付文秀，周曉勇，李弘揚(yáng)，郭 毅

（1.北京交通大學(xué) 電子信息工程學(xué)院，北京 100044；2.中鐵通信信號(hào)勘測(cè)設(shè)計(jì)院有限公司，北京 100071）

列車(chē)車(chē)載ATC 設(shè)備是控制列車(chē)運(yùn)行安全與效率的核心設(shè)備.若列車(chē)車(chē)載ATC 設(shè)備發(fā)生故障，將極大的影響列車(chē)的運(yùn)行效率.因此，及時(shí)診斷出列車(chē)車(chē)載ATC 設(shè)備的故障，成為了研究重點(diǎn).

故障診斷通?？梢苑譃槿?lèi)，即建立分析模型診斷方法、專(zhuān)家經(jīng)驗(yàn)診斷方法以及智能數(shù)據(jù)驅(qū)動(dòng)診斷方法［1］.盡管故障診斷方法多種多樣，但是，將合適的故障診斷技術(shù)應(yīng)用于列車(chē)車(chē)載ATC 設(shè)備的故障診斷顯得更具有實(shí)際意義［2-3］.由于車(chē)載設(shè)備結(jié)構(gòu)的復(fù)雜性不利于構(gòu)建具體的數(shù)學(xué)分析模型，專(zhuān)家經(jīng)驗(yàn)診斷方法以及智能數(shù)據(jù)驅(qū)動(dòng)診斷方法在車(chē)載設(shè)備故障診斷中應(yīng)用較為廣泛.

文獻(xiàn)［4-5］根據(jù)實(shí)際維護(hù)中的專(zhuān)家經(jīng)驗(yàn)分別對(duì)CTCS2-200C 車(chē)型和CTCS3-300T 車(chē)型上的列控車(chē)載BTM 設(shè)備故障數(shù)據(jù)進(jìn)行了分析.文中闡述了車(chē)載BTM 設(shè)備常見(jiàn)的故障現(xiàn)象，并分析了故障原因，得出對(duì)BTM 設(shè)備故障的處理意見(jiàn)與預(yù)防措施.但是，專(zhuān)家知識(shí)依靠人工經(jīng)驗(yàn)，存在覆蓋面不完全的風(fēng)險(xiǎn).

文獻(xiàn)［6］將地鐵車(chē)載ATP 設(shè)備作為研究對(duì)象，結(jié)合故障數(shù)據(jù)統(tǒng)計(jì)結(jié)果與SA-BP（Simulate Anneal-Back Propagation）神經(jīng)網(wǎng)絡(luò)，建立故障診斷模型，并進(jìn)行了模型驗(yàn)證.文中對(duì)車(chē)載ATP 設(shè)備的故障診斷進(jìn)行了研究，但是只考慮了緊急制動(dòng)情況下的ATP 故障，故障現(xiàn)象考慮比較單一.文獻(xiàn)［7］將車(chē)載設(shè)備故障診斷問(wèn)題轉(zhuǎn)化為了數(shù)學(xué)問(wèn)題，利用小波網(wǎng)絡(luò)對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化，但是優(yōu)化之后的BP 神經(jīng)網(wǎng)絡(luò)存在局限性，僅解決了13 號(hào)線地鐵車(chē)載設(shè)備的故障診斷預(yù)測(cè)問(wèn)題.

一個(gè)問(wèn)題的復(fù)雜度與輸入樣本的數(shù)量和維度均相關(guān)，多特征問(wèn)題本身樣本維度較大，若樣本數(shù)量過(guò)大，計(jì)算將更加復(fù)雜.車(chē)載ATC 設(shè)備結(jié)構(gòu)復(fù)雜，子設(shè)備眾多，故障特征多樣化.支持向量機(jī)SVM 是一種先進(jìn)的小樣本學(xué)習(xí)方法，計(jì)算的復(fù)雜性主要取決于支持向量的數(shù)量.因此，根據(jù)SVM的這一特點(diǎn)，尋找車(chē)載ATC 設(shè)備故障樣本中的支持向量，并利用支持向量對(duì)樣本進(jìn)行分類(lèi)診斷.

根據(jù)車(chē)載ATC 設(shè)備的故障特點(diǎn)以及SVM 的優(yōu)勢(shì)，本文作者采用了一種基于粒子群算法改進(jìn)的支持向量機(jī)（PSO-SVM）故障診斷算法.基本思路是：通過(guò)對(duì)車(chē)載ATC 設(shè)備的歷史故障記錄表進(jìn)行分析，根據(jù)專(zhuān)家經(jīng)驗(yàn)得到歷史故障數(shù)據(jù)集，利用粗糙集理論對(duì)故障數(shù)據(jù)特征集進(jìn)行約簡(jiǎn)，得到約簡(jiǎn)屬性集；通過(guò)訓(xùn)練集，對(duì)PSO-SVM 進(jìn)行訓(xùn)練，建立故障診斷模型；最后，利用廣州某地鐵線路車(chē)載ATC 設(shè)備故障歷史數(shù)據(jù)，對(duì)模型進(jìn)行驗(yàn)證分析.

1 背景介紹

1.1 地鐵車(chē)載ATC 設(shè)備

地鐵車(chē)載ATC 設(shè)備子模塊眾多，需要較高的安全性. 設(shè)備主要由列車(chē)自動(dòng)駕駛系統(tǒng)（Automatic Train Control，ATO）、列車(chē)自動(dòng)防護(hù) 系 統(tǒng)（Automatic Train Protection，ATP）、列車(chē)接口單元（Train Interface Unit，TIU）、列 車(chē) 無(wú) 線 單 元（Train Radio Unit，TRU）、應(yīng) 答 器 收 發(fā) 模 塊（Balise Transceiver Module，BTM）、本地通信單元（Local Communication Unit，LCU）、光脈沖測(cè)速傳感器（Optical Pulse Generator，OPG）等組成，結(jié)構(gòu)如圖1 所示.

圖1 地鐵車(chē)載ATC 設(shè)備結(jié)構(gòu)Fig.1 Structure of ATC equipment on subway vehicle

1.2 支持向量機(jī)

分類(lèi)問(wèn)題一直是機(jī)器學(xué)習(xí)研究中的熱點(diǎn)問(wèn)題之一，支持向量機(jī)作為強(qiáng)分類(lèi)器，相比其他的機(jī)器學(xué)習(xí)方法，具有較多的優(yōu)勢(shì).支持向量機(jī)的目標(biāo)是解決一個(gè)凸二次規(guī)劃的問(wèn)題，并且得到的該二次規(guī)劃問(wèn)題的解一定是唯一的解.支持向量機(jī)是通過(guò)最大化兩個(gè)不同類(lèi)之間的間隔，求出最佳超平面的模型，是基于結(jié)構(gòu)最小化模型，而不是經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化模型［8］.

1.3 粗糙集理論

粗糙集理論是處理模糊和不確定問(wèn)題的數(shù)學(xué)工具［9］.利用粗糙集理論對(duì)原數(shù)據(jù)樣本進(jìn)行屬性約簡(jiǎn)，可以不改變?cè)袠颖镜姆诸?lèi)能力，并且有效的減少了故障診斷的時(shí)間，提高了故障診斷的能力.

從數(shù)學(xué)角度看，粗糙集的研究對(duì)象是一個(gè)集合，可以表示為一個(gè)四元組：IS={U，A，V，f}，其中U代表論域，即研究對(duì)象集合；A是條件屬性C與決策屬性D的交集，即A=CD；V是屬性值A(chǔ)的值域集合；f表示論域中的每個(gè)對(duì)象與其屬性的映射關(guān)系.假設(shè)任取B?A，E?A，當(dāng)U/IND(B)=U/IND(B-E)仍成立時(shí)，則E為冗余屬性，可以被約簡(jiǎn)，而最大集合B與U存在不可辨識(shí)關(guān)系（等價(jià)關(guān)系）.由此，可以使用約簡(jiǎn)后的最大集合B作為研究對(duì)象.

2 車(chē)載ATC 設(shè)備故障診斷

當(dāng)前，列車(chē)車(chē)載ATC 設(shè)備的故障主要由現(xiàn)場(chǎng)工班維修人員記錄在設(shè)備檢修記錄表中，最后這些記錄被匯總到歷史故障記錄表中.分析廣州某線2017—2018 年的故障數(shù)據(jù)，統(tǒng)計(jì)歸納出車(chē)載ATC 故障如圖2所示.

圖2 2017—2018 年數(shù)據(jù)統(tǒng)計(jì)信息Fig.2 Data statistics in 2017—2018

本文只研究車(chē)載ATC 設(shè)備信號(hào)設(shè)備的故障，不研究非信號(hào)類(lèi)故障.因此，可以構(gòu)建故障類(lèi)型表如表1所示.

表1 故障類(lèi)型Tab.1 Fault types

2.1 車(chē)載ATC 設(shè)備故障數(shù)據(jù)分析

現(xiàn)場(chǎng)匯總的歷史故障數(shù)據(jù)表，雖然沒(méi)有統(tǒng)一的格式，但是依舊存在一些共有的特征詞匯可以辨別.以2017 年5 月24 日故障信息為例，其內(nèi)容為：“列車(chē)回廠后下載數(shù)據(jù)查看ATP-S 系處于脫機(jī)狀態(tài)，檢查27 車(chē)ATP-S 系 的ATP-IO 板狀態(tài)，發(fā)現(xiàn)ATP-IO 板燈位顯示異常，判斷為ATP-IO 板故障，更換后恢復(fù)正常.”其中，“ATP-IO 板狀態(tài)”為該文本的關(guān)鍵詞匯，選取該詞匯為特征詞匯.按照此方法，分析404 條文本信息，可以構(gòu)成特征詞匯表，如表2 所示.

表2 故障特征詞匯Tab.2 Fault feature glossary

從歷史故障數(shù)據(jù)記錄表中提取出的特征詞匯表只能反應(yīng)該特征詞匯在記錄表中的出現(xiàn)頻率較大，但是不能體現(xiàn)該詞匯在記錄表中的重要程度，且不能區(qū)分相近詞匯，因此使用詞語(yǔ)逆頻率（Term Frequency-Inverse Word Frequency，TF-IWF）方法表征詞匯在記錄表中的權(quán)重大小［10-11］，即重要程度.

式 中：TFi，t表示 詞 語(yǔ)i在文本t中的頻 率；IWFi表 示詞語(yǔ)i在整個(gè)詞匯庫(kù)中的頻率倒數(shù)取對(duì)數(shù)，表示區(qū)分程度，出現(xiàn)次數(shù)越少，區(qū)分程度越高；ni，t為詞語(yǔ)i在文本t中出現(xiàn)的次數(shù)；∑k nk，t為所有詞語(yǔ)的次數(shù)之和；∑i=1m wi為所選詞語(yǔ)出現(xiàn)的次數(shù)之和；wi為詞語(yǔ)i在所選詞語(yǔ)中出現(xiàn)的次數(shù).

作為示例，使用“ATP-IO 板狀態(tài)”特征詞匯進(jìn)行計(jì)算，根據(jù)上述文本，ATP-IO 板狀態(tài)在上文中出現(xiàn)1 次，文本共有詞匯23 個(gè)，分詞技術(shù)得到的所有文本詞匯總數(shù)為14 544 個(gè)，總文本中該詞匯出現(xiàn)次數(shù)為13 次.因此，代入式（1），可以得到“ATP-IO 板狀態(tài)”的權(quán)重為0.305 1，為了后續(xù)粗糙集的處理，本文采用倍乘的方法得到倍乘后的權(quán)重為0.610 2，得到權(quán)值決策表，如表3 所示.

表3 故障屬性決策表(a)Tab.3 Fault attribute decision table (a)

表3 故障屬性決策表(b)Tab.3 Fault attribute decision table (b)

表3 故障屬性決策表(c)Tab.3 Fault attribute decision table (c)

粗糙集處理離散型屬性，因此需要對(duì)故障屬性決策表進(jìn)行離散化處理.將重要度分為兩個(gè)等級(jí)，分別為0 和1，采用四舍五入的方法將決策表離散化，構(gòu)建離散權(quán)重表，如表4 所示.

以故障數(shù)較少的TIU 故障說(shuō)明屬性約簡(jiǎn)方法.根據(jù)TF-IWF 方法可以得到的TIU 故障的權(quán)重矩陣為

矩陣中，行代表文本，列代表不同的特征詞匯.將信息相同的對(duì)象刪除，由此得到壓縮后的信息矩陣.

表4 離散化故障屬性決策表Tab.4 Discretized fault attribute decision table

據(jù)此，刪除冗余屬性得到如下矩陣

代入屬性項(xiàng)，得到最小約簡(jiǎn)矩陣

因此可以將TIU 故障的屬性約簡(jiǎn)為｛F1，F(xiàn)14｝，依此辦法，可以得到各故障類(lèi)型的屬性約簡(jiǎn)如表5 所示.

表5 屬性約簡(jiǎn)結(jié)果Tab.5 Attribute reduction results

對(duì)約簡(jiǎn)屬性取并集，表2 的屬性約簡(jiǎn)結(jié)果為｛日志中斷，等級(jí)切換，BTM 緊制，位置緊制，ATO緊制，聯(lián)鎖緊制，ATP-IO 板狀態(tài)，OPG 速度異常，雷達(dá)速度異常，SRP 切換，BTM 切換，主從系切換，SRP 錯(cuò)誤，LCU 錯(cuò) 誤，ATO 激 活，空轉(zhuǎn)打 滑，OPG 通道異常，雷達(dá)通道異常，天線強(qiáng)度異常，ATO 通信異常，速度傳感器供電故障，測(cè)速雷達(dá)供電故障，LCU 供電故障，BTM 供電故障｝.通過(guò)粗糙集約簡(jiǎn)，將原有的29 個(gè)特征詞匯約簡(jiǎn)為24 個(gè)，減少了冗余輸入量.同時(shí)，屬性決策表，其中包含了各屬性對(duì)故障類(lèi)型的關(guān)聯(lián)關(guān)系，這些關(guān)聯(lián)關(guān)系表征了故障類(lèi)型與各個(gè)故障特征之間的離散關(guān)系，與構(gòu)建數(shù)據(jù)集的方式類(lèi)似.因此，本文使用生成的離散化后的決策屬性表可以作為后續(xù)模型訓(xùn)練的數(shù)據(jù)集.

2.2 基于PSO-SVM 模型建立

構(gòu)建拉格朗日函數(shù)，將最小化模型對(duì)偶化并選擇合適的核函數(shù)［12］，模型轉(zhuǎn)化為

式中：γ為高斯徑向基參數(shù)，是高斯核函數(shù)中的唯一參數(shù)，其影響著樣本空間中的數(shù)據(jù)從低維到高維的映射效果，并最終影響故障診斷的效果.同時(shí)，懲罰系數(shù)C也影響著最終的診斷效果.因此，本文將粒子群算法應(yīng)用到尋找最優(yōu)的參數(shù)C和γ.將樣本代入SVM 的決策函數(shù)，可以得到樣本的回歸估計(jì)值y?.因此，將粒子群算法的適應(yīng)度函數(shù)取為可以直接反應(yīng)SVM 性能的均方差

當(dāng)群體終止迭代之后，將種群最優(yōu)的位置映射到SVM 中的C和γ.

粒子群算法的尋優(yōu)具體流程如下：

1）初 始 化 粒 子 群（C，γ），確 定 群 體 規(guī) 模sizepop，給定算法最大迭代數(shù)pso_option.maxgen.

2）將每個(gè)粒子的個(gè)體極值local_fitness 設(shè)置為當(dāng)前位置，利用適應(yīng)度函數(shù)計(jì)算適應(yīng)度，取適應(yīng)度最好的local_fitness 作為全局極值global_fitness.

3）更新粒子的速度和位置.

式中：c1是自我學(xué)習(xí)因子；c2是社會(huì)學(xué)習(xí)因子；r1和r2為 隨 機(jī) 數(shù)；xtid和vtid為 粒 子i在 第t次 迭 代 時(shí)d維的位置和速度；ω為慣性權(quán)重；ptid為粒子i在d維 的粒子個(gè)體極值位置；ptgd為種群在d維的全局極值位置.

4）評(píng)價(jià)每個(gè)粒子的適應(yīng)度.

5）將每個(gè)粒子的適應(yīng)度值與其local_fitness 做比較，若優(yōu)則更新.

6）將更新后的每個(gè)粒子的個(gè)體極值local_fitness 與global_fitness 比 較，若 優(yōu)，則 更 新global_fitness，否則保留原值.

7）判斷是否滿足終止條件，若達(dá)到最大迭代次數(shù)或所得解不再變化，則終止迭代，否則繼續(xù)返回步驟3）.

PSO 算法偽代碼如下：

因此，模型的整體構(gòu)建流程如圖3 所示.

從代碼中可以看出，c1和c2是粒子群算法的兩個(gè)重要參數(shù)，它們的好壞決定了全局最優(yōu)解的好壞，分別使用3 種方式調(diào)節(jié)學(xué)習(xí)因子以?xún)?yōu)化學(xué)習(xí)因子參數(shù).

圖3 PSO-SVM 模型流程圖Fig.3 Flowchart of PSO-SVM model

1）收縮學(xué)習(xí)因子

式中：φ為學(xué)習(xí)因子調(diào)節(jié)參數(shù)；c為學(xué)習(xí)因子.

2）異步學(xué)習(xí)因子

式中：cstart，cend均為學(xué)習(xí)因子；T為設(shè)置的最大迭代次數(shù).

3）同步學(xué)習(xí)因子

式中：cmax，cmin分別為學(xué)習(xí)因子最大值和最小值.

2.3 模型效果評(píng)價(jià)參數(shù)

本文研究的是多分類(lèi)問(wèn)題，對(duì)于多分類(lèi)問(wèn)題，每個(gè)分類(lèi)標(biāo)簽都可以求出各自的準(zhǔn)確率，但是各自的準(zhǔn)確率不足以反應(yīng)全數(shù)據(jù)的分類(lèi)情況，也就難以對(duì)比不同分類(lèi)方法的優(yōu)劣.多分類(lèi)問(wèn)題的評(píng)價(jià)指標(biāo)一般可以采用宏平均法（Macro Average）和加權(quán)平均法（Weighted Average），宏平均法適用于各標(biāo)簽類(lèi)數(shù)據(jù)均衡的情況，而加權(quán)平均則更適合數(shù)據(jù)非均衡分布的情況.根據(jù)本文多分類(lèi)問(wèn)題，以及數(shù)據(jù)分布的情況，本文采用加權(quán)平均法來(lái)評(píng)價(jià)模型的分類(lèi)效果.

文獻(xiàn)［13］介紹了通過(guò)F1_score 求取加權(quán)平均的方法.公式為

式中：P為模型的精確率；R為模型的召回率.推出模型的加權(quán)平均為

式中：Fi為類(lèi)別i對(duì)應(yīng)的F的值；Pi為該類(lèi)別在模型正確的預(yù)測(cè)值中所占的比例；n為類(lèi)別的總和.

為了體現(xiàn)本文建立的算法模型的穩(wěn)定性，使用各算法模型進(jìn)行30 次試驗(yàn)，根據(jù)概率論理論基礎(chǔ)中的平均值、極差、標(biāo)準(zhǔn)差等參數(shù)，對(duì)試驗(yàn)結(jié)果進(jìn)行評(píng)估.

3 車(chē)載ATC 設(shè)備的故障診斷實(shí)例分析

故障原始樣本集來(lái)源于廣州某地鐵線路車(chē)載ATC 設(shè)備故障歷史數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)挖掘，約簡(jiǎn)樣本總數(shù)為404 條，其中故障特征為24 項(xiàng)，故障類(lèi)型為8 項(xiàng).模型選用70%的樣本作為訓(xùn)練集，30%的樣本作為測(cè)試集.本文先對(duì)粒子群算法中不同的學(xué)習(xí)因子進(jìn)行評(píng)估，得出較為合理的調(diào)節(jié)方法，并得到最佳懲罰函數(shù)參數(shù)與高斯徑向基參數(shù)；其次，對(duì)SVM、PS0-SVM、神經(jīng)網(wǎng)絡(luò)3 種模型分別進(jìn)行30 次故障準(zhǔn)確率試驗(yàn)并進(jìn)行對(duì)比分析.

測(cè)試環(huán)境：處理器Intel Core i5，主頻2.3 GHz，電腦內(nèi)存4 GB，WINDOW10 x64 操作系統(tǒng)，模型使用Matlab 矩陣實(shí)驗(yàn)室軟件建立.

選取粒子群種群數(shù)量為20，最大終止迭代數(shù)為50，種群數(shù)量為20，分別選取合適的c1和c2的初始值，對(duì)不同的學(xué)習(xí)因子調(diào)節(jié)方式進(jìn)行評(píng)估，如圖4所示.

同步學(xué)習(xí)因子調(diào)整方式，粒子收斂速度適中，適應(yīng)度較好，選用同步學(xué)習(xí)因子調(diào)整方式.迭代次數(shù)t=15，粒子群收斂，由公式可以計(jì)算出此時(shí)的最佳c1=c2=0.54，得出最佳適應(yīng)度下的最佳懲罰函數(shù)C=2，γ=0.5，并得出該次試驗(yàn)中的加權(quán)平均故障準(zhǔn)確率為92.150 2%，如圖5 所示.

圖4 不同因子適應(yīng)度曲線Fig.4 Curves with different learning factor fitness

本文在確定PSO-SVM 的兩個(gè)最佳參數(shù)的基礎(chǔ)上，使用未約簡(jiǎn)的數(shù)據(jù)集對(duì)SVM 模型進(jìn)行訓(xùn)練，同時(shí)利用相同的約簡(jiǎn)后的測(cè)試集和驗(yàn)證集，分別對(duì)SVM、PSO-SVM 以及常見(jiàn)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了訓(xùn)練驗(yàn)證，并使用加權(quán)平均故障準(zhǔn)確率進(jìn)行對(duì)比評(píng)估，得到如圖6 所示結(jié)果.

由圖6 可知，使用約簡(jiǎn)數(shù)據(jù)集訓(xùn)練SVM 模型的效果稍?xún)?yōu)于使用未約簡(jiǎn)數(shù)據(jù)集SVM 模型.同時(shí)使用約簡(jiǎn)故障數(shù)據(jù)集，相較于SVM 算法，PSO-SVM 算法顯然在故障診斷準(zhǔn)確率上表現(xiàn)更加優(yōu)異，而神經(jīng)網(wǎng)絡(luò)與PSO-SVM 在數(shù)據(jù)顯示上相差不大.為進(jìn)一步對(duì)比各模型的優(yōu)劣，對(duì)30 次試驗(yàn)的故障診斷率數(shù)據(jù)分析，并使用TOC 函數(shù)記錄模型的訓(xùn)練測(cè)試時(shí)間，如表6 所示.

圖5 SVM 參數(shù)選擇結(jié)果（等高線圖）Fig.5 SVM parameter selection results

表6 模型試驗(yàn)結(jié)果數(shù)據(jù)分析Tab.6 Data analysis of model test resuls

圖6 加權(quán)平均故障率結(jié)果Fig.6 Weighted average failure rate result

由表6 可以看出，數(shù)據(jù)約簡(jiǎn)對(duì)模型的準(zhǔn)確率略有提高，但提高幅度較小，但是在訓(xùn)練測(cè)試時(shí)間上，使用約簡(jiǎn)后的數(shù)據(jù)集優(yōu)勢(shì)更大.同時(shí)，改進(jìn)后的SVM 算法模型對(duì)故障診斷的效果有了較大的提高，多次試驗(yàn)后的極差與標(biāo)準(zhǔn)差要小于神經(jīng)網(wǎng)絡(luò)模型，說(shuō)明穩(wěn)定性方面優(yōu)于神經(jīng)網(wǎng)絡(luò)模型.

由此，驗(yàn)證了本文利用PSO 對(duì)SVM 算法改進(jìn)的可行性與有效性.

4 結(jié)論

1）采用了一種基于改進(jìn)粗糙集理論和PSO 算法優(yōu)化SVM 模型的地鐵列車(chē)車(chē)載ATC 設(shè)備的故障診斷方法，分別對(duì)3 種PSO 算法的學(xué)習(xí)因子調(diào)節(jié)方式進(jìn)行評(píng)估，并得出最佳的SVM 模型參數(shù)，最后使用未約簡(jiǎn)的數(shù)據(jù)集對(duì)SVM 模型進(jìn)行訓(xùn)練與測(cè)試，同時(shí)使用約簡(jiǎn)后的故障數(shù)據(jù)集對(duì)SVM、PSO-SVM 和神經(jīng)網(wǎng)絡(luò)模型行訓(xùn)練與測(cè)試.

2）由測(cè)試結(jié)果可以得出：約簡(jiǎn)后的數(shù)據(jù)集可以提高故障診斷的準(zhǔn)確率以及提高模型訓(xùn)練的效率.相較于其他的模型，本文使用的PS0-SVM 模型對(duì)原有模型進(jìn)行了優(yōu)化處理，并且相較于神經(jīng)網(wǎng)絡(luò)模型，PSO-SVM 模型得出的故障診斷準(zhǔn)確率高，故障診斷的穩(wěn)定性也更加好，在地鐵列車(chē)車(chē)載ATC 設(shè)備的故障診斷中有一定的借鑒意義.