Page 104 - 《振动工程学报》2025年第8期

1744 振 动 工 程 学 报 第 38 卷

习模型评价方法，引入混淆矩阵的方式如表 5 所示。 3. 2. 2 精确率、召回率和 F1 分值评价指标
三者均为分类器评价的常用指标，其中精确率
表 5 混淆矩阵 是指正确分类的正例个数占分类为正例的实例个数
Tab. 5 Confusion matrix
的比例，其计算公式为：
预测样本 实际正样本 实际负样本 TP
正确预测样本 TP FP Precisoin = TP + FP （8）
错误预测样本 FN TN
召回率是指正确分类的正例个数占全部实际正
例个数的比例，其计算公式为：
利用混淆矩阵的 TP、FP、FN、TN 四个参数，绘
TP
制 成 操 作 特 征 曲 线（receiver operating characteristic Recall = TP + FN （9）
curve，ROC），计算操作特征曲线的 KS 值和 AUC 值 F1 分值是将召回率和精确率取调和平均，对两

并进行评价；另外，本文还通过计算分类器结果的精 个指标进行综合性评价，其计算公式为：
确率、召回率和 F1 分值三个评价指标，来更全面地 2 × Precision × Recall
F1 = （10）
展示分类器的效果。 Precision + Recall
3. 2. 1 ROC 曲线、KS 值和 AUC 值 计算得到的精确率、召回率和 F1 分值结果如
ROC 曲线是以 FPR 为横坐标轴、TPR 为纵坐 表 6 所示。
标轴，从 0 到 1 调整阈值后构成数对（FPR，TPR）组 表 6 模型评价指标计算结果
合 形 成 的 曲 线 。 TPR 指 分 类 正 确 的 正 样 本 占 比 ， Tab. 6 Calculation results of model evaluation indicators
FPR 指 分 类 错 误 的 负 样 本 占 比 ，二 者 计 算 公 式 精确率 召回率 F1 分值
如下： 0.9723 0.9356 0.9547
TP
TPR = （6）
TP + FN 从表 6 中可以看出，精确率、召回率和 F1 分值
FP 三个评价指标的计算结果数值均在 0.9 以上，对模
FPR = （7）
FP + TN 型的分类效果有很高的评价。
KS 值指 TPR 和 FPR 的误差绝对值的最大值， 综上所述，通过绘制 ROC 曲线，并计算其 KS 值

用以体现分类的区分度；AUC 值是 ROC 曲线与横 和 AUC 值，以及通过计算精确率、召回率与 F1 分值
坐标 FPR 之间组成的面积大小，用以体现分类的质 等模型评价指标的结果来看，本文构建的扣件状态
量好坏。KS 值与 AUC 值越接近 1，表明该分类器 诊断模型均取得了极佳效果，表明将本文设计并选
的效果越好。本文绘制的 ROC 曲线以及 KS 值和 取的有效值、能量贡献率和波长三个特征参数输入
AUC 值结果如图 10 所示。 SSA‑SVM 模型中训练，能够有效且高精度地对高
速铁路扣件状态进行诊断。

4 结 论

为克服人工巡检的效率极低、人力成本高，以及
机器视觉在扣件失效检测方面存在推广性、适应性
较差等问题。本文提出了一种广义解调时频分析联
合 SSA‑SVM 模型的高速铁路扣件状态诊断方法。
取得的成果具体如下：
（1） 为 实 现 对 信 号 中 所 蕴 含 的 有 效 信 息 的 提
图 10 ROC 曲线以及 KS 值和 AUC 值
取，首先，采用最大重叠离散小波包变换，过滤掉噪
Fig. 10 ROC curve， KS value and AUC value
声与故障信号中无关的频率分量，并结合信号自身
由图 10 可以看出，模型对扣件故障的分类结果 特性，对其进行相位函数的拟合；其次，通过广义解
的 ROC 曲线上升较快且距离参考线较远，计算得到 调时频分析方法分解信号；最后，根据能量占比提取
的 KS 值 和 AUC 值 均 在 0.9 以 上 ，这 一 结 果 表 明 其中的有效信息。
SSA‑SVM 模 型 对 扣 件 状 态 分 类 有 极 佳 的 分 类 （2） 将提取到的包含扣件状态信息的分量信号
效果。 进行计算处理，制定有效值、能量贡献率和波长三类