[發(fā)明專利]一種基于GWO過采樣的高鐵制動系統(tǒng)故障檢測SVM方法

有效

• 申請?zhí)枺?/td>: 202011172762.1
• 申請日: 2020-10-28
• 公開（公告）號: CN112288001B
• 公開（公告）日: 2021-11-23
• 發(fā)明（設(shè)計）人: 張輝;石謙
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 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(chuàng)新實(shí)專利事務(wù)所 11121
• 代理人: 易卜

本發(fā)明公開了一種基于GWO過采樣的高鐵制動系統(tǒng)故障檢測SVM方法，屬于故障診斷技術(shù)領(lǐng)域，首先，在列車上搭載信號傳感器；在多次正常情況下和多次故障情況下，分別采集震動信號并合成向量后貼標(biāo)簽為；然后將所有貼完標(biāo)簽的向量合并數(shù)據(jù)集，劃分訓(xùn)練集和測試集；在訓(xùn)練集中，選擇n個故障向量和m個正常向量，利用灰狼算法對故障向量進(jìn)行過采樣，得到m?n個新故障狀態(tài)向量。利用新故障狀態(tài)向量，n個故障向量以及m個正常向量，共2m個數(shù)據(jù)對SVM故障檢測模型進(jìn)行訓(xùn)練，并對測試集進(jìn)行故障檢測；利用測試結(jié)果，計算指標(biāo)G?mean進(jìn)行驗證；本發(fā)明引入灰狼算法進(jìn)行過采樣，減少了數(shù)據(jù)不均衡帶來的檢測錯誤。

技術(shù)領(lǐng)域

本發(fā)明涉及高鐵列車制動系統(tǒng)故障診斷，屬于故障診斷技術(shù)領(lǐng)域，具體是一種基于GWO(灰狼算法)過采樣的高鐵制動系統(tǒng)故障檢測SVM方法。

背景技術(shù)

鐵路是國家重要的基礎(chǔ)設(shè)施、國民經(jīng)濟(jì)的大動脈和大眾化的交通工具，是綜合交通運(yùn)輸體系的骨干，在推動我國經(jīng)濟(jì)社會又好又快的發(fā)展中發(fā)揮著重要作用。截止2013年底，我國高速鐵路營業(yè)里程達(dá)到11152公里，其中時速300～350公里的線路6354公里，時速200～250公里的線路4798公里。

當(dāng)高鐵列車運(yùn)行時速往往超過300公里的情況下，高效可靠的制動系統(tǒng)對于高鐵列車來說至關(guān)重要。制動系統(tǒng)故障會引發(fā)嚴(yán)重事故，帶來經(jīng)濟(jì)損失及人身傷害。

高鐵列車故障檢測可以在故障發(fā)生前對工作人員進(jìn)行制動系統(tǒng)狀況監(jiān)測，避免故障發(fā)生。因此研究高鐵列車制動系統(tǒng)故障檢測的方法至關(guān)重要。而由于高鐵列車制動系統(tǒng)非線性，機(jī)電耦合，傳統(tǒng)的基于模型的故障診斷方法不再適用。支持向量機(jī)(SVM)作為一種機(jī)器學(xué)習(xí)算法，在故障診斷領(lǐng)域應(yīng)用效果較好，因此急需一種采用支持向量機(jī)進(jìn)行制動系統(tǒng)的故障檢測。

發(fā)明內(nèi)容

在高鐵列車實(shí)際運(yùn)行時，故障數(shù)據(jù)遠(yuǎn)小于正常數(shù)據(jù)，導(dǎo)致數(shù)據(jù)不均衡，這種情況影響支持向量機(jī)進(jìn)行故障檢測的效果。本發(fā)明針對這一問題，提出了一種基于GWO過采樣的高鐵制動系統(tǒng)故障檢測SVM方法，利用灰狼算法的隨機(jī)過采樣后進(jìn)行SVM故障檢測模型的建立，進(jìn)而利用故障檢測模型進(jìn)行故障診斷。

本發(fā)明所述的基于GWO過采樣的高鐵制動系統(tǒng)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(tǒng)中不同位置分別搭載傳感器；

步驟二、在列車轉(zhuǎn)向系統(tǒng)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(shù)據(jù)；

步驟三、在列車轉(zhuǎn)向系統(tǒng)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(shù)據(jù)；

步驟四、針對每次測量，將正常情況的該組數(shù)據(jù)合成一個向量，將其貼標(biāo)簽為1；將故障情況的該組數(shù)據(jù)合成一個向量，貼標(biāo)簽為-1。

步驟五、對正常狀態(tài)和故障狀態(tài)下分別測量若干次，并將各向量貼上對應(yīng)標(biāo)簽，將所有貼完標(biāo)簽的向量合并成一個數(shù)據(jù)集，并劃分訓(xùn)練集和測試集；

步驟六、在訓(xùn)練集中，選擇n個故障狀態(tài)的di維向量F1,F2,…,Fn，m個正常狀態(tài)的di維向量N1,N2,…,Nm，nm；利用灰狼算法對故障狀態(tài)的n個向量進(jìn)行過采樣，得到m-n個新故障狀態(tài)向量。

具體步驟如下：

步驟601、將狼群內(nèi)各狼位置初始化為故障數(shù)據(jù)向量集合{F1,F2,…,Fn}，狼群大小等于n；

步驟602、在(0,1)范圍內(nèi)利用均勻分布，隨機(jī)生成調(diào)節(jié)參數(shù)A1(1)，C1(1)，A2(1)，C2(1)，A3(1)，C3(1)；