基于SABO-Ec-VMD与PSO-SVM的有轨电车轨道故障诊断

摘要

针对有轨电车轨道的早期微弱故障难以检测、轨道故障特征难以提取、轨道故障诊断效果差等问题,提出一种基于减法平均优化器(SABO)算法优化变分模态分解(VMD)和粒子群算法(PSO)改进支持向量机(SVM)的有轨电车轨道故障诊断方法。首先,以包络谱峰值因子(Ec)最小化为寻优目标,SABO算法对VMD进行参数寻优,找到各类型信号的最优模态分解个数和惩罚因子,构建SABO-Ec-VMD方法;然后,提取最佳IMF分量的20种指标构建多维度特征向量;最后,基于变化率法(ROC)、变异系数法(CV)、最大互信息系数法(MIC)进行特征向量的三级层筛选,构建ROC-CV-MIC方法,将筛选后的特征输入到PSO-SVM模型进行故障诊断。通过实地测量的有轨电车数据进行实验研究,对比其他方法。结果表明,所提出的故障诊断方法最优可实现97.485%的故障准确率且对小样本诊断具有优势,对于实际的轨道故障诊断具有很好的诊断效果。

关键词

变分模态分解 / 支持向量机 / 减法平均优化器 / 包络谱峰值因子 / 故障诊断