基于MDS和改进SSA-SVM的高速铁路道岔故障诊断方法研究

针对高速铁路道岔设备故障频繁,现场维修工作量大等问题,提出基于多维尺度缩放法(MDS)和改进麻雀搜索算法(SSA)优化支持向量机(SVM)的高速铁路道岔故障诊断模型。首先以ZDJ9道岔转换功率曲线为研究对象,总结现场典型道岔故障类型及故障原因,分别提取道岔功率曲线的时域、频域特征指标以及小波包能量熵,组成特征指标向量;其次采用MDS方法进行多维特征指标的降维优化,建立道岔故障特征指标样本数据库;最后利用改进Circle混沌映射初始化种群,并通过自适应t分布增强麻雀种群的多样性,再以改进SSA算法优化SVM模型中的惩罚因子和核函数方差2个关键参数,构建改进SSA-SVM的道岔故障诊断模型。故障诊断结果表明,本模型的故障诊断正确率高达96.25%,诊断效果优于其他方法,可以为道岔设备的故障维修提供理论依据。

基于改进SSA优化MDS-SVM的变压器故障诊断方法

为了提高变压器故障诊断精度,提出一种基于改进SSA优化MDS-SVM的变压器故障诊断方法.首先,利用多维尺度缩放法(multiple dimensional scaling,MDS)对20维变压器故障特征数据进行特征提取,降低高维数据存在的稀疏性和多重共线性;其次,引入樽海鞘群算法(salp swarm algorithm,SSA),并对该算法进行改进,增置信赖机制和突变,以提高算法的收敛速度和收敛能力;然后,通过与原始SSA、PSO、GWO和β-GWO算法进行寻优测试对比来验证改进SSA算法的优越性;最后,使用改进SSA算法对MDS降低维数和支持向量机(support vector machine,SVM)的参数联合寻优,构建新的故障诊断模型.分析并比较其与常用算法优化的SVM故障诊断模型、BP神经网络(back propagation neural network,BPNN)、K最近邻(K-nearest neighbor,KNN)以及随机森林(random forest,RF)故障诊断模型的故障诊断精确度,结果表明,基于改进SSA的MDS-SVM变压器故障诊断模型的精确度高于其他算法模型,且泛化能力较强.