趙津,王立勇,張金樂(lè)

(1.北京信息科技大學(xué) 機(jī)電工程學(xué)院,北京 100192;2.中國(guó)北方車輛研究所,北京 100072)

0 引言

為了提高特種車輛的性能及可靠性,通過(guò)采集車載傳感數(shù)據(jù),開(kāi)展車輛關(guān)鍵部件服役狀態(tài)評(píng)估研究是目前的重要技術(shù)途徑。但由于特種車輛行駛環(huán)境惡劣、工況多變,傳動(dòng)系統(tǒng)的受力情況十分復(fù)雜,不僅受到來(lái)自動(dòng)力系統(tǒng)的周期激勵(lì)作用,還有來(lái)自路面的隨機(jī)激勵(lì)和車輛多種行駛工況對(duì)傳動(dòng)系統(tǒng)不同特征的沖擊[1]。這些多變的工作環(huán)境,給車輛運(yùn)行狀態(tài)判別和壽命預(yù)測(cè)帶來(lái)極大難度。

目前,車輛的行駛工況識(shí)別主要針對(duì)民用車輛,關(guān)注重點(diǎn)是速度-時(shí)間歷程特征[2-4]。特種車輛的工況是一個(gè)十分寬泛的概念,工況識(shí)別需要綜合考慮動(dòng)力性和操縱性等多種因素[4]。根據(jù)駕駛員換擋操縱可將車輛工況分為換擋工況和穩(wěn)態(tài)工況,復(fù)雜的運(yùn)行環(huán)境會(huì)導(dǎo)致?lián)Q擋操作十分頻繁,而換擋過(guò)程中不同程度的換擋沖擊,會(huì)使車輛傳動(dòng)系統(tǒng)的零部件產(chǎn)生很大的動(dòng)載荷,降低其使用壽命[5];根據(jù)車輛直駛下速度狀態(tài)可將工況分為加速、勻速和減速運(yùn)行工況;根據(jù)車輛行駛過(guò)程中造成主要激勵(lì)源的路面不平整度可以將工況分為平地工況和坡度工況;根據(jù)車輛轉(zhuǎn)向控制系統(tǒng)狀態(tài)可將工況分為直駛工況和轉(zhuǎn)向工況。

本文基于車載數(shù)據(jù)主要研究擋位工況、運(yùn)行工況、坡道工況和轉(zhuǎn)向工況的特征參數(shù)計(jì)算方法;通過(guò)對(duì)數(shù)據(jù)進(jìn)行消噪處理,利用自上而下分割算法對(duì)數(shù)據(jù)進(jìn)行短時(shí)序片段劃分;最后提出一種基于k均值(k-means)的聚類方法,實(shí)現(xiàn)對(duì)特種車輛4種行駛工況的識(shí)別。

1 工況分析及特征參數(shù)計(jì)算

本文行駛工況判別基于多種傳感器采集得到的車載數(shù)據(jù),包括動(dòng)力裝置、傳動(dòng)裝置、操縱裝置和行動(dòng)裝置等機(jī)械或液壓系統(tǒng)狀態(tài)參數(shù)。其中與特種車輛行駛工況有關(guān)的主要參數(shù)有:反映動(dòng)力裝置狀態(tài)參數(shù)的發(fā)動(dòng)機(jī)轉(zhuǎn)速和輸出轉(zhuǎn)矩等;反映操縱裝置工況參數(shù)的操縱力和離合器工作油壓等;體現(xiàn)車輛轉(zhuǎn)向狀態(tài)的轉(zhuǎn)向泵馬達(dá)內(nèi)部工作油壓;控制車輛速度與加速度的加速踏板開(kāi)度;直接反映當(dāng)前車輛行駛狀態(tài)以及對(duì)車輛未來(lái)狀態(tài)產(chǎn)生間接影響的車速等。

工況分析主要研究擋位工況、運(yùn)行工況、坡道工況和轉(zhuǎn)向工況的表示方法,通過(guò)分別選取并計(jì)算合適特征識(shí)別參數(shù)來(lái)實(shí)現(xiàn)識(shí)別目的。

1.1 擋位工況

換擋時(shí),變速箱根據(jù)擋位位置信號(hào),通過(guò)操縱換擋執(zhí)行機(jī)構(gòu)選取不同的傳動(dòng)比來(lái)達(dá)到換擋的目的。特種車輛共有6個(gè)前進(jìn)擋和2個(gè)倒擋,配置共6個(gè)離合器,分別是C1、C2、C3、CH、CL和CR。換擋的過(guò)程也是離合器充油和放油過(guò)程,所以操縱離合器工作油壓可以直接反映當(dāng)前擋位。換擋過(guò)程中,相應(yīng)擋位所需要結(jié)合的離合器壓力將會(huì)升高,而分離的離合器壓力將下降為零,壓力變化范圍約為0～2 MPa。利用離合器油壓判斷擋位工況的邏輯如圖1所示。

圖1 擋位工況判斷邏輯

基于上述擋位工況判斷邏輯,選取各離合器油壓和離合器油壓之和的變化量作為特征參數(shù)。所有離合器油壓之和SP可以表示為

SP=sum{Pi,i=C1,C2,C3,CH,CL,CR}

(1)

式中:Pi為各離合器油壓值,單位為MPa。則換擋離合器油壓之和變化量ΔSP為

ΔSP=SPt-SPt-ΔT

(2)

式中:SPt為當(dāng)前時(shí)刻離合器油壓之和,ΔT為此段時(shí)間序列的長(zhǎng)度,單位為s?？偨Y(jié)擋位工況特征參數(shù)如表1所示。

表1 擋位工況特征參數(shù)

1.2 運(yùn)行工況

遠(yuǎn)程監(jiān)控車輛速度狀態(tài)時(shí),除了依據(jù)由駕駛員側(cè)操控的加速踏板和制動(dòng)踏板信號(hào)外,車輛的行駛狀態(tài)還可以由車輛當(dāng)前的速度信號(hào)體現(xiàn)。本文選擇更直觀的加速度信號(hào),通過(guò)定義加速度信號(hào)區(qū)間,將速度運(yùn)行工況劃分為加速、勻速和減速3種工況。

首先對(duì)車速信號(hào)加固定長(zhǎng)度的窗口,計(jì)算每個(gè)窗口長(zhǎng)度內(nèi)數(shù)據(jù)的斜率,以此作為當(dāng)前窗口對(duì)應(yīng)運(yùn)動(dòng)學(xué)片段的運(yùn)行加速度。選取不同窗口長(zhǎng)度進(jìn)行加速度值搜索的過(guò)程如圖2所示。此外,對(duì)于特種車輛的加速、勻速和減速區(qū)間內(nèi)加速度范圍沒(méi)有明確規(guī)定,需要迭代搜索定義[6],搜索過(guò)程如圖3所示。

由圖2和圖3可得結(jié)論:

1)加速度窗口寬度選擇1 s合適。當(dāng)取0.5 s或更小值時(shí),加速度值分辨率更高,但輸出的加速度曲線波動(dòng)較大,會(huì)影響識(shí)別的準(zhǔn)確率;但當(dāng)窗口寬度過(guò)大時(shí),加速度值會(huì)存在延遲失真現(xiàn)象。此外,工況識(shí)別的精度一般以s為單位,計(jì)算加速度的窗口寬度設(shè)置為1 s符合識(shí)別精度要求。

2)勻速工況加速度邊界選取± 0.12 m·s-2較為合適。從圖3可以看出,若勻速區(qū)間加速度邊界選± 0.08 m·s-2時(shí),加速度值會(huì)反復(fù)穿過(guò)邊界,造成較大的工況識(shí)別誤差。當(dāng)勻速區(qū)間加速度邊界選擇±0.12 m·s-2時(shí),較多信號(hào)值相切于邊界值,可最大程度減少勻速區(qū)間因加速度波動(dòng)造成的識(shí)別誤差。

圖2 不同窗口寬度下加速度值

圖3 運(yùn)行工況加速度范圍搜索過(guò)程

綜上所述,識(shí)別運(yùn)行工況的特征參數(shù)如表2所示。

表2 運(yùn)行工況特征參數(shù)

1.3 坡道工況

坡度用來(lái)描述道路表面的起伏程度,是重要的路況信息,通常采用度數(shù)表示法記錄坡度值的大小。當(dāng)坡度變化率較大時(shí),路面的平整度降低,會(huì)導(dǎo)致車輛的動(dòng)載荷增加,是車輛行駛過(guò)程中的主要激勵(lì)源[7]。所以道路環(huán)境會(huì)直接影響車輛的行駛狀態(tài)參數(shù),可以結(jié)合典型坡度算法模型和車輛外力平衡行駛方程計(jì)算實(shí)際坡度值。

坡度計(jì)算公式為

(3)

式中:ai為車實(shí)際行駛加速度;a為同工況下車輛在平路的加速度;g為重力加速度;β為坡度。

車輛的實(shí)際行駛加速度可使用上節(jié)所述方法通過(guò)車速計(jì)算得到。同工況下車輛在平路的加速度可通過(guò)車輛外力平衡行駛方程[8]計(jì)算,公式如下:

(4)

式中:Te為發(fā)動(dòng)機(jī)轉(zhuǎn)矩;ig為變速箱傳動(dòng)比;i0為后傳動(dòng)比;iq為前傳動(dòng)比;ηT為傳動(dòng)效率;r為車輪半徑;CD為空間阻力系數(shù);A為迎風(fēng)面積;v為車速;m為車重;f為滾動(dòng)阻力系數(shù);δ為旋轉(zhuǎn)質(zhì)量換算系數(shù)。發(fā)動(dòng)機(jī)輸出扭矩利用發(fā)動(dòng)機(jī)特性曲線插值獲得,忽略坡道阻力。

利用上述數(shù)值計(jì)算公式,通過(guò)車載數(shù)據(jù)計(jì)算坡度值,部分坡度計(jì)算結(jié)果如圖4所示。

圖4 路面坡度計(jì)算結(jié)果

獲得坡度數(shù)據(jù)后,選用坡度平均值作為識(shí)別坡度的特征參數(shù),平均坡度βm計(jì)算公式如下:

(5)

式中:βi為各時(shí)刻的路面坡度,單位為(°);N為子數(shù)據(jù)段內(nèi)樣本點(diǎn)個(gè)數(shù)。

1.4 轉(zhuǎn)向工況

特種車輛的轉(zhuǎn)向?yàn)椴钏俎D(zhuǎn)向,即兩側(cè)行走裝置形成速度差造成車輛轉(zhuǎn)向,速度差越大,車輛轉(zhuǎn)向半徑越大。特征車輛的轉(zhuǎn)向齒輪驅(qū)動(dòng)機(jī)構(gòu)由轉(zhuǎn)向泵驅(qū)動(dòng)機(jī)構(gòu)和零軸驅(qū)動(dòng)機(jī)構(gòu)組成[9],左右兩側(cè)行走機(jī)構(gòu)速比K可以通過(guò)式(6)計(jì)算得到。

(6)

式中:VC為傳動(dòng)主軸轉(zhuǎn)速;V0為轉(zhuǎn)向零軸轉(zhuǎn)速;m為匯流行星排特性參數(shù),本文研究對(duì)象的m=2.857。將車載傳感器測(cè)得的VC和V0信號(hào)作為輸入,利用式(6)計(jì)算左右兩側(cè)的行走機(jī)構(gòu)速比,結(jié)果如圖5所示。

圖5 兩側(cè)行走機(jī)構(gòu)速比

計(jì)算速比的平均值作為識(shí)別轉(zhuǎn)向程度的特征參數(shù),平均速比Km計(jì)算公式如下:

(7)

式中:Ki為各時(shí)刻的兩側(cè)行走機(jī)構(gòu)速比;N為子數(shù)據(jù)段內(nèi)樣本點(diǎn)個(gè)數(shù)。

2 信號(hào)分段

信號(hào)分段是將原始信號(hào)按照一定規(guī)則根據(jù)數(shù)據(jù)特征分割成短片段,計(jì)算短片段的特征值作為后續(xù)工況聚類識(shí)別算法的輸入,短片段劃分精度一定程度決定著工況識(shí)別的精度。本文研究對(duì)象為某型特種車輛,車載傳感信號(hào)的采樣頻率為20 Hz,選取約2 000 km行程的數(shù)據(jù),共獲得8萬(wàn)多數(shù)據(jù)點(diǎn)。

2.1 原始信號(hào)去噪

由于發(fā)動(dòng)機(jī)和車身振動(dòng)、路面不平整度產(chǎn)生的激勵(lì)以及傳感器振動(dòng)等原因,傳感器信號(hào)中混雜各種噪聲,出現(xiàn)突變、尖峰等干擾。信號(hào)的強(qiáng)噪聲會(huì)使得在進(jìn)行短行程分段時(shí)無(wú)法準(zhǔn)確識(shí)別信號(hào)的變化趨勢(shì),影響分割的精度。因此,本文采用閾值函數(shù)折衷的小波閾值降噪算法對(duì)數(shù)據(jù)進(jìn)行去噪處理[10],此算法可以保持軟閾值函數(shù)信號(hào)連續(xù)性的優(yōu)點(diǎn),又可以降低信號(hào)重構(gòu)后的幅度失真現(xiàn)象。閾值函數(shù)為

(8)

車載傳感數(shù)據(jù)屬于高頻信號(hào),小波基選擇有較好正則性和消失矩的sym8;閾值設(shè)定采用固定閾值法,計(jì)算公式為

(9)

式中:δ為噪聲的標(biāo)準(zhǔn)方差;N為噪聲的長(zhǎng)度。采用上述理論方法對(duì)本文信號(hào)進(jìn)行多次濾波實(shí)驗(yàn),最終發(fā)現(xiàn)小波閾值降噪分解層數(shù)為5、閾值折衷系數(shù)T選0.7時(shí),降噪效果最好。以車速和C1離合器油壓為例展示原始信號(hào)及濾波后信號(hào)對(duì)比如圖6所示,可以看出,經(jīng)過(guò)小波閾值降噪,信號(hào)毛刺明顯減少,信號(hào)平滑,說(shuō)明噪聲被有效去除。

圖6 信號(hào)濾波前后對(duì)比

2.2 基于自頂向下分段線性表示算法的數(shù)據(jù)分段

車載傳感器數(shù)據(jù)皆為時(shí)間序列數(shù)據(jù),以離合器油壓信號(hào)為例,其時(shí)間序列可定義為:P={P1,P2,…,PN},是N個(gè)油壓信號(hào)值以采樣時(shí)間遞增的順序排列而成的序列。時(shí)間序列中每一個(gè)信號(hào)是一個(gè)鍵值對(duì)Pi=(ti,pi),其中ti為觀測(cè)時(shí)間,pi為觀測(cè)油壓值。

時(shí)間序列的分段線性表示算法(piecewise linear representation,PLR)是根據(jù)序列特征從時(shí)間序列P中提取重要點(diǎn),并用M條直線進(jìn)行擬合表示,最終達(dá)到分段的效果,模型表示為

PPLR={(P1L,P1R,t1),(P22,P2R,t2),…,

(PiL,PiR,ti),…,(PML,PMR,tM)}

(10)

式中:(PiL,PiR,ti)為第i個(gè)分段,i=1,2,…,M;PiL,PiR分別為第i分段的起始值和結(jié)束值;ti為第i分段結(jié)束值對(duì)應(yīng)的時(shí)刻;M表示此時(shí)間序列劃分所得的子段數(shù)目[11]。

自頂向下分段線性表示算法(PLR_Top2down)是對(duì)整個(gè)時(shí)間序列數(shù)據(jù)進(jìn)行掃描,尋找第一個(gè)最佳的分段位置并計(jì)算左右兩個(gè)子序列段的擬合誤差;若誤差已經(jīng)低于設(shè)定的閾值,分段結(jié)束;否則會(huì)繼續(xù)分割子段序列,直到所有子段序列的擬合誤差都低于閾值,算法流程如圖7。

圖7 自頂向下分段線性表示算法流程

本文采用基于最小二乘的直線回歸方法對(duì)每個(gè)子段數(shù)據(jù)進(jìn)行擬合,即離散形式最佳平方逼近問(wèn)題的求解。已知子序列段由n組鍵值對(duì)組成函數(shù)表(ti,pi),在函數(shù)空間Φ中求解一個(gè)函數(shù)S*(t),使得

(11)

為求解這一問(wèn)題,令S(t)為

(12)

則有多元函數(shù)

(13)

所以,為求得S*(t),需求多元函數(shù)I(c0,c1,…,cl)的極小值點(diǎn),通過(guò)多元函數(shù)極值的必要條件:

(14)

即可求得S*(t)多項(xiàng)式系數(shù)向量。

(15)

基于上述數(shù)值計(jì)算理論及算法,以C1離合器油壓信號(hào)為例,計(jì)算子片段擬合結(jié)果和誤差如圖8和圖9所示。從圖中可以看出該算法能夠很好地將離合器油壓的穩(wěn)定階段和充放油過(guò)程區(qū)分開(kāi),在此基礎(chǔ)上獲得有效分割片段。

圖8 C1離合器油壓時(shí)間分割效果

圖9 C1離合器油壓各子段擬合誤差

2 000 km行程的車載傳感信號(hào)經(jīng)過(guò)PLR_Top2down算法計(jì)算的分段結(jié)果及殘差平方和的均值如表3所示。圖10展示了各特征參數(shù)600個(gè)觀測(cè)值下的分割子段及分割點(diǎn)。

表3 工況信號(hào)分割結(jié)果

圖10 分割后子數(shù)據(jù)段示意圖

3 特種車輛工況識(shí)別計(jì)算

k-means作為一種經(jīng)典的聚類算法,結(jié)構(gòu)簡(jiǎn)明且收斂速度快[12],是一種以距離作為相似性評(píng)價(jià)指標(biāo)迭代求解的聚類分析算法,該算法步驟如下:

1)初始化:隨機(jī)選取k個(gè)點(diǎn)作為聚類中心。

2)類劃分:計(jì)算每個(gè)點(diǎn)到k個(gè)聚類中心的歐式距離,然后將該點(diǎn)分到最近的聚類中心,形成k個(gè)簇。

3)中心點(diǎn)計(jì)算:再重新計(jì)算每個(gè)簇中所有樣本點(diǎn)的均值,作為下一次迭代的聚類中點(diǎn)。

4)迭代計(jì)算:重復(fù)以上步驟2)和3),直到質(zhì)心的位置不再發(fā)生變化或者達(dá)到設(shè)定的迭代次數(shù),使用平方誤差E作為精度指標(biāo)判斷是否收斂:

(16)

式中:p為簇Ci中樣本點(diǎn);mi為Ci的聚類中心。不斷進(jìn)行迭代計(jì)算,直到E值收斂。

本文采用輪廓系數(shù)法確定最優(yōu)聚類個(gè)數(shù),不同簇?cái)?shù)下聚類結(jié)果的輪廓系數(shù)St可用式(17)計(jì)算。

(17)

式中:

(18)

其中:ai為點(diǎn)到所在簇內(nèi)其他點(diǎn)的平均距離;bi為點(diǎn)到所有其他簇內(nèi)點(diǎn)的平均距離。

St的取值范圍為[-1,1],結(jié)果越接近1說(shuō)明聚類效果越好。

依據(jù)上述兩節(jié)所述方法,將各工況子片段的特征值輸入k-means聚類模型中進(jìn)行工況判別。表4對(duì)比了各工況在不同聚類簇?cái)?shù)下的輪廓系數(shù)。

表4 各工況不同聚類數(shù)下輪廓系數(shù)

從表4可以看出,運(yùn)行工況和擋位工況的聚類簇?cái)?shù)分別取3和2時(shí)輪廓系數(shù)最大,符合前文所設(shè)定的工況類別數(shù)。另外,各工況最大輪廓系數(shù)均大于0.79,說(shuō)明k-means聚類在本文工況識(shí)別中具有較好的效果。對(duì)于工況特點(diǎn),只依賴聚類結(jié)果難以分析,因此進(jìn)一步從聚類簇內(nèi)信號(hào)的物理含義及特征對(duì)各個(gè)工況的識(shí)別結(jié)果進(jìn)行分析。

3.1 擋位工況計(jì)算結(jié)果分析

提取聚類后的穩(wěn)態(tài)工況片段和換擋工況片段的操縱油壓和作為特征值,可以對(duì)工況識(shí)別結(jié)果進(jìn)行檢驗(yàn),如圖11所示。由于每個(gè)擋位下有兩個(gè)操縱離合器結(jié)合,所以圖中穩(wěn)態(tài)工況片段的油壓和基本保持在3.8 MPa左右;換擋工況片段的油壓和在短時(shí)間內(nèi)的變化量較大,代表當(dāng)前為離合器分離或結(jié)合的過(guò)程。另外,根據(jù)各離合器油壓可以識(shí)別當(dāng)前擋位。表5展示了各工況的聚類中心。

圖11 擋位工況聚類結(jié)果

擋位工況的聚類中心如表5所示。

表5 擋位工況聚類中心

3.2 運(yùn)行工況計(jì)算結(jié)果分析

分別從代表加速、減速和勻速工況的聚類結(jié)果中提取加速度值分析運(yùn)行工況的識(shí)別結(jié)果,每個(gè)工況取采樣長(zhǎng)度為10 000的加速度數(shù)據(jù),數(shù)據(jù)展示如圖12所示?？梢钥吹郊铀俣葏?shù)顯著分布于1.2節(jié)所設(shè)定的3個(gè)運(yùn)行區(qū)間內(nèi),雖有部分?jǐn)?shù)據(jù)會(huì)穿越區(qū)間邊界,但各工況在相應(yīng)區(qū)間比例保持在0.7以上,根據(jù)分類結(jié)果計(jì)算運(yùn)行工況運(yùn)動(dòng)學(xué)特征值如表6所示,可代表各運(yùn)行工況特征。

圖12 運(yùn)行工況加速度特征示意圖

表6 運(yùn)行工況運(yùn)動(dòng)學(xué)特征值

3.3 坡道工況計(jì)算結(jié)果分析

坡道工況聚類結(jié)果的輪廓系數(shù)在k=4時(shí)為最大值,計(jì)算每個(gè)聚類結(jié)果的坡度平均值及標(biāo)準(zhǔn)差,結(jié)果如表7所示。簇2和簇3的坡度平均值較小,而標(biāo)準(zhǔn)差相較于其他簇的大,說(shuō)明簇2和簇3都屬于平地工況,但路面不平整度較大。

表7 坡道工況聚類中心及特征值

3.4 轉(zhuǎn)向工況計(jì)算結(jié)果分析

利用PLR_Top2down算法對(duì)行走機(jī)構(gòu)速比信號(hào)進(jìn)行分割后共獲得144個(gè)代表不同轉(zhuǎn)向特征的子片段。將子片段輸入到k-means聚類模型中,計(jì)算獲得兩個(gè)聚類簇,聚類中心如表8所示。簇1的聚類中心為0.720,說(shuō)明兩側(cè)行走機(jī)構(gòu)具有較大的速度差,可以代表轉(zhuǎn)向工況,同理,簇2代表直駛工況。

表8 轉(zhuǎn)向工況聚類中心

3.5 組合工況計(jì)算結(jié)果

取特種車輛采樣點(diǎn)長(zhǎng)度為1 000的車載數(shù)據(jù),數(shù)據(jù)樣本如圖13所示?；谏衔奶岢龅墓r識(shí)別方法,能夠獲得各類單一工況對(duì)應(yīng)的起止時(shí)刻,通過(guò)對(duì)識(shí)別結(jié)果取交集,可以得到車輛在每一時(shí)段內(nèi)組合工況狀態(tài)。組合工況識(shí)別結(jié)果如圖14所示,經(jīng)實(shí)驗(yàn)驗(yàn)證求得聚類的準(zhǔn)確率為92.75%,精度能夠滿足工程需求。

圖13 特種車輛原始車載數(shù)據(jù)

圖14 工況識(shí)別結(jié)果

4 結(jié)束語(yǔ)

本文針對(duì)特種車輛的工況識(shí)別問(wèn)題,采用了操縱離合器壓力變化量、加速度、坡度和兩側(cè)行走機(jī)構(gòu)速比等信號(hào)分別作為擋位工況、運(yùn)行工況、坡道工況和轉(zhuǎn)向工況的識(shí)別參數(shù);通過(guò)自頂向下分段線性表示算法對(duì)車載信號(hào)進(jìn)行分割,獲得各工況有效的子片段數(shù)據(jù),并通過(guò)k-means算法實(shí)現(xiàn)了各單一工況的識(shí)別。實(shí)驗(yàn)結(jié)果表明,這種方法可以有效地區(qū)分特種車輛的不同行駛工況,并且具有較高的識(shí)別精度。此外,對(duì)各單一工況起止時(shí)間求交集,可以獲得車輛一段時(shí)間內(nèi)組合工況狀態(tài),為特種車輛服役性能退化評(píng)估研究提供了數(shù)據(jù)基礎(chǔ)。未來(lái)的研究可以進(jìn)一步優(yōu)化算法以提高識(shí)別精度。此外,還可以探索如何結(jié)合其他傳感器數(shù)據(jù)來(lái)提高工況識(shí)別的精度和全面性。