基于IPSO-SVM地鐵牽引控制單元故障診斷.pdf

1、隨著自動(dòng)化技術(shù)的不斷發(fā)展，地鐵車輛運(yùn)行更加快速、準(zhǔn)時(shí)、便捷，已經(jīng)成為各大城市人們出行的主要交通工具，因此必須保持地鐵車輛長(zhǎng)期穩(wěn)定的運(yùn)行狀態(tài)。牽引控制單元(TCU)是地鐵車輛最關(guān)鍵的單元之一，當(dāng)牽引控制單元發(fā)生故障后，對(duì)其進(jìn)行精準(zhǔn)的故障診斷，找到故障發(fā)生位置，給出維修意見至關(guān)重要。本文研究了地鐵車輛牽引控制單元故障診斷，具體工作包括:
　　(1)選取多分類支持向量機(jī)作為基本故障診斷器。地鐵牽引控制單元結(jié)構(gòu)復(fù)雜，且很難得到其精確的數(shù)學(xué)

2、模型。基于支持向量機(jī)(SVM)的故障診斷方法可以在系統(tǒng)模型未知情況下進(jìn)行故障診斷，針對(duì)樣本量少、輸入量維數(shù)高的故障診斷問題中表現(xiàn)出優(yōu)異的性能，適合于TCU的故障診斷。SVM不僅克服了神經(jīng)網(wǎng)絡(luò)需要大量訓(xùn)練樣本的缺陷，而且最終將收斂到全局最優(yōu)解，避免得到局部最優(yōu)解。
　　(2)提出用改進(jìn)粒子群算法優(yōu)化支持向量機(jī)參數(shù)的方法。SVM的懲罰因子C和核函數(shù)參數(shù)σ對(duì)分類精度影響很大，隨機(jī)試驗(yàn)法費(fèi)時(shí)且不一定能得到最優(yōu)的參數(shù)組合。本文提出了用IPS

3、O自動(dòng)選擇C、σ的方法。在基本PSO算法中加入粒子平均分布策略、自適應(yīng)慣性權(quán)重，并在優(yōu)化過程中加入了過早停滯計(jì)時(shí)器，有效判斷種群是否陷入了過早停滯狀態(tài)，幫助種群跳出局部最優(yōu)。
　　(3)基于某城市地鐵6號(hào)線運(yùn)行數(shù)據(jù)進(jìn)行故障診斷效果驗(yàn)證?？紤]到故障發(fā)生頻率、故障的重疊關(guān)系等多方面因素，本文選擇地鐵牽引控制單元的9種故障作為故障診斷輸出，11個(gè)牽引控制單元相關(guān)變量作為分類器輸入。整體故障診斷準(zhǔn)確率為93.07％，驗(yàn)證了本文的IPSO-