王彥快，米根鎖，孔得盛，楊建剛，張 玉

(1.蘭州交通大學(xué) 鐵道技術(shù)學(xué)院，甘肅 蘭州 730000；2.蘭州交通大學(xué) 自動化與電氣工程學(xué)院，甘肅 蘭州 730070；3.中國鐵路蘭州局集團有限公司 蘭州電務(wù)部，甘肅 蘭州 730000；4.北京全路通信信號研究設(shè)計院集團有限公司，北京 100070；5.國網(wǎng)甘肅省電力公司電力科學(xué)研究院，甘肅 蘭州 730070)

道岔作為軌道連接設(shè)備是高速鐵路(以下簡稱“高鐵”)綜合維修段重點關(guān)注的設(shè)備之一,經(jīng)統(tǒng)計其維護工作量約占工電供結(jié)合部設(shè)備維護工作量的1/3以上,道岔故障數(shù)約占鐵路信號設(shè)備故障總數(shù)的40%以上,其中機械故障占道岔故障總數(shù)的70%以上[1-3]。因此,實現(xiàn)道岔智能故障診斷、制定合理的維修策略將是提高維修效率的重要手段。目前“周期修”和“故障修”結(jié)合仍是道岔設(shè)備的主要維護模式,維修人員通過信號集中監(jiān)測(centralized signaling monitoring,CSM)系統(tǒng)的監(jiān)測數(shù)據(jù),依據(jù)專業(yè)知識和工作經(jīng)驗分析道岔工作狀態(tài),并輔助維修道岔。該模式存在故障延時長、故障診斷準確率較低、勞動強度較大等缺陷,且易造成“欠維修”和“過維修”,維修存在局限性[4-5]。

近年來,國內(nèi)外學(xué)者針對道岔設(shè)備的故障診斷開展了相關(guān)研究:楊菊花等[6]建立了基于CNN-GRU方法的道岔故障診斷模型;鐘志旺等[7]提出基于主題模型PLSA和SVM的道岔設(shè)備故障特征提取與診斷方法;許慶陽等[8]建立了不同故障模式下的HMM模型,描述每一種退化狀態(tài)之間的狀態(tài)轉(zhuǎn)移,實現(xiàn)道岔健康狀態(tài)監(jiān)測與診斷。基于以上研究,本文提出基于多維尺度縮放法(multiple dimensional scaling,MDS)和改進麻雀搜索算法(sparrow search algorithm,SSA)優(yōu)化支持向量機(support vector machine,SVM)的高鐵道岔故障診斷方法:從時域、頻域、小波包能量熵3方面提取特征指標(biāo),其中小波包能量熵包含有瞬變成分的故障信號特征信息[9];通過MDS降維后最大限度地保留原高維數(shù)據(jù)所含信息量;SVM算法較深度學(xué)習(xí)算法在解決小樣本數(shù)據(jù)方面具有一定優(yōu)勢[10],而采用改進SSA優(yōu)化SVM算法,一方面增加種群的均勻性和多樣性,另一方面避免SVM中懲罰因子c和核函數(shù)方差g選取的主觀性,從而降低訓(xùn)練過程中陷入局部最優(yōu)的概率,并提高故障診斷準確率[11]。具體實現(xiàn)過程:首先以ZDJ9型道岔轉(zhuǎn)換功率曲線為研究對象,提取時域、頻域及小波包能量熵3方面特征指標(biāo);其次采用MDS對高維特征指標(biāo)降維優(yōu)化,以低維特征空間構(gòu)造的歐氏距離組成道岔特征指標(biāo)向量;最后建立基于改進SSA-SVM算法的高鐵道岔故障診斷模型,并驗證該模型的可行性和高診斷準確率。

1 道岔轉(zhuǎn)換功率曲線

1.1 正常曲線

由于道岔轉(zhuǎn)換功率曲線不僅能夠反映道岔轉(zhuǎn)換時的電氣特性、所受阻力大小以及機械性能,更能體現(xiàn)道岔的實際工作狀態(tài)[12],因此,本文選擇道岔轉(zhuǎn)換功率曲線為研究對象。道岔正常轉(zhuǎn)換功率曲線見圖1。圖1中,根據(jù)ZDJ9型轉(zhuǎn)轍機動作時間t的先后順序,其功率P曲線分為啟動(0—t1)、解鎖(t1—t2)、轉(zhuǎn)換(t2—t3)、鎖閉(t3—t4)、緩放(t4—t5)等5個階段。在啟動階段,電機啟動,斷開道岔表示電路,其功率在短時間內(nèi)增大,在0.32 s左右出現(xiàn)一個650～1 080 W的尖峰;解鎖階段,功率至尖峰點后迅速下降,密貼尖軌開始動作;轉(zhuǎn)換階段,尖軌移動,功率曲線比較平滑;鎖閉階段,尖軌移動密貼于基本軌,外鎖閉裝置鎖閉尖軌位置,自動開閉器接點轉(zhuǎn)換,同時斷開啟動電路而接通表示電路,斷相保護器無電流通過,使保護繼電器落下;緩放階段,由于1DQJ的緩放,產(chǎn)生200 W左右的曲線“小臺階”;在t5時間點,1DQJ緩放結(jié)束,停止記錄道岔功率曲線[13-14]。

圖1 道岔正常轉(zhuǎn)換功率曲線

1.2 典型故障曲線

經(jīng)現(xiàn)場調(diào)研,分析并總結(jié)出7種典型道岔故障功率曲線F1～F7,見圖2。依據(jù)道岔轉(zhuǎn)換功率曲線波動及轉(zhuǎn)換時長,進一步分析總結(jié)出故障現(xiàn)象及故障原因,見表1。

表1 道岔典型故障模式

圖2 道岔典型故障功率曲線

2 道岔特征指標(biāo)提取和降維

提取道岔功率曲線樣本數(shù)據(jù)的時域、頻域特征指標(biāo),同時對道岔功率曲線樣本數(shù)據(jù)進行小波包分解,提取小波包能量熵,組成特征指標(biāo)向量。由于特征指標(biāo)之間存在相似性,故采用MDS方法進行降維優(yōu)化。

2.1 道岔特征指標(biāo)提取

1)時域特征指標(biāo)提取

由于在不同故障類型下,道岔功率曲線在0—t2、t2—t3、t3—6.4 s 3段表現(xiàn)出的故障特點也不同,因此結(jié)合圖2中F1、F2型道岔故障功率曲線在不同時間段出現(xiàn)功率“鼓包”的特點,為區(qū)分以上2種故障,又將道岔轉(zhuǎn)換階段平均劃分為3個小區(qū)段,最終依次提取5個區(qū)段的平均值、均方根值、方根幅值、絕對平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值、波形因子、峰值因子、脈沖因子、裕度因子、偏斜度因子等15個時域特征指標(biāo)。

2)頻域特征指標(biāo)提取

為能夠全面提取故障功率曲線中的細微變化,將道岔功率曲線數(shù)據(jù)經(jīng)過快速傅里葉變換(FFT)后,依次提取功率曲線各段頻譜的均值、功率、重心頻率、平均頻率、根方差頻率、均方根頻率、標(biāo)準差頻率、最大幅值、根方差幅值、平均相角、最大相角、能量、相角極差等13個頻域特征指標(biāo)。

3)小波包能量熵特征指標(biāo)提取

小波包能夠同時在低頻和高頻帶內(nèi)對信號進行分解,并根據(jù)信號特性和分析要求自適應(yīng)選擇相匹配的頻帶和頻譜,且各分解頻帶內(nèi)的信號相互獨立、無冗余、不疏漏;而能量熵表示信號中出現(xiàn)的狀態(tài)數(shù)目的可能性及相應(yīng)概率,可用于評估信號的復(fù)雜性,有效地從信號中提取信息[9]。為能夠準確提取含有瞬變成分的故障信號特征信息,選擇對道岔功率曲線數(shù)據(jù)進行小波包分解,計算小波包能量熵,并結(jié)合時域、頻域特征指標(biāo),構(gòu)建道岔故障特征指標(biāo)向量。小波包能量熵的實現(xiàn)思路:道岔功率信號經(jīng)過多層小波包分解,將信號投影到一組互相正交的小波基函數(shù)構(gòu)成的空間上,并將總能量劃分到若干個互不重疊的頻率區(qū)間內(nèi),經(jīng)多通道濾波,大大消減信號之間的干擾[15-16]。

設(shè)對道岔功率信號S進行k層小波包分解,得到2k個小波包系數(shù)X(k,i),其中i為第k層的第i個節(jié)點,i=0,1,…,2k-1。

對應(yīng)小波包系數(shù)X(k,i)的重構(gòu)信號記為W(k,i),則總信號W為

W=W(k,0)+W(k,1)+…+W(k,2k-1)

(1)

重構(gòu)信號對應(yīng)的能量記為E(k,i),其計算式為

(2)

式中:d為道岔功率信號S的總長度。

信號的總能量Ek可以表示為

(3)

每個節(jié)點對應(yīng)的重構(gòu)信號能量占據(jù)總能量的比例記為P(k,i),其計算式為

(4)

P(k,i)的大小反映出第k層中各個頻帶的能量分布。根據(jù)香農(nóng)定理,各個節(jié)點對應(yīng)的小波包能量熵T(k,i)為

T(k,i)=-P(k,i)log2P(k,i)

(5)

則k個頻帶對應(yīng)2k個節(jié)點的小波包能量熵組成2k維特征指標(biāo)向量T,即

(6)

2.2 道岔特征指標(biāo)降維

通過計算道岔功率曲線數(shù)據(jù)的時域、頻域、小波包能量熵特征指標(biāo)得到一個高維數(shù)據(jù)樣本,雖然高維數(shù)據(jù)可以完整體現(xiàn)故障特征信息,但在高維空間中特征參數(shù)之間具有很大的相關(guān)性和冗余性,將直接影響道岔故障診斷模型的訓(xùn)練速度和診斷準確率,所以需要進一步對特征指標(biāo)降維。目前常用的典型降維方法有:主成分分析(principal component analysis, PCA)、核主成分分析(kernel PCA, KPCA)和MDS降維。其中,PCA、KPCA方法為達到降維效果只保留方差大的主成分,導(dǎo)致可能丟失方差小的主成分中對分類結(jié)果有影響的特征;KPCA方法需要選取核函數(shù)并設(shè)置核函數(shù)參數(shù),一般根據(jù)實際問題人為設(shè)置,受主觀因素影響較大;而MDS方法利用成對的樣本之間的相似度提取低維空間的特征,使得在低維空間中各樣本之間的距離與其在高維空間中的距離保持高度的相似性[17]。鑒于此,本文結(jié)合道岔功率曲線的特點,采用MDS方法進行降維,實現(xiàn)步驟如下:

Step1采用min-max標(biāo)準化對道岔特征指標(biāo)樣本數(shù)據(jù)做歸一化預(yù)處理,以消除特征指標(biāo)數(shù)據(jù)量綱不一致對故障診斷結(jié)果的影響。

Step2計算樣本間的歐氏距離,建立距離矩陣。

Step3計算降維后樣本的內(nèi)積矩陣。

Step4對距離矩陣的雙重中心化矩陣進行奇異值分解,并按照從大到小的順序排列特征值,選取前o個特征值對應(yīng)的特征向量構(gòu)成矩陣Uo,組成的對角矩陣為Λo,降維后的樣本X為

(7)

Step5評價函數(shù)的建立。道岔故障特征指標(biāo)個數(shù)o為最終的降維維度,而對o的設(shè)定,一方面需要考慮能夠有效降低道岔功率曲線樣本的特征維度,另一方面也要保證低維樣本數(shù)據(jù)能夠較全面反映道岔設(shè)備的故障特征。為此,設(shè)置不同維度值o,計算評價函數(shù)值r,繪制r值變化趨勢,r值越小,表示降維后的數(shù)據(jù)樣本包含的道岔故障特征信息越完整[18]。r的計算式為

(8)

式中:m為樣本數(shù);d1ab、d2ab分別為降維前后各道岔功率曲線樣本間的歐氏距離。

3 改進SSA-SVM道岔故障診斷模型

3.1 SSA算法原理

SSA算法是由Xue等[19]于2020年提出的一種新型群體智能優(yōu)化算法,通過模擬麻雀覓食過程獲得最優(yōu)參數(shù)c和g。該算法與其他優(yōu)化算法相比較,具有收斂速度快、搜索精度高、魯棒性強等優(yōu)點。其實現(xiàn)原理為:將整個麻雀群分為發(fā)現(xiàn)者、跟隨者和偵查者3個群體,其中發(fā)現(xiàn)者和偵查者各占種群的10%～20%,其余均為跟隨者。發(fā)現(xiàn)者搜索能力強,引導(dǎo)整個種群搜索和覓食;跟隨者通過跟隨發(fā)現(xiàn)者搜尋食物以獲得更好的適應(yīng)度;偵查者通過監(jiān)視發(fā)現(xiàn)者以提高自身捕食率,當(dāng)遇天敵威脅時,發(fā)出預(yù)警信號,種群做出反捕食行為。

在SSA算法中,假設(shè)搜索空間大小為D維,麻雀數(shù)量為N只,則第e只麻雀在該搜索空間中的位置Ye為

Ye=[ye,1,…,ye,h,…,ye,D]e=1,2,…,N

(9)

式中:ye,h為第e只麻雀在h維的位置。

發(fā)現(xiàn)者位置更新為

(10)

式中:t為當(dāng)前迭代次數(shù);Iiter,max為最大迭代次數(shù);α為區(qū)間(0, 1]的隨機數(shù);Q為服從正態(tài)分布的隨機數(shù);L為1×h維矩陣,各元素均為1;R2為取值在0～1的預(yù)警值;SN為取值在0.5～1的安全值。當(dāng)R2

跟隨者位置更新為

(11)

式中:Yw為全局最差位置;Yp為全局最優(yōu)位置;A為各元素隨機賦值為1或-1的1×h維矩陣,且滿足A+=AT(AAT)-1;n為解的維度。當(dāng)e>n/2時,表明第e個跟隨者未搜索到食物,存活率較低,需要前往其他區(qū)域搜尋食物,以提高自身適應(yīng)度。

偵查者位置更新為

(12)

式中:Yg為當(dāng)前全局最優(yōu)位置;β為步長調(diào)整參數(shù),取服從均值為0、方差為1的正態(tài)分布隨機數(shù);B為麻雀移動方位,取-1～1的隨機數(shù);fw、fg、fe分別為當(dāng)前全局最差適應(yīng)度、全局最優(yōu)適應(yīng)度、當(dāng)前麻雀的適應(yīng)度;σ為一個避免分母為0的極小常數(shù)。當(dāng)fe≠fg時,表示該麻雀在種群的邊緣帶活動,易被捕食者發(fā)現(xiàn)而受到襲擊;當(dāng)fe=fg時,表示該麻雀位于種群的中心位置,且已察覺到被襲擊的危險,需要迅速向其他區(qū)域的麻雀靠攏。

3.2 改進Circle混沌映射初始化種群

為增強初始種群的隨機性、遍歷性,提高算法的全局搜索能力,通常選擇混沌映射初始化策略代替SSA算法中隨機生成種群的方法以保持種群的多樣性。常見的混沌映射有Circle混沌映射、Logistic映射和Tent混沌映射。本文選取比較穩(wěn)定且混沌值的覆蓋率較高的Circle混沌映射,其映射分布直方圖見圖3,映射關(guān)系為

圖3 Circle混沌映射分布直方圖

(13)

式中:ys為第s次迭代的Circle混沌序列。

由圖3可見,Circle混沌值在區(qū)間[0.2, 0.6]上分布不均勻。文獻 [20]將Circle混沌映射公式進行了改進,改進后的映射公式為

(14)

為直觀清晰地顯示改進效果,s取2 000。改進Circle混沌映射分布直方圖見圖4。

圖4 改進Circle混沌映射分布直方圖

3.3 自適應(yīng)t分布策略

針對SSA算法后期種群多樣性減少的問題,通過自適應(yīng)t分布增強麻雀種群的多樣性,對麻雀位置進行更新,避免算法陷入局部最優(yōu)[21]。更新后的麻雀位置為

Ynew=Ye+Ye·t(Iiter)

(15)

式中:Ynew為改進后第e只麻雀的位置;Ye為改進前第e只麻雀的位置;t(Iiter)為以迭代次數(shù)為參數(shù)自由度的t分布。定義t分布變異概率為p,當(dāng)滿足α

3.4 改進SSA優(yōu)化SVM的道岔故障診斷流程

改進SSA優(yōu)化SVM的道岔故障診斷流程見圖5,步驟如下:

圖5 改進SSA優(yōu)化SVM的道岔故障診斷流程

Step1從CSM系統(tǒng)中獲取道岔正常轉(zhuǎn)換及典型故障轉(zhuǎn)換功率曲線數(shù)據(jù),提取其時域、頻域特征指標(biāo)及小波包能量熵,組成特征指標(biāo)向量。

Step2采用MDS方法對高維特征數(shù)據(jù)降維,降維后的維度需結(jié)合r值的變化趨勢以及改進SSA-SVM道岔故障診斷模型的準確率確定。

Step3改進SSA算法。首先預(yù)設(shè)改進SSA的參數(shù),利用改進Circle混沌映射初始化種群;其次通過計算個體適應(yīng)度值,更新發(fā)現(xiàn)者、跟隨者、偵查者的位置,確定當(dāng)前種群的最優(yōu)個體,判斷當(dāng)滿足α

Step4實現(xiàn)SVM二分類向多分類的轉(zhuǎn)換。其主要思想是采用Libsvm中的多分類,即一對一法,在q分類的情況下,任意2個類型訓(xùn)練出一個分類器,共訓(xùn)練出q(q-1)/2個分類器。當(dāng)對一個未知樣本進行分類時,根據(jù)q(q-1)/2個分類器的結(jié)果,采用投票方法給出得票最多的類別即為樣本的故障類型。輸入最佳參數(shù)X(bestc,bestg)及訓(xùn)練樣本,構(gòu)建改進SSA-SVM故障診斷模型。

Step5輸入測試樣本,分析道岔故障診斷結(jié)果。

4 道岔故障診斷模型構(gòu)建及結(jié)果分析

4.1 道岔功率曲線樣本建立

以某高鐵車站ZDJ9型電動轉(zhuǎn)轍機驅(qū)動的道岔為研究對象,根據(jù)道岔正常轉(zhuǎn)換功率曲線F0及7種典型故障轉(zhuǎn)換功率曲線F1～F7的各自不同特點,在CSM系統(tǒng)中選取344條道岔功率曲線,其中,F0、F5型各50條,F1型44條,其余各型均為40條;截取曲線6.4 s之前的部分,按40 ms的時間間隔采樣,解鎖階段、轉(zhuǎn)換階段、鎖閉階段分別采集15、96、49個數(shù)據(jù)點,最終建立344×160維的道岔功率曲線樣本。

4.2 多域道岔特征指標(biāo)提取

1)時域特征指標(biāo)。分別計算344組道岔功率曲線樣本對應(yīng)的5個區(qū)段的15個時域特征指標(biāo)并做初步分析,發(fā)現(xiàn)解鎖階段的“最小值”均為0 W,“峰峰值”的大小與最大值重復(fù),對故障識別沒有實際意義,故刪除以上2個時域指標(biāo);而對于F5型故障,其解鎖“尖峰”功率低于正常值,需要增加“尖峰與0.32 s處功率值之差”,以量化該類型故障特征。綜上,組成74維時域特征指標(biāo)向量。

2)頻域特征指標(biāo)。分別對344組道岔功率曲線樣本對應(yīng)的5個區(qū)段的樣本數(shù)據(jù)進行FFT變換,提取各段頻譜的13個頻域特征指標(biāo),組成65維頻域特征指標(biāo)向量。

3)小波包能量熵特征指標(biāo)。在計算道岔功率曲線數(shù)據(jù)的小波包能量熵時,首先需要確定小波包分解層數(shù)K與小波基。其中K值影響著提取道岔故障特征指標(biāo)的能力以及特征指標(biāo)向量維數(shù)的高低,若K值過低,無法全面提取道岔故障信息,影響故障診斷的準確度;而若K值過高,導(dǎo)致提取的特征指標(biāo)向量維數(shù)太高,影響故障診斷的速度以及準確度。常用的選取小波包最佳層數(shù)的計算式[22]為

(16)

式中:fs為采樣頻率;f為信號頻率。根據(jù)道岔功率曲線的特點,取fs=25 Hz,f=0.156 Hz,得到k的最大整數(shù)值為5,即小波包的層數(shù)K取5。

在故障特征提取領(lǐng)域,通常采用Daubechies小波(dbM)作為小波基,其中M為小波階數(shù)。分別將小波基的小波階數(shù)M設(shè)置為0～10,當(dāng)小波包分解層數(shù)為5層時,特征向量維數(shù)為32,則采用不同小波基時32個節(jié)點的小波包能量熵見圖6。

圖6 不同小波基下32個節(jié)點的小波包能量熵

圖6表明,當(dāng)選取db7進行分解后,各個節(jié)點上得到的能量熵差距最大,因此,小波基確定為db7。分別對344×160維道岔功率曲線樣本數(shù)據(jù)進行5層小波包分解,得到32個小波包信號;對32個小波包信號進行重構(gòu),計算各重構(gòu)信號的小波能量熵,歸一化后組成32維小波包能量熵特征指標(biāo)向量。

4.3 基于MDS的道岔特征指標(biāo)降維

通過計算道岔功率曲線數(shù)據(jù)的多域特征指標(biāo),最終建立344×171維的道岔特征指標(biāo)樣本數(shù)據(jù)庫;設(shè)定不同的特征指標(biāo)維度參數(shù),利用MDS方法對該樣本進行降維,得到新特征指標(biāo),并根據(jù)式( 8 )計算不同維度對應(yīng)的r值,評價函數(shù)值隨維度的變化趨勢見圖7。

圖7 評價函數(shù)值變化趨勢

由圖7可見,降維后的維度從1到20對應(yīng)的r值依次減小,r值越小,表明降維后所包含的道岔功率曲線的特征信息量越大。其中,當(dāng)降維至2維時,r值為0.111 1;8維時r值為0.022 6,表明已經(jīng)能夠較好地表征樣本特征;而13維時r值為0.009 8。以降維至8維為例,降維前171維樣本間歐氏距離、降維后8維樣本間歐氏距離以及降維前后樣本間歐氏距離偏差見圖8。由圖8(c)可見,其歐氏距離偏差在0.2的范圍內(nèi),表明降維后8維數(shù)據(jù)特征可以最大限度地包含降維前171維數(shù)據(jù)特征。

圖8 降維前后樣本歐氏距離及偏差

在Matlab中編寫改進SSA優(yōu)化SVM中參數(shù)c、g的程序,并初始化相關(guān)參數(shù),其中最大迭代次數(shù)設(shè)為100,麻雀數(shù)量為30,交叉驗證折數(shù)為5,安全閾值為0.6,發(fā)現(xiàn)者的比例為0.7,偵察者的比例為0.2,t分布變異概率p為0.5[19],為減少參數(shù)尋優(yōu)的進化次數(shù),并提高故障診斷準確率,將c、g的優(yōu)化范圍設(shè)置為[10-5, 103]。選取不同道岔故障類型的后10組樣本組成80組測試樣本,其余的樣本組成264組訓(xùn)練樣本;采用改進SSA優(yōu)化SVM算法的道岔故障診斷模型對不同維度的道岔故障樣本數(shù)據(jù)進行故障診斷,診斷正確率見圖9。

圖9 不同維度的故障診斷正確率

圖9表明,在采用改進SSA優(yōu)化SVM算法時,隨著特征指標(biāo)維度的增加,樣本數(shù)據(jù)包含的故障特征貢獻率增大,當(dāng)維度為8維時,故障診斷正確率首次達到最高,即為96.25%,故在滿足降維效果的同時最大限度地包含故障特征,同時結(jié)合圖7中的評價函數(shù)變化趨勢,最終確定降維維度為8維。輸入264×8維訓(xùn)練樣本,對改進SSA算法參數(shù)尋優(yōu),其適應(yīng)度曲線見圖10。由圖10可見,當(dāng)進化代數(shù)為37次時,得到最佳參數(shù)組合為X(2.502 7, 0.971 3),最佳適應(yīng)度fg為96.25%。

圖10 適應(yīng)度曲線

4.4 特征提取和降維的實驗分析

分別輸入344×74維時域特征指標(biāo)樣本(第1種)、344×65維頻域特征指標(biāo)樣本(第2種)、344×32維小波包能量熵特征指標(biāo)樣本(第3種)、344×171維多域特征指標(biāo)樣本(第4種)、經(jīng)MDS降維后的344×8維特征指標(biāo)樣本(第5種),以及經(jīng)KPCA降維后的344×8維(第6種)、344×13維特征指標(biāo)樣本(第7種),以各種樣本的264組樣本數(shù)據(jù)為訓(xùn)練樣本,訓(xùn)練改進SSA模型得到最佳X(bestc,bestg)參數(shù)組合,輸入各種樣本的80組測試樣本和最佳優(yōu)化參數(shù)至SVM故障診斷模型,得到以上7種樣本的診斷結(jié)果,見表2。

表2 7種樣本的診斷結(jié)果

由表2可以得出:

1)第1種時域特征指標(biāo)樣本的診斷準確率為93.75%,高于第2、3種樣本,第1、2、3種樣本的診斷結(jié)果見圖11。由圖11(b)可知,第2種頻域特征指標(biāo)樣本對樣本18較為敏感;由圖11(c)可知,第3種小波包能量熵特征指標(biāo)可以正確識別出樣本46。將時域、頻域和小波包能量熵3方面提取的特征指標(biāo)組成第4種171維多域特征指標(biāo)樣本后,其故障診斷準確率均高于僅僅采用時域特征指標(biāo)樣本、頻域特征指標(biāo)樣本或者小波包能量熵特征指標(biāo)樣本,從而驗證了提取道岔多域特征指標(biāo)可以提高故障診斷準確率和精確率。

圖11 第1、2、3種樣本的診斷結(jié)果

2)對比第4種與第5種樣本對應(yīng)的診斷準確率,顯然,將171維的特征指標(biāo)樣本經(jīng)MDS降維至8維后,不僅故障診斷準確率較高,而且模型訓(xùn)練時間最短。

3)為對比KPCA方法和MDS方法的降維效果,采用KPCA方法將344×171維的特征指標(biāo)降維至不同的維度,訓(xùn)練并測試改進SSA-SVM模型,選擇出準確率達到最大時的最低維度,即13維,對應(yīng)診斷結(jié)果為表2中的第7種樣本。對比第5、6、7種樣本對應(yīng)的準確率以及模型訓(xùn)練時間,當(dāng)降維至8維時,MDS方法對應(yīng)的準確率高于KPCA方法;而當(dāng)KPCA降維至13維時,雖然其診斷準確率達到最大的95%,但是經(jīng)過特征提取后維度依然較高,而且維數(shù)增多的同時也加長了模型訓(xùn)練時間。因此,MDS方法對本文數(shù)據(jù)的降維效果明顯優(yōu)于KPCA方法。

綜上,提取道岔多域特征指標(biāo)可以全面反映道岔故障特點;通過MDS方法降維,不僅提高了模型故障診斷的準確率、精確率和召回率,而且降低了模型訓(xùn)練時間,提高了故障診斷的實時性。

4.5 道岔故障診斷算法的實驗分析

1)將80×8維的測試樣本及最優(yōu)參數(shù)X(2.502 7, 0.971 3)輸入至SVM模型中,其診斷結(jié)果見圖12。由圖12可見,故障診斷準確率為96.25%,僅有F1型故障狀態(tài)的樣本91、93、94均錯誤診斷為F0型正常狀態(tài)。

圖12 8維測試樣本的診斷結(jié)果

調(diào)取樣本91、93、94的道岔轉(zhuǎn)換功率曲線,該3條曲線均在道岔由反位向定位轉(zhuǎn)換過程中,大概4.2 s處出現(xiàn)了小“鼓包”;而F1型故障的訓(xùn)練樣本和其他測試樣本均為道岔由定位向反位轉(zhuǎn)換過程的功率曲線,大概1.2 s處出現(xiàn)小“鼓包”,可見改進SSA-SVM模型對道岔由反位向定位轉(zhuǎn)換過程中的故障無法識別。以樣本93為例,道岔功率曲線見圖13。

圖13 樣本93的道岔功率曲線

結(jié)合現(xiàn)場實際情況,道岔在轉(zhuǎn)換階段出現(xiàn)“鼓包”功率是道岔由反位到定位時密貼過緊造成的,導(dǎo)致翻車掉道等事故的可能性較大,需及時明確故障原因,檢查道岔缺口,調(diào)整道岔的密貼。在以后的研究中,建立樣本數(shù)據(jù)時,可以考慮道岔定反位轉(zhuǎn)換過程,以解決該問題。

2)分別建立基于GA、GWO、PSO、SSA等智能優(yōu)化算法優(yōu)化SVM算法的道岔故障診斷模型,并設(shè)置和改進SSA-SVM模型相同的最大迭代次數(shù)和種群數(shù)量,輸入264×8維的訓(xùn)練樣本訓(xùn)練各模型,輸入80×8維的測試樣本,其診斷結(jié)果見表3。表3結(jié)果表明:采用改進SSA-SVM模型較其他4種模型具有較高的故障診斷準確率、精確率、召回率,以及最短的訓(xùn)練時間;SSA-SVM模型將F7型的故障樣本10錯誤診斷為F3型故障,而改進SSA-SVM模型對F7型故障診斷率達到100%,從而進一步驗證了改進SSA-SVM算法具有良好的尋優(yōu)性能。

表3 5種優(yōu)化算法的測試診斷結(jié)果

3)對比文獻 [6-8]中方法,道岔故障診斷準確率見表4。由表4可見,本文提出的MDS-改進SSA-SVM模型具有較高的故障診斷準確率;從是否能夠完全正確識別出故障種類而言,僅F1型故障診斷準確率未達到100%,該問題可以進一步通過完善樣本解決。綜上,本文所提方法具有一定的優(yōu)勢。

5 結(jié)論

1)本文分別提取道岔功率曲線的時域、頻域特征指標(biāo)以及小波包能量熵,組成多域特征指標(biāo)向量,能夠更加全面地反映出道岔的故障特點。

2)利用MDS方法對所提取的原始特征指標(biāo)進行降維優(yōu)化,得到新的特征指標(biāo)數(shù)據(jù),可以較好地表征原始特征指標(biāo)數(shù)據(jù)包含的信息,提高道岔故障診斷的準確率和實時性,降維效果明顯優(yōu)于KPCA方法。

3)改進SSA算法中采用改進Circle混沌映射初始化種群增加了種群的均勻性,自適應(yīng)t分布策略增強SSA算法的種群多樣性;采用改進SSA算法優(yōu)化SVM中的參數(shù)c和g,避免了因人為經(jīng)驗選取參數(shù)產(chǎn)生誤差。故障診斷結(jié)果表明,改進SSA算法具有良好的尋優(yōu)能力,提高了故障診斷準確率。

4)通過實驗分析以及與其他方法的故障診斷準確率進行對比,改進SSA-SVM的道岔故障診斷模型診斷準確率高達96.25%,不僅可以為道岔故障維修提供理論依據(jù),而且實現(xiàn)了道岔的“壓縮故障延時”,能夠滿足鐵路現(xiàn)場維護需求。