軌道車輛一系垂向減振器劣化辨識(shí)方法研究

姜良奎，盧昌宏，方柳川

軌道車輛一系垂向減振器劣化辨識(shí)方法研究

姜良奎1，盧昌宏2，方柳川2

（1.中車青島四方機(jī)車車輛股份有限公司，山東 青島 266111；2.西南交通大學(xué)機(jī)械工程學(xué)院，四川 成都 610031）

減振器是軌道車輛的重要部件，在目前的研究中，缺少對軌道車輛一系垂向減振器劣化階段進(jìn)行辨識(shí)的研究。為了實(shí)現(xiàn)對減振器的劣化階段進(jìn)行辨識(shí)，提出了一種基于粒子群優(yōu)化支持向量機(jī)（PSO-SVM）模型的減振器性能劣化辨識(shí)方法。首先通過仿真軟件獲得減振器的加速度信號，提取特征后利用SVM模型對特征進(jìn)行篩選融合，其次使用粒子群尋優(yōu)算法對SVM模型的參數(shù)進(jìn)行尋優(yōu)處理，最后實(shí)現(xiàn)了對減振器服役性能劣化狀態(tài)的辨識(shí)。通過實(shí)驗(yàn)驗(yàn)證了該方法的有效性，實(shí)驗(yàn)結(jié)果表明：SVM模型對減振器進(jìn)行劣化辨識(shí)具有可行性，采用尋優(yōu)算法能夠提升方法的辨識(shí)率。

減振器；劣化辨識(shí)；PSO；SVM

減振器作為高速列車轉(zhuǎn)向架的重要部件，在列車行駛過程中起著保護(hù)車體、緩沖減震的作用。減振器性能直接影響列車行駛的平順性、穩(wěn)定性和安全性，對其性能退化評估可以更為有效地服務(wù)于設(shè)備的主動(dòng)維護(hù)[1]。因此研究一種高效、準(zhǔn)確的智能診斷方法具有重要意義。

在目前的一些機(jī)械設(shè)備，如刀具等的性能劣化狀態(tài)識(shí)別研究過程中，支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫和深度學(xué)習(xí)等模型被廣泛應(yīng)用。

支持向量機(jī)（Support Vector Machine，SVM）是一種監(jiān)督式機(jī)器學(xué)習(xí)模型，泛化能力強(qiáng)、非線性映射能力強(qiáng)，目前在分類和回歸分析問題上被大量采用。吳志丹等[2]采用支持向量機(jī)對橫向減振器的故障狀態(tài)進(jìn)行分類識(shí)別；關(guān)山等[3]在研究刀具磨損狀態(tài)的過程中，對聲發(fā)射信號進(jìn)行處理，采用LS-SVM模型對處理后的數(shù)據(jù)進(jìn)行狀態(tài)辨識(shí)；Qian等[4]為了建立工件表面紋理特征與刀具磨損之間的耦合關(guān)系，選擇通過投影法和Gabor濾波法提取特征，提取后將特征輸入到SVM模型中得到辨識(shí)結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)具有魯棒性良好、學(xué)習(xí)特征信息能力強(qiáng)、模型辨識(shí)穩(wěn)定等多個(gè)優(yōu)點(diǎn)。聶鵬等[5]建立了隱含層節(jié)點(diǎn)為9個(gè)的Elman神經(jīng)網(wǎng)絡(luò)對刀具磨損狀態(tài)進(jìn)行辨識(shí)。

隱馬爾科夫模型（Hidden Markov Model，HMM）具有推理性好、數(shù)據(jù)結(jié)構(gòu)嚴(yán)謹(jǐn)和穩(wěn)定性良好等優(yōu)點(diǎn)。Dong等[6-7]在進(jìn)行液壓泵健康狀態(tài)辨識(shí)時(shí)采用了隱馬爾可夫模型；李威霖等[8]在樣本數(shù)較少的情況下建立了一個(gè)無監(jiān)督的隱馬爾可夫刀具磨損狀態(tài)辨識(shí)模型。

深度學(xué)習(xí)模型具有可以處理復(fù)雜數(shù)據(jù)、自動(dòng)提取特征和泛化能力強(qiáng)等優(yōu)點(diǎn)。石朝[9]提出了一種基于深度學(xué)習(xí)長短時(shí)記憶網(wǎng)絡(luò)的刀具磨損階段辨識(shí)方法；吳昀璞等[10]針對模型泛化能力不足與魯棒性不足的問題，提出一種基于多域融合卷積神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)向架故障檢測方法。

在目前的性能退化辨識(shí)研究中，軌道車輛一系垂向減振器劣化辨識(shí)存在缺少辨識(shí)方法、辨識(shí)較為困難等問題。因此，提出了一種軌道車輛一系垂向減振器性能劣化狀態(tài)辨識(shí)方法，并通過實(shí)驗(yàn)驗(yàn)證了該方法的有效性。

1 辨識(shí)模型的構(gòu)建

1.1 辨識(shí)方法與實(shí)驗(yàn)流程

支持向量機(jī)分類方法具有良好的性能，在狀態(tài)辨識(shí)領(lǐng)域被廣泛應(yīng)用。SVM模型對非線性樣本有著很好的分類效果，在小樣本時(shí)也能保持較好的分類效果，對比其他方法具有明顯的優(yōu)勢，所以選擇支持向量機(jī)作為軌道車輛一系垂向減振器劣化辨識(shí)模型。同時(shí)SVM模型中存在對辨識(shí)效果影響較大兩組參數(shù)，懲罰因子與核函數(shù)參數(shù)，然而這兩種參數(shù)的確定具有較大隨機(jī)性。因此，選擇參數(shù)尋優(yōu)算法克服參數(shù)選擇問題上存在的缺點(diǎn)。最終構(gòu)成一種基于參數(shù)尋優(yōu)算法優(yōu)化SVM的一系垂向減振器劣化辨識(shí)方法。

提出的減振器服役性能劣化狀態(tài)辨識(shí)方法的主要步驟如下：

（1）通過仿真軟件模擬仿真減振器不同劣化階段，并采集對應(yīng)的加速度信號；

（2）提取信號的時(shí)域和頻域特征，利用SVM模型測試每個(gè)通道的辨識(shí)精度，選取精度較高通道的數(shù)據(jù)特征組合形成多特征聯(lián)合向量；

（3）劃分訓(xùn)練樣本與測試樣本，將訓(xùn)練樣本的多特征聯(lián)合向量輸入SVM模型進(jìn)行辨識(shí)訓(xùn)練；

（4）利用參數(shù)尋優(yōu)算法對關(guān)鍵參數(shù)和進(jìn)行尋優(yōu)處理，獲得最優(yōu)的辨識(shí)精度；

（5）對測試樣本進(jìn)行劣化辨識(shí)，獲得辨識(shí)結(jié)果。

劣化狀態(tài)辨識(shí)流程如圖1所示。

1.2 優(yōu)化算法的選擇

在SVM模型中，懲罰因子和核函數(shù)參數(shù)對提高模型的辨識(shí)精度起著非常重要的作用，但是這兩種參數(shù)的確定卻具有較大的隨機(jī)性，對SVM模型的辨識(shí)精度具有不良影響。因此，需要對這兩個(gè)參數(shù)進(jìn)行尋優(yōu)處理。

在現(xiàn)有的尋優(yōu)處理手段中，傳統(tǒng)的試湊法具有較強(qiáng)的隨機(jī)性，需要花費(fèi)研究人員大量的時(shí)間和精力；簡單的網(wǎng)格尋優(yōu)法，雖然有時(shí)候效果比較好，但需要長時(shí)間的等待；除此之外，還有蟻群算法（Ant Colony Optimization，ACO）、遺傳算法（Genetic Algorithm，GA）、模擬退火算法（Simulated Annealing，SA）和粒子群算法（Particle Swarm Optimization，PSO）被廣泛應(yīng)用，這些算法具有自動(dòng)尋優(yōu)的優(yōu)點(diǎn)，能節(jié)省大量的人力和時(shí)間，并減少人為因素的影響。將四種尋優(yōu)算法的優(yōu)缺點(diǎn)列入表1中進(jìn)行對比，選擇合適尋優(yōu)算法優(yōu)化SVM模型。

圖1 辨識(shí)流程圖

表1 尋優(yōu)算法對比

粒子群算法具有高效、結(jié)構(gòu)簡單等優(yōu)點(diǎn)，同時(shí)能夠有效地對懲罰因子和核函數(shù)參數(shù)進(jìn)行優(yōu)化。因此，選擇粒子群優(yōu)化算法對SVM模型參數(shù)進(jìn)行尋優(yōu)，最終構(gòu)建出基于PSO- SVM模型的減振器性能劣化狀態(tài)辨識(shí)方法。

2 實(shí)驗(yàn)驗(yàn)證

2.1 數(shù)據(jù)集情況

原始數(shù)據(jù)來源于SIMPack仿真軟件對建立的高速動(dòng)車組車輛系統(tǒng)動(dòng)力學(xué)模型進(jìn)行仿真的結(jié)果。在某一工況下，將減振器分別設(shè)置為100%、95%、90%、85%、80%、75%和70%共七種劣化狀態(tài)。然后進(jìn)行高速動(dòng)車組的動(dòng)力學(xué)仿真，獲得在這七種劣化狀態(tài)下減振器的振動(dòng)響應(yīng)。

共采集30個(gè)通道的加速度信號，每個(gè)通道在各狀態(tài)下采集的數(shù)據(jù)點(diǎn)數(shù)為54980個(gè)。以長度1024、步長100的滑窗對數(shù)據(jù)進(jìn)行滑窗采樣，將一個(gè)長度為54980的數(shù)據(jù)處理成540個(gè)樣本，每個(gè)樣本長度為1024。所以單個(gè)通道得到的所有狀態(tài)下的樣本量為7×540＝3780個(gè)。總共七種狀態(tài)，每種狀態(tài)540個(gè)樣本，每個(gè)樣本包含1024個(gè)數(shù)據(jù)點(diǎn)。每個(gè)通道的3780個(gè)樣本按照4:1的比例劃分訓(xùn)練樣本和測試樣本，訓(xùn)練樣本為3780×0.8＝3024個(gè)，測試樣本為3780×0.2＝756個(gè)。各通道具體情況如表2所示。

2.2 減振器劣化特征提取與分析

對每個(gè)樣本提取15個(gè)時(shí)域特征、3個(gè)頻域特征，共18個(gè)特征。以通道4車體前部垂向加速度和通道11構(gòu)架1架中部橫向加速度為例，提取部分時(shí)域特征與部分頻域特征并將其歸一化處理。其部分時(shí)域特征、頻域特征隨時(shí)間的變化趨勢如圖2、圖3所示。

通過對特征提取的結(jié)果進(jìn)行分析，可以發(fā)現(xiàn)：部分通道采集的加速度信號的有量綱時(shí)域特征，如峰峰值、方根幅值等，整體隨時(shí)間的變化而變化的情況較為明顯，可以較好地反映減振器的劣化狀態(tài)。如通道11采集到的加速度信號的有量綱時(shí)域特征與減振器劣化有很強(qiáng)的關(guān)聯(lián)性，而通道4采集到的加速度信號的有量綱時(shí)域特征則不能直觀地反映出減振器的劣化狀態(tài)。

另外，從圖3可以看出，信號的頻域特征整體均與減振器劣化的關(guān)聯(lián)性不強(qiáng)。

表2 各通道傳感器所在位置

圖2 時(shí)域特征隨時(shí)間的變化趨勢

2.3 聯(lián)合多特征向量的建立

根據(jù)對特征變化趨勢的分析，并不是所有采集信號的時(shí)域、頻域特征都與減振器劣化過程有較強(qiáng)的關(guān)聯(lián)性，所以需要對這些采集信號進(jìn)行篩選。首先，將各個(gè)通道采集信號的時(shí)域、頻域特征輸入SVM分類模型進(jìn)行辨識(shí)，得到各個(gè)通道采集信號對應(yīng)的辨識(shí)精度；其次，依據(jù)辨識(shí)精度的高低篩選出辨識(shí)效果好的通道；最后，將其特征組合在一起形成多特征聯(lián)合向量，再次輸入并訓(xùn)練SVM模型以提高辨識(shí)精度。

各通道的辨識(shí)結(jié)果如圖4所示，可以看出，對于不同通道采集信號提取的特征，其辨識(shí)精度很大的差別。除安裝在車體與構(gòu)架1架的通道的辨識(shí)精度較高之外，安裝在其余位置的通道采集到的信號與減振器劣化基本沒有關(guān)聯(lián)。并且對于車體和構(gòu)架1架，只有采集到的橫向加速度信號辨識(shí)精度較高，垂向加速度信號同樣與減振器劣化關(guān)聯(lián)度不高。

根據(jù)圖4的辨識(shí)結(jié)果，選擇辨識(shí)精度高于50%的通道對應(yīng)采集信號的時(shí)域、頻域特征進(jìn)行組合，其中包括通道1、2、3、7、9、11共六個(gè)通道。將其依次相連，組成一個(gè)包含18×6＝108個(gè)特征的聯(lián)合多特征向量。

圖3 頻域特征隨時(shí)間的變化趨勢

圖4 PSO-SVM模型各通道辨識(shí)精度

2.4 粒子群算法的尋優(yōu)過程

粒子群優(yōu)化算法的具體步驟如下：

（1）確定粒子群算法的適應(yīng)度函數(shù)。利用粒子群算法對SVM模型的和參數(shù)進(jìn)行優(yōu)化是為了提高模型的辨識(shí)精度，因此將粒子群算法的適應(yīng)度函數(shù)設(shè)置為SVM模型的辨識(shí)精度，表達(dá)式為：

式中：y為訓(xùn)練樣本集中被正確分類的樣本的個(gè)數(shù)；y為表示被分類錯(cuò)誤的個(gè)數(shù)。

（2）劃分樣本。將所有樣本按照4:1的比例劃分為訓(xùn)練樣本與測試樣本；

（3）初始化粒子群算法的各個(gè)參數(shù)。具體數(shù)值如表3所示。

表3 粒子群算法參數(shù)設(shè)置

（4）設(shè)置好參數(shù)尋優(yōu)范圍后，將訓(xùn)練樣本輸入到SVM模型中，獲得兩個(gè)參數(shù)值，并將這兩個(gè)參數(shù)值設(shè)置到二維坐標(biāo)中，每一個(gè)粒子的二維坐標(biāo)便對應(yīng)這兩個(gè)參數(shù)值。通過計(jì)算首先獲得粒子當(dāng)前的適應(yīng)度，其次每一個(gè)粒子會(huì)不斷將當(dāng)前的適應(yīng)度與自身的最優(yōu)適應(yīng)度進(jìn)行對比，從而更新自身最優(yōu)適應(yīng)度，然后通過將所有粒子的自身適應(yīng)度進(jìn)行比較得出當(dāng)前全局的最優(yōu)適應(yīng)度；

（5）在粒子經(jīng)過步驟（4）后，會(huì)改變自身的位置以尋找新的最優(yōu)適應(yīng)度，其位置更新的速度和位置公式為：

式中：1、2為兩個(gè)隨機(jī)函數(shù)，取值范圍[0, 1]，用于增加搜索范圍的隨機(jī)性；P為粒子個(gè)體所經(jīng)歷過的最好位置；P為種群所經(jīng)歷過的最好位置。

（6）檢查當(dāng)前是否達(dá)到設(shè)置的迭代次數(shù)，如果已達(dá)到，則輸出參數(shù)尋優(yōu)的結(jié)果，給出訓(xùn)練模型的最高辨識(shí)精度，及對應(yīng)的參數(shù)和。

粒子群優(yōu)化算法對SVM模型進(jìn)行尋優(yōu)處理的流程如圖5所示。

使用粒子群算法對和進(jìn)行參數(shù)尋優(yōu)的精度曲線如圖6所示。可以看出模型的辨識(shí)精度隨著迭代次數(shù)的增加在不斷地提高，最終輸出的辨識(shí)精度可達(dá)到98.8%，和尋優(yōu)的結(jié)果為＝15439.651、＝0.026。將此參數(shù)設(shè)置為最終的PSO-SVM模型的參數(shù)，輸入測試樣本進(jìn)行測試。

2.5 PSO-SVM模型的辨識(shí)結(jié)果分析

為了驗(yàn)證利用粒子群算法進(jìn)行參數(shù)尋優(yōu)的有效性，將SVM模型作為對比，將特征選擇并組合后的特征分別輸入SVM模型和PSO-SVM模型中進(jìn)行測試。兩種模型的辨識(shí)結(jié)果如圖7所示，對比可知，PSO-SVM模型的辨識(shí)精度相較于SVM模型有較大的提升。

pbest.個(gè)體歷史最優(yōu) gbest.全局最優(yōu)

圖6 粒子群算法精度曲線

優(yōu)化前后模型對減振器服役性能各個(gè)劣化狀態(tài)正確分類的精度如表4所示?？芍?，SVM模型的辨識(shí)精度為94.7%，而PSO-SVM模型的辨識(shí)精度為98.8%。辨識(shí)精度具有一定程度的提升，說明了對SVM模型采用粒子群算法進(jìn)行參數(shù)尋優(yōu)是有效的，可以通過該方法有效地解決SVM模型中參數(shù)和選擇具有較大隨機(jī)性的問題。同時(shí)SVM模型與PSO-SVM模型對減振器性能劣化辨識(shí)狀態(tài)都具有較高的辨識(shí)精度，說明了該方法的可行性。

1.性能狀態(tài)100% 2.性能狀態(tài)95% 3.性能狀態(tài)90% 4.性能狀態(tài)85% 5.性能狀態(tài)80% 6.性能狀態(tài)75% 7.性能狀態(tài)70%

3 結(jié)論

對于軌道車輛一系垂向減振器劣化辨識(shí)存在的缺少辨識(shí)方法、辨識(shí)較為困難等問題，提出了一種基于PSO-SVM模型的辨識(shí)方法，通過實(shí)驗(yàn)驗(yàn)證了該方法的有效性，得出以下結(jié)論：

（1）將SVM模型應(yīng)用于軌道車輛一系垂向減振器劣化辨識(shí)的研究具有一定可行性；

（2）利用PSO尋優(yōu)算法對SVM模型中的兩個(gè)參數(shù)進(jìn)行尋優(yōu)處理，獲得的優(yōu)化模型能夠取得更好的辨識(shí)效果。

基于PSO-SVM模型的減振器服役性能劣化狀態(tài)辨識(shí)方法為軌道車輛一系垂向減振器劣化辨識(shí)提供了一種新的策略。

表4 參數(shù)尋優(yōu)前后不同狀態(tài)辨識(shí)精度

[1]井波，金煒東，秦娜，等. 高速列車橫向減振器性能退化的特征提取[J]. 噪聲與振動(dòng)控制，2015，35（2）：57-60.

[2]吳志丹，秦娜，金煒東. 基于EEMD的高速列車橫向減振器故障的排列熵特征分析[J]. 計(jì)算機(jī)科學(xué)，2016，43（5）：304-307.

[3]關(guān)山，康振興，彭昶. 基于云理論與LS-SVM的刀具磨損識(shí)別方法[J]. 振動(dòng)、測試與診斷，2017，37（5）：996-1003，1068-1069.

[4]Yiqiu Qian，Jia Tian，Libing Liu，et al. Yingshu Chen.A Tool Wear Predictive Model Based on SVM[C]. Proceedings of 2010 Chinese Control and Decision Conference，2010.

[5]聶鵬，崔凱奇，何超. 基于Elman神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)識(shí)別技術(shù)[J]. 現(xiàn)代制造工程，2015（12）：78-81，85.

[6]Ming Dong，David He，Prashant Banerjee，et al. Equipment health diagnosis and prognosis using hidden semi-Markov models[J]. The International Journal of Advanced Manufacturing Technology， 2006，30（7-8）：738-749.

[7]Ming Dong，David He. A segmental hidden semi-Markov model （HSMM）-based diagnostics and prognostics framework and methodology[J]. Mechanical Systems and Signal Processing，2007，21（5）：2248-2266.

[8]李威霖，傅攀，李曉暉. 無先驗(yàn)知識(shí)下基于CHMM的刀具磨損監(jiān)測技術(shù)[J]. 機(jī)床與液壓，2013，41（15）：37-41.

[9]石朝. 基于力和振動(dòng)融合的刀具磨損狀態(tài)辨識(shí)方法研究[D]. 成都：西南交通大學(xué)，2017．

[10]吳昀璞，金煒東，黃穎坤. 基于多域融合CNN的高速列車轉(zhuǎn)向架故障檢測[J]. 系統(tǒng)仿真學(xué)報(bào)，2018，30（11）：4492-4497.

Research on Deterioration Identification Method of the Primary Vertical Shock Absorber of Rail Vehicles

JIANG Liangkui1，LU Changhong2，F(xiàn)ANG Liuchuan2

(1.CRRC Qingdao Sifang Co. Ltd., Qingdao 266111, China; 2.School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China)

Shock absorber is an important part of rail vehicles, while the research on identifying the deterioration stage of the primary vertical shock absorbers of rail vehicles is insufficient. In order to realize the identification of the deterioration stage of the shock absorber, a method for identifying the performance degradation of shock absorbers based on the PSO-SVM model is proposed. First, the acceleration signal of the shock absorber is obtained through the simulation software. After extracting the features, the SVM model is used to screen and fuse the features. Then, the particle swarm optimization algorithm is used to optimize the parameters of the SVM model. Finally, the identification of the deterioration state of the service performance of the shock absorber is realized. The effectiveness of the method is verified by the experiment, and the results show that: The SVM model is feasible to identify the deterioration of the shock absorber. The optimization algorithm can improve the identification rate of the method.

shock absorber；deterioration identification；PSO；SVM

U279.323

A

10.3969/j.issn.1006-0316.2021.03.006

1006－0316 (2021) 03－0032－07

2020－08－26

國家重點(diǎn)研發(fā)計(jì)劃（2017YFB1201201）

姜良奎（1974－），男，山東臨沂人，高級工程師，主要研究方向?yàn)檐囕v人機(jī)工程、設(shè)計(jì)虛擬評價(jià)等，E-mail：jlk@cqsf.com。