一种改进型SVM的道岔故障诊断方法技术

本发明专利技术提供了一种改进型SVM的道岔故障诊断方法，将差分进化算法(Differential EvolutionAlgorithm，简称DE)、模拟退火算法(SimulatedAnnealing，简称SA)与混合蛙跳算法相融合，解决了混合蛙跳算法易陷入局部最优的问题，使得改进后的SFLA能够跳出局部最优，并将其用于优化SVM参数，使得SVM模型在样本数据较少的情况下，仍具有准确性高、可靠性强的优点，提高支持向量机模型的故障诊断能力。提高支持向量机模型的故障诊断能力。提高支持向量机模型的故障诊断能力。

【技术实现步骤摘要】
一种改进型SVM的道岔故障诊断方法


[0001]本专利技术涉及道岔故障诊断
，特别地，涉及一种基于改进混合蛙跳算法的道岔故障诊断方法。

技术介绍

[0002]道岔通过牵引轨道使列车从一股道转入另一股道，频繁的机械运动导致其成为故障频发点，建立诊断准确度较高的模型对道岔故障进行诊断，能够节省大量人力物力，保证列车安全准点到达目的地，对铁路的发展具有重大意义。
[0003]目前，有很多专家在道岔故障诊断方面进行了相关的研究。池毅，陈光武(基于一维卷积神经网络的实时道岔故障诊断[J].计算机工程与应用)采用将特征提取与故障分类相融合的方式，对900组数据进行训练与测试，实现了端对端的实时道岔故障诊断。李婉婉，李国宁(基于GMM聚类和PNN的道岔故障诊断研究[J].控制工程)利用高斯聚类将600组故障数据进行分类，选取分类结果中信息量大的数据作为概率神经网络的输入，实现了对道岔故障的诊断。黄世泽，陈威等(基于弗雷歇距离的道岔故障诊断方法[J].同济大学学报自然科学版)将待识别道岔动作曲线与所选典型故障曲线的相似度作为诊断标准，对257组数据进行故障诊断。杨菊花，于苡健等(基于CNN
‑
GRU模型的道岔故障诊断算法研究[J].铁道学报)对160组道岔的电流及功率曲线进行哈尔小波变换，将通过卷积神经网络提取的道岔故障特征作为门控循环单元的输入，对道岔故障做出了诊断。谭丽，赵月月等(基于CNN
‑
KERBF组合模型的道岔故障诊断[J].安全与环境学报)将200组数据的图像进行图像处理，采用卷积神经网络实现了故障诊断。还有一些文献使用贝叶斯网络对150组复式交分道岔故障进行诊断、通过灰色关联分析对63组数据进行实验，实现了无需样本训练的道岔故障诊断，或者采用分层诊断的方法实现道岔故障的诊断，或者采用两阶段算法综合对故障进行诊断。但是，以上研究的故障样本中的数据大都在几百个甚至几十个，故障样本小，诸如深度学习之类的算法需要大量数据支持，小样本对其而言容易造成过拟合，而且道岔故障难以模拟，故障数据难以获取，因此，如何基于小样本数据实现道岔故障诊断是非常具有研究意义的。
[0004]针对小样本问题，支持向量机(Support Vector Machine，简称SVM)具有完备的数学理论基础和避免维数灾难等特点，是处理小样本问题的有效工具之一，但SVM是一个二分类器，且其惩罚因子c及松弛变量g需要合理选择。部分文献对SVM理论、发展以及应用进行了详细的阐述，罗列了实现SVM多分类的方法及其在语音识别、人脸识别、文本分类上的应用。公开文献将SVM应用于道岔故障诊断中，并采用灰狼优化算法、粒子群优化算法等算法对SVM的惩罚因子及松弛变量进行寻优，有效提升了SVM的故障诊断能力。裴峻峰,严安等(声信号的MFDFA和SFLA
‑
SVM算法的往复泵故障诊断[J].机械设计与制造)用混合蛙跳算法(Shuffled Frog Leaping Algorithm，简称SFLA)优化的SVM、遗传算法优化的SVM与原始SVM分别对往复泵进行故障诊断，结果表明，用SFLA优化的SVM故障诊断的正确率更高，使将SFLA优化的SVM运用到道岔故障诊断中成为了可能。

技术实现思路

[0005]本专利技术目的在于提供一种基于改进混合蛙跳算法的道岔故障诊断方法，以解决道岔故障难以模拟、故障数据难以获取以及现有算法需要大量数据支持的技术问题。
[0006]为实现上述目的，本专利技术提供了一种基于改进混合蛙跳算法的道岔故障诊断方法，具体步骤如下：
[0007]S1.获取道岔故障数据，分段，特征提取，组成特征矩阵，归一化处理；
[0008]S2.在每两类道岔故障之间设计一个支持向量机(SVM)，构成SVM多分类器；
[0009]S3.设计融合差分进化算法(DE)与模拟退火算法(SA)的混合蛙跳算法(SFLA)，获得改进SFLA，即ISFLA；使用ISFLA对SVM多分类器的参数进行优化，确定最优惩罚因子及松弛变量；
[0010]S4.SVM多分类器利用步骤S3确定的最优惩罚因子及松弛变量对道岔故障数据测试样本进行诊断，得到最终结果。
[0011]作为优选的技术方案之一，步骤S1中，从集中监测系统中获取道岔故障数据，所述集中监测系统是由车站子系统、电务段子系统、铁路局监测子系统以及铁道部监测子系统构成。
[0012]作为优选的技术方案之一，步骤S1中，将道岔故障数据分为三段，分段的具体方法为：将无故障道岔功率数据画成功率曲线，功率曲线刚开始出现一个尖峰，随后功率值立即下降到一个较低的数值，说明此时接通动作电路，作为第一段；随后曲线平缓持续一段时间，此阶段为道岔的动作阶段，作为第二段；最后功率数值下降并持续一段时间，随后归零，此阶段包括构通表示电路、1DQJ缓放电流，作为第三段。
[0013]作为进一步优选的技术方案之一，步骤S1中，特征提取的具体方法为：选取第一段的最大值，第二段的平均值、均方根、方差、波形因子、整流平均值、峭度，第三段的长度、方差、整流平均值、波形因子、峭度形成作为特征进行提取。
[0014]作为优选的技术方案之一，步骤S1中，所述矩阵的行数为数据个数，列数为特征值种类。
[0015]作为优选的技术方案之一，步骤S1中，归一化处理的具体方法为：将道岔故障数据的特征值映射到[0,1]区间上，并将其分为训练集与测试集。实验证明，归一化后的样本更适合用于故障诊断。
[0016]作为优选的技术方案之一，步骤S3中，ISFLA的具体流程如下：
[0017]Step1初始化混合蛙跳算法相关参数；
[0018]Step2排序：随机生成n*m个青蛙个体，根据所设适应度函数，计算每个青蛙个体的适应度值，将所有青蛙个体按照适应度值从优到劣排序，其中，n为每个子群的青蛙个数，m为子群数目；
[0019]Step3分组：将排序好的n*m个青蛙个体按顺序平均分成m个子群，及第一个青蛙、第二个青蛙一直到第n个青蛙放在第一个子群中，第n+1个青蛙一直到第2*n个青蛙放在第二个子群中，直到n*m个青蛙都分好组；
[0020]Step4找出全局最优解，第一子群的第一个青蛙即为适应度值最优的青蛙，记为X
g
；
[0021]Step5选取子群进行更新，依次选取第一组到第m组子群进行更新；
[0022]Step6对当前子群的青蛙，找出组内最优解X
b
、组内最差解X
w
，即当前子群的第一与第n个青蛙；
[0023]Step7通过memetic算法进行局部更新；
[0024]Step8判断是否达到组内最大进化次数：若b＝N
max
，则进行Step10，其中b为当前组内进化次数，N
max
为组内最大进化次数；若b＜N
max
，则令b＝b+1，返回Step6，进行下一次组内更新；
[0025]St本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进混合蛙跳算法的道岔故障诊断方法，其特征在于，具体步骤如下：S1.获取道岔故障数据，分段，特征提取，组成特征矩阵，归一化处理；S2.在每两类道岔故障之间设计一个支持向量机，构成SVM多分类器；S3.设计融合差分进化算法与模拟退火算法的混合蛙跳算法，获得改进SFLA，即ISFLA；使用ISFLA对SVM多分类器的参数进行优化，确定最优惩罚因子及松弛变量；S4.SVM多分类器利用步骤S3确定的最优惩罚因子及松弛变量对道岔故障数据测试样本进行诊断，得到最终结果。2.根据权利要求1所述的方法，其特征在于，步骤S1中，从集中监测系统中获取道岔故障数据，所述集中监测系统是由车站子系统、电务段子系统、铁路局监测子系统以及铁道部监测子系统构成。3.根据权利要求1所述的方法，其特征在于，步骤S1中，将道岔故障数据分为三段，分段的具体方法为：将无故障道岔功率数据画成功率曲线，功率曲线刚开始出现一个尖峰，随后功率值立即下降到一个较低的数值，说明此时接通动作电路，作为第一段；随后曲线平缓持续一段时间，此阶段为道岔的动作阶段，作为第二段；最后功率数值下降并持续一段时间，随后归零，此阶段包括构通表示电路、1DQJ缓放电流，作为第三段。4.根据权利要求3所述的方法，其特征在于，步骤S1中，特征提取的具体方法为：选取第一段的最大值，第二段的平均值、均方根、方差、波形因子、整流平均值、峭度，第三段的长度、方差、整流平均值、波形因子、峭度形成作为特征进行提取。5.根据权利要求1所述的方法，其特征在于，步骤S1中，所述矩阵的行数为数据个数，列数为特征值种类。6.根据权利要求1所述的方法，其特征在于，步骤S1中，归一化处理的具体方法为：将道岔故障数据的特征值映射到[0,1]区间上，并将其分为训练集与测试集。7.根据权利要求1所述的方法，其特征在于，步骤S3中，ISFLA的具体流程如下：Step1初始化混合蛙跳算法相关参数；Step2排序：随机生成n*m个青蛙个体，根据所设适应度函数，计算每个青蛙个体的适...

【专利技术属性】
技术研发人员：何晖，
申请(专利权)人：湖南华慧特自动化科技有限公司，
类型：发明
国别省市：