1、2023 年*国家自然科学基金项目(11802170);上海市晨光计划项目(18CG66);上海市自然科学基金项目(19Z1421700)基于自适应粒子群算法的轨下基础病害识别*伍伟嘉杨俭袁天辰邵志慧(上海工程技术大学城市轨道交通学院，201620，上海第一作者，助理工程师)摘要基于车辆轨道耦合动力学模型，对不同轨下基础病害情况下的轨枕振动响应进行仿真分析。提出利用支持向量机算法和粒子群算法对轨下基础病害进行识别。为了提高粒子群算法的收敛速度，提出一种自适应粒子群算法，并将所提方法应用于轨下基础病害识别仿真，分析不同病害条件下的轨枕振动特征。研究表明:所提算法的病害识别准确率80%，且其算法收
2、敛速度有明显提升。关键词轨道交通;轨下基础;病害识别中图分类号U2132+13DOI:1016037/j1007869x202301003Sub-rail Foundation Disease Identification Basedon Adaptive Particle Swarm Optimization Algo-rithmWUWeijia，YANGJian，YUANTianchen，SHAO ZhihuiAbstractBased on vehicle-track coupling dynamics model，the simulation analysis of the sleep
3、er vibration response underdifferent sub-rail foundation disease conditions is carried out Itis proposed to adopt SVM(support vector machine)algorithmand PSO(particle swarm optimization)algorithm to identifythe sub-rail foundation basic diseases To improve the conver-gence speed of PSO，an APSO(adapt
4、ive particle swarm opti-mization)algorithm is proposed，and the proposed method isappliedtotheidentificationandsimulationofsub-railfoundation basic diseases，so as to analyze the vibration charac-teristics of sleepers under different disease conditions The re-search shows that the disease identificati
5、on accuracy rate of theproposedalgorithmcanachieveover80%，andtheconvergence speed of the algorithm is significantly improvedKey wordsrail transit;sub-rail foundation;disease identifi-cationAuthors addressSchool of Urban ailway Transportation，ShanghaiUniversityofEngineeringScience，201620，Shanghai，Chi
6、na轨下基础结构作为轨道系统重要的承载结构，其作用是将高速列车运行所产生的冲击载荷传递给路基并实现减振效果。随着我国铁路列车运行速度的增加和承载能力的增大，轨下基础必然会承受更大的冲击载荷，而轨下基础病害将会随着轨道系统运营时间的推移逐渐显现，进而威胁行车安全。因此，实现对轨下基础病害快速且高效的诊断和识别是保障列车安全运行的关键。轨下基础病害识别的首要问题是如何获取轨下基础结构处于病害状态时的故障特征。近年来，小波分析因具有多尺度特性而被国内外学者广泛应用于机械结构和大型土木结构故障诊断领域，特别是故障特征提取方面。文献 1 利用小波变换和奇异值分解提取了水电机组振动的故障特征，并采用概率神
7、经网络算法对所提取到的特征向量进行分类，具有较高的分类准确率。文献 2基于集成经验模态分解和可调 Q因子小波变换实现了对滚动轴承早期故障的特征提取。由于小波变换没有对振动信号的高中频部分进行分解，导致提取到的特征可能无法完全反映轨下基础结构病害的故障特征信息。为了避免由于小波分解本身分析频段所带来的问题，文献 3将小波包分解运用到了滚动轴承的故障诊断中，并成功判断出了滚动轴承的故障类型。在提取故障特征信息后需要对故障模式进行识别，相较于神经网络算法，SVM(支持向量机)算法在处理高纬度、小样本和非线性数据方面有较大的优势，且其还具有很强的自学能力和泛化能力。但 SVM 算法中对于参数的选择极大
8、地影响了故障识别分类的准确率，因此国内外学者采用智能算法优化 SVM 参数，如 GA(遗传)算法、蚁群算法和网格搜索算法等。但上述这些优化算法存在一些不足之处:GA 算法参数较多且寻优速度慢;蚁群算法21第 1 期学术专论计算量大且不适用于复杂问题;网格搜索算法运算时间会随着搜索步长的减小而陡增。粒子群算法不仅收敛速度较快，且在解决复杂的非线性问题上有较好的表现。针对轨下基础病害识别，本文利用小波包分解对轨下基础病害振动信号进行三层分解，并提取分解后的底层能量作为后续故障分类的输入，利用自适应粒子群算法联合 SVM 算法对病害进行识别，以较好地识别出不同的轨下基础病害。本文研究可为轨枕的故障诊
9、断以及预测提供理论及参考依据。1车辆轨道耦合动力学模型与病害模拟11车辆轨道耦合动力学模型采用如图 1 所示的车辆轨道垂向耦合动力学模型，其中车辆系统是由车体质量 mc、转向架质量mT、轮对质量 mw组成的一个多刚体系统，并以速度v 在轨道模型上运动，考虑车体和前后转向架的沉浮运 动 自 由 度zc，zT1，zT2()与 点 头 运 动 自 由 度c，T1，T2()，以及 4 个轮对的垂向运动自由度zWo，o=1，2，3，4()，则车辆系统的运动方程为:mz+C z+Kz=Po(1)式中:m、C、K 分别为车辆系统的质量、阻尼和刚度矩阵;z、z、z 分别为系统的垂向加速度、垂向速度和垂向位移向
10、量;Po 系统力向量。图 1车辆轨道耦合动力学模型(含病害)Fig1Vehicle-track coupling dynamics model(including diseases)轨道系统由钢轨、轨下基础(包括轨枕和道床)以及路基组成，其中钢轨可以视为连续弹性离散点支撑上的无限长 Euler 梁，轨下基础可模拟为双质量、三层弹簧阻尼振动模型(见图 1 中的模型 A)，并按轨枕间距沿纵向离散。本文不涉及钢轨、道床和路基的振动方程，具体可参考文献 4。文献 5-6 的研究表明:通过改变模型中的 Cbi和 Kbi可以模拟轨下基础病害，例如:轨枕完全空吊工况(见图 1中的模型 B)即完全失去工作能力
11、，可设 Kbi=Cbi=0;对于道床板结或松散工况(见图 1 中的模型 C)，则设 Kbi，ne=1Kbi，Cbi，ne=2Cbi，对于不同程度的病害，1、2的取值范围为 01，100。12轨下基础病害仿真采用 Matlab 软件建立车轨耦合模型，时间步长设置为 1104s，取轨道长度 L=120 m，轨枕间距Ls=06 m，选取位于轨道系统中心位置的 51 号150 号共 100 个轨枕截面单元，以 100 号轨枕为振动响应分析对象。不同工况下的轨下基础模拟参数如表 1 所示。根据表 1 的仿真工况，以列车行驶速度为200 km/h 为例，轨枕在不同工况下的振动加速度时域谱和功率谱仿真结果如
12、图 2 所示。表 1不同工况下的轨下基础模拟参数Tab 1Sub-rail foundation simulation parameters underdifferent working conditions工况编号工况状态KbiCbi1正常KbiCbi2轨枕空吊003道床板结450 Kbi450 Cbi4道床松散035 Kbi035 Cbi由图 2 a)和图 2 b)可知，轨枕空吊工况下的轨枕振动加速度的幅值比正常工况下要大很多，而从功率谱方面来看，其在 100102Hz 频率范围内有明显的变化;从图2 c)图2 f)中可以看出，道床板结和道床松散工况下的轨枕振动加速度较正常工况变化不是特别
13、明显，而从功率谱方面来看，其在频率低频区变化不明显，在频率高频区变化稍有区别。故需要对轨枕振动加速度进行特征提取，且要求特征提取方法既可以反映轨枕振动加速度在时域上的变化，又可以体现轨枕振动加速度在频域高频和低频区域的特征。312023 年图 2列车速度为 200 km/h 时轨枕在不同工况下的振动加速度时域谱和功率谱仿真结果Fig2Time-domain spectrum and power spectrum simulation results of sleeper vibration acceleration under different working condi-tions wit
14、h train speed of 200 km/h2基于 SVM 的病害特征识别21基于粒子群算法的 SVM 参数优化SVM 算法是一种用于解决凸二次优化问题的机器学习算法，其核心内容是找到一个分类超平面并将其作为决策曲面，进而最大化正反例之间的隔离边缘。相较于其他人工智能算法，SVM 算法在解决高维度、小样本，以及非线性模式识别方面有很大的优势。PSO(粒子群优化)算法是一种根据鸟类捕食行为所提出的群体智能算法，与 GA 算法相比，PSO 的SVM 参数寻优方法不需要进行选择、交叉、变异等复杂操作，具有收敛速度快、寻优精度高等特点。因此本文利用 PSO 算法对 SVM 进行参数寻优。PSO
15、算法的基本原理为:在 n 维空间中随机地产生一些粒子，每个粒子代表了所求优化问题的一个潜在最优解，每个粒子的特征信息用位置 x、速度v 及适应度三项指标描述，其中适应度指标由目标函数确定，用于反映某个粒子与其他粒子之间的优劣程度;每个粒子按照特定的方程以不同的速度和位置进行移动，在移动过程中每个粒子都会计算该位置的适应度值，从而得到该粒子的局部最佳位置;通过粒子之间的交互协作和信息共享，可以获得整个粒子群体的最优适应度值和最佳位置，每个粒子在移动过程中也会根据个体和整个群体的最佳位置及适应度，动态地调整、更新位置和速度，通过逐步迭代最终实现最优解的寻找。设xJ=xJ1xJ2xJm为粒子J当前的
16、位置信息(m 为粒子的维度)，vJ=vJ1vJ2vJm为粒子 J 当前的飞行速度;pJ=pJ1pJ2pJm为粒子 J 所经历的最好位置信息，又被称为个体极值。在每一次迭代更新中，粒子的速度、位置会根据个体极值 pJ和全局极值 pg(g 为种群中的粒子个数)而改变，可以表示为:vJm+1()=vJm()+c1r1pJm()xJm()+c2r2pgm()xJm()xJm+1()=xJm()+vJm+1()(2)式中:41第 1 期学术专论pgm m 维下的种群全局极值;种群进化代数;惯性因子，通常取为 08;c1、c2 加速因子，取值范围为 0，2;r1、r2 分别为两个相互独立的随机数，取值范围为 0，1。基于 PSO 算法对 SVM 进行参数寻优的算法流程如图 3 所示。图 3基于 PSO 算法优化 SVM 参数的算法流程图Fig3Algorithm flow chart of optimizing SVM parametersbased on PSO algorithm22自适应粒子群算法参数优化为了进一步加快 PSO 算法的收敛速度，采用一种自适应变化参数为 c1、c2、的 PSO
