辛 梅

（西安航空職業(yè)技術學院 陜西 西安 710089）

引言

隨著我國高速列車的發(fā)展，使得我國開始逐步成為了高鐵制造強國，并大大提高了人們出行的方便度。與此同時，如何保障高速列車運行的安全，是當前研究的重點。對此，部分學者對該問題進行了大量的研究。朱明等人[1]利用熵特征對列車的故障特征進行提取，進而得到其故障類型；秦娜等人[2]則采用常用的EEMD對故障噪聲進行提取，進而得到高速列車轉向架的故障特征；李輝等人[3]則在秦娜研究的基礎上，將EEMD提取方法與白噪聲統(tǒng)計特性結合，進而對列車的橫向減振器故障進行診斷；賀德強等人[4]，柴美娟等人[5]則提出一種RS-LSSVM智能算法，對高速列車行走部的滾動軸承故障進行診斷，并通過仿真驗證了上述方法的優(yōu)勢。本文則在上述研究方法的基礎上，從傳統(tǒng)SVM參數(shù)優(yōu)化的角度出發(fā)，提出一種基于改進SVM的故障診斷方法，并對其進行詳細驗證。

1 SVM基本原理

支持向量機（SVM）最早起始于1995年，由當時著名統(tǒng)計學家Vladimir Naumovich Vapnik及其團隊共同提出，是一種與神經(jīng)網(wǎng)絡類似，但卻主要應用于分類與回歸分析中的學習算法。SVM在學習過程中，主要利用從具體的訓練集中選擇出某一組相關的特征子集，并將此子集定義為支持向量，代表著整個訓練集，從而使SVM通過對該特征子集的劃分來達到對整個訓練集劃分的目的。SVM在學習過程中將會盡量使結構風險達到最小化，其優(yōu)勢在于具有較高的推廣能力，特別是在解決小樣本、非線性等問題中，SVM的優(yōu)勢將會得到最大化發(fā)揮。其中小樣本是指相較于需解決問題的復雜程度，算法所要求的樣本數(shù)較少；非線性主要是指該算法在面對線性不可分的情況下，采用松弛變量及核函數(shù)技術對此進行較好處理。在此基礎上，SVM還具備一定的通用性，能夠為函數(shù)估計等其它機器學習問題提供幫助。對SVM來講，其本質就是通過非線性變換，將它轉化為某個高維空間中的線性問題，并在這個空間中尋求最優(yōu)分類面。而要構造上述的最優(yōu)分類超平面，就必須要對下式進行求解：

當訓練集為線性不可分時，上式需引入新的變量：松弛變量εi≥0。懲罰系數(shù)c通常為大于0的常數(shù)，表示對錯分樣本的懲罰程度。表達式如下所示：

而要對上式二次規(guī)劃問題進行求解，通常引入拉格朗日函數(shù)L，進而得到最優(yōu)分類平面。

通過求解，得到最優(yōu)分類函數(shù)：

將線性不可分情況下的輸入向量映射到高維的特征向量空間，同時在這高維空間中構造出最優(yōu)線性分類面。

因此，通過上述的分類面可以看出，支持向量機本身就是將非線性映射的方式，將其映射到一個高維特征空間當中，然后再在這個高維空間中構造出一個最優(yōu)的分類超平面。具體原理可以用圖1表示。

圖1 支持向量機的結構

而在分類的過程中，最為關鍵的是選擇合理的核函數(shù)K（xi，xj），如RBF徑向核函數(shù)、多項式核函數(shù)等。

2 SVM算法尋優(yōu)改進

支持向量機有兩個重要參數(shù)：懲罰因子C與核函數(shù)的核參數(shù)。懲罰因子是影響支持向量機分類精度的一個重要因素。它的主要作用是在確定的特征子空間中調節(jié)分類器的經(jīng)驗風險和置信區(qū)間的比例，使分類機的推廣能力達到最好，同時實現(xiàn)對錯分樣本懲罰程度的控制。傳統(tǒng)的針對SVM的參數(shù)優(yōu)化通常是采用遺傳算法，遺傳算法（GA）借鑒與生物進化論的思想，通過復制、交叉、突變等操作產(chǎn)生下一代的解，通過適應度函數(shù)值的大小選擇較優(yōu)個體進入下一代。具體的流程如圖2所示。

圖2 遺傳算法流程

通過n次迭代，得到適應度最高的個體。而研究認為，遺傳算法雖然收斂精度較高，但收斂速度慢，且算法實現(xiàn)較為復雜。因此，為解決上述的問題，本文對傳統(tǒng)的SVM算法進行改進，思路則為在傳統(tǒng)遺傳算法的基礎上，結合PSO的優(yōu)勢，引入PSO算法對SVM參數(shù)尋優(yōu)進行改進。PSO是模型參數(shù)優(yōu)化選擇一種應用較廣的算法，具有參數(shù)少、簡單、全局搜索能力強等優(yōu)點。為此，引入PSO對SVM模型的參數(shù)C和σ進行優(yōu)化。

假設在D維搜索空間當中，由s個粒子所構成種群Z=（Z1，Z2，…，Zs）。在該種群當中，第i個粒子代表一個 D 維向量 Zi=（Zi1，Zi2，…，ZiD）T，表示著該粒子在D維空間當中的位置。粒子i的速度Vi=（Vi1，Vi2，…，ViD）T，種群的個體極值 Pi=（Pi1，Pi2，…，PiD）T，全局極值 Pg=（Pg1，Pg2，…，PgD）T。由此，將確定每個粒子的速度極位置為：

式中：k代表迭代次數(shù)；w代表慣性權重；d=1，2，…,D；i=1，2，…，s；c1，c2代表學習因子，α 代表控制速度權重的約束因子。

3 改進算法在高速列車故障中的應用實證

為驗證上述方法的可行性和實用性，本文以高速鐵路列車行走部的故障診斷作為具體的驗證對象。

3.1 高速列車行走架基本結構

在高速列車中，其轉向架上的不同部位中均安裝有相應的減震器。列車行走部機械振動模型如圖3所示。

圖3 列車行走部機械振動模型

在本文實驗分析中，采用的振動減震器主要有3種，分別為空氣彈簧、橫向振動減震器以及抗蛇形減震器。其中空氣彈簧主要針對高速列車在發(fā)生垂向振動時，利用其氣體可壓縮性達到減震的目的?？諝鈴椈傻臏p震作用將維持到彈簧失氣時；橫向振動減震器主要作用于高速列車的橫向振動部位中，需要注意的是橫向減震器會隨著自身性能衰退或是彈簧的斷裂，而失去減震效果；抗蛇形減震器主要起到保障列車行駛穩(wěn)定性的作用，當該減震器性能減弱時，列車將出現(xiàn)蛇形失穩(wěn)現(xiàn)象。

為了保障高速列車在直線行駛與曲線行駛過程中，具有自動對中性以及自動導向性，對列車輪對踏面設計時，需使其保持一定的錐度，為列車的直線及曲線行駛提供足夠的變換空間。也正是由于這種設計需求，使列車軌道與輪對之間具有一定的縫隙，在列車的行駛過程中軌道與輪對之間并不是保持完全貼合的狀態(tài)，從而導致當列車輪對在沿著軌道進行滾動的過程中，輪動會同時出現(xiàn)橫向擺動及前向擺動兩種運動狀態(tài)，當這兩種運動狀態(tài)進行空間合成時，列車將出現(xiàn)蛇形運動，最終造成失穩(wěn)。

3.2 研究工況選取

本文將選取列車行駛過程中的4種不同工況作為研究對象，分別為空氣彈黃失效、橫向減震器失效、抗蛇形減震器失效、正常工況。其中，正常工況是指列車行駛過程中保持的正常狀態(tài)；空氣彈簧是一種連接車體與行走部的不可拆除部件，空氣彈簧失效就是指該設備呈現(xiàn)完全失氣狀態(tài)；橫向減震器失效以及抗蛇形減震器失效工況，主要是模擬列車行駛過程中失去相應減震器時的狀態(tài)。在高速列車的行駛過程中，如出現(xiàn)以上某項故障，將使列車行駛發(fā)生不可預測事故，情況嚴重將會導致列車脫軌，威脅著整個列車乘客的生命安全。因此，在列車行駛過程中，應充分利用列車實時運行狀態(tài)數(shù)據(jù)，排查列車行駛過程中可能出現(xiàn)的機械故障，及時對相關故障零部件進行更換，從而使乘客出行安全得到充分保障。

3.3 數(shù)據(jù)獲取

為了保障列車行駛過程中的安全性，本文將采用動車動力學性能試驗通道所采集到的數(shù)據(jù)，來對列車行駛過程中關鍵設備的運行狀態(tài)進行監(jiān)測，從而及時發(fā)現(xiàn)列車行駛過程是否存在部件損壞或是性能下降的情況。具體動車動力學性能試驗通道傳感器安裝位置見表1所示，共安裝57個不同的傳感器。

通過對上述傳感器進行數(shù)據(jù)采集，將獲得部分列車工況失效圖。具體工況失效情況如圖4所示。

3.4 仿真實驗

本文所進行的仿真實驗過程主要分為三大步驟：首先，利用小波包對高速列車各工況的振動信號進行降噪處理，降低大量隨機噪聲對仿真實驗帶來的干擾；其次，以EEMD對經(jīng)過預處理的振動信號進行分解，從而獲取到8個本征模函數(shù)，并根據(jù)該本征模函數(shù)提取出八維模糊圖作為仿真實驗的樣本特征。將列車4大工況下的特征進行集合并組成待分類樣本，從中抽取部分樣本構成訓練集，以此對故障診斷模型進行相關訓練；最后，將PSO算法引入到模型訓練過程中，通過對GA-SVM參數(shù)的優(yōu)化來確定最優(yōu)模型。

表1 動車動力學性能試驗通道

圖4 部分工況失效情況

與此同時，本文將選用MATLAB作為本次仿真實驗平臺，同時種群數(shù)量設置為20，最大迭代次數(shù)設為100，最優(yōu)交叉概率，變異交叉概率，從而得出最終識別結果。具體識別結果如表2所示。

從上表顯示數(shù)據(jù)中可以看出，在總計57個通道中，共有26個數(shù)據(jù)的平均識別率達到90%以上，并且有6個通道的平均識別率已達到100%。這些數(shù)據(jù)足以說明GA－PSO－SVM模型識別率較高。

表2 識別結果

4 結束語

列車行走部是車體的重耍部分，其機械性能直接影響著行車安全。本文從列車走行部減震器機械故障檢測入手，通過引入智能算法的方式對振動故障進行判斷。通過分析結果可以看出，在傳統(tǒng)的SVM算法中引入遺傳算法，可極大地提高高速列車故障診斷的正確率，進而提高故障診斷效率，為當前高速列車故障診斷提供了參考和借鑒。