基于最小二乘支持向量機(jī)的黏著狀態(tài)辨識(shí)

劉林凡，何 靜

（湖南工業(yè)大學(xué) 電氣與信息工程學(xué)院，湖南 株洲 412007）

基于最小二乘支持向量機(jī)的黏著狀態(tài)辨識(shí)

劉林凡，何 靜

（湖南工業(yè)大學(xué) 電氣與信息工程學(xué)院，湖南 株洲 412007）

針對(duì)重載機(jī)車黏著狀態(tài)辨識(shí)中分類準(zhǔn)確率不高的問題，提出采用布谷鳥遺傳算法對(duì)最小二乘支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，并采用交叉驗(yàn)證原理提高該模型的整體泛化性能。首先，采用布谷鳥算法尋找懲罰因子和核參數(shù)的初始值；然后，采用遺傳算法對(duì)最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，從而得到具有最佳參數(shù)的最小二乘支持向量機(jī)的分類模型。該分類模型將重載機(jī)車黏著狀態(tài)分為正常、故障征兆、微小故障和嚴(yán)重故障4個(gè)狀態(tài)。實(shí)驗(yàn)結(jié)果表明，提出的最小二乘支持向量機(jī)模型在黏著狀態(tài)辨識(shí)中的分類準(zhǔn)確率高達(dá)94.59%，高于極限學(xué)習(xí)機(jī)的分類準(zhǔn)確率（84.61%），證明布谷鳥遺傳算法能夠有效提高最小二乘支持向量機(jī)的分類準(zhǔn)確率。

最小二乘支持向量機(jī)；布谷鳥遺傳算法；重載機(jī)車；黏著狀態(tài)；準(zhǔn)確率

1 研究背景

重載機(jī)車是實(shí)現(xiàn)中長(zhǎng)距離大宗貨物運(yùn)輸?shù)淖罴淹緩剑趯?shí)際應(yīng)用中由于道岔、局部軌面油污、線路不平整等因素，往往出現(xiàn)輪軌黏著狀況瞬間惡化的情形。此時(shí)，由于輪軌黏著特性的突變，使輪軌間黏著被破壞，機(jī)車往往會(huì)出現(xiàn)空轉(zhuǎn)或滑行。及時(shí)辨識(shí)機(jī)車的黏著狀態(tài)，可以防止重大事故的發(fā)生[1]。機(jī)車復(fù)雜作業(yè)環(huán)境的特點(diǎn)造成辨識(shí)黏著狀態(tài)的難度較高，給黏著狀態(tài)辨識(shí)帶來了困難。

近年來，卡爾曼濾波器、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等人工智能方法被引入機(jī)車黏著狀態(tài)的研究。文獻(xiàn)[2]提出一種基于多速率擴(kuò)展卡爾曼濾波器的狀態(tài)識(shí)別方法用于檢測(cè)機(jī)車打滑，但提出的檢測(cè)量?jī)H限于電氣量，雖然該方法縮短了檢測(cè)時(shí)間，但檢測(cè)樣本存在局限。文獻(xiàn)[3]提出采用神經(jīng)網(wǎng)絡(luò)解決機(jī)車空氣制動(dòng)過程中的黏著性能優(yōu)化問題，但神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、易產(chǎn)生震蕩、易陷入局部最優(yōu)等問題。文獻(xiàn)[4]提出基于二分類支持向量機(jī)的高速列車車輪空轉(zhuǎn)預(yù)測(cè)方法。多分類最小二乘支持向量機(jī)的分類性能較好，現(xiàn)已被應(yīng)用在多個(gè)領(lǐng)域。然而，多分類最小二乘支持向量機(jī)（least square support vector machine，LS-SVM）在重載機(jī)車黏著狀態(tài)辨識(shí)的應(yīng)用，尚未見公開的文獻(xiàn)報(bào)道。

根據(jù)機(jī)車黏著狀態(tài)采集數(shù)據(jù)具有小樣本的特點(diǎn)，且機(jī)車黏著系數(shù)和蠕滑速度的關(guān)系呈現(xiàn)高度非線性[5]，本文提出采用布谷鳥遺傳算法最小二乘支持向量機(jī)（cuckoo genetic algorithm least square support vector machine，CS-GA-LS-SVM）模型對(duì)重載機(jī)車黏著狀態(tài)進(jìn)行辨識(shí)。分類模型將機(jī)車黏著狀態(tài)分為正常、故障征兆、微小故障和嚴(yán)重故障4個(gè)狀態(tài)。通過布谷鳥遺傳算法（cuckoo genetic algorithm，CSGA）優(yōu)化最小二乘支持向量機(jī)的懲罰因子和核參數(shù)，利用交叉驗(yàn)證方法提高分類模型的整體泛化性能。通過實(shí)驗(yàn)，將該算法與基于遺傳算法的支持向量機(jī)（genetic algorithm support vector machine，GASVM）以及極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）進(jìn)行比較，以驗(yàn)證本文所提出方法對(duì)重載機(jī)車黏著狀態(tài)辨識(shí)的有效性。

2 系統(tǒng)描述

在機(jī)車軸重的作用下，輪軌接觸部位發(fā)生彈性形變，形成橢圓形接觸區(qū)，接觸區(qū)分為黏著區(qū)和滑動(dòng)區(qū)。由于黏著區(qū)的相對(duì)速度為零，滑動(dòng)區(qū)相對(duì)速度不為零產(chǎn)生了蠕滑速度，其大小用蠕滑速度表示：

式中：vs為蠕滑速度；

vd為輪對(duì)速度；

vt為列車前進(jìn)速度。

蠕滑速度的大小決定輪軌間的切向力大小。通常定義黏著牽引力和垂向荷重之比為黏著系數(shù)[6]，其公式如式（2）所示：

式中：F為機(jī)車牽引力，N；

W為軸重，kg；

g為重力加速度，m/s2。

文獻(xiàn)[7]提出了黏著系數(shù)的經(jīng)驗(yàn)計(jì)算公式，即

式中a,b,c,d為相關(guān)計(jì)算參數(shù)。

圖1為黏著特性曲線。

圖1 黏著特性曲線Fig. 1 Adhesion characteristic curve

如圖1所示，圖中給出了通過大量實(shí)驗(yàn)獲得的蠕滑速度和黏著系數(shù)的經(jīng)驗(yàn)曲線，也就是黏著特性曲線。黏著特性曲線存在最大黏著系數(shù)μmax以及與其對(duì)應(yīng)的最優(yōu)蠕滑速度vopt。峰值點(diǎn)左右兩側(cè)區(qū)域分別稱為重載機(jī)車運(yùn)行的穩(wěn)定區(qū)域和非穩(wěn)定區(qū)域，在黏著特性曲線的穩(wěn)定區(qū)（安全區(qū)）和非穩(wěn)定區(qū)（非安全區(qū)）機(jī)車車輪狀態(tài)分別稱作車輪蠕滑狀態(tài)和車輪故障狀態(tài)，課題組提出將機(jī)車黏著狀態(tài)分為正常、故障征兆、微小故障和嚴(yán)重故障4個(gè)狀態(tài)。運(yùn)用最小二乘支持向量機(jī)進(jìn)行黏著狀態(tài)辨識(shí)就是利用離線訓(xùn)練得到的最小二乘支持向量機(jī)模型，然后利用該模型在線區(qū)分當(dāng)前機(jī)車黏著狀態(tài)。

3 最小二乘支持向量機(jī)

將黏著系數(shù)μ和蠕滑速度vs作為最小二乘支持向量機(jī)模型的輸入量xi，黏著狀態(tài)標(biāo)簽{1，2，3，4}作為模型的輸出量yi，因此訓(xùn)練樣本集為，i=1, 2, …,n，n為樣本數(shù)。d維空間中分類決策函數(shù)為

式中：w為權(quán)值向量；

a為偏置。

最小二乘支持向量機(jī)非線性分類模型可通過求解優(yōu)化函數(shù)[8]來表示：

式中：ξi為松弛變量；

C為懲罰因子；

φ(xi)為將數(shù)據(jù)集映射到高維空間的非線性映射。

則最小二乘支持向量機(jī)的分類決策函數(shù)為

式中：x為樣本；

αi為L(zhǎng)agrange乘子；

K為核函數(shù)。

本文采用最小輸出編碼方法實(shí)現(xiàn)最小二乘支持向量機(jī)多分類。目前在工程實(shí)踐中，SVM常用的核函數(shù)種類主要有如下4種[9]。

以上各式中δ、r和d為核參數(shù)。

4 布谷鳥遺傳算法

4.1 布谷鳥算法概述

布谷鳥搜索算法（cuckoo search，CS）也被稱作杜鵑算法，是基于布谷鳥種群自身所具有的寄生繁衍策略發(fā)展而來的一種智能算法。

CS使用的是隨機(jī)性較強(qiáng)的Levy飛行的搜索方式。Levy飛行是一種隨機(jī)游走模式，它的步長(zhǎng)服從Levy分布，常用的簡(jiǎn)化[10]表示為

式中：s為步長(zhǎng)；

L(s)為步長(zhǎng)為s時(shí)的概率；

λ為冪次數(shù)。

設(shè)第i鳥巢在第t代鳥巢位置是，隨機(jī)搜索路徑采用的概率函數(shù)為L(zhǎng)evy(λ)，則布谷鳥尋找鳥巢的路徑和位置的更新公式[11]為

式中：α為步長(zhǎng)控制；

位置更新后，隨機(jī)產(chǎn)生一個(gè)[0 1]的數(shù)r1，如果r1＞Pa（Pa為鳥巢中外來卵被發(fā)現(xiàn)的概率），鳥巢位置發(fā)生改變；反之則不變，最后保留效果最好的一組鳥巢位置。

4.2 布谷鳥遺傳算法

CS-GA-LS-SVM包含了兩個(gè)步驟：首先，利用布谷鳥算法來尋找最小二乘支持向量機(jī)的懲罰因子和核參數(shù)較優(yōu)的初值；然后，利用遺傳算法繼續(xù)對(duì)最小二乘支持向量機(jī)進(jìn)行訓(xùn)練，尋找最小二乘支持向量機(jī)的最優(yōu)參數(shù)。

CS-GA-LS-SVM算法的流程如圖2所示。

圖2 CS-GA-LS-SVM流程圖Fig. 2 CS-GA-LS-SVM fl ow chart

4.3 基于CS-GA-LS-SVM模型的分類步驟

采用最小二乘支持向量機(jī)分類方法與CS-GA相結(jié)合的重載機(jī)車黏著狀態(tài)識(shí)別步驟如下。

1）數(shù)據(jù)樣本歸一化。由于采集到的重載機(jī)車數(shù)據(jù)樣本中各變量差異較大，在建立LS-SVM分類模型前對(duì)訓(xùn)練集和預(yù)測(cè)集樣本歸一化到[0, 1]區(qū)間，計(jì)算公式[12]為

式中：x、x′分別為歸一化前、后的值；

xmax為樣本最大值；

xmin為樣本最小值。

2）CS-GA尋優(yōu)LS-SVM參數(shù)。將訓(xùn)練集樣本作為控制量仿真，參數(shù)初始化后用布谷鳥搜索算法尋找懲罰因子和核參數(shù)初值；進(jìn)行二進(jìn)制編碼并創(chuàng)建初始種群，適應(yīng)度定標(biāo)，進(jìn)行選擇、交叉、變異操作，判斷是否滿足終止精度或當(dāng)前迭代次數(shù)是否等于最大迭代次數(shù)，若滿足則解碼輸出懲罰因子C和核參數(shù)δ，否則重新進(jìn)行遺傳操作。

3）建立LS-SVM模型及分類。根據(jù)第（2）步得到最佳參數(shù)，采用最佳參數(shù)訓(xùn)練LS-SVM分類模型，把訓(xùn)練集得到的模型對(duì)測(cè)試集樣本進(jìn)行分類，并對(duì)數(shù)據(jù)反歸一化處理。

4）評(píng)價(jià)分類模型性能指標(biāo)分類準(zhǔn)確率和耗時(shí)，如不符合要求則轉(zhuǎn)至第（2）步，重新尋找懲罰因子C和核參數(shù)δ。

5）比較真實(shí)值和預(yù)測(cè)值，得到模型對(duì)應(yīng)的分類準(zhǔn)確率。

5 結(jié)果對(duì)比與分析

課題組提出CS-GA-LS-SVM并實(shí)現(xiàn)了此方法，為驗(yàn)證該方法的有效性，搜集了重載機(jī)車黏著狀態(tài)數(shù)據(jù)集，剔除冗余樣本和一些奇異數(shù)值數(shù)據(jù)后，最終選擇了300組數(shù)據(jù)進(jìn)行研究。分別采用不同的核函數(shù)得到的分類準(zhǔn)確率如表1所示。

表1 不同核函數(shù)的分類準(zhǔn)確率對(duì)比Table 1 Classi fi cation accuracy comparison of different kernel functions

表1的準(zhǔn)確率結(jié)果表明，采用高斯徑向基核函數(shù)在重載機(jī)車黏著狀態(tài)辨識(shí)中，分類準(zhǔn)確率最高，因此課題組采用此核函數(shù)。

5.1 布谷鳥遺傳算法的最小二乘支持向量機(jī)

在解決重載機(jī)車黏著狀態(tài)辨識(shí)的問題中，采用高斯徑向基核的LS-SVM模型有2個(gè)參數(shù)（即δ和C）需要進(jìn)行優(yōu)化。課題組提出采用布谷鳥遺傳算法來進(jìn)行此優(yōu)化工作，并且將其應(yīng)用于機(jī)車的黏著狀態(tài)識(shí)別。最后將CS-GA-LS-SVM多分類結(jié)果與GA-SVM和ELM多分類結(jié)果進(jìn)行比較。CS-GA尋參的適應(yīng)度曲線和測(cè)試集分類結(jié)果如圖3～4及表2所示。

圖3 CS-GA尋參的適應(yīng)度曲線Fig. 3 Fitness curve of CS-GA

圖3表明，CS-GA進(jìn)化代數(shù)為100代時(shí)終止進(jìn)化，此時(shí)平均適應(yīng)度值為90.8%，接近理想最優(yōu)值。

圖4 測(cè)試集分類結(jié)果圖Fig. 4 Classi fi cation results of test sets

表2 CS-GA-LS-SVM模型對(duì)各種黏著狀態(tài)類別的分類準(zhǔn)確率Table 2 CS-GA-LS-SVM model for the classi fi cation of various types of adhesion accuracy

表2的分類結(jié)果表明，CS-GA-LS-SVM能夠很好地辨識(shí)重載機(jī)車的黏著狀態(tài)，其中類別1的分類準(zhǔn)確率達(dá)到100.00%，類別4測(cè)試集分類準(zhǔn)確率達(dá)到96.00%。類別2和類別3測(cè)試集分類準(zhǔn)確率略低于類別1和類別4的分類準(zhǔn)確率。

5.2 遺傳算法的支持向量機(jī)

遺傳算法是一種基于自然選擇和基因遺傳學(xué)原理的隨機(jī)并行搜索算法，是一種尋求全局最優(yōu)解且不需要任何初始化信息的高效優(yōu)化方法[13]。它將問題的解集看作一個(gè)種群，通過不斷地進(jìn)行選擇、交叉、變異等遺傳操作，使解的質(zhì)量越來越好。該算法具有全局尋優(yōu)能力、適應(yīng)性強(qiáng)、能解決非線性問題、較強(qiáng)的魯棒性等特點(diǎn)。課題組采用遺傳算法優(yōu)化支持向量機(jī)，并將此模型運(yùn)用于重載機(jī)車黏著狀態(tài)辨識(shí)。遺傳算法尋找最佳參數(shù)的適應(yīng)度曲線和測(cè)試集分類結(jié)果，如圖5～6及表3所示。

圖5 遺傳算法尋找最佳參數(shù)的適應(yīng)度曲線Fig. 5 Determination of the fi tness curve of the best parameters based on genetic algorithm

由圖5知，在90代左右，遺傳算法的平均適應(yīng)度達(dá)到穩(wěn)定，進(jìn)化代數(shù)為200代時(shí)終止進(jìn)化，此時(shí)平均適應(yīng)度值為68.5%。

圖6 測(cè)試集分類結(jié)果圖Fig. 6 Classi fi cation results of test sets

表3 GA-SVM模型對(duì)各種黏著狀態(tài)類別的分類準(zhǔn)確率Table 3 GA-SVM model for the classi fi cation of various types of adhesion accuracy

由表2和表3的分類結(jié)果表明，采用多分類支持向量機(jī)可以有效地辨識(shí)重載機(jī)車的黏著狀態(tài)，采用CS-GA-LS-SVM具有更高的準(zhǔn)確率。

采用不同算法得到支持向量機(jī)的相關(guān)參數(shù)和分類準(zhǔn)確率分別如表4所示。

表4 不同算法支持向量機(jī)的相關(guān)參數(shù)和分類準(zhǔn)確率Table 4 Correlation parameters and classi fi cation accuracy of different algorithm support vector machines

表4的結(jié)果表明，CS-GA-LS-SVM對(duì)機(jī)車黏著狀態(tài)識(shí)別具有較高的分類準(zhǔn)確率，GA-SVM分類準(zhǔn)確率最低。

5.3 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)[14-15]是一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，它對(duì)大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)能力、自主學(xué)習(xí)和優(yōu)化計(jì)算的特點(diǎn)，只需訓(xùn)練前設(shè)置合適的隱層節(jié)點(diǎn)數(shù)，在執(zhí)行過程中為輸入權(quán)值和隱層偏置隨機(jī)賦值，整個(gè)過程一次完成，無需迭代，并且產(chǎn)生唯一的最優(yōu)解。課題組將多分類最小二乘支持向量機(jī)模型與極限學(xué)習(xí)機(jī)對(duì)比，所得結(jié)果如表5所示。

表5 不同分類器得到的分類結(jié)果Table 5 Classi fi cation results obtained from different classi fi ers

表5表明，CS-GA-LS-SVM訓(xùn)練集和測(cè)試集分類準(zhǔn)確率均高于極限學(xué)習(xí)機(jī)，雖然極限學(xué)習(xí)機(jī)分類時(shí)間較短，但是其穩(wěn)定性較差。

6 結(jié)語

課題組將多分類最小二乘支持向量機(jī)應(yīng)用于重載機(jī)車黏著狀態(tài)辨識(shí)，并提出將機(jī)車的黏著狀態(tài)分為正常、故障征兆、微小故障和嚴(yán)重故障4個(gè)狀態(tài)。課題組提出采用布谷鳥遺傳算法優(yōu)化最小二乘支持向量機(jī)的相關(guān)參數(shù)，避免了以往研究中選擇參數(shù)的盲目性和隨機(jī)性。通過與極限學(xué)習(xí)機(jī)算法和遺傳算法尋優(yōu)結(jié)果的對(duì)比分析，該方法能夠獲得較高的分類準(zhǔn)確率，充分說明此方法在工程上具有更高的黏著狀態(tài)辨識(shí)準(zhǔn)確率。

近年來深度學(xué)習(xí)不斷發(fā)展，黏著狀態(tài)的數(shù)據(jù)特征差異細(xì)微，深度學(xué)習(xí)可以深度提取并分類，將會(huì)是黏著狀態(tài)辨識(shí)的發(fā)展趨勢(shì)。

[1]胡亞東. 我國(guó)鐵路重載運(yùn)輸技術(shù)體系的現(xiàn)狀與發(fā)展[J].中國(guó)鐵道科學(xué)，2015，36(2)：1-10.HU Yadong. Current Status and Development Trend of Technology System for Railway Heavy Haul Transport in China[J]. China Railway Science，2015，36(2)：1-10.

[2]WANG S，XIAO J，HUANG J，et al. Locomotive Wheel Slip Detection Based on Multi-Rate State Identification of Motor Load Torque[J]. Journal of the Franklin Institute，2016，353(2)：521-540.

[3]ZHAO Y. Low Adhesion Detection and Identification in a Railway Vehicle System Using Traction Motor Behaviour[D]. West York：University of Hudders fi eld，2013.

[4]陳慧楠. 基于輸入約束在線辨識(shí)的高速列車主動(dòng)粘著防滑牽引控制[D]. 北京：北京交通大學(xué)，2015.CHEN Huinan. Active Adhesion and Anti-Skid Based Traction Control of High Speed Trains Via Online Identification of Input Constraint[D]. Beijing：Beijing Jiaotong University，2015.

[5]李江紅，胡云卿，彭輝水，等. 軌道交通粘著利用控制的關(guān)鍵技術(shù)與方法[J]. 機(jī)車電傳動(dòng)，2014(6)：1-5.LI Jianghong，HU Yunqing，PENG Huishui，et al. Key Techniques and Design Methods of Adhesion Control in Rail Transportation[J]. Locomotive Electric Drive，2014(6)：1-5.

[6]ALLOTTA B，MELI E，RIDOLFI A，et al. Development of an Innovative Wheel-Rail Contact Model for the Analysis of Degraded Adhesion in Railway Systems[J].Tribology International，2014，69(1)：128-140.

[7]任 強(qiáng). 重載機(jī)車粘著控制方法的研究與設(shè)計(jì)[D]. 成都：西南交通大學(xué)，2014.REN Qiang. Study and Design of Adhesion Control Methods of Heavy-Hual Locomotive[D]. Chengdu：Southwest Jiaotong University，2014.

[8]劉 幫，秦 斌，王 欣，等. PSO-LIBSVM在污水水質(zhì)建模中的應(yīng)用[J]. 湖南工業(yè)大學(xué)學(xué)報(bào)，2015，29(2)：89-93.LIU Bang，QIN Bin，WANG Xin，et al. Application of PSO-LIBSVM in Modeling of Sewage Water Quality[J].Journal of Hunan University of Technology，2015，29(2)：89-93.

[9]王 欣，宋翼頡，秦 斌，等. 基于LSSVM的污水處理過程建模[J]. 湖南工業(yè)大學(xué)學(xué)報(bào)，2016，30(1)：59-63.WANG Xin，SONG Yijie，QIN Bin，et al. Modeling of Sew Age Treatment Process Based on MIMO-LSSVM[J].Journal of Hunan University of Technology，2016，30(1)：59-63.

[10]薛浩然，張珂珩，李 斌，等. 基于布谷鳥算法和支持向量機(jī)的變壓器故障診斷[J]. 電力系統(tǒng)保護(hù)與控制，2015(8)：8-13.XUE Haoran，ZHANG Keheng，LI Bin，et al. Fault Diagnosis of Transformer Based on the Cuckoo Search and Support Vector Machine[J]. Power System Protection and Control，2015(8)：8-13.

[11]KAVEH A，BAKHSHPOORI T，AZIMI M. Seismic Optimal Design of 3D Steel Frames Using Cuckoo Search Algorithm[J]. The Structural Design of Tall and Special Buildings，2015，24(3)：210-227.

[12]SU Z，TANG B，LIU Z，et al. Multi-Fault Diagnosis for Rotating Machinery Based on Orthogonal Supervised Linear Local Tangent Space Alignment and Least Square Support Vector Machine[J]. Neurocomputing，2015，157：208-222.

[13]ROBERGE V，TARBOUCHI M，LABONTE G.Comparison of Parallel Genetic Algorithm and Particle Swarm Optimization for Real-Time UAV Path Planning[J]. IEEE Transactions on Industrial Informatics，2013，9(1)：132-141.

[14]LI S，YOU Z H，GUO H，et al. Inverse-Free Extreme Learning Machine with Optimal Information Updating[J].IEEE Transactions on Cybernetics，2016，46(5)：1229-1241.

[15]LU X，ZOU H，ZHOU H，et al. Robust Extreme Learning Machine with Its Application to Indoor Positioning[J]. IEEE Transactions on Cybernetics，2016，46(1)：194-205.

（責(zé)任編輯：申 劍）

Adhesion State Identi fi cation Based on Least Square Support Vector Machines

LIU Linfan，HE Jing
（School of Electrical and Information Engineering，Hunan University of Technology，Zhuzhou Hunan 412007，China）

In view of the low classification accuracy in the identification of heavy duty locomotive adhesion state, a genetic algorithm based on cuckoo has been proposed to optimize the parameters of least squares support vector machines, with the cross validation method adopted to improve the overall generalization performance of the model.First, the cuckoo algorithm is used to fi nd the initial values of penalty parameters and kernel functions. Next, the genetic algorithm is used to train the least squares support vector machines (SVM), thus obtaining the best parameters of the least squares support vector machines (SVM) model. Under this classi fi cation model, the adhesion states of heavy duty locomotive can be divided into four categories: normal condition, fault symptom state, minor fault state and serious fault state. Experimental results show that the classi fi cation accuracy of the proposed least squares support vector machine model can reach as high as 94.59%, much higher than that of the limit learning machines with its classi fi cation accuracy only being 84.61%. Therefore it is proved that the genetic algorithm can effectively improve the classi fi cation accuracy of the least squares support vector machines.

least square support vector machine；cuckoo genetic algorithm；heavy haul locomotive；adhesion state；accuracy

TP181

A

1673-9833(2017)04-0044-06

10.3969/j.issn.1673-9833.2017.04.008

2016-12-09

湖南工業(yè)大學(xué)研究生科研創(chuàng)新基金資助項(xiàng)目（CX1707）

劉林凡（1989-），男，湖北黃梅人，湖南工業(yè)大學(xué)碩士生，主要研究方向?yàn)殡娏鲃?dòng)技術(shù)及其故障診斷，E-mail：xiaomumu@stu.hut.edu.cn

何 靜（1971-），女，湖南株洲人，湖南工業(yè)大學(xué)教授，碩士生導(dǎo)師，主要從事機(jī)電系統(tǒng)和工業(yè)過程控制方面的教學(xué)與研究，E-mail：hejing @ 263.net