基于可能性c均值聚类算法的在线汽车悬架性能监控方法
【技术领域】
[0001] 本发明设及基于可能性C均值聚类算法（PCM)的在线汽车悬架性能监控方法。
【背景技术】
[0002] 随着汽车行业的飞速发展，车辆的舒适度、安全性W及可靠性受到了广泛的关注， 其中汽车悬架系统是影响汽车性能的重要部分。健康状态的汽车悬架系统不但能够保证 汽车轮胎紧密的抓紧地面，更加有利于刹车，而且驾驶中汽车车体震动幅度很小，提高舒适 度。如果汽车悬架系统出现故障，就会导致汽车的安全性舒适性大大降低。因此，汽车悬架 系统的在线性能监控是非常重要的。目前，汽车悬架性能监控系统还不成熟，基于模型的监 控手段受限于精确模型难W获取，还处于实验室阶段；一些基于数据的监控算法，圓于计算 量较大，不便于实现在线性能监控。
【发明内容】
[0003] 本发明是要解决现有方法计算量大不能实现在线性能监控的问题，而提供了基于 可能性C均值聚类算法的在线汽车悬架性能监控方法。
[0004] 基于可能性C均值聚类算法的在线汽车悬架性能监控方法，它按W下步骤实现：
[0005] 步骤一：在汽车悬架处于健康状态下采集N个加速度计样本得到正常数据；其中 所述每个加速度计样本为四维向量，一个加速度计样本包含四个加速度计采样值，每一个 加速度计采样值称为加速度计样本的一个元素，每个元素代表一个加速度计值；
[0006] 步骤二：用FCM算法计算出N个正常数据的聚类中心将计算出的聚类中屯、作为 PCM的初始值，计算得到PCM的聚类中屯、Uk和权值n
[0007] 步骤S ;在汽车悬架运行中，每隔一段时间ts采集一次加速度计值，根据PCM的 聚类中屯、和权值计算该加速度计样本相对于正常数据的隶属度Uki，如果隶属度低于阔值 化r(0.4Cr虹<0.5)则转入步骤四；如果隶属度高于阔值，则表明正常状态，不需要采取措 施；其中，所过
dk康示样本X占聚类中屯、U k之间的距离；
[000引步骤四：统计下一段时间T(T〉〉ts)内，隶属度低于阔值化r的加速度计样本个数 A，如果T时间内加速度计样本个数A达到样本总数順的80%，则汽车悬架系统出现故障并 收集故障数据；
[0009] 步骤五；将收集的故障数据和正常数据用抑A算法分类，得到分类特征向量Wk;通 过特征向量Wk得到每一个加速度计值对分类的贡献，贡献最大的加速度计对应的弹黃出现 故障。
[0010] 发明效果：现有性能监控方法大多采用定时到汽车维护点检修的方法，不能实现 在线性能监控。首先本方法实现了在线性能监控；其次，本方法只需要四个加速度计的值， 在实际实现中，不需要额外增加大量的硬件，可实现性强；最后，PCM离线学习获得聚类中 屯、，在线运行时，仅需要简单的计算出新采样点与聚类中屯、的距离，进而通过公式计算隶属 度，在线计算量很低，可实现性高
[0011] 本发明提出了基于可能性C均值聚类算法的在线汽车悬架性能监控系统。该系统 只利用汽车悬架中的四个加速度计的输出值，就能实现在线监控汽车悬架中对应四个轮胎 的四个角中的弹黃是否发生故障。
【附图说明】
[0012] 图1是汽车悬架的结构图。
【具体实施方式】
【具体实施方式】 [0013] 一；本实施方式的基于可能性C均值聚类算法的在线汽车悬架性能 监控方法，它按W下步骤实现：
[0014] 步骤一：在汽车悬架处于健康状态下采集N个加速度计样本得到正常数据；其中 所述每个加速度计样本为四维向量，一个加速度计样本包含四个加速度计采样值，每一个 加速度计采样值称为加速度计样本的一个元素，每个元素代表一个加速度计值；
[0015] 步骤二：用FCM算法计算出N个正常数据的聚类中屯、，将计算出的聚类中屯、作为 PCM的初始值，计算得到PCM的聚类中屯、Uk和权值ni;(前两个步骤是离线学习过程，后 面是在线监控过程）
[0016] 步骤在汽车悬架运行中，每隔一段时间ts采集一次加速度计值，即一个加 速度计样本，根据PCM的聚类中屯、和权值计算该加速度计样本相对于正常数据的隶属 度Uki，如果隶属度低于阔值化r(0. 4<化六0. 5)则转入步骤四，说明该加速度计样本可 能不属于正常数据；如果隶属度高于阔值，则表明正常状态，不需要采取措施；其中，所述
dki表示样本Xi与聚类中屯、U k之间的距离；
[0017] 步骤四：统计下一段时间T(T〉〉ts)内，隶属度低于阔值化r的加速度计样本个数 A，如果T时间内加速度计样本个数A达到样本总数順的80%，则汽车悬架系统出现故障并 收集故障数据；
[0018] 步骤五；将收集的故障数据和正常数据用抑A算法分类，得到分类特征向量Wk;通 过特征向量Wk得到每一个加速度计值对分类的贡献，贡献最大的加速度计对应的弹黃出现 故障。
[0019]
【具体实施方式】二；本实施方式与【具体实施方式】一不同的是；所述步骤二中用FCM 算
[0020] 法计算出N个正常数据的聚类中屯、具体为：
[002U FCM对初始条件不敏感，X = {Xi|i = 1，2,…，N}为N个加速度计样本组成的数据 集，其中一个样本表示为Xi= [Xu…xj，Xi为一个采样点，一个采样点里有b个数据，Xi。 为第b个数据；
[0022] FCM通过求取使目标函数最小的解来完成对N个样本的聚类，目标函数如下，
[0023]
[0024] 其中，WkiE[0, 1]:
m代表模糊指数，c代表聚类中屯、 的个数；k表示第k个聚类中屯、，i表示第i个样本，y ki表示第i个样本相对于第k个聚类 中屯、的隶属度；
[0025] 目标函数的解如下：
[0026]
[0027] Uk代表第k类的聚类中屯、：
dk康示样本X;与聚类中屯、Uk之间的 距离，j表示第j个聚类中屯、，y ki表示第i个样本对于第k个聚类中屯、的隶属度；d j,表示 第i个样本对于第j个聚类中屯、的距离。
[002引其它步骤及参数与【具体实施方式】一相同。
【具体实施方式】 [0029] 本实施方式与一或二不同的是：所述步骤二将计 算出的聚类中屯、作为PCM的初始值，计算得到PCM的聚类中屯、〇k和权值n i具体为：
[0030] PCM对于初始条件较为敏感，利用FCM初步聚类的结果作为PCM的初始值，PCM在 对加速度计样本点分类时，样本点对任一聚类类别的隶属度在0-1之间，对