基于机器学习的汽车发动机工况识别方法--粉丝服务平台-粉丝头条-fensifuwu.com

基于机器学习的汽车发动机工况识别方法

科技 08-11 来源：哥廷根数学学派

该程序利用Bagging模型和决策树模型对汽车发动机进行工况识别，数据集包括在1500、2000、2500和3000的转速下采集的声学信号，共5种发动机工况：正常工况Normal(0)，稀薄燃烧工况Lean(1)，富氧燃烧工况Rich(2)，点火提前工况Spark Advance（3）和火花延迟工况Spark Retard（4）。

由于文件为TDMS文件类型，使用MATLAB或excel打开请参考如下文章

如何用MATLAB打开tdms文件 - 你在悲伤什么的文章 - 知乎 https://zhuanlan.zhihu.com/p/341281546

后缀是tdms的文件怎么打开？ - zhihurz的回答 - 知乎 https://www.zhihu.com/question/305029962/answer/1203851780

为了方便，我直接用excel画图，首先几个工况的时域波形

Lean 3000工况

Normal 3000工况

Spark Adv 3000工况

其次进行特征提取，特征提取较为简单，不再赘述

然后看一下所提取的特征

读取特征数据

data = readtable('Features.xlsx');

提取预测变量和响应变量

predictors = data.Properties.VariableNames(1:end-1);X = data(:, predictors);response = data.Properties.VariableNames(end);Y = table2array(data(:, response));

打乱数据

rng(394)idx = randperm(size(data, 1));X = X(idx, :);Y = Y(idx, :);cvp = cvpartition(Y, 'Holdout', 0.3);

设置训练据和测试集

X_train = X(cvp.training, :);Y_train = Y(cvp.training, :);X_test = X(cvp.test, :);Y_test = Y(cvp.test, :);

创建一个决策树模板

template = templateTree('MaxNumSplits', length(Y)-1);

使用交叉验证方法进行训练

k = 10;iterations = 100;model = fitcensemble(X_train, Y_train, ...                     'Method', 'Bag', ...,                     'Type', 'classification', ...                     'NumLearningCycles', iterations, ...                     'Learners', template, ...                     'ClassNames', unique(Y), ...                     'KFold', k);%计算Losscost = kfoldLoss(model, 'Mode', 'cumulative');

绘制累积的 10 折交叉验证错误分类率

figure;plot(cost)grid onxlabel('Learning cycle')ylabel('10-fold Misclassification rate')title(['Generalization error: ', num2str(cost(end))])legend('Model performance')

保存模型

save('model.mat', 'model')

做预测

Y_pred = predict(model.Trained{1}, X_test);

计算模型准确率

p = Y_pred == Y_test;accuracy = sum(p) / numel(p);

绘制混淆矩阵

figure;C = confusionchart(Y_test, Y_pred, ...                   'RowSummary','row-normalized', ...                   'ColumnSummary','column-normalized');title({'Confusion matrix - Bagged Trees', ['Accuracy: ', num2str(accuracy*100), '%']})