軌道車輛一系垂向減振器劣化辨識方法研究

姜良奎，盧昌宏，方柳川

軌道車輛一系垂向減振器劣化辨識方法研究

姜良奎1，盧昌宏2，方柳川2

（1.中車青島四方機車車輛股份有限公司，山東 青島 266111；2.西南交通大學機械工程學院，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行辨識的研究。為了實現對減振器的劣化階段進行辨識，提出了一種基于粒子群優化支持向量機（PSO-SVM）模型的減振器性能劣化辨識方法。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模型對特征進行篩選融合，其次使用粒子群尋優算法對SVM模型的參數進行尋優處理，最后實現了對減振器服役性能劣化狀態的辨識。通過實驗驗證了該方法的有效性，實驗結果表明：SVM模型對減振器進行劣化辨識具有可行性，采用尋優算法能夠提升方法的辨識率。

減振器；劣化辨識；PSO；SVM

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

在目前的一些機械設備，如刀具等的性能劣化狀態識別研究過程中，支持向量機、人工神經網絡、隱馬爾可夫和深度學習等模型被廣泛應用。

支持向量機（Support Vector Machine，SVM）是一種監督式機器學習模型，泛化能力強、非線性映射能力強，目前在分類和回歸分析問題上被大量采用。吳志丹等[2]采用支持向量機對橫向減振器的故障狀態進行分類識別；關山等[3]在研究刀具磨損狀態的過程中，對聲發射信號進行處理，采用LS-SVM模型對處理后的數據進行狀態辨識；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模型中得到辨識結果。

人工神經網絡具有魯棒性良好、學習特征信息能力強、模型辨識穩定等多個優點。聶鵬等[5]建立了隱含層節點為9個的Elman神經網絡對刀具磨損狀態進行辨識。

隱馬爾科夫模型（Hidden Markov Model，HMM）具有推理性好、數據結構嚴謹和穩定性良好等優點。Dong等[6-7]在進行液壓泵健康狀態辨識時采用了隱馬爾可夫模型；李威霖等[8]在樣本數較少的情況下建立了一個無監督的隱馬爾可夫刀具磨損狀態辨識模型。

深度學習模型具有可以處理復雜數據、自動提取特征和泛化能力強等優點。石朝[9]提出了一種基于深度學習長短時記憶網絡的刀具磨損階段辨識方法；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網絡的轉向架故障檢測方法。

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

1 辨識模型的構建

1.1 辨識方法與實驗流程

支持向量機分類方法具有良好的性能，在狀態辨識領域被廣泛應用。SVM模型對非線性樣本有著很好的分類效果，在小樣本時也能保持較好的分類效果，對比其他方法具有明顯的優勢，所以選擇支持向量機作為軌道車輛一系垂向減振器劣化辨識模型。同時SVM模型中存在對辨識效果影響較大兩組參數，懲罰因子與核函數參數，然而這兩種參數的確定具有較大隨機性。因此，選擇參數尋優算法克服參數選擇問題上存在的缺點。最終構成一種基于參數尋優算法優化SVM的一系垂向減振器劣化辨識方法。

提出的減振器服役性能劣化狀態辨識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，并采集對應的加速度信號；

（2）提取信號的時域和頻域特征，利用SVM模型測試每個通道的辨識精度，選取精度較高通道的數據特征組合形成多特征聯合向量；

（3）劃分訓練樣本與測試樣本，將訓練樣本的多特征聯合向量輸入SVM模型進行辨識訓練；

（4）利用參數尋優算法對關鍵參數和進行尋優處理，獲得最優的辨識精度；

（5）對測試樣本進行劣化辨識，獲得辨識結果。

劣化狀態辨識流程如圖1所示。

1.2 優化算法的選擇

在SVM模型中，懲罰因子和核函數參數對提高模型的辨識精度起著非常重要的作用，但是這兩種參數的確定卻具有較大的隨機性，對SVM模型的辨識精度具有不良影響。因此，需要對這兩個參數進行尋優處理。

在現有的尋優處理手段中，傳統的試湊法具有較強的隨機性，需要花費研究人員大量的時間和精力；簡單的網格尋優法，雖然有時候效果比較好，但需要長時間的等待；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）被廣泛應用，這些算法具有自動尋優的優點，能節省大量的人力和時間，并減少人為因素的影響。將四種尋優算法的優缺點列入表1中進行對比，選擇合適尋優算法優化SVM模型。

圖1 辨識流程圖

表1 尋優算法對比

粒子群算法具有高效、結構簡單等優點，同時能夠有效地對懲罰因子和核函數參數進行優化。因此，選擇粒子群優化算法對SVM模型參數進行尋優，最終構建出基于PSO- SVM模型的減振器性能劣化狀態辨識方法。

2 實驗驗證

2.1 數據集情況

原始數據來源于SIMPack仿真軟件對建立的高速動車組車輛系統動力學模型進行仿真的結果。在某一工況下，將減振器分別設置為100%、95%、90%、85%、80%、75%和70%共七種劣化狀態。然后進行高速動車組的動力學仿真，獲得在這七種劣化狀態下減振器的振動響應。

共采集30個通道的加速度信號，每個通道在各狀態下采集的數據點數為54980個。以長度1024、步長100的滑窗對數據進行滑窗采樣，將一個長度為54980的數據處理成540個樣本，每個樣本長度為1024。所以單個通道得到的所有狀態下的樣本量為7×540＝3780個。總共七種狀態，每種狀態540個樣本，每個樣本包含1024個數據點。每個通道的3780個樣本按照4:1的比例劃分訓練樣本和測試樣本，訓練樣本為3780×0.8＝3024個，測試樣本為3780×0.2＝756個。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

對每個樣本提取15個時域特征、3個頻域特征，共18個特征。以通道4車體前部垂向加速度和通道11構架1架中部橫向加速度為例，提取部分時域特征與部分頻域特征并將其歸一化處理。其部分時域特征、頻域特征隨時間的變化趨勢如圖2、圖3所示。

通過對特征提取的結果進行分析，可以發現：部分通道采集的加速度信號的有量綱時域特征，如峰峰值、方根幅值等，整體隨時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。如通道11采集到的加速度信號的有量綱時域特征與減振器劣化有很強的關聯性，而通道4采集到的加速度信號的有量綱時域特征則不能直觀地反映出減振器的劣化狀態。

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聯性不強。

表2 各通道傳感器所在位置

圖2 時域特征隨時間的變化趨勢

2.3 聯合多特征向量的建立

根據對特征變化趨勢的分析，并不是所有采集信號的時域、頻域特征都與減振器劣化過程有較強的關聯性，所以需要對這些采集信號進行篩選。首先，將各個通道采集信號的時域、頻域特征輸入SVM分類模型進行辨識，得到各個通道采集信號對應的辨識精度；其次，依據辨識精度的高低篩選出辨識效果好的通道；最后，將其特征組合在一起形成多特征聯合向量，再次輸入并訓練SVM模型以提高辨識精度。

各通道的辨識結果如圖4所示，可以看出，對于不同通道采集信號提取的特征，其辨識精度很大的差別。除安裝在車體與構架1架的通道的辨識精度較高之外，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聯。并且對于車體和構架1架，只有采集到的橫向加速度信號辨識精度較高，垂向加速度信號同樣與減振器劣化關聯度不高。

根據圖4的辨識結果，選擇辨識精度高于50%的通道對應采集信號的時域、頻域特征進行組合，其中包括通道1、2、3、7、9、11共六個通道。將其依次相連，組成一個包含18×6＝108個特征的聯合多特征向量。

圖3 頻域特征隨時間的變化趨勢

圖4 PSO-SVM模型各通道辨識精度

2.4 粒子群算法的尋優過程

粒子群優化算法的具體步驟如下：

（1）確定粒子群算法的適應度函數。利用粒子群算法對SVM模型的和參數進行優化是為了提高模型的辨識精度，因此將粒子群算法的適應度函數設置為SVM模型的辨識精度，表達式為：

式中：y為訓練樣本集中被正確分類的樣本的個數；y為表示被分類錯誤的個數。

（2）劃分樣本。將所有樣本按照4:1的比例劃分為訓練樣本與測試樣本；

（3）初始化粒子群算法的各個參數。具體數值如表3所示。

表3 粒子群算法參數設置

（4）設置好參數尋優范圍后，將訓練樣本輸入到SVM模型中，獲得兩個參數值，并將這兩個參數值設置到二維坐標中，每一個粒子的二維坐標便對應這兩個參數值。通過計算首先獲得粒子當前的適應度，其次每一個粒子會不斷將當前的適應度與自身的最優適應度進行對比，從而更新自身最優適應度，然后通過將所有粒子的自身適應度進行比較得出當前全局的最優適應度；

（5）在粒子經過步驟（4）后，會改變自身的位置以尋找新的最優適應度，其位置更新的速度和位置公式為：

式中：1、2為兩個隨機函數，取值范圍[0, 1]，用于增加搜索范圍的隨機性；P為粒子個體所經歷過的最好位置；P為種群所經歷過的最好位置。

（6）檢查當前是否達到設置的迭代次數，如果已達到，則輸出參數尋優的結果，給出訓練模型的最高辨識精度，及對應的參數和。

粒子群優化算法對SVM模型進行尋優處理的流程如圖5所示。

使用粒子群算法對和進行參數尋優的精度曲線如圖6所示。可以看出模型的辨識精度隨著迭代次數的增加在不斷地提高，最終輸出的辨識精度可達到98.8%，和尋優的結果為＝15439.651、＝0.026。將此參數設置為最終的PSO-SVM模型的參數，輸入測試樣本進行測試。

2.5 PSO-SVM模型的辨識結果分析

為了驗證利用粒子群算法進行參數尋優的有效性，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模型中進行測試。兩種模型的辨識結果如圖7所示，對比可知，PSO-SVM模型的辨識精度相較于SVM模型有較大的提升。

pbest.個體歷史最優 gbest.全局最優

圖6 粒子群算法精度曲線

優化前后模型對減振器服役性能各個劣化狀態正確分類的精度如表4所示。可知，SVM模型的辨識精度為94.7%，而PSO-SVM模型的辨識精度為98.8%。辨識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行參數尋優是有效的，可以通過該方法有效地解決SVM模型中參數和選擇具有較大隨機性的問題。同時SVM模型與PSO-SVM模型對減振器性能劣化辨識狀態都具有較高的辨識精度，說明了該方法的可行性。

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

3 結論

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

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

（2）利用PSO尋優算法對SVM模型中的兩個參數進行尋優處理，獲得的優化模型能夠取得更好的辨識效果。

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

表4 參數尋優前后不同狀態辨識精度

[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]. 計算機科學，2016，43（5）：304-307.

[3]關山，康振興，彭昶. 基于云理論與LS-SVM的刀具磨損識別方法[J]. 振動、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神經網絡的刀具磨損狀態識別技術[J]. 現代制造工程，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. 無先驗知識下基于CHMM的刀具磨損監測技術[J]. 機床與液壓，2013，41（15）：37-41.

[9]石朝. 基于力和振動融合的刀具磨損狀態辨識方法研究[D]. 成都：西南交通大學，2017．

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

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

JIANG Liangkui1，LU Changhong2，FANG 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

國家重點研發計劃（2017YFB1201201）

姜良奎（1974－），男，山東臨沂人，高級工程師，主要研究方向為車輛人機工程、設計虛擬評價等，E-mail：jlk@cqsf.com。