[發明專利]一種基于GWO過采樣的高鐵制動系統故障檢測SVM方法

有效

• 申請號: 202011172762.1
• 申請日: 2020-10-28
• 公開（公告）號: CN112288001B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 張輝;石謙
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G01M17/08;G01H17/00
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 易卜

1.一種基于GWO過采樣的高鐵制動系統故障檢測SVM方法，具體步驟包括：

步驟一、針對某高鐵列車，在該列車的制動系統中不同位置分別搭載傳感器；

在高鐵列車制動系統中，搭載傳感器，測量高鐵列車制動系統正常及故障情況下的GPS位置、速度、外部供能、線路電壓、電路電流、制動管道壓力的信息；所測得的滑移率、內部溫度、剎車片位移、當前制動系統的指令信號；

步驟二、在列車轉向系統正常的情況下，利用各震動信號傳感器測量各位置的震動信號；

其中，每次測量的所有正常位置的震動信號作為一組數據；

步驟三、在列車轉向系統故障的情況下，利用各震動信號傳感器測量各位置的震動信號；

其中，每次測量的所有故障位置的震動信號作為一組數據；

步驟四、針對每次測量，將正常情況的該組數據合成一個向量，將其貼標簽為1；將故障情況的該組數據合成一個向量，貼標簽為-1；

步驟五、對正常狀態和故障狀態下分別測量若干次，并將各向量貼上對應標簽，將所有貼完標簽的向量合并成一個數據集，并劃分訓練集和測試集；

步驟六、在訓練集中，選擇n個故障狀態的di維向量F1,F2,…,Fn，m個正常狀態的di維向量N1,N2,…,Nm，n＜＜m；利用灰狼算法對故障狀態的n個向量進行過采樣，得到m-n個新故障狀態向量；

步驟七、將m-n個最終的新故障狀態向量，n個故障狀態向量F1,F2,…,Fn和m個正常狀態向量N1,N2,…,Nm，作為訓練數據對SVM故障檢測模型進行訓練；

步驟八、利用最優參數b和Λ對應的SVM故障檢測模型對測試集進行測試，利用測試結果計算指標G-mean大小進行驗證；

針對某組測試集，用SVM故障檢測模型得到結果：分為故障數據和正常數據；同時結合該測試集真實的正常標簽和故障標簽，進行如下判斷：

當檢測結果為故障數據，真實標簽為故障標簽，則輸出計數單位TP；

當檢測結果為故障數據，真實標簽為正常標簽，則輸出計數單位FP；

當檢測結果為正常數據，真實標簽為故障標簽，則輸出計數單位FN；

當檢測結果為正常數據，真實標簽為故障標簽，則輸出計數單位TN；

最后，統計各個計數單位的數量，利用如下公式計算所得到的故障檢測的G-mean：

其特征在于：

在步驟六中有下列步驟：

步驟601、將狼群內各狼位置初始化為故障數據向量集合{F1，F2，…，Fn}，狼群大小等于n；

步驟602、在(0，1)范圍內利用均勻分布，隨機生成調節參數A1(1)，C1(1)，A2(1)，C2(1)，A3(1)，C3(1)；

步驟603、初始化迭代次數t賦值為1，從現有故障向量集合{F1，F2，…，Fn}中隨機抽取四個，作為狼群中α等級，β等級，δ等級，ω等級對應的狼的位置向量X_α(t)，X_β(t)，X_δ(t)，X_ω(t)；

步驟604、利用調節參數和狼群中四個不同等級的狼的位置向量，生成新的故障向量X_αover(t)，X_βover(t)，X_δover(t)；并更新調節參數A1(t)，C1(t)，A2(t)，C2(t)，A3(t)，C3(t)；

按照以下公式計算過采樣所得數據：

D_α(t)＝|C₁(t)·X_α(t)-X_ω(t)|

D_β(t)＝|C₁(t)·X_β(t)-X_ω(t)|

D_δ(t)＝|C₁(t)·X_δ(t)-X_ω(t)|

X_αover(t)＝X_α(t)-A1(t)·D_α(t) (1)

X_βover(t)＝X_β(t)-A2(t)·D_β(t)

X_δover(t)＝X_δ(t)-A3(t)·D_δ(t)

其中，D_α(t)，D_β(t)，D_δ(t)分別對應ω等級的狼與α等級，β等級，δ等級的狼之間的距離；

并按照以下公式更新參數：A1(t)，C1(t)，A2(t)，C2(t)，A3(t)，C3(t)

A1(t)＝2a(t)·r₁(t)-a(t)

A2(t)＝2a(t)·r₂(t)-a(t)

A3(t)＝2a(t)·r₃(t)-a(t) (2)

C1(t))＝2d₁(t)

C2(t)＝2d₂(t)

C3(t)＝2d₃(t)

其中，r₁(t)、r₂(t)、r₃(t)、d₁(t)、d₂(t)、d₃(t)為(0，1)范圍內由均勻隨機分布生成的隨機數；a(t)為[0，1]范圍內線性下降的隨機數，初始值為1；

步驟605、令t＝t+1，返回步驟603，直至迭代次數t達到最大迭代次數Tm停止，將所得X_αover(t)，X_βover(t)，X_δover(t)放入訓練集中，令其標簽為-1；

Tm取值為大于等于

步驟606、從Tm次迭代結果中隨機選擇m-n個向量作為最終的新故障狀態向量；

在步驟七中有下列步驟：

故障檢測模型最終形成的分類器如公式(3)所示：

式中，sign(＊)為數學符號函數，x_i為訓練數據中的第i個待檢測信號向量；y_i為第i個待檢測信號向量的真實標簽，N代表訓練數據集中數據個數，N＝2m；ρ_i與b為待求的分類器參數；為核函數，核函數的計算為公式(4)：

δ²為最優的超參數；

通過將訓練集數據帶入公式(5)線性方程組進行求解，得到最優的參數b和Λ：

γ代表人為設定的調節參數，I是一個N維列向量，上角標T代表轉置；D代表對角線元素為1的N＊N維對角矩陣，Ω是N＊N維矩陣，元素為Λ是元素ρ_i組成的N維向量，Y是元素y_i組成的N維向量。