-
题名基于参数优化VMD与LSSVM的转辙机故障诊断
- 1
-
-
作者
张光建
肖燕彩
孟亚东
曾祥发
马世伦
-
机构
天津职业技术师范大学汽车与交通学院
北京交通大学机械与电子控制工程学院
株洲长河电力机车科技有限公司
-
出处
《北京交通大学学报》
北大核心
2025年第6期14-29,共16页
-
基金
国家自然科学基金(52305276)。
-
文摘
针对现阶段转辙机主要以功率信号进行健康监测而未有效利用振动信号进行故障诊断的问题,提出一种金枪鱼群算法(Tuna Swarm Optimization,TSO)优化变分模态分解(Variational Mode Decomposition,VMD)和冠豪猪算法(Crested Porcupine Optimizer,CPO)优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的故障诊断模型.首先,通过实验提取ZD6型转辙机8种典型工况的振动数据,利用TSO优化VMD获得最佳分解层数k和惩罚因子α,并使用优化后的VMD将振动信号分解为若干个本征模态函数(Intrinsic Mode Function,IMF);其次,采用包络熵和峭度指标双重筛选准则优选IMF并重构信号,提取重构信号的精细复合多尺度散布熵(Refined Composite Multiscale Diversity Entropy,RCMDE);再次,将RCMDE划分为训练集和测试集,并将它们分别作为特征向量,输入到采用CPO优化后获得最佳惩罚因子γ和核函数参数σ组合的LSSVM进行故障诊断;最后,选取准确率、宏精确率、宏召回率和宏F1分数作为评判指标进行多种模型的对比分析.研究结果表明:TSO-VMD-RCMDE-CPO-LSSVM作为转辙机故障诊断模型运行10次的平均耗时为20.4 s,训练集准确率平均值为99.68%,标准差为0.12,测试集准确率平均值为99.25%,标准差为0.07;相较于其他模型,两者分别对应的宏精确率、宏召回率和宏F1分数的平均值最高且标准差最小,有效验证了该模型在转辙机故障诊断领域的优越性和可行性.
-
关键词
故障诊断
转辙机
金枪鱼群算法优化变分模态分解
精细复合多尺度散布熵
冠豪猪算法优化最小二乘支持向量机
-
Keywords
fault diagnosis
switch machine
TSO-VMD
RCMDE
cpo-lssvm
-
分类号
U284
[交通运输工程—交通信息工程及控制]
-
