科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对区间无绝缘轨道电路故障类型复杂、诊断精度低等问题，从故障特征提取和特征分类两方面出发，提出了一种深度置信网络(DBN)和海洋捕食者算法(MPA)优化最小二乘支持向量机(LSSVM)的故障诊断方法。首先，将集中监测数据和状态标签输入到DBN,以半监督的方式进行降维和特征提取，从而挖掘轨道电路不同故障特征信息；然后，采用MPA智能算法对LSSVM的惩罚因子和核函数参数进行寻优并建立最优MPA-LSSVM诊断模型；最后，将DBN提取的特征样本导入诊断模型进行轨道电路的故障分类识别。DBN-MPA-LSSVM诊断模型充分利用了DBN在特征提取过程中的逐层提取优势以及LSSVM在解决小样本情况下高维模式识别的优势。实验验证与对比分析表明，DBN-MPA-LSSVM模型测试集准确率为98.33%,MPA优化算法较PSO、GWO、GA算法模型诊断准确率分别提高了6.11%、3.89%、3.33%,平均准确率为97.98%,为基于数据驱动的轨道电路故障诊断技术提供了一种新的方法。
- 单位
