利用人工内分泌机制约简的KNN故障诊断模型及其应用

摘要

为了解决新能源汽车实时运行过程中由于数据流的无限性，以及概念漂移导致的静态KNN（k-nearest neighbors）故障诊断模型难以在线更新的问题，提出一种通过人工内分泌系统改进KNN的新能源汽车故障诊断模型（new energy vehicle fault diagnosis model, AES-KNN）,该模型将新能源汽车在线数据流中的样本视为细胞，利用人工内分泌调节机制对数据流中的分类边界进行在线更新，基于荷尔蒙浓度的实时检测，进行边界点约简，通过阈值检测数据流中是否发生概念漂移，利用在线更新的KNN边界进行故障诊断。在新能源国家大数据平台汽车故障数据集上进行测试时，运行时间比传统增量KNN模型降低了56.0%,F₁分数比WIN-KNN和RW-KNN分别提高了0.99%和0.75%。实验表明，该模型能在降低故障诊断时间的同时，有效处理概念漂移问题，得到精度高于传统模型的故障诊断结果。

关键词

故障诊断 / 人工内分泌系统 / KNN算法 / 概念漂移

基金资助

国家自然科学基金项目(52077007)