸折斷現(xiàn)象時(shí)，在LKJ記錄數(shù)據(jù)中，表現(xiàn)為相應(yīng)速度通道的速度快速跌落，同時(shí)LKJ數(shù)據(jù)文件中有“速度突降”或“速度通道故障”等記錄，監(jiān)控裝置顯示相應(yīng)速度通道最終速度為0。

(2) 速度通道虛接

一般當(dāng)速度通道存在虛接時(shí)(包括速度通道線路虛接、插頭松動(dòng)等)，由于列車在運(yùn)行過(guò)程中處于不斷的振動(dòng)狀態(tài)，使得速度通道信號(hào)時(shí)通時(shí)斷，從而在監(jiān)控裝置中顯示速度值上下起伏波動(dòng)。相應(yīng)地在LKJ文件中表現(xiàn)為速度值出現(xiàn)無(wú)規(guī)律地上下劇烈震蕩，同時(shí)記錄中有“速度突降”或“速度通道故障”、“輪對(duì)空轉(zhuǎn)”或“輪對(duì)滑行”等記錄。

(3) 速度通道公共部分故障

這種情況表現(xiàn)為：在LKJ數(shù)據(jù)文件中，3路速度信號(hào)均異常，即3路速度通道均出現(xiàn)“速度突降”或“速度通道故障”的記錄。如前所述，LKJ具有2個(gè)速度傳感器、3路冗余的速度信號(hào)輸入通道，通常情況下，同時(shí)出現(xiàn)2個(gè)速度傳感器或3路速度信號(hào)都故障的可能性很小。因此，在這種情況下應(yīng)考慮各路速度信號(hào)的公共通道是否出現(xiàn)問(wèn)題(如15 V電源板電壓輸出異常、速度通道公共線路受損等)。

(4) 速度傳感器丟脈沖

正常情況下，隨著列車的運(yùn)行，列車車輪逐漸磨損，輪徑會(huì)慢慢變小。LKJ以軸端速度傳感器輸出的脈沖信號(hào)的頻率為依據(jù)計(jì)算列車當(dāng)前速度與走行距離。速度計(jì)算式為

( 1 )

式中:D是輪徑；P是速度傳感器隨車軸轉(zhuǎn)動(dòng)一周發(fā)出的脈沖數(shù)，一般為200個(gè)；f是速度傳感器輸出的脈沖頻率；v是所計(jì)算出的列車速度。

根據(jù)式( 1 )，如果在計(jì)算列車速度和走行距離時(shí)輪徑采用固定值，那么，隨著列車的運(yùn)行，車輪逐漸磨損，實(shí)際輪徑將比計(jì)算輪徑偏小，則計(jì)算出來(lái)的列車速度和走行距離較實(shí)際偏大，不利于高效控制列車運(yùn)行。為了跟隨車輪的正常磨損情況，LKJ在過(guò)機(jī)校正的基礎(chǔ)上，具有輪徑自調(diào)整功能。即如果LKJ計(jì)算出的運(yùn)行距離比實(shí)際大，亦即過(guò)機(jī)為正值，LKJ認(rèn)為輪徑偏大，將自動(dòng)調(diào)整減小輪徑值；若過(guò)機(jī)為負(fù)值，LKJ認(rèn)為輪徑偏小，則自動(dòng)調(diào)整增大輪徑值。

如果在LKJ文件中發(fā)現(xiàn)有輪徑明顯增大的記錄(>±5 mm)，在排除入庫(kù)換輪維修的前提下，可能是由于速度傳感器丟脈沖引起的。由于速度傳感器丟脈沖，單位時(shí)間內(nèi)的脈沖數(shù)較正常少，即頻率低則速度低，LKJ依據(jù)低速計(jì)算的行走距離就少于實(shí)際距離，過(guò)機(jī)校正為負(fù)值，即存在滯后誤差，LKJ判斷為輪徑偏小，自動(dòng)向大的方向調(diào)整輪徑值，因此造成文件記錄中輪徑增大的現(xiàn)象出現(xiàn)。

2 基于LKJ數(shù)據(jù)分析的特征提取

根據(jù)以上分析可以得到，當(dāng)出現(xiàn)速度傳感器丟脈沖、速度通道公共部分故障時(shí)，僅需要判斷LKJ文件中有無(wú)相應(yīng)的故障征兆即可(查看有無(wú)輪徑突增、3個(gè)速度通道是否均有故障記錄)。而對(duì)于速傳斷軸、速度通道虛接以及速傳正常的狀態(tài)需要借助于先進(jìn)的故障分類方法。如何從待分析數(shù)據(jù)中提取有效區(qū)別各故障類型的特征向量，是利用分類算法進(jìn)行智能故障診斷的基礎(chǔ)，而展開有效的數(shù)據(jù)分析則是提取特征向量的前提。

通過(guò)對(duì)原始LKJ數(shù)據(jù)文件進(jìn)行數(shù)據(jù)截取、數(shù)據(jù)清洗等預(yù)處理工作后，得到包含有時(shí)間、速度以及一些關(guān)鍵記錄信息的數(shù)據(jù)樣本。在數(shù)據(jù)分析中，為避免不同車型速度等級(jí)的不同，將速度值標(biāo)準(zhǔn)化，即

( 2 )

式中：vmin是數(shù)據(jù)樣本中最小速度值；vmax是數(shù)據(jù)樣本中最大速度值；vstd是標(biāo)準(zhǔn)化后的速度值，vstd∈[0,1]。圖2所示為正常、虛接、斷軸3種情況下的標(biāo)準(zhǔn)化速度曲線圖。

為了突出數(shù)據(jù)細(xì)節(jié)并獲得樣本的更多信息，根據(jù)數(shù)據(jù)樣本的速度值計(jì)算其加速度值，圖3所示為正常、虛接、斷軸3種情況下的加速度曲線圖。

如果同樣將加速度值像速度那樣進(jìn)行標(biāo)準(zhǔn)化，那么對(duì)于虛接故障數(shù)據(jù)樣本來(lái)說(shuō)，由于加速度震蕩劇烈，amax-amin較大，astd較正常情況偏小。圖4所示為正常、虛接、斷軸3種情況下的標(biāo)準(zhǔn)化加速度曲線圖。

根據(jù)對(duì)25組正常數(shù)據(jù)樣本、13組虛接數(shù)據(jù)樣本以及5組斷軸數(shù)據(jù)樣本進(jìn)行分析、整理后得到如下故障規(guī)律：

(1) 比較正常樣本與虛接樣本，當(dāng)虛接故障發(fā)生時(shí)，標(biāo)準(zhǔn)化速度值較正常情況下有較大波動(dòng)；

(2) 比較正常樣本與虛接樣本，當(dāng)虛接故障發(fā)生時(shí)，加速度值較正常情況下有較大波動(dòng)；

(3) 比較正常樣本與虛接樣本，當(dāng)虛接故障發(fā)生時(shí)，標(biāo)準(zhǔn)化加速度值平均水平較正常情況下偏小；

(4) 比較正常、虛接、斷軸樣本，后兩者在加速度值上均有起伏或突變，前者則較為平穩(wěn)。但虛接故障發(fā)生時(shí)，加速度震蕩起伏一般出現(xiàn)在整個(gè)數(shù)據(jù)樣本的前部、中部和后部，而斷軸時(shí)加速度突變一般出現(xiàn)在整個(gè)數(shù)據(jù)樣本的結(jié)束處。

以上4點(diǎn)故障規(guī)律中，前兩點(diǎn)可以用數(shù)據(jù)樣本的加速度極差R與加速度標(biāo)準(zhǔn)差σ有效表示；第3點(diǎn)可以用樣本的標(biāo)準(zhǔn)化加速度均值Eastd區(qū)分；最后一點(diǎn)可以取各個(gè)波動(dòng)數(shù)據(jù)發(fā)生時(shí)刻在整個(gè)樣本中的位置的均值Epos來(lái)完成，即設(shè)定加速度的波動(dòng)閾值α，如果加速度值a滿足|a|>α，則記錄波動(dòng)發(fā)生時(shí)刻在樣本中的位置ta/T。其中ta是波動(dòng)數(shù)據(jù)發(fā)生時(shí)刻，T是該數(shù)據(jù)樣本記錄時(shí)間的最大值。最后，計(jì)算各波動(dòng)數(shù)據(jù)發(fā)生位置的均值即可。

表1列出了當(dāng)加速度閾值α=1.5 m/s2時(shí)的15組數(shù)據(jù)樣本相關(guān)信息。其中，J0、J1、J2代表了故障發(fā)生的位置，分別表示速度通道0、1、2有無(wú)“速度通道突降”或“速度通道故障”的記錄，若值為1則表示相應(yīng)通道或速度傳感器發(fā)生故障，若為0則表示相應(yīng)通道或速度傳感器沒(méi)有故障發(fā)生。根據(jù)上述分析，可構(gòu)造如下的向量x=[R,σ,Eastd,Epos,J0,J1,J2]作為分類正常、虛接和斷軸故障的特征向量。

3 基于加權(quán)K近鄰分類器的故障診斷

3.1 加權(quán)K近鄰算法

由于速度傳感器故障實(shí)例相對(duì)偏少，因此對(duì)于像神經(jīng)網(wǎng)絡(luò)這類需要大量訓(xùn)練樣本的分類器，顯然不適合進(jìn)行本文的故障診斷工作。K近鄰算法是一種非參數(shù)的基于實(shí)例的分類方法，具有簡(jiǎn)單有效，分類準(zhǔn)確度高，無(wú)需大量數(shù)據(jù)樣本、魯棒性好等優(yōu)點(diǎn)[7]。目前已在故障診斷領(lǐng)域廣泛使用，并取得了良好的效果[8-9]。不同于神經(jīng)網(wǎng)絡(luò)等積極的分類算法，K近鄰分類算法是一種消極分類算法。這種算法事先將訓(xùn)練樣本存儲(chǔ)下來(lái)，直到有待分類樣本出現(xiàn)時(shí)，首先找到與待分類樣本距離最近的K個(gè)近鄰鄰居，然后根據(jù)這K個(gè)鄰居的類別，采用投票表決、少數(shù)服從多數(shù)的決策規(guī)則確定待分類樣本所屬類別[10]。因此，K近鄰算法的時(shí)間消耗主要集中在分類階段，分類器在訓(xùn)練階段幾乎不需要占用時(shí)間。

表1 部分?jǐn)?shù)據(jù)樣本信息(α=1.5 m/s2)

KNN分類器中，K的取值對(duì)分類結(jié)果的好壞有重要的影響。加權(quán)KNN分類器是對(duì)傳統(tǒng)KNN分類器的一種改進(jìn)，其實(shí)現(xiàn)分類的具體步驟為：

Step1計(jì)算待測(cè)樣本y與訓(xùn)練數(shù)據(jù)集各樣本之間的歐氏距離，并找出距待測(cè)樣本y最近的k+1個(gè)近鄰樣本，并將這k+1個(gè)近鄰樣本距待測(cè)試樣本y的距離由小到大依次記為d(y,xy,1),d(y,xy,2),d(y,xy,3),…,d(y,xy,k),d(y,xy,k+1)；

Step2標(biāo)準(zhǔn)化k個(gè)近鄰樣本距待測(cè)樣本的距離D(y,xy,i)=d(y,xy,i)/d(y,xy,k+1),i=1,2,…，k；

Step3利用高斯加權(quán)核函數(shù)將標(biāo)準(zhǔn)化距離D(y,xy,i)轉(zhuǎn)化為y和xy,i同類的概率

( 3 )

Step4求出y屬于類別ωs,s=1,2,3,L,C的后驗(yàn)概率

P(ωs|y)=

( 4 )

式中：I(xy,i,ωs)是類別屬性函數(shù)，當(dāng)xy,i∈ωs時(shí)I(xy,i,ωs)=1，否則I(xy,i,ωs)=0。

Step5計(jì)算判別函數(shù)，待測(cè)樣本y的類別class(y)是使判別函數(shù)值達(dá)到最大的那個(gè)類別

( 5 )

從以上加權(quán)KNN分類步驟可以看出，加權(quán)KNN分類器根據(jù)各近鄰樣本與待分類樣本的相似程度賦予不同近鄰樣本不同的權(quán)值，這就使得分類結(jié)果更接近于相似程度更高的訓(xùn)練樣本，從而弱化分類器對(duì)k值選擇的敏感性，分類結(jié)果的魯棒性得到增強(qiáng)[11]。

3.2 基于加權(quán)K近鄰分類器的速度傳感器故障診斷

根據(jù)前面的分析，并考慮到故障發(fā)生的具體位置，故障類型共有F0～F9共10種，其中，F(xiàn)0為主速丟脈沖，F(xiàn)1為備速丟脈沖，F(xiàn)2為3路速度通道公共部分故障，F(xiàn)3為主速通道虛接，F(xiàn)4為備速通道虛接，F(xiàn)5為V0通道虛接；F6為V1通道虛接；F7為主速斷軸；F8為備速斷軸；F9為正常。圖5給出本文的故障診斷流程。

實(shí)驗(yàn)共有108組數(shù)據(jù)樣本。首先根據(jù)診斷流程判斷樣本是否發(fā)生丟脈沖以及速傳通道公共部分故障，實(shí)驗(yàn)結(jié)果是將F0、F1、F2共12組故障數(shù)據(jù)全部被正確識(shí)別。接著，將剩余的96組數(shù)據(jù)樣本(其中包括正常樣本40組，速度通道虛接樣本33組，速度傳感器斷軸數(shù)據(jù)樣本23組)計(jì)算相應(yīng)的特征向量，進(jìn)而輸入WKNN分類器進(jìn)行故障診斷。實(shí)驗(yàn)采用3折交叉驗(yàn)證的方式進(jìn)行，即：將數(shù)據(jù)集隨機(jī)分成3個(gè)子集，每次任取其中的2個(gè)子集構(gòu)成訓(xùn)練數(shù)據(jù)集，剩下的1個(gè)子集便是測(cè)試數(shù)據(jù)集，總共進(jìn)行3次測(cè)試，實(shí)驗(yàn)結(jié)果取3次分類實(shí)驗(yàn)結(jié)果的平均值。分類器K值的選擇是在交叉驗(yàn)證的基礎(chǔ)上，選取使得WKNN分類器分類正確率最高的K值。WKNN分類器分類正確率隨K值的變化情況見(jiàn)圖6。

根據(jù)K值實(shí)驗(yàn)結(jié)果，選取K值為2進(jìn)行實(shí)驗(yàn)。表2是不同故障類型的WKNN診斷準(zhǔn)確率表。

表2 不同故障類型的WKNN診斷準(zhǔn)確率表 %

為了綜合評(píng)價(jià)WKNN分類器的故障診斷效果，以分類器故障診斷平均正確率、召回率以及分類器故障診斷時(shí)間為指標(biāo)進(jìn)行評(píng)判。表3為實(shí)驗(yàn)結(jié)果。

表3 WKNN分類器故障診斷評(píng)價(jià)指標(biāo)

從表2、表3可見(jiàn)，利用WKNN分類器進(jìn)行故障診斷取得了較好的診斷效果，每種故障類型的故障識(shí)別率均在70%以上，WKNN分類器故障診斷平均正確率達(dá)到93.75%，故障診斷過(guò)程能夠在很短的時(shí)間內(nèi)達(dá)到較高的故障識(shí)別率以及故障召回率，較人工分析LKJ數(shù)據(jù)查找故障的傳統(tǒng)方式，提高了故障查找與定位的效率。

4 結(jié)束語(yǔ)

本文針對(duì)目前人工利用LKJ數(shù)據(jù)查找機(jī)車速度傳感器故障這一傳統(tǒng)方式，存在故障查找時(shí)間長(zhǎng)、分析數(shù)據(jù)時(shí)易出錯(cuò)以及高度依賴于分析人員的現(xiàn)場(chǎng)經(jīng)驗(yàn)等弊端，提出利用加權(quán)K近鄰分類器自動(dòng)根據(jù)LKJ數(shù)據(jù)對(duì)機(jī)車速度傳感器進(jìn)行故障診斷。通過(guò)對(duì)速度傳感器各種故障原因的分析，結(jié)合現(xiàn)場(chǎng)專家經(jīng)驗(yàn)，并根據(jù)對(duì)LKJ數(shù)據(jù)進(jìn)行數(shù)據(jù)分析的結(jié)果，整理得到本文的故障特征向量。最后，應(yīng)用實(shí)際數(shù)據(jù)在WKNN分類器上的診斷結(jié)果表明，該方法具有較高的故障診斷識(shí)別率、能夠在很短的時(shí)間內(nèi)快速、準(zhǔn)確地定位故障，較目前人工分析LKJ數(shù)據(jù)進(jìn)行故障診斷的操作提高了故障診斷的效率。如何進(jìn)一步根據(jù)LKJ數(shù)據(jù)提取出對(duì)故障診斷更為有效的特征向量是下一步工作的重點(diǎn)。

參考文獻(xiàn)：

[1] 楊志剛.LKJ列控技術(shù)與應(yīng)用[M].北京:中國(guó)鐵道出版社,2012:1-2.

[2] 陳巧燕.幾種典型速度的LKJ文件分析及處理[J].鐵路技術(shù)創(chuàng)新,2012,(2):62-65.

CHEN Qiao-yan.Analysis and Processing of Several Kinds of LKJ Files Relating to Speed[J].Railway Technological Innovation,2012,(2):62-65.

[3] 左申兵,丁伯奇.運(yùn)用機(jī)車監(jiān)控裝置記錄的信息判斷設(shè)備故障[J].機(jī)車電傳動(dòng),2002,(5):53-54.

ZUO Shen-bin,DING Bo-qi.Judging Fault State of Devices by Using Information Recorded by Locomotive Supervise Apparatus[J]. Electric Drive for Locomotives,2002,(5):53-54.

[4] 申秋發(fā). 巧妙運(yùn)用LKJ數(shù)據(jù)發(fā)現(xiàn)車載設(shè)備質(zhì)量問(wèn)題[J].鐵道通信信號(hào),2012,48(12):34-36.

SHEN Qiu-fa. Finding out Quality Problems of Equipments on-board by Using LKJData[J]. Railway Signalling and Communication, 2012,48(12):34-36.

[5] 周桂法,王堅(jiān).基于神經(jīng)網(wǎng)絡(luò)的機(jī)車速度傳感器故障診斷方法研究[J].機(jī)車電傳動(dòng),2010,(1):36-38.

ZHOU Gui-fa,WANG Jian. Research on Locomotive Speed Sensor Fault Diagnosis Method Based on Neural Network[J].Electric Drive for Locomotives,2010,(1):36-38.

[6] 鄭繼東. LKJ速度傳感器自動(dòng)轉(zhuǎn)換裝置的改進(jìn)設(shè)計(jì)[J].機(jī)車電傳動(dòng),2013,(1):92-96.

ZHEN Ji-dong. Improved Design of Automatical Switch Device of LKJ Speed Sensor[J]. Electric Drive for Locomotives,2013,(1):92-96.

[7] YANG Qiang,WU Xin-dong. 10 Challenging Problems in Data Mining Research[J]. International Journal of Information Technology and Decision Making,2006,5(4):597-604.

[8] 夏利民,谷士文,寧國(guó)英.基于小波包分析的貨車滾動(dòng)軸承故障診斷[J].中國(guó)鐵道科學(xué),2002,23(6):60-64.

XIA Li-min, GU Shi-wen, NING Guo-ying.Fault Testing on Rolling Bearing of Locomotive Freight Car Based on Wavelt Packets Analysis[J].China Railway Science,2002,23(6):60-64.

[9] 劉凡, 張昀, 姚曉, 等. 基于K近鄰算法的換流變壓器局部放電模式識(shí)別[J]. 電力自動(dòng)化設(shè)備, 2013, 33(5): 89-93.

LIU Fan, ZHANG Yun, YAO Xiao, et al.Recognition of PD Mode Based on KNN Algorithm for Converter Transformer[J]. Electric Power Automation Equipment, 2013, 33(5): 89-93.

[10] 郭躬德,黃杰,陳黎飛. 基于KNN模型的增量學(xué)習(xí)算法[J].模式識(shí)別與人工智能,2010,23(5):701-707.

GUO Gong-de, HUANG Jie, CHEN Li-fei.KNN Model Based Incremental Learning Algorithm[J]. Pattern Recognition and Artificial Intelligence, 2010, 23(5): 701-707.

[11] 朱明旱,羅大庸,易勵(lì)群.一種序列的加權(quán)KNN分類方法[J].電子學(xué)報(bào),2009,37(11):2584-2588.

ZHU Ming-han, LUO Da-yong, YI Li-qun. A Sequential Weighted K-Nearest Neighbor Classification Method[J].Acta Electronica Sinica,2009,37(11):2584-2588.