关键词:
隐马尔科夫模型
支持向量机
液压系统
故障诊断
捣固车
摘要:
捣固车在铁路日常维修中起着非常重要的作用,捣固车的正常养护工作,保证了铁路的安全运行,所以保证捣固车处于正常工作状态显得十分必要。而在捣固车的各个构成部分中,液压系统作为捣固车作业的关键一环,为捣固车进行正常的捣固作业提供源动力。液压系统在作业过程中难免发生各种异常状况,如若不及时对液压系统故障进行诊断排除,就会导致液压系统运转异常,甚至会导致捣固车发生故障。因此,对捣固车液压系统进行故障诊断研究是一个十分重要的课题,也是导师自然科学基金研究的一个重要补充。本文根据液压系统故障振动信号多且杂的特点,分析了对后续工作的开展将造成极大阻碍的降噪处理,研究提出一种基于隐马尔科夫模型模型(Hidden Markov Model,HMM)优化支持向量机(Support Vector Machine,SVM)的改进液压系统故障诊断模型。本文首先采取改进EMD阈值降噪方法对振动信号进行降噪处理,在降噪处理的基础上,采用主成分分析法(Principal Component Analysis,PCA)对处理后的振动信号进行特征提取形成特征向量,将提取到的特征向量分别输入到HMM模型中进行训练,得到不同类别的HMM模型和SVM模型。针对SVM模型中的核函数,采用V折交叉验证法对其相关参数进行优化,得到更优的SVM分类器。由于HMM模型在同类样本间不同样本的相似性反映上具有较强的作用,因此在使用HMM优化SVM后,能在小样本的条件下得到更加精确的故障诊断结果。本文采用了维特比算法计算观察序列的概率,为了使得到的结果进一步精确,使其受其他因素的干扰达到最小,本文将观察序列按从大到小进行排列,并将大概率依次相加,当概率之和不小于90%时,将剩余向量序列删除,留下的向量序列则为主成分向量。以前序处理的结果为基础,分别使用串联方式与并联方式连接HMM模型与SVM模型,经SVM诊断识别,得到液压系统故障诊断的仿真结果。仿真实验表明,基于串联HMM-SVM模型以及基于并联HMM-SVM模型在液压系统故障诊断中的准确率比都要比单独运用HMM模型或SVM模型对液压系统故障诊断率要高。而串联HMM-SVM模型相较并联HMM-SVM模型而言,操作更加简单,运算速度快,抗干扰性更强,复杂性低等特点,因此,本文建议在同等效率情况下,使用串联模型HMM-SVM故障诊断模型。