姜良奎1，卢昌宏2，方柳川2
（1.中车青岛四方机车车辆股份有限公司，山东青岛 266111；
2.西南交通大学机械工程学院，四川成都 610031）
摘要：减振器是轨道车辆的重要部件，在目前的研究中，缺少对轨道车辆一系垂向减振器劣化阶段进行辨识的研究。为了实现对减振器的劣化阶段进行辨识，提出了一种基于粒子优化支持向量机（PSO-SVM）模型的减振器性能劣化辨识方法。首先通过仿真软件获得减振器的加速度信号，提取特征后利用SVM模型对特征进行筛选融合，其次使用粒子寻优算法对SVM模型的参数进行寻优处理，最后实现了对减振器服役性能劣化状态的辨识。通过实验验证了该方法的有效性，实验结果表明：SVM模型对减振器进行劣化辨识具有可行性，采用寻优算法能够提升方法的辨识率。 关键词：减振器；劣化辨识；PSO；SVM
中图分类号：U279.323 文献标志码：A doi：10.3969/j.issn.1006-0316.2021.03.006 文章编号：1006－0316 (2021) 03－0032－07
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 ) Abstract：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.
Key words：shock absorber；deterioration identification；PSO；SVM
———————————————
收稿日期：2020－08－26
减振器作为高速列车转向架的重要部件，在列车行驶过程中起着保护车体、缓冲减震的作用。减振器性能直接影响列车行驶的平顺性、稳定性和安全性，对其性能退化评估可以更为有效地服务于设备的主动维护[1]。因此研究一种高效、准确的智能诊断方法具有重要意义。
在目前的一些机械设备，如刀具等的性能劣化状态识别研究过程中，支持向量机、人工神经网络、隐马尔可夫和深度学习等模型被广泛应用。
支持向量机（Support Vector Machine，SVM）是一种监督式机器学习模型，泛化能力强、非线性映射能力强，目前在分类和回归分析问题上被大量采用。吴志丹等[2]采用支持向量机对横向减振器的故障状态进行分类识别；关山等[3]在研究刀具磨损状态的过程中，对声发射信号进行处理，采用LS-SVM模型对处理后的数据进行状态辨识；Qian等[4]为了建立工件表面纹理特征与刀具磨损之间的耦合关系，选择通过投影法和Gabor滤波法提取特征，提取后将特征输入到SVM模型中得到辨识结果。
人工神经网络具有鲁棒性良好、学习特征信息能力强、模型辨识稳定等多个优点。聂鹏等[5]建立了隐含层节点为9个的Elman神经网络对刀具磨损状态进行辨识。
隐马尔科夫模型（Hidden Markov Model，HMM）具有推理性好、数据结构严谨和稳定性良好等优点。Dong等[6-7]在进行液压泵健康状态辨识时采用了隐马尔可夫模型；李威霖等[8]在样本数较少的情况下建立了一个无监督的隐马尔可夫刀具磨损状态辨识模型。
深度学习模型具有可以处理复杂数据、自动提取特征和泛化能力强等优点。石朝[9]提出了一种基于深度学习长短时记忆网络的刀具磨损阶段辨识方法；吴昀璞等[10]针对模型泛化能力不足与鲁棒性不足的问题，提出一种基于多域融合卷积神经网络的转向架故障检测方法。
在目前的性能退化辨识研究中，轨道车辆一系垂向减振器劣化辨识存在缺少辨识方法、辨识较为困难等问题。因此，提出了一种轨道车辆一系垂向减振器性能劣化状态辨识方法，并通过实验验证了该方法的有效性。
1 辨识模型的构建
1.1 辨识方法与实验流程
支持向量机分类方法具有良好的性能，在状态辨识领域被广泛应用。SVM模型对非线性样本有着很好的
分类效果，在小样本时也能保持较好的分类效果，对比其他方法具有明显的优势，所以选择支持向量机作为轨道车辆一系垂向减振器劣化辨识模型。同时SVM模型中存在对辨识效果影响较大两组参数，惩罚因子c 与核函数参数g，然而这两种参数的确定具有较大随机性。因此，选择参数寻优算法克服参数选择问题上存在的缺点。最终构成一种基于参数寻优算法优化SVM的一系垂向减振器劣化辨识方法。
提出的减振器服役性能劣化状态辨识方法的主要步骤如下：
（1）通过仿真软件模拟仿真减振器不同劣化阶段，并采集对应的加速度信号；
（2）提取信号的时域和频域特征，利用SVM模型测试每个通道的辨识精度，选取精度较高通道的数据特征组合形成多特征联合向量；
（3）划分训练样本与测试样本，将训练样本的多特征联合向量输入SVM模型进行辨识训练；
（4）利用参数寻优算法对关键参数c和g 进行寻优处理，获得最优的辨识精度；
（5）对测试样本进行劣化辨识，获得辨识结果。
劣化状态辨识流程如图1所示。
1.2 优化算法的选择
在SVM模型中，惩罚因子c和核函数参数g对提高模型的辨识精度起着非常重要的作用，但是这两种参数的确定却具有较大的随机性，对SVM模型的辨识精度具有不良影响。因此，需要对这两个参数进行寻优处理。
在现有的寻优处理手段中，传统的试凑法具有较强的随机性，需要花费研究人员大量的时间和精力；简单的网格寻优法，虽然有时候效果比较好，但需要长时间的等待；除此之外，还有蚁算法（Ant Colony Optimization，ACO）、遗传算法（Genetic Algorithm，GA）、模拟退火算法（Simulated Annealing，SA）和粒子算法（Particle Swarm Optimization，PSO）被广泛应用，这些算法具有自动寻优的优点，能节省大量的人力和时间，并减少人为因素的影响。将四种寻优算法的优缺点列入表1中进行对比，选择合适寻优算法优化SVM模型。
图1 辨识流程图
表1 寻优算法对比
算法名称优点缺点
蚁算法搜索能力强，鲁棒性良好容易出现局部收敛，且收敛速度较慢遗传算法全局搜索能力强算法时间成本较高，且稳定性较差
模拟退火算法局部搜索能力强易陷入局部最优解，受模型参数影响较大粒子算法并行性好，鲁棒性强，搜索速度快，算法结构较为简单－
粒子算法具有高效、结构简单等优点，同时能够有效地对惩罚因子c和核函数参数g 进行优化。因此，选择粒子优化算法对SVM 模型参数进行寻优，最终构建出基于PSO- SVM模型的减振器性能劣化状态辨识方法。
2 实验验证
2.1 数据集情况
原始数据来源于SIMPack仿真软件对建立的高速动车组车辆系统动力学模型进行仿真的结果。在某一工况下，将减振器分别设置为100%、95%、90%、85%、80%、75%和70%共七种劣化状态。然后进行高速动车组的动力学仿真，获得在这七种劣化状态下减振器的振动响应。
共采集30个通道的加速度信号，每个通道在各状态下采集的数据点数为54980个。以长度1024、步长100的滑窗对数据进行滑窗采样，将一个长度为54980的数据处理成540个样本，每个样本长度为1024。所以单个通道得到的所有状态下的样本量为7×540＝3780个。总共七种状态，每种状态540个样本，每个样本包含1024个数据点。每个通道的3780个样本按照4:1的比例划分训练样本和测试样本，训练样本为3780×0.8＝3024个，测试样本为3780×0.2＝756个。各通道具体情况如表2所示。
2.2 减振器劣化特征提取与分析
对每个样本提取15个时域特征、3个频域特征，共18个特征。以通道4车体前部垂向加速度和通道11构架1架中部横向加速度
为例，提取部分时域特征与部分频域特征并将其归一化处理。其部分时域特征、频域特征随时间的变化趋势如图2、图3所示。
通过对特征提取的结果进行分析，可以发现：部分通道采集的加速度信号的有量纲时域特征，如峰峰值、方根幅值等，整体随时间的变化而变化的情况较为明显，可以较好地反映
减振器的劣化状态。如通道11采集到的加速度信号的有量纲时域特征与减振器劣化有很强的关联性，而通道4采集到的加速度信号的有量纲时域特征则不能直观地反映出减振器的劣化状态。
另外，从图3可以看出，信号的频域特征整体均与减振器劣化的关联性不强。
表2 各通道传感器所在位置
通道
传感器位置 通道传感器位置
通道传感器位置 1 车体前部横向加速度 7 构架1架1位横向加速度19 轴箱1纵向加速度 2 车体后部横向加速度 8 构架1架1位垂向加速度20 轴箱1横向加速度 3 车体中部横向加速度 9 构架1架4位横向加速度21 轴箱1垂向加速度 4 车体前部垂向加速度 10 构架1架4位垂向加速度22 轴箱2纵向加速度 5 车体后部垂向加速度 11 构架1架中部横向加速度23 轴箱2横向加速度 6
车体中部垂向加速度 12 构架1架中部垂向加速度
24 轴箱2垂向加速度 13 构架2架5位横向加速度25 轴箱3纵向加速度 14 构架2架5位垂向加速度26 轴箱3横向加速度 15 构架2架8位横向加速度27 轴箱3垂向加速度
16 构架2架8位垂向加速度28 轴箱4纵向加速度 17 构架2架中部横向加速度29 轴箱
4
横向加速度 18 构架2架中部垂向加速度
30
轴箱4垂向加速度
（a ）峰峰值指标的变化趋势 （b ）均方根指标的变化趋势
（c ）峰值指标的变化趋势
（d ）脉冲指标的变化趋势
图2 时域特征随时间的变化趋势
0 500 1000 1500 2000 2500 3000 3500 样本数
峰峰值幅值
1.0 0.8 0.6 0.4 0.2 0.0
通道11通道4
0 500 1000 1500 2000 2500 3000 3500 样本数
均方根幅值
通道11通道4
1.00.80.60.40.20.0
0 500 1000 1500 2000 2500 3000 3500 样本数
峰值幅值
通道11 通道4 1.0
0.8 0.6
0.4
0.2
0.0
0 500 1000 1500 2000 2500 3000 3500
样本数
脉冲幅值
通道11通道4 1.00.80.60.40.20.0
2.3 联合多特征向量的建立
根据对特征变化趋势的分析，并不是所有采集信号的时域、频域特征都与减振器劣化过程有较强的关联性，所以需要对这些采集信号进行筛选。首先，将各个通道采集信号的时域、频域特征输入SVM分类模型进行辨识，得到各个通道采集信号对应的辨识精度；其次，依据辨识精度的高低筛选出辨识效果好的通道；最后，将其特征组合在一起形成多特征联合向量，再次输入并训练SVM模型以提高辨识精度。
各通道的辨识结果如图4所示，可以看出，对于不同通道采集信号提取的特征，其辨识精度很大的差别。除安装在车体与构架1架的通道的辨识精度较高之外，安装在其余位置的通道采集到的信号与减振器劣化基本没有关联。并且对于车体和构架1架，只有采集到的横向加速度信号辨识精度较高，垂向加速度信号同样与减振器劣化关联度不高。
根据图4的辨识结果，选择辨识精度高于50%的通道对应采集信号的时域、频域特征进行组合，其中包括通道1、2、3、7、9、11共六个通道。将其依次相连，组成一个包含18×6＝108个特征的联合多特征
向量。
（a）重心频率指标的变化趋势（b）均方频率指标的变化趋势
图3 频域特征随时间的变化趋势
图4 PSO-SVM模型各通道辨识精度
2.4 粒子算法的寻优过程
粒子优化算法的具体步骤如下：
（1）确定粒子算法的适应度函数。利用粒子算法对SVM模型的c和g参数进行优化是为了提高模型的辨识精度，因此将粒子算法的适应度函数设置为SVM模型的辨识精度，表达式为：
t
t f
y
f
y y
=
+
（1）式中：y t为训练样本集中被正确分类的样本的个数；y f为表示被分类错误的个数。
（2）划分样本。将所有样本按照4:1的比例划分为训练样本与测试样本；
（3）初始化粒子算法的各个参数。具体数值如表3所示。
通道
精
度/
%
100
80
60
40
20
0 500 1000 1500 2000 2500 3000 3500
样本数
重
心
频
率
幅
值
1.0
0.8
0.6
0.4
0.2
0.0
通道11
通道4
0 500 1000 1500 2000 2500 3000 3500
样本数
均
方
频
率
幅
值
通道11
通道4
1.0
0.8
0.6
0.4
0.2
0.0
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议