基于K鄰近算法的轉(zhuǎn)向架構(gòu)架狀態(tài)識(shí)別研究

(1.華東交通大學(xué) 機(jī)電與車輛工程學(xué)院，江西 南昌 330013;2.常州信息職業(yè)技術(shù)學(xué)院 機(jī)電工程學(xué)院,江蘇 常州 213164)

機(jī)車在運(yùn)行過程中，由于頻繁地隨機(jī)交變載荷帶來的影響，列車轉(zhuǎn)向架結(jié)構(gòu)件可能會(huì)出現(xiàn)故障，進(jìn)而導(dǎo)致運(yùn)行品質(zhì)下降，甚至?xí)?dǎo)致脫軌翻車等嚴(yán)重安全事故的發(fā)生。轉(zhuǎn)向架構(gòu)架故障的準(zhǔn)確診斷可以減少或杜絕事故的發(fā)生，有利于運(yùn)維人員對(duì)轉(zhuǎn)向架構(gòu)架的實(shí)時(shí)監(jiān)測(cè)與狀態(tài)把握，針對(duì)不同狀態(tài)施行相應(yīng)舉措，最大限度延長轉(zhuǎn)向架的使用壽命，對(duì)機(jī)車的安全運(yùn)行具有很重要的意義。

迄今為止，轉(zhuǎn)向架構(gòu)架的故障診斷方向研究較少，而轉(zhuǎn)向架整體的故障診斷與轉(zhuǎn)向架軸承的故障診斷已經(jīng)有比較成熟的分析方法。目前應(yīng)用較為廣泛的轉(zhuǎn)向架整體的故障診斷方法包括支持向量機(jī)、故障識(shí)別搜索、BP 神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、隱馬爾可夫模型、Adaboost 等算法[1]。轉(zhuǎn)向架軸承故障診斷的方法應(yīng)用最為廣泛的是采用振動(dòng)信號(hào)進(jìn)行診斷，振動(dòng)信號(hào)的分析方法主要有兩種：時(shí)域法和頻域法[2]。文獻(xiàn)[3]采用沖擊脈沖方法和共振解調(diào)法進(jìn)行軸承的故障檢測(cè)。文獻(xiàn)[4]提出一種采用支持向量機(jī)進(jìn)行轉(zhuǎn)向架故障狀態(tài)的分類識(shí)別的方法。文獻(xiàn)[5]采用故障樹分析法對(duì)轉(zhuǎn)向架軸承常見的故障類型及產(chǎn)生原因進(jìn)行分析。文獻(xiàn)[6]則將小波包分解和集合經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)合在一起進(jìn)行軸承故障診斷。文獻(xiàn)[7]利用極限學(xué)習(xí)機(jī)訓(xùn)練速度快且泛化能力強(qiáng)的特點(diǎn),提出了一種基于半監(jiān)督極限學(xué)習(xí)機(jī)的滾動(dòng)軸承故障診斷方法。文獻(xiàn)[8]提出了一種基于小波包與自適應(yīng)遺傳算法優(yōu)化最小二乘支持向量機(jī)相結(jié)合的故障診斷模型，解決滾動(dòng)軸承故障特征提取和故障類型識(shí)別問題，提高診斷準(zhǔn)確率。文獻(xiàn)[9]提出一種基于振動(dòng)特征的軌道車輛轉(zhuǎn)向架牽引電機(jī)滾動(dòng)軸承可靠性評(píng)估方法，從而對(duì)電機(jī)軸承運(yùn)行可靠性提供了有效的評(píng)估。文獻(xiàn)[10]依據(jù)深度學(xué)習(xí)的降噪自動(dòng)編解碼過程對(duì)故障的頻域信號(hào)進(jìn)行特征學(xué)習(xí),并以此特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入實(shí)現(xiàn)轉(zhuǎn)向架故障信號(hào)的識(shí)別。文獻(xiàn)[11]通過對(duì)監(jiān)測(cè)數(shù)據(jù)特征提取的分析,建立特征提取知識(shí)庫,構(gòu)建了故障診斷決策模型，并通過改進(jìn)的粒子群優(yōu)化算法優(yōu)化支持向量機(jī)參數(shù)。文獻(xiàn)[12]深入地研究了基于小波變換的微弱信號(hào)探測(cè)理論、算法仿真及算法在DSP中的實(shí)現(xiàn)，并通過不斷地優(yōu)化改進(jìn)了信號(hào)處理過程。文獻(xiàn)[13]利用高斯混合模型GMM將訓(xùn)練樣本數(shù)據(jù)分為K類得到樣本的K鄰近樣本馬氏距離和，將其作為故障檢測(cè)的指標(biāo)。文獻(xiàn)[14]提出一種基于K鄰近 (KNN)的多標(biāo)簽分類去噪方法。

上述文獻(xiàn)均為基于轉(zhuǎn)向架整體或者轉(zhuǎn)向架軸承的故障診斷與識(shí)別方法，或是利用KNN算法對(duì)其他對(duì)象的識(shí)別方法，但對(duì)于轉(zhuǎn)向架構(gòu)架的狀態(tài)識(shí)別還有待進(jìn)一步研究。本文提出了一種計(jì)算量小、簡便的轉(zhuǎn)向架構(gòu)架狀態(tài)識(shí)別方法。選取對(duì)機(jī)車轉(zhuǎn)向架起決定性影響的關(guān)鍵部件——構(gòu)架為研究對(duì)象，通過噪聲與加速度傳感器獲取激振器運(yùn)行時(shí)與轉(zhuǎn)向架構(gòu)架接觸產(chǎn)生的各種重要信號(hào)，并對(duì)采集到的激振數(shù)據(jù)信號(hào)進(jìn)行分析和處理，提取轉(zhuǎn)向架構(gòu)架的關(guān)鍵特征，進(jìn)而構(gòu)建K鄰近算法識(shí)別模型，利用模式識(shí)別方法，對(duì)轉(zhuǎn)向架構(gòu)架的三種不同狀態(tài)(正常、小裂紋、大裂紋)進(jìn)行識(shí)別，對(duì)轉(zhuǎn)向架構(gòu)架狀態(tài)進(jìn)行預(yù)測(cè)及可靠性評(píng)估，對(duì)保障高速列車安全可靠運(yùn)行和及時(shí)維修養(yǎng)護(hù)具有十分重要的意義。

1 狀態(tài)識(shí)別算法

1.1 基本原理

K鄰近算法簡稱KNN算法，其思路非常簡單直觀，易于快速實(shí)現(xiàn)，具有失誤率低的優(yōu)點(diǎn)。所謂KNN，就是K個(gè)最近的鄰居的意思，說的是每個(gè)樣本都可以用它最接近的K個(gè)鄰居來代表。

KNN是通過測(cè)量不同特征值之間的距離進(jìn)行分類。它的思路是：如果一個(gè)樣本在特征空間中的K個(gè)最相似(特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別[15]。該方法在確定分類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來決定待分樣本所屬的類別，只與極少量的相鄰樣本有關(guān)，而不是靠判別類域的方法來確定所屬類別的，因此對(duì)于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。

1.2 算法步驟

KNN算法的算法步驟如下：

① 計(jì)算測(cè)試數(shù)據(jù)與各個(gè)訓(xùn)練數(shù)據(jù)之間的距離并按照距離的遞增關(guān)系進(jìn)行排序；

② 取距離最小的K個(gè)點(diǎn)并確定所在類別的出現(xiàn)頻率；

③ 返回前K個(gè)點(diǎn)中出現(xiàn)頻率最高的類別作為測(cè)試數(shù)據(jù)的預(yù)測(cè)分類。

1.3 相似性度量

用空間內(nèi)兩個(gè)點(diǎn)的距離來度量。距離越大，表示兩個(gè)點(diǎn)越不相似。距離的選擇有很多，通常用比較簡單的歐式距離deuc(a,b)，計(jì)算公式如下：

(1)

式中，d表示d維空間；aj表示a在第j維下的坐標(biāo)；bj表示b在第j維下的坐標(biāo)。

1.4 K值的設(shè)定

K值一般是根據(jù)經(jīng)驗(yàn)規(guī)則進(jìn)行設(shè)定的。

經(jīng)驗(yàn)規(guī)則：K一般低于訓(xùn)練樣本數(shù)的平方根。K值選擇過小，得到的近鄰數(shù)過少，會(huì)降低分類精度，同時(shí)也會(huì)放大噪聲數(shù)據(jù)的干擾；而如果K值選擇過大，并且待分類樣本屬于訓(xùn)練集中包含數(shù)據(jù)數(shù)較少的類，那么在選擇K個(gè)近鄰的時(shí)候，實(shí)際上并不相似的數(shù)據(jù)亦被包含進(jìn)來，造成噪聲增加而導(dǎo)致分類效果的降低。

2 實(shí)驗(yàn)方案設(shè)計(jì)

為了驗(yàn)證K鄰近算法對(duì)轉(zhuǎn)向架構(gòu)架識(shí)別的有效性，搭建了轉(zhuǎn)向架構(gòu)架試驗(yàn)平臺(tái)。依據(jù)文獻(xiàn)，曾琦[16]發(fā)現(xiàn)對(duì)轉(zhuǎn)向架運(yùn)行狀態(tài)進(jìn)行故障診斷時(shí)，其振動(dòng)信號(hào)與噪聲信號(hào)有著特征明顯、易于檢測(cè)等顯著優(yōu)勢(shì)，故選擇加速度數(shù)據(jù)與噪聲數(shù)據(jù)作為診斷數(shù)據(jù)。采用多傳感器獲取這些運(yùn)行參數(shù)，并由數(shù)據(jù)采集卡輸入PC機(jī)中進(jìn)行信號(hào)分析和處理，進(jìn)而提取狀態(tài)特征，由模式識(shí)別方法進(jìn)行狀態(tài)識(shí)別。在此基礎(chǔ)上，搭建實(shí)驗(yàn)平臺(tái)。設(shè)計(jì)方案如圖1所示。整體實(shí)驗(yàn)裝置包括信號(hào)發(fā)生器、功率放大器、激振器、加速度傳感器、噪聲傳感器、數(shù)據(jù)采集卡和PC機(jī)。模擬實(shí)驗(yàn)平臺(tái)如圖2所示。掃頻信號(hào)發(fā)生器輸出端接功率放大器AC口，功率放大器Output口接激振器，加速度傳感器接到采集卡2、3口(IEPE)，噪聲傳感器接到1口(IEPE)，采集卡接到PC機(jī)。

圖1 設(shè)計(jì)方案示意圖

圖2 轉(zhuǎn)向架構(gòu)架運(yùn)行狀態(tài)監(jiān)測(cè)模擬實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)中所用轉(zhuǎn)向架構(gòu)架尺寸如下：頂板與底板長30 cm，寬20 cm；頂板與底板之間高度20 cm；中間支撐板為梯形板，上底長21.5 cm，下底長25.5 cm，兩支撐板之間距離為15 cm。板材厚度均為1.3 cm。根據(jù)動(dòng)車組轉(zhuǎn)向架三級(jí)檢修標(biāo)準(zhǔn)，原則上構(gòu)架表面存在寬度小于或等于鋼板厚度10%的裂紋時(shí)，須對(duì)裂紋部位進(jìn)行打磨消除、圓滑過渡；當(dāng)裂紋寬度大于鋼板厚度10%時(shí)須焊修。構(gòu)架表面關(guān)鍵焊縫(新造時(shí)要求探傷的焊縫)須進(jìn)行外觀狀態(tài)檢查，目視發(fā)現(xiàn)裂紋等缺陷時(shí)須焊修，焊修后須探傷檢查[17]。即小裂紋狀態(tài)時(shí)僅需打磨消除裂紋，而大裂紋狀態(tài)時(shí)必須焊修才可消除裂紋保證其正常工作。因本文采用轉(zhuǎn)向架構(gòu)架板材厚度為1.3 cm，故本文定義小裂紋寬度為1 mm，大裂紋寬度為2 mm。

進(jìn)行實(shí)驗(yàn)操作時(shí)，先采用掃頻儀產(chǎn)生振動(dòng)信號(hào)，再經(jīng)功率放大器將信號(hào)放大，傳入到激振器中，激振器產(chǎn)生振動(dòng)，其頂桿與結(jié)構(gòu)件側(cè)板接觸，從而激起模型的振動(dòng)，分別在底板和頂板放置加速度傳感器，其旁放置噪聲傳感器，最后接入數(shù)據(jù)采集卡，從而將調(diào)理后的振動(dòng)與噪聲模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)，最后在PC機(jī)中采集。

數(shù)據(jù)采集時(shí)設(shè)置采樣率為12 kHz，采樣時(shí)間為10 s。圖2中實(shí)驗(yàn)構(gòu)架狀態(tài)分為3種：正常、小裂紋、大裂紋。實(shí)驗(yàn)中所用正常狀態(tài)構(gòu)架細(xì)節(jié)如圖3所示，小裂紋狀態(tài)構(gòu)架細(xì)節(jié)如圖4所示，大裂紋狀態(tài)構(gòu)架細(xì)節(jié)如圖5所示。

為保證隨機(jī)性，在不同時(shí)間段采集數(shù)據(jù)，共采集到5個(gè)不同時(shí)間段的數(shù)據(jù)。激振器激振頻率范圍設(shè)置為100～2500 Hz，間隔100 Hz，共25種激振頻率。故轉(zhuǎn)向架構(gòu)架每種狀態(tài)不同激振頻率下共采集125組數(shù)據(jù)，3種狀態(tài)共采集375組數(shù)據(jù)。將數(shù)據(jù)進(jìn)行分組后用于后續(xù)數(shù)據(jù)處理與狀態(tài)識(shí)別，分組情況如表1所示。

圖4 小裂紋狀態(tài)構(gòu)架細(xì)節(jié)圖

圖5 大裂紋狀態(tài)構(gòu)架細(xì)節(jié)圖

訓(xùn)練(組)測(cè)試(組)正常7550大裂紋7550小裂紋7550

3 特征提取與狀態(tài)識(shí)別

3.1 特征提取

根據(jù)傳感器提取到的噪聲數(shù)據(jù)與加速度數(shù)據(jù)，隨機(jī)選取一組頻率(激振頻率為500 Hz)時(shí)采集到的正常、小裂紋、大裂紋3種狀態(tài)下的噪聲數(shù)據(jù)與加速度數(shù)據(jù)分別做出其時(shí)域分析圖如圖6、圖7所示。

圖6 激振頻率500 Hz下不同狀態(tài)噪聲數(shù)據(jù)時(shí)域圖

圖7 激振頻率500 Hz下不同狀態(tài)加速度數(shù)據(jù)時(shí)域圖

圖6顯示，正常狀態(tài)下噪聲波形幅值較小，且有較多毛刺；當(dāng)構(gòu)架上出現(xiàn)小裂紋時(shí)，噪聲波形幅值增大，毛刺減少；當(dāng)構(gòu)架上出現(xiàn)大裂紋時(shí)，噪聲波形幅值介于正常狀態(tài)與小裂紋狀態(tài)之間，波形平穩(wěn)。圖7顯示，正常狀態(tài)下，波形較為規(guī)律，呈現(xiàn)出較明顯的波動(dòng)；當(dāng)構(gòu)架上出現(xiàn)小裂紋時(shí)，數(shù)據(jù)波形幅值變化不大，但波形上無明顯波動(dòng)；當(dāng)構(gòu)架上出現(xiàn)大裂紋時(shí)，數(shù)據(jù)波形幅值明顯減小，出現(xiàn)較多毛刺，波形不平穩(wěn)。為了更明顯地區(qū)別三種狀態(tài)，對(duì)轉(zhuǎn)向架構(gòu)架進(jìn)行狀態(tài)識(shí)別，對(duì)采集到的噪聲信號(hào)數(shù)據(jù)與加速度信號(hào)數(shù)據(jù)進(jìn)行時(shí)域分析，提取出包括最大值、最小值、峰峰值、平均值、方差、標(biāo)準(zhǔn)差、峭度、均方根8種時(shí)域特征。從中選取出較為敏感的特征：峰峰值、方差與峭度作為狀態(tài)識(shí)別時(shí)的時(shí)域特征，將噪聲數(shù)據(jù)下的時(shí)域特征記為：Ipk1，Ivr1，Iku1，將加速度數(shù)據(jù)下的時(shí)域特征記為：Ipk2,Ivr2,Iku2。峰峰值是指信號(hào)最高值和最低值之間差的值，就是最大和最小之間的范圍，它描述了信號(hào)值的變化范圍的大小；方差描述的是信號(hào)的波動(dòng)范圍；峭度是無量綱參數(shù)，由于它與軸承轉(zhuǎn)速、尺寸、載荷等無關(guān)，對(duì)沖擊信號(hào)特別敏感，特別適用于表面損傷類故障、尤其是早期故障的診斷。

隨機(jī)選取一組頻率(激振頻率為500 Hz)時(shí)采集到的正常、小裂紋、大裂紋3種狀態(tài)下的噪聲數(shù)據(jù)與加速度數(shù)據(jù)分別進(jìn)行三層小波包分解，做出其時(shí)頻域能量譜圖如圖8、圖9所示。

圖8 激振頻率500 Hz下不同狀態(tài)噪聲數(shù)據(jù)時(shí)頻域能量譜圖

圖9 激振頻率500 Hz下不同狀態(tài)加速度數(shù)據(jù)時(shí)頻域能量譜圖

圖8顯示，3種狀態(tài)下噪聲數(shù)據(jù)經(jīng)時(shí)頻域處理后其信號(hào)能量均在低頻段時(shí)比較大，正常狀態(tài)下前4個(gè)頻段均有明顯的小波包能量值，小裂紋狀態(tài)下僅在前兩個(gè)頻段其小波包能量比較明顯，而當(dāng)構(gòu)架出現(xiàn)大裂紋時(shí)，其小波包能量譜與正常狀態(tài)、小裂紋狀態(tài)均有較大差別，僅在最低頻段下有明顯且較大的小波包能量。圖9顯示，3種狀態(tài)下的加速度數(shù)據(jù)經(jīng)時(shí)頻域處狀態(tài)下前4個(gè)頻段與第7個(gè)頻段、小裂紋狀態(tài)下前兩個(gè)頻段、大裂紋狀態(tài)下第一個(gè)頻段的小波包能量值較大。兩圖均顯示3種狀態(tài)下噪聲數(shù)據(jù)、加速度數(shù)據(jù)時(shí)頻域能量譜圖有較大差別，將噪聲數(shù)據(jù)下的時(shí)頻域特征記為：Isp11，Isp12，Isp13，Isp14，Isp15，Isp16，Isp17，Isp18，將加速度數(shù)據(jù)下的時(shí)頻域特征記為：Isp21，Isp22，Isp23，Isp24，Isp25，Isp26，Isp27,Isp28。為對(duì)3種不同狀態(tài)進(jìn)行識(shí)別，選取噪聲數(shù)據(jù)與加速度數(shù)據(jù)下前4個(gè)頻段的小波包能量作為狀態(tài)識(shí)別時(shí)的時(shí)頻域特征，即Isp11,Isp12,Isp13,Isp14,Isp21,Isp22,Isp23,Isp24。

最終組合敏感特征為：I=[Ipk1,Ivr1,Iku1,Ipk2,Ivr2,Iku2,Isp11,Isp12,Isp13,Isp14,Isp21,Isp22,Isp23,Isp24]作為狀態(tài)識(shí)別特征。各敏感特征對(duì)應(yīng)物理意義如表2所示。

表2 敏感特征矩陣對(duì)應(yīng)物理意義

3.2 狀態(tài)識(shí)別

提取激振頻率為100～2500 Hz內(nèi)(頻率間隔為100 Hz)的25個(gè)頻率下的數(shù)據(jù)，每種激振頻率下不同時(shí)間段共采集5組數(shù)據(jù)，將采集到的數(shù)據(jù)分為兩部分，每種頻率下的前3組數(shù)據(jù)作為訓(xùn)練樣本，正常狀態(tài)、小裂紋狀態(tài)、大裂紋狀態(tài)分別有75組數(shù)據(jù)，共225組數(shù)據(jù)，后2組作為測(cè)試樣本，正常狀態(tài)、小裂紋狀態(tài)、大裂紋狀態(tài)分別有50組數(shù)據(jù)，共150組數(shù)據(jù)。提取訓(xùn)練樣本中2種不同傳感器下的3種不同時(shí)域特征值：峰峰值、方差與峭度與時(shí)頻域特征值：4個(gè)小波包能量敏感特征，組成維度為225×14的矩陣作為訓(xùn)練集；提取測(cè)試樣本中兩種不同傳感器下的3種不同特征值(峰峰值、方差與峭度)與時(shí)頻域特征值(小波包能量)，組成維度為150×14的矩陣作為測(cè)試集。規(guī)定轉(zhuǎn)向架構(gòu)架正常狀態(tài)、小裂紋狀態(tài)，大裂紋狀態(tài)對(duì)應(yīng)標(biāo)簽分別為00,01,10，建立訓(xùn)練標(biāo)簽集[00,…,00,01,…,01,10,…,10]與測(cè)試標(biāo)簽集[00,…,00,01,…,01,10,…,10]。設(shè)置相似性度量為歐氏距離。將每種狀態(tài)下的訓(xùn)練集通過KNN算法進(jìn)行訓(xùn)練優(yōu)化，再對(duì)測(cè)試集進(jìn)行狀態(tài)識(shí)別，識(shí)別結(jié)果數(shù)字分別對(duì)應(yīng)轉(zhuǎn)向架構(gòu)架的三種不同狀態(tài)。

對(duì)于K值的選取，由于K一般低于訓(xùn)練樣本數(shù)的平方根，本實(shí)驗(yàn)中即為K不大于15，通過交叉檢驗(yàn)的方式，將K不同取值下識(shí)別率進(jìn)行對(duì)比，識(shí)別率結(jié)果如表3所示。

表3 不同K值下識(shí)別率結(jié)果

根據(jù)表3中K不同取值下的不同識(shí)別率結(jié)果，發(fā)現(xiàn)K=1時(shí)識(shí)別率最高，但由于K取1時(shí)僅取距離最近的一個(gè)鄰居的類別作為識(shí)別結(jié)果，此方式隨機(jī)性太高，綜合考慮識(shí)別率及隨機(jī)性問題，選擇識(shí)別率次之的K=3作為最終識(shí)別時(shí)的取值。最終識(shí)別結(jié)果如表4所示。

表4 各狀態(tài)識(shí)別結(jié)果

表4中，加粗的數(shù)字表示錯(cuò)誤識(shí)別后的結(jié)果，未加粗的數(shù)字表示識(shí)別結(jié)果正確。表4顯示所有150個(gè)識(shí)別結(jié)果中，僅有11個(gè)錯(cuò)誤識(shí)別的結(jié)果，最終識(shí)別率為93.33%。由于轉(zhuǎn)向架構(gòu)架正常、小裂紋及大裂紋狀態(tài)下特征具有一定的相似度，該識(shí)別結(jié)果會(huì)出現(xiàn)一定的錯(cuò)誤。在正常狀態(tài)下的識(shí)別出現(xiàn)失誤較多，識(shí)別為小裂紋、大裂紋狀態(tài)均有出現(xiàn)；小裂紋狀態(tài)下僅會(huì)錯(cuò)誤識(shí)別為大裂紋狀態(tài)；大裂紋狀態(tài)下僅會(huì)錯(cuò)誤識(shí)別為小裂紋狀態(tài)。

為體現(xiàn)KNN算法對(duì)轉(zhuǎn)向架構(gòu)架狀態(tài)識(shí)別的優(yōu)勢(shì)與先進(jìn)性，針對(duì)同樣的測(cè)試集和訓(xùn)練集，利用最小二乘支持向量機(jī)(LSSVM)方法對(duì)轉(zhuǎn)向架構(gòu)架三種不同狀態(tài)進(jìn)行識(shí)別，識(shí)別結(jié)果如表5所示。

表5 利用LSSVM方法的識(shí)別結(jié)果

表5中，加粗的數(shù)字表示錯(cuò)誤識(shí)別后的結(jié)果，未加粗的數(shù)字表示識(shí)別結(jié)果正確，-Inf代表未識(shí)別出結(jié)果。表5顯示所有150個(gè)識(shí)別結(jié)果中，有28個(gè)錯(cuò)誤識(shí)別結(jié)果，最終識(shí)別率為81.33%。

經(jīng)過兩種方法識(shí)別結(jié)果的對(duì)比，可以看出，KNN算法得到的最終識(shí)別結(jié)果優(yōu)于LSSVM方法，可以得到更為準(zhǔn)確的識(shí)別率。LSSVM方法適用于特征量較少的樣本進(jìn)行識(shí)別，本文中所需進(jìn)行識(shí)別的樣本集最終提取出了14個(gè)特征，故利用LSSVM方法對(duì)本文3種狀態(tài)進(jìn)行識(shí)別不能得到很好的識(shí)別效果。最終結(jié)果表明，利用KNN算法進(jìn)行轉(zhuǎn)向架構(gòu)架的狀態(tài)識(shí)別可以得到較為準(zhǔn)確的識(shí)別結(jié)果，相比LSSVM方法具有一定的優(yōu)勢(shì)。

4 結(jié)束語

為了對(duì)轉(zhuǎn)向架構(gòu)架裂紋進(jìn)行狀態(tài)識(shí)別，本文以不同狀態(tài)轉(zhuǎn)向架構(gòu)架裂紋為研究對(duì)象，提出了一種利用KNN算法對(duì)轉(zhuǎn)向架構(gòu)架狀態(tài)進(jìn)行識(shí)別的方法，設(shè)計(jì)了轉(zhuǎn)向架構(gòu)架運(yùn)行狀態(tài)參數(shù)測(cè)量實(shí)驗(yàn)裝置，通過多個(gè)傳感器獲取了轉(zhuǎn)向架構(gòu)架的各種重要信號(hào)：噪聲信號(hào)與加速度信號(hào)，并對(duì)采集到的信號(hào)進(jìn)行了分析和處理，提取了轉(zhuǎn)向架構(gòu)架的噪聲與加速度敏感特征，進(jìn)而構(gòu)建了K鄰近算法識(shí)別模型，利用模式識(shí)別方法，對(duì)轉(zhuǎn)向架構(gòu)架的3種不同狀態(tài)(正常、大裂紋、小裂紋)進(jìn)行了識(shí)別，識(shí)別較好。識(shí)別結(jié)果表明，利用KNN算法進(jìn)行轉(zhuǎn)向架構(gòu)架狀態(tài)識(shí)別是可行的。KNN算法簡單，易于實(shí)現(xiàn)，無需估計(jì)參數(shù)，適合于多分類問題，但在對(duì)測(cè)試樣本分類時(shí)要掃描全部訓(xùn)練樣本并計(jì)算距離，導(dǎo)致系統(tǒng)內(nèi)存占用量大；在樣本數(shù)過大的情況下識(shí)別準(zhǔn)確性可能降低，因此改進(jìn)的K鄰近算法有待進(jìn)一步研究，如增加頻域特征或采用模態(tài)區(qū)間方法等。