Page 103 - 《振动工程学报》2025年第8期

第 8 期 周梁琪， 等：高速铁路扣件状态不良动态响应诊断方法 1743

训练通过机器学习的方法实现，故引入 SSA‑SVM 与核函数参数 σ 选取的主观性，降低计算陷入局部
模型进行模型试验并对结果进行评价。 最优的几率。因此，本文使用 SSA‑SVM 模型训练
扣件正常与失效区段数据建立的模型，以实现高速
2 基于 SSA⁃SVM 的扣件状态诊断 铁路扣件的状态分类诊断。

扣件状态诊断模型的设计基于 Python 语言开 3 试验结果分析
发，并使用到 Tensorflow 和 Sklearn 等工具库。
支持向量机在机械故障诊断中得到了广泛的应 3. 1 模型对比试验
用。该方法在处理非线性、小样本和高维模式识别
根据前文内容，选用有效值、能量贡献率和波长
等类型的问题时具有良好的性能 ［18‑19］ 。在使用支持
三个指标作为故障诊断模型的特征参数。共选取
向量机时，惩罚因子 C 和核函数参数 σ 的选取是故
240 组特征数据作为模型的训练集输入，其中包括
障诊断精度最重要的影响因素 ［20‑21］ 。但现有的支持
120 组失效区段数据和 120 组正常区段数据；测试集
向量机参数优化方法普遍存在着寻优速度慢、调整
数 据 每 种 另 外 选 取 40 组 ，共 80 组 数 据 进 行 模 型
参数过多、易陷入局部最优等问题，致使其故障识别
测试。
精度不高。
为了体现 SSA‑SVM 模型的优越性，采用对比
本文采用一种麻雀搜索算法优化支持向量机的
试验的方法，将传统 SVM 模型、PSO‑SVM 模型与
分类模型，用于对扣件故障诊断。麻雀搜索算法是
SSA‑SVM 模型的试验结果进行比较，各类模型最
参考麻雀觅食行为的一种新型群体智能优化算法，
优的分类结果如表 4 所示。
相较其他优化算法有寻优与收敛的速度快、算法的
鲁棒性强、可高精度全局搜索等优势。该算法通过 表 4 模型对比试验结果
模拟麻雀觅食过程获得最优参数 C 和 σ，将迭代训 Tab. 4 Results of model comparison experiments
练得到的最佳参数进行保存 X（bestC，bestσ），并将 序号 模型名称 分类准确率/% 模型训练时间/s
该参数组输入到 SVM 模型中进行样本分类训练和 1 SVM 91.25 13.75
测试 ［22］ 。图 8 为 SSA‑SVM 模型流程图。 2 PSO‑SVM 95.00 33.85
3 SSA‑SVM 97.50 17.64

根据表 4 中结果可以得出，SSA‑SVM 模型相较
于传统 SVM 模型和 PSO‑SVM 模型的分类准确率
更高且耗时较少，整体优势明显。将扣件状态诊断
辨识结果绘制成散点图，如图 9 所示。

图 9 SSA‑SVM 辨识结果散点图
Fig. 9 Scatter diagram of SSA‑SVM identification results

图 8 SSA‑SVM 模型流程图 3. 2 模型性能评价
Fig. 8 Flowchart of SSA‑SVM model
为了更进一步评价 SSA‑SVM 模型对故障诊断
SSA‑SVM 模型的优势是：一方面增加样本的 的效果，考虑到本文是针对扣件正常与失效两种状
均匀性及多样性；另一方面避免 SVM 中惩罚因子 C 态的判断，为典型二分类问题，故采用常规的机器学