基于MDS和改進SSA-SVM的高速鐵路道岔故障診斷方法研究

王彥快，米根鎖，孔得盛，楊建剛，張 玉

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

道岔作為軌道連接設備是高速鐵路(以下簡稱“高鐵”)綜合維修段重點關注的設備之一,經統計其維護工作量約占工電供結合部設備維護工作量的1/3以上,道岔故障數約占鐵路信號設備故障總數的40%以上,其中機械故障占道岔故障總數的70%以上[1-3]。因此,實現道岔智能故障診斷、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”結合仍是道岔設備的主要維護模式,維修人員通過信號集中監測(centralized signaling monitoring,CSM)系統的監測數據,依據專業知識和工作經驗分析道岔工作狀態,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,國內外學者針對道岔設備的故障診斷開展了相關研究: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之間的狀態轉移,實現道岔健康狀態監測與診斷?；谝陨涎芯?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,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據所含信息量;SVM算法較深度學習算法在解決小樣本數據方面具有一定優勢[10],而采用改進SSA優化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和核函數方差g選取的主觀性,從而降低訓練過程中陷入局部最優的概率,并提高故障診斷準確率[11]。具體實現過程:首先以ZDJ9型道岔轉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;其次采用MDS對高維特征指標降維優化,以低維特征空間構造的歐氏距離組成道岔特征指標向量;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 道岔轉換功率曲線

1.1 正常曲線

由于道岔轉換功率曲線不僅能夠反映道岔轉換時的電氣特性、所受阻力大小以及機械性能,更能體現道岔的實際工作狀態[12],因此,本文選擇道岔轉換功率曲線為研究對象。道岔正常轉換功率曲線見圖1。圖1中,根據ZDJ9型轉轍機動作時間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,其功率在短時間內增大,在0.32 s左右出現一個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,產生200 W左右的曲線“小臺階”;在t5時間點,1DQJ緩放結束,停止記錄道岔功率曲線[13-14]。

圖1 道岔正常轉換功率曲線

1.2 典型故障曲線

經現場調研,分析并總結出7種典型道岔故障功率曲線F1～F7,見圖2。依據道岔轉換功率曲線波動及轉換時長,進一步分析總結出故障現象及故障原因,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 道岔特征指標提取和降維

提取道岔功率曲線樣本數據的時域、頻域特征指標,同時對道岔功率曲線樣本數據進行小波包分解,提取小波包能量熵,組成特征指標向量。由于特征指標之間存在相似性,故采用MDS方法進行降維優化。

2.1 道岔特征指標提取

1)時域特征指標提取

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段表現出的故障特點也不同,因此結合圖2中F1、F2型道岔故障功率曲線在不同時間段出現功率“鼓包”的特點,為區分以上2種故障,又將道岔轉換階段平均劃分為3個小區段,最終依次提取5個區段的平均值、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。

2)頻域特征指標提取

為能夠全面提取故障功率曲線中的細微變化,將道岔功率曲線數據經過快速傅里葉變換(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。

3)小波包能量熵特征指標提取

小波包能夠同時在低頻和高頻帶內對信號進行分解,并根據信號特性和分析要求自適應選擇相匹配的頻帶和頻譜,且各分解頻帶內的信號相互獨立、無冗余、不疏漏;而能量熵表示信號中出現的狀態數目的可能性及相應概率,可用于評估信號的復雜性,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據進行小波包分解,計算小波包能量熵,并結合時域、頻域特征指標,構建道岔故障特征指標向量。小波包能量熵的實現思路:道岔功率信號經過多層小波包分解,將信號投影到一組互相正交的小波基函數構成的空間上,并將總能量劃分到若干個互不重疊的頻率區間內,經多通道濾波,大大消減信號之間的干擾[15-16]。

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

對應小波包系數X(k,i)的重構信號記為W(k,i),則總信號W為

W=W(k,0)+W(k,1)+…+W(k,2k-1)

(1)

重構信號對應的能量記為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)

每個節點對應的重構信號能量占據總能量的比例記為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。根據香農定理,各個節點對應的小波包能量熵T(k,i)為

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

(5)

則k個頻帶對應2k個節點的小波包能量熵組成2k維特征指標向量T,即

(6)

2.2 道岔特征指標降維

通過計算道岔功率曲線數據的時域、頻域、小波包能量熵特征指標得到一個高維數據樣本,雖然高維數據可以完整體現故障特征信息,但在高維空間中特征參數之間具有很大的相關性和冗余性,將直接影響道岔故障診斷模型的訓練速度和診斷準確率,所以需要進一步對特征指標降維。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,導致可能丟失方差小的主成分中對分類結果有影響的特征;KPCA方法需要選取核函數并設置核函數參數,一般根據實際問題人為設置,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,本文結合道岔功率曲線的特點,采用MDS方法進行降維,實現步驟如下:

Step1采用min-max標準化對道岔特征指標樣本數據做歸一化預處理,以消除特征指標數據量綱不一致對故障診斷結果的影響。

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個特征值對應的特征向量構成矩陣Uo,組成的對角矩陣為Λo,降維后的樣本X為

(7)

Step5評價函數的建立。道岔故障特征指標個數o為最終的降維維度,而對o的設定,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據能夠較全面反映道岔設備的故障特征。為此,設置不同維度值o,計算評價函數值r,繪制r值變化趨勢,r值越小,表示降維后的數據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;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化算法,通過模擬麻雀覓食過程獲得最優參數c和g。該算法與其他優化算法相比較,具有收斂速度快、搜索精度高、魯棒性強等優點。其實現原理為:將整個麻雀群分為發現者、跟隨者和偵查者3個群體,其中發現者和偵查者各占種群的10%～20%,其余均為跟隨者。發現者搜索能力強,引導整個種群搜索和覓食;跟隨者通過跟隨發現者搜尋食物以獲得更好的適應度;偵查者通過監視發現者以提高自身捕食率,當遇天敵威脅時,發出預警信號,種群做出反捕食行為。

在SSA算法中,假設搜索空間大小為D維,麻雀數量為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。

發現者位置更新為

(10)

式中:t為當前迭代次數;Iiter,max為最大迭代次數;α為區間(0, 1]的隨機數;Q為服從正態分布的隨機數;L為1×h維矩陣,各元素均為1;R2為取值在0～1的預警值;SN為取值在0.5～1的安全值。當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,需要前往其他區域搜尋食物,以提高自身適應度。

偵查者位置更新為

(12)

式中:Yg為當前全局最優位置;β為步長調整參數,取服從均值為0、方差為1的正態分布隨機數;B為麻雀移動方位,取-1～1的隨機數;fw、fg、fe分別為當前全局最差適應度、全局最優適應度、當前麻雀的適應度;σ為一個避免分母為0的極小常數。當fe≠fg時,表示該麻雀在種群的邊緣帶活動,易被捕食者發現而受到襲擊;當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[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)為以迭代次數為參數自由度的t分布。定義t分布變異概率為p,當滿足α

3.4 改進SSA優化SVM的道岔故障診斷流程

改進SSA優化SVM的道岔故障診斷流程見圖5,步驟如下:

圖5 改進SSA優化SVM的道岔故障診斷流程

Step1從CSM系統中獲取道岔正常轉換及典型故障轉換功率曲線數據,提取其時域、頻域特征指標及小波包能量熵,組成特征指標向量。

Step2采用MDS方法對高維特征數據降維,降維后的維度需結合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。首先預設改進SSA的參數,利用改進Circle混沌映射初始化種群;其次通過計算個體適應度值,更新發現者、跟隨者、偵查者的位置,確定當前種群的最優個體,判斷當滿足α

Step4實現SVM二分類向多分類的轉換。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個類型訓練出一個分類器,共訓練出q(q-1)/2個分類器。當對一個未知樣本進行分類時,根據q(q-1)/2個分類器的結果,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X(bestc,bestg)及訓練樣本,構建改進SSA-SVM故障診斷模型。

Step5輸入測試樣本,分析道岔故障診斷結果。

4 道岔故障診斷模型構建及結果分析

4.1 道岔功率曲線樣本建立

以某高鐵車站ZDJ9型電動轉轍機驅動的道岔為研究對象,根據道岔正常轉換功率曲線F0及7種典型故障轉換功率曲線F1～F7的各自不同特點,在CSM系統中選取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、轉換階段、鎖閉階段分別采集15、96、49個數據點,最終建立344×160維的道岔功率曲線樣本。

4.2 多域道岔特征指標提取

1)時域特征指標。分別計算344組道岔功率曲線樣本對應的5個區段的15個時域特征指標并做初步分析,發現解鎖階段的“最小值”均為0 W,“峰峰值”的大小與最大值重復,對故障識別沒有實際意義,故刪除以上2個時域指標;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維時域特征指標向量。

2)頻域特征指標。分別對344組道岔功率曲線樣本對應的5個區段的樣本數據進行FFT變換,提取各段頻譜的13個頻域特征指標,組成65維頻域特征指標向量。

3)小波包能量熵特征指標。在計算道岔功率曲線數據的小波包能量熵時,首先需要確定小波包分解層數K與小波基。其中K值影響著提取道岔故障特征指標的能力以及特征指標向量維數的高低,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,導致提取的特征指標向量維數太高,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的計算式[22]為

(16)

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

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

圖6 不同小波基下32個節點的小波包能量熵

圖6表明,當選取db7進行分解后,各個節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據進行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,計算各重構信號的小波能量熵,歸一化后組成32維小波包能量熵特征指標向量。

4.3 基于MDS的道岔特征指標降維

通過計算道岔功率曲線數據的多域特征指標,最終建立344×171維的道岔特征指標樣本數據庫;設定不同的特征指標維度參數,利用MDS方法對該樣本進行降維,得到新特征指標,并根據式( 8 )計算不同維度對應的r值,評價函數值隨維度的變化趨勢見圖7。

圖7 評價函數值變化趨勢

由圖7可見,降維后的維度從1到20對應的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,表明降維后8維數據特征可以最大限度地包含降維前171維數據特征。

圖8 降維前后樣本歐氏距離及偏差

在Matlab中編寫改進SSA優化SVM中參數c、g的程序,并初始化相關參數,其中最大迭代次數設為100,麻雀數量為30,交叉驗證折數為5,安全閾值為0.6,發現者的比例為0.7,偵察者的比例為0.2,t分布變異概率p為0.5[19],為減少參數尋優的進化次數,并提高故障診斷準確率,將c、g的優化范圍設置為[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組訓練樣本;采用改進SSA優化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據進行故障診斷,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優化SVM算法時,隨著特征指標維度的增加,樣本數據包含的故障特征貢獻率增大,當維度為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,同時結合圖7中的評價函數變化趨勢,最終確定降維維度為8維。輸入264×8維訓練樣本,對改進SSA算法參數尋優,其適應度曲線見圖10。由圖10可見,當進化代數為37次時,得到最佳參數組合為X(2.502 7, 0.971 3),最佳適應度fg為96.25%。

圖10 適應度曲線

4.4 特征提取和降維的實驗分析

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

表2 7種樣本的診斷結果

由表2可以得出:

1)第1種時域特征指標樣本的診斷準確率為93.75%,高于第2、3種樣本,第1、2、3種樣本的診斷結果見圖11。由圖11(b)可知,第2種頻域特征指標樣本對樣本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組成第4種171維多域特征指標樣本后,其故障診斷準確率均高于僅僅采用時域特征指標樣本、頻域特征指標樣本或者小波包能量熵特征指標樣本,從而驗證了提取道岔多域特征指標可以提高故障診斷準確率和精確率。

圖11 第1、2、3種樣本的診斷結果

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

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

綜上,提取道岔多域特征指標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參數X(2.502 7, 0.971 3)輸入至SVM模型中,其診斷結果見圖12。由圖12可見,故障診斷準確率為96.25%,僅有F1型故障狀態的樣本91、93、94均錯誤診斷為F0型正常狀態。

圖12 8維測試樣本的診斷結果

調取樣本91、93、94的道岔轉換功率曲線,該3條曲線均在道岔由反位向定位轉換過程中,大概4.2 s處出現了小“鼓包”;而F1型故障的訓練樣本和其他測試樣本均為道岔由定位向反位轉換過程的功率曲線,大概1.2 s處出現小“鼓包”,可見改進SSA-SVM模型對道岔由反位向定位轉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

結合現場實際情況,道岔在轉換階段出現“鼓包”功率是道岔由反位到定位時密貼過緊造成的,導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,調整道岔的密貼。在以后的研究中,建立樣本數據時,可以考慮道岔定反位轉換過程,以解決該問題。

2)分別建立基于GA、GWO、PSO、SSA等智能優化算法優化SVM算法的道岔故障診斷模型,并設置和改進SSA-SVM模型相同的最大迭代次數和種群數量,輸入264×8維的訓練樣本訓練各模型,輸入80×8維的測試樣本,其診斷結果見表3。表3結果表明: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性能。

表3 5種優化算法的測試診斷結果

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勢。

5 結論

1)本文分別提取道岔功率曲線的時域、頻域特征指標以及小波包能量熵,組成多域特征指標向量,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進行降維優化,得到新的特征指標數據,可以較好地表征原始特征指標數據包含的信息,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t分布策略增強SSA算法的種群多樣性;采用改進SSA算法優化SVM中的參數c和g,避免了因人為經驗選取參數產生誤差。故障診斷結果表明,改進SSA算法具有良好的尋優能力,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,而且實現了道岔的“壓縮故障延時”,能夠滿足鐵路現場維護需求。