[发明专利]基于多特征融合的车辆门系统亚健康状态预警及诊断方法

权利要求书

1.基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：包括以下步骤，

步骤(A)，通过车辆门系统的故障试验，获取车辆门系统在各种亚健康状态下的电流、转速、转角三种时间序列的特征数据，形成车辆门系统的亚健康数据集；

步骤(B)，车辆门系统的亚健康数据集中每种状态对应的三种特征数据分别作归一化处理和特征降维处理，形成训练集和测试集；

步骤(C)，根据多特征、多分类、多核学习的SVM模型，确定核函数类型和每个基核的参数；

步骤(D)，将与不同特征结合的所有核函数进行线性组合，作为SVM模型的合成核函数，并利用SVM模型的合成核函数进行车辆门系统的亚健康状态诊断。

2.根据权利要求1所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：步骤(A)，获取车辆门系统在各种亚健康状态下的电流、转速、转角三种时间序列的特征数据，均包括开门和关门两种状态，所述亚健康状态，包括门对中6mm、门对中8mm、上滑道外调5mm、下档销横向干涉、下档销纵向干涉、压轮过压、门V型5mm、门V型8mm八种情况下的状态，通过车辆门系统的外置采集模块独立采集各状态下门电机的电流、转速、转角，形成车辆门系统的亚健康数据集。

3.根据权利要求1所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：步骤(B)，车辆门系统的亚健康数据集中每种状态对应的三种特征数据分别作归一化处理和特征降维处理，形成训练集和测试集，包括以下步骤，

(B1)，对亚健康数据集内的各状态下的电流、转角、转速时间序列的特征数据，分别找出其所对应的最短时间序列长度，并以此为基准将该状态下的所有时间序列长度统一化，得到对应的电流时间序列为x_i＝(x₁,x₂,...,x_m)，转角时间序列为y_i＝(y₁,y₂,...,y_n)，转速时间序列为z_i＝(z₁,z₂,...,z_k)；

(B2)，将同一状态、同一类别的各时间序列做数据标准化处理；

(B3)，根据主成分分析法对时间序列进行降维；

(B4)，对降维后的门亚健康数据集，随机选取70％作为训练集，剩下的30％作为测试集。

4.根据权利要求3所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：(B3)根据主成分分析法对时间序列进行降维的过程为，

已知某一状态的所有电流、转速或者转角特征数据的特征矩阵为A，将每一维的数据减去该维的均值得到矩阵B，计算矩阵B的协方差矩阵C，然后计算协方差矩阵C的特征值和特征向量r，将特征向量r按照对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，Y＝PA矩形Y为降维到k维后的某一状态的所有电流、转速或者转角特征数据。

5.根据权利要求1所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：步骤(C)，所述核函数类型为高斯径向基函数，且在一定范围内选取不同宽度参数σ的基础核函数，并统计基础核函数的个数M。

6.根据权利要求1所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：步骤(D)，将与不同特征结合的所有核函数进行线性组合，作为SVM模型的合成核函数，并利用SVM模型的合成核函数进行车辆门系统的亚健康状态诊断，包括以下步骤，

(D1)采用l个不同参数的基础核函数，对训练集中每一种门状态的三种电机特征数据分别构建l个核矩阵；

(D2)将不同状态下的核矩阵线性组合为一个新的核函数，采用该核函数替换SVM模型内支持向量机中的单个基础核函数，并通过多核学习方法计算各个其中参与组合的基础核函数的权重系数，构建形成多核SVM分类器；

(D3)，根据多核SVM分类器，进行车辆门系统的亚健康状态诊断。

7.根据权利要求6所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：(D3)，根据多核SVM分类器，进行车辆门系统的亚健康状态诊断，包括以下步骤，

(1)根据带有不同参数的基础核函数对测试集的三类特征数据进行特征映射，得到测试集的基础核矩阵，然后根据多核学习方法所求的权重系数，对所得基础核矩阵进行线性组合，得到新的测试核函数；

(2)，根据多核SVM分类器，采用一对一判别方法识别各测试核函数对应的门状态。