基于SaCe-ELM的地鐵牽引控制系統(tǒng)故障診斷：模型構(gòu)建與效能優(yōu)化一、引言1.1研究背景與意義在城市化進(jìn)程不斷加速的當(dāng)下，城市人口數(shù)量急劇增長，交通擁堵問題日益嚴(yán)重。地鐵作為一種大運(yùn)量、高效率、低污染的城市軌道交通方式，已然成為解決城市交通擁堵問題的關(guān)鍵手段。地鐵具有快速、準(zhǔn)時(shí)、舒適等諸多優(yōu)點(diǎn)，能夠極大地提高城市居民的出行效率，優(yōu)化城市的交通結(jié)構(gòu)，減少私人汽車的使用，從而降低交通擁堵和環(huán)境污染。地鐵牽引控制系統(tǒng)作為地鐵運(yùn)行的核心部分，承擔(dān)著控制列車牽引、制動等關(guān)鍵功能，其運(yùn)行的可靠性和穩(wěn)定性直接關(guān)乎地鐵的安全運(yùn)營。一旦牽引控制系統(tǒng)出現(xiàn)故障，極有可能導(dǎo)致列車運(yùn)行中斷、延誤，甚至引發(fā)安全事故，嚴(yán)重影響城市的正常運(yùn)轉(zhuǎn)和居民的生活秩序。例如，若牽引控制系統(tǒng)的逆變器發(fā)生故障，會致使列車失去動力，無法正常行駛，進(jìn)而造成線路擁堵，給其他列車的運(yùn)行帶來干擾。又或者，當(dāng)牽引電機(jī)出現(xiàn)故障時(shí)，可能引發(fā)列車制動失靈，危及乘客的生命安全。因此，實(shí)現(xiàn)對地鐵牽引控制系統(tǒng)的故障診斷顯得尤為重要，它能夠及時(shí)發(fā)現(xiàn)潛在故障，采取有效的維修措施，從而保障地鐵的安全、穩(wěn)定運(yùn)行。傳統(tǒng)的故障診斷方法在面對地鐵牽引控制系統(tǒng)這種復(fù)雜系統(tǒng)時(shí)，往往存在諸多局限性。例如，基于規(guī)則的診斷方法需要事先制定大量的規(guī)則，難以應(yīng)對復(fù)雜多變的故障情況；基于模型的診斷方法對模型的準(zhǔn)確性要求較高，而實(shí)際系統(tǒng)中存在著諸多不確定性因素，使得模型的建立和維護(hù)難度較大。這些傳統(tǒng)方法不僅診斷效率較低，而且準(zhǔn)確性也難以得到有效保障。隨著人工智能技術(shù)的飛速發(fā)展，智能故障診斷方法逐漸成為研究的熱點(diǎn)。極限學(xué)習(xí)機(jī)（ELM）作為一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)，具有學(xué)習(xí)速度快、泛化能力強(qiáng)等顯著優(yōu)點(diǎn)，在故障診斷領(lǐng)域得到了廣泛的應(yīng)用。然而，ELM在處理高維數(shù)據(jù)和復(fù)雜故障模式時(shí)，也存在一些不足之處，如對噪聲數(shù)據(jù)較為敏感、特征提取能力有限等。為了克服這些缺點(diǎn)，本文提出了基于顯著性和級聯(lián)增強(qiáng)極限學(xué)習(xí)機(jī)（SaCe-ELM）的地鐵牽引控制系統(tǒng)故障診斷方法。SaCe-ELM模型通過引入顯著性分析和級聯(lián)結(jié)構(gòu)，能夠更有效地提取故障特征，提高故障診斷的準(zhǔn)確性和效率。顯著性分析可以幫助模型聚焦于數(shù)據(jù)中的關(guān)鍵信息，減少噪聲的干擾；級聯(lián)結(jié)構(gòu)則能夠逐步增強(qiáng)模型的學(xué)習(xí)能力，更好地處理復(fù)雜的故障模式。通過將SaCe-ELM模型應(yīng)用于地鐵牽引控制系統(tǒng)故障診斷，有望解決傳統(tǒng)故障診斷方法的局限性，為地鐵的安全運(yùn)營提供更加可靠的技術(shù)支持。本研究的意義主要體現(xiàn)在以下幾個(gè)方面：在理論層面，深入研究基于SaCe-ELM的地鐵牽引控制系統(tǒng)故障診斷方法，有助于豐富和拓展智能故障診斷領(lǐng)域的理論體系，為其他復(fù)雜系統(tǒng)的故障診斷提供新的思路和方法。通過對SaCe-ELM模型的改進(jìn)和優(yōu)化，能夠進(jìn)一步提高其在高維數(shù)據(jù)和復(fù)雜故障模式下的性能，推動人工智能技術(shù)在故障診斷領(lǐng)域的應(yīng)用和發(fā)展。在實(shí)際應(yīng)用方面，該研究成果能夠?yàn)榈罔F運(yùn)營部門提供更加準(zhǔn)確、高效的故障診斷工具，幫助他們及時(shí)發(fā)現(xiàn)和解決牽引控制系統(tǒng)的故障，降低故障帶來的損失，提高地鐵的運(yùn)營效率和安全性。這不僅有助于保障乘客的生命財(cái)產(chǎn)安全，還能提升城市交通系統(tǒng)的整體運(yùn)行效率，促進(jìn)城市的可持續(xù)發(fā)展。1.2國內(nèi)外研究現(xiàn)狀在地鐵牽引系統(tǒng)故障診斷領(lǐng)域，國內(nèi)外學(xué)者開展了大量研究。國外方面，早在20世紀(jì)80年代，GM公司就開發(fā)了電傳動內(nèi)燃機(jī)車故障檢測系統(tǒng)，之后又推出基于商業(yè)無線通訊網(wǎng)絡(luò)的機(jī)車遠(yuǎn)程監(jiān)測診斷系統(tǒng)，該系統(tǒng)利用車載監(jiān)測裝置記錄機(jī)車狀態(tài)信息，通過無線網(wǎng)絡(luò)將數(shù)據(jù)傳輸至管理中心，由專家分析判斷，極大地提高了運(yùn)輸安全性和故障排查效率。近年來，隨著人工智能技術(shù)的飛速發(fā)展，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方法被廣泛應(yīng)用于地鐵牽引系統(tǒng)故障診斷。如一些研究利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射能力，對牽引系統(tǒng)的故障數(shù)據(jù)進(jìn)行學(xué)習(xí)和分類，取得了較好的診斷效果。還有學(xué)者運(yùn)用支持向量機(jī)算法，通過尋找最優(yōu)分類超平面，實(shí)現(xiàn)對故障模式的準(zhǔn)確識別。國內(nèi)對軌道交通故障診斷技術(shù)的研究起步于20世紀(jì)80年代，在鐵道部的推動下，聯(lián)合高校、科研所等展開研究，并取得了一定成果。目前，國內(nèi)在地鐵牽引系統(tǒng)故障診斷方面，除了傳統(tǒng)的基于數(shù)學(xué)模型和信號處理的診斷方法外，智能診斷方法也成為研究熱點(diǎn)。有研究基于故障樹分析方法，建立故障樹模型，通過對故障樹的定性和定量分析，找出故障的潛在原因和傳播路徑；還有研究將模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用模糊邏輯處理不確定性信息的能力和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，提高故障診斷的準(zhǔn)確性。在極限學(xué)習(xí)機(jī)（ELM）的應(yīng)用研究中，其在故障診斷、模式識別、回歸分析等眾多領(lǐng)域展現(xiàn)出良好性能。在故障診斷領(lǐng)域，ELM被用于電機(jī)故障診斷、變壓器故障診斷等。如在電機(jī)故障診斷中，通過提取電機(jī)運(yùn)行時(shí)的振動、電流等特征信號，輸入ELM模型進(jìn)行訓(xùn)練和分類，能夠快速準(zhǔn)確地識別出電機(jī)的故障類型。然而，ELM在處理高維數(shù)據(jù)和復(fù)雜故障模式時(shí)，仍存在一些不足。由于ELM隨機(jī)生成輸入層與隱含層之間的連接權(quán)值和隱含層神經(jīng)元的閾值，這使得它對噪聲數(shù)據(jù)較為敏感，在高維數(shù)據(jù)中，噪聲的干擾可能會嚴(yán)重影響模型的性能。此外，ELM的特征提取能力有限，對于復(fù)雜故障模式下的特征挖掘不夠深入，難以充分提取數(shù)據(jù)中的關(guān)鍵信息，從而影響故障診斷的準(zhǔn)確性。針對ELM的不足，一些改進(jìn)方法被提出。如基于粒子群優(yōu)化（PSO）的ELM，利用PSO算法對ELM的參數(shù)進(jìn)行優(yōu)化，以提高模型的性能；還有基于深度學(xué)習(xí)的ELM，通過結(jié)合深度學(xué)習(xí)的特征提取能力和ELM的快速學(xué)習(xí)特性，提升對復(fù)雜數(shù)據(jù)的處理能力。而本文所研究的顯著性和級聯(lián)增強(qiáng)極限學(xué)習(xí)機(jī)（SaCe-ELM），通過引入顯著性分析和級聯(lián)結(jié)構(gòu)，旨在進(jìn)一步克服ELM的局限性。目前，將SaCe-ELM應(yīng)用于地鐵牽引控制系統(tǒng)故障診斷的研究還相對較少，這為本文的研究提供了方向和空間，有望為地鐵牽引控制系統(tǒng)故障診斷帶來新的思路和方法，提高故障診斷的準(zhǔn)確性和效率。1.3研究目標(biāo)與內(nèi)容1.3.1研究目標(biāo)本研究旨在通過對地鐵牽引控制系統(tǒng)故障數(shù)據(jù)的深入分析，利用顯著性和級聯(lián)增強(qiáng)極限學(xué)習(xí)機(jī)（SaCe-ELM）構(gòu)建高效準(zhǔn)確的故障診斷模型，實(shí)現(xiàn)對地鐵牽引控制系統(tǒng)故障的快速、精準(zhǔn)診斷。具體目標(biāo)如下：建立基于SaCe-ELM的故障診斷模型：深入研究SaCe-ELM的原理和算法，針對地鐵牽引控制系統(tǒng)故障數(shù)據(jù)的特點(diǎn)，對模型進(jìn)行優(yōu)化和改進(jìn)，建立適用于地鐵牽引控制系統(tǒng)故障診斷的SaCe-ELM模型。通過合理設(shè)置模型參數(shù)，調(diào)整顯著性分析和級聯(lián)結(jié)構(gòu)，使模型能夠有效地提取故障特征，提高診斷的準(zhǔn)確性和效率。分析模型性能并驗(yàn)證有效性：運(yùn)用大量的地鐵牽引控制系統(tǒng)故障數(shù)據(jù)對建立的SaCe-ELM模型進(jìn)行訓(xùn)練和測試，全面分析模型的性能指標(biāo)，如準(zhǔn)確率、召回率、F1值等。通過與其他傳統(tǒng)故障診斷方法以及未改進(jìn)的ELM模型進(jìn)行對比，驗(yàn)證SaCe-ELM模型在地鐵牽引控制系統(tǒng)故障診斷中的優(yōu)勢和有效性，為實(shí)際應(yīng)用提供有力的支持。對比不同模型優(yōu)勢：將SaCe-ELM模型與現(xiàn)有的其他故障診斷模型，如基于神經(jīng)網(wǎng)絡(luò)的模型、支持向量機(jī)模型等進(jìn)行詳細(xì)對比。從模型的訓(xùn)練時(shí)間、診斷準(zhǔn)確率、泛化能力等多個(gè)方面進(jìn)行評估，明確SaCe-ELM模型在處理地鐵牽引控制系統(tǒng)故障診斷問題時(shí)的獨(dú)特優(yōu)勢，為地鐵運(yùn)營部門選擇合適的故障診斷方法提供參考依據(jù)。1.3.2研究內(nèi)容為實(shí)現(xiàn)上述研究目標(biāo)，本研究將開展以下幾個(gè)方面的工作：地鐵牽引控制系統(tǒng)故障數(shù)據(jù)處理：收集地鐵牽引控制系統(tǒng)在不同運(yùn)行狀態(tài)下的故障數(shù)據(jù)，包括正常運(yùn)行數(shù)據(jù)和各種故障類型的數(shù)據(jù)。這些數(shù)據(jù)可來源于地鐵運(yùn)營公司的實(shí)際監(jiān)測數(shù)據(jù)、實(shí)驗(yàn)室模擬數(shù)據(jù)等。對采集到的數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、去噪、歸一化等操作，以提高數(shù)據(jù)的質(zhì)量和可用性。運(yùn)用特征提取和選擇方法，從原始數(shù)據(jù)中提取能夠有效表征故障特征的參數(shù)，降低數(shù)據(jù)維度，減少計(jì)算量，為后續(xù)的模型訓(xùn)練提供高質(zhì)量的數(shù)據(jù)。基于SaCe-ELM的故障診斷模型建立：深入研究SaCe-ELM的理論基礎(chǔ)，包括顯著性分析和級聯(lián)結(jié)構(gòu)的原理和實(shí)現(xiàn)方法。根據(jù)地鐵牽引控制系統(tǒng)故障數(shù)據(jù)的特點(diǎn)，對SaCe-ELM模型的參數(shù)進(jìn)行優(yōu)化選擇，如隱含層神經(jīng)元數(shù)量、學(xué)習(xí)率等。通過實(shí)驗(yàn)對比不同參數(shù)設(shè)置下模型的性能，確定最優(yōu)參數(shù)組合。利用優(yōu)化后的SaCe-ELM模型對預(yù)處理后的故障數(shù)據(jù)進(jìn)行訓(xùn)練，建立故障診斷模型，并對模型的訓(xùn)練過程進(jìn)行監(jiān)控和分析，確保模型的收斂性和穩(wěn)定性。模型性能評估與驗(yàn)證：運(yùn)用訓(xùn)練好的SaCe-ELM模型對測試數(shù)據(jù)進(jìn)行故障診斷，計(jì)算模型的性能指標(biāo)，如準(zhǔn)確率、召回率、F1值等，評估模型的診斷效果。通過交叉驗(yàn)證等方法，進(jìn)一步驗(yàn)證模型的泛化能力和穩(wěn)定性。將SaCe-ELM模型與其他傳統(tǒng)故障診斷方法以及未改進(jìn)的ELM模型進(jìn)行對比實(shí)驗(yàn)，從診斷準(zhǔn)確率、訓(xùn)練時(shí)間、泛化能力等方面進(jìn)行全面比較，分析不同模型的優(yōu)缺點(diǎn)，驗(yàn)證SaCe-ELM模型的優(yōu)勢和有效性。根據(jù)模型性能評估結(jié)果，對模型進(jìn)行進(jìn)一步的優(yōu)化和改進(jìn)，提高模型的診斷性能。1.4研究方法與技術(shù)路線1.4.1研究方法文獻(xiàn)研究法：全面搜集和深入研讀國內(nèi)外關(guān)于地鐵牽引控制系統(tǒng)故障診斷、極限學(xué)習(xí)機(jī)及其改進(jìn)算法等方面的文獻(xiàn)資料。通過對這些文獻(xiàn)的梳理和分析，了解該領(lǐng)域的研究現(xiàn)狀、發(fā)展趨勢以及存在的問題，為本文的研究提供堅(jiān)實(shí)的理論基礎(chǔ)和豐富的研究思路。例如，在研究ELM的應(yīng)用時(shí)，參考了大量關(guān)于其在電機(jī)故障診斷、變壓器故障診斷等領(lǐng)域的文獻(xiàn)，了解其在不同場景下的性能表現(xiàn)和應(yīng)用效果。數(shù)據(jù)采集與分析法：與地鐵運(yùn)營公司合作，采集地鐵牽引控制系統(tǒng)在實(shí)際運(yùn)行過程中的大量數(shù)據(jù)，包括正常運(yùn)行數(shù)據(jù)和各種故障數(shù)據(jù)。運(yùn)用統(tǒng)計(jì)學(xué)方法和數(shù)據(jù)挖掘技術(shù)，對采集到的數(shù)據(jù)進(jìn)行分析，深入了解數(shù)據(jù)的特征和規(guī)律，為后續(xù)的模型訓(xùn)練和故障診斷提供有力支持。在數(shù)據(jù)預(yù)處理階段，通過數(shù)據(jù)清洗去除噪聲數(shù)據(jù)和異常值，利用歸一化方法將數(shù)據(jù)統(tǒng)一到特定的區(qū)間，提高數(shù)據(jù)的可用性。模型構(gòu)建法：依據(jù)地鐵牽引控制系統(tǒng)故障數(shù)據(jù)的特點(diǎn)和研究目標(biāo)，構(gòu)建基于顯著性和級聯(lián)增強(qiáng)極限學(xué)習(xí)機(jī)（SaCe-ELM）的故障診斷模型。在構(gòu)建過程中，充分考慮模型的結(jié)構(gòu)、參數(shù)設(shè)置以及顯著性分析和級聯(lián)結(jié)構(gòu)的實(shí)現(xiàn)方式，確保模型能夠準(zhǔn)確地提取故障特征，實(shí)現(xiàn)高效的故障診斷。對比實(shí)驗(yàn)法：將建立的SaCe-ELM模型與其他傳統(tǒng)故障診斷方法，如基于神經(jīng)網(wǎng)絡(luò)的方法、支持向量機(jī)方法，以及未改進(jìn)的ELM模型進(jìn)行對比實(shí)驗(yàn)。通過對比不同模型在診斷準(zhǔn)確率、訓(xùn)練時(shí)間、泛化能力等方面的性能指標(biāo)，客觀地評估SaCe-ELM模型的優(yōu)勢和有效性，為模型的應(yīng)用提供科學(xué)依據(jù)。1.4.2技術(shù)路線第一階段：數(shù)據(jù)收集與預(yù)處理：與地鐵運(yùn)營部門緊密合作，收集地鐵牽引控制系統(tǒng)的運(yùn)行數(shù)據(jù)，涵蓋不同線路、不同車型以及各種工況下的數(shù)據(jù)。對收集到的數(shù)據(jù)進(jìn)行全面清洗，去除重復(fù)、錯(cuò)誤和不完整的數(shù)據(jù)，同時(shí)采用濾波等方法去除噪聲干擾。接著，運(yùn)用歸一化等技術(shù)對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將數(shù)據(jù)映射到特定的區(qū)間，以便于后續(xù)的分析和處理。在此基礎(chǔ)上，采用主成分分析（PCA）、相關(guān)性分析等方法進(jìn)行特征提取和選擇，從原始數(shù)據(jù)中提取出最能表征故障特征的關(guān)鍵參數(shù)，降低數(shù)據(jù)維度，減少計(jì)算量。第二階段：模型構(gòu)建與訓(xùn)練：深入研究SaCe-ELM的原理和算法，根據(jù)地鐵牽引控制系統(tǒng)故障數(shù)據(jù)的特點(diǎn)，對模型的參數(shù)進(jìn)行優(yōu)化選擇。通過多次實(shí)驗(yàn)，確定隱含層神經(jīng)元數(shù)量、學(xué)習(xí)率等關(guān)鍵參數(shù)的最優(yōu)值。利用優(yōu)化后的SaCe-ELM模型對預(yù)處理后的故障數(shù)據(jù)進(jìn)行訓(xùn)練，在訓(xùn)練過程中，實(shí)時(shí)監(jiān)控模型的性能指標(biāo)，如損失函數(shù)值、準(zhǔn)確率等，確保模型的收斂性和穩(wěn)定性。同時(shí)，采用交叉驗(yàn)證等方法，提高模型的泛化能力。第三階段：模型評估與對比：運(yùn)用訓(xùn)練好的SaCe-ELM模型對測試數(shù)據(jù)進(jìn)行故障診斷，計(jì)算模型的性能指標(biāo)，如準(zhǔn)確率、召回率、F1值等，全面評估模型的診斷效果。將SaCe-ELM模型與其他傳統(tǒng)故障診斷方法以及未改進(jìn)的ELM模型進(jìn)行對比實(shí)驗(yàn)，從診斷準(zhǔn)確率、訓(xùn)練時(shí)間、泛化能力等多個(gè)角度進(jìn)行詳細(xì)比較。分析不同模型的優(yōu)缺點(diǎn)，驗(yàn)證SaCe-ELM模型在地鐵牽引控制系統(tǒng)故障診斷中的優(yōu)勢和有效性。第四階段：結(jié)果分析與應(yīng)用：對模型評估和對比實(shí)驗(yàn)的結(jié)果進(jìn)行深入分析，總結(jié)SaCe-ELM模型的性能特點(diǎn)和適用場景。根據(jù)分析結(jié)果，對模型進(jìn)行進(jìn)一步的優(yōu)化和改進(jìn)，提高模型的診斷性能。將優(yōu)化后的模型應(yīng)用于地鐵牽引控制系統(tǒng)的實(shí)際故障診斷中，為地鐵運(yùn)營部門提供準(zhǔn)確、及時(shí)的故障診斷服務(wù)，保障地鐵的安全、穩(wěn)定運(yùn)行。二、相關(guān)理論基礎(chǔ)2.1地鐵牽引控制系統(tǒng)概述地鐵牽引控制系統(tǒng)作為地鐵列車運(yùn)行的核心關(guān)鍵部分，承擔(dān)著將電能高效轉(zhuǎn)換為機(jī)械能，驅(qū)動列車實(shí)現(xiàn)平穩(wěn)啟動、加速、勻速行駛以及精準(zhǔn)制動等一系列重要運(yùn)行狀態(tài)的關(guān)鍵任務(wù)，其性能的優(yōu)劣直接緊密關(guān)聯(lián)到地鐵運(yùn)行的安全性、可靠性以及高效性。地鐵牽引控制系統(tǒng)主要由以下多個(gè)關(guān)鍵部分構(gòu)成：受流裝置：常見的受流裝置有受電弓和第三軌受流器。受電弓通常應(yīng)用于電壓等級較高的地鐵線路，如DC1500V的線路。它通過與接觸網(wǎng)緊密接觸，從接觸網(wǎng)獲取高壓交流電。在運(yùn)行過程中，受電弓的滑板與接觸網(wǎng)導(dǎo)線滑動摩擦，為保證良好的受流效果，滑板需要具備良好的導(dǎo)電性和耐磨性。第三軌受流器則多用于電壓等級較低的地鐵線路，像DC750V的線路。它通過與敷設(shè)在軌道旁的第三軌接觸來獲取電能，第三軌通常由特殊的導(dǎo)電材料制成，安裝高度和位置都有嚴(yán)格的要求，以確保受流器能夠穩(wěn)定受流。牽引變壓器：牽引變壓器的關(guān)鍵作用是將從受流裝置獲取的高電壓交流電，根據(jù)牽引系統(tǒng)后續(xù)設(shè)備的需求，精準(zhǔn)地變換為合適的低電壓交流電。例如，將1500V或750V的交流電降壓為適合牽引逆變器工作的電壓。其工作原理基于電磁感應(yīng)定律，通過不同匝數(shù)的繞組實(shí)現(xiàn)電壓的變換。在降壓過程中，變壓器需要具備較高的效率和穩(wěn)定性，以保證為后續(xù)設(shè)備提供穩(wěn)定的電源。牽引逆變器：牽引逆變器是牽引控制系統(tǒng)的核心部件之一，它能夠把來自牽引變壓器的直流電，按照列車運(yùn)行的實(shí)際需求，靈活地轉(zhuǎn)換為頻率和幅值均可精準(zhǔn)調(diào)節(jié)的三相交流電，從而為牽引電機(jī)提供適配的電源。在實(shí)際運(yùn)行中，逆變器通過控制內(nèi)部的功率開關(guān)器件，如絕緣柵雙極型晶體管（IGBT）的導(dǎo)通和關(guān)斷，實(shí)現(xiàn)直流電到交流電的轉(zhuǎn)換。通過調(diào)節(jié)IGBT的開關(guān)頻率和占空比，可以精確地控制輸出交流電的頻率和幅值，以滿足列車在不同運(yùn)行工況下對牽引電機(jī)轉(zhuǎn)速和轉(zhuǎn)矩的要求。牽引電機(jī)：牽引電機(jī)作為將電能轉(zhuǎn)換為機(jī)械能的關(guān)鍵執(zhí)行部件，是驅(qū)動列車運(yùn)行的直接動力源。當(dāng)前，地鐵中廣泛應(yīng)用的牽引電機(jī)主要有直流電機(jī)和交流異步電機(jī)。直流電機(jī)具有調(diào)速性能好、啟動轉(zhuǎn)矩大等優(yōu)點(diǎn)，但也存在結(jié)構(gòu)復(fù)雜、維護(hù)成本高的缺點(diǎn)。交流異步電機(jī)則具有結(jié)構(gòu)簡單、運(yùn)行可靠、維護(hù)方便等優(yōu)勢，隨著變頻調(diào)速技術(shù)的發(fā)展，其在地鐵牽引系統(tǒng)中的應(yīng)用越來越廣泛。牽引電機(jī)通過電磁相互作用，將電能轉(zhuǎn)化為機(jī)械能，帶動列車的車輪轉(zhuǎn)動，實(shí)現(xiàn)列車的運(yùn)行。控制系統(tǒng)：控制系統(tǒng)宛如牽引控制系統(tǒng)的“大腦”，承擔(dān)著對整個(gè)系統(tǒng)的全面監(jiān)測和精準(zhǔn)控制任務(wù)。它能夠?qū)崟r(shí)采集列車運(yùn)行過程中的各種關(guān)鍵信息，如速度、電流、電壓等，并依據(jù)預(yù)先設(shè)定的控制策略和算法，對牽引逆變器、牽引電機(jī)等設(shè)備發(fā)出精確的控制指令，以確保列車能夠按照預(yù)定的運(yùn)行模式安全、穩(wěn)定地運(yùn)行?？刂葡到y(tǒng)通常采用先進(jìn)的計(jì)算機(jī)技術(shù)和通信技術(shù)，實(shí)現(xiàn)對各個(gè)設(shè)備的集中控制和管理。通過實(shí)時(shí)監(jiān)測列車的運(yùn)行狀態(tài)，控制系統(tǒng)可以及時(shí)調(diào)整控制策略，以適應(yīng)不同的運(yùn)行工況和環(huán)境條件。各部分工作原理及功能具體如下：受流裝置從接觸網(wǎng)或第三軌獲取電能，為整個(gè)牽引控制系統(tǒng)提供能源輸入。牽引變壓器依據(jù)電磁感應(yīng)原理，將高電壓交流電降壓，為后續(xù)設(shè)備提供合適的工作電壓，保障設(shè)備的安全穩(wěn)定運(yùn)行。牽引逆變器利用電力電子技術(shù)，把直流電轉(zhuǎn)換為頻率和幅值可變的交流電，通過精確控制輸出電源的特性，滿足牽引電機(jī)在不同運(yùn)行狀態(tài)下的需求，實(shí)現(xiàn)對列車速度和轉(zhuǎn)矩的靈活控制。牽引電機(jī)在電能的驅(qū)動下，通過電磁感應(yīng)產(chǎn)生旋轉(zhuǎn)力矩，直接為列車提供動力，推動列車運(yùn)行?？刂葡到y(tǒng)則基于先進(jìn)的計(jì)算機(jī)技術(shù)和通信技術(shù)，實(shí)時(shí)采集和分析列車運(yùn)行數(shù)據(jù)，依據(jù)預(yù)設(shè)的控制策略，對各個(gè)設(shè)備進(jìn)行精確的協(xié)調(diào)控制，確保列車運(yùn)行的安全性、穩(wěn)定性和高效性。地鐵牽引控制系統(tǒng)常見的故障類型涵蓋多個(gè)方面，包括硬件故障、軟件故障和通信故障等。硬件故障方面，牽引電機(jī)可能出現(xiàn)繞組短路、斷路，軸承磨損等問題；牽引逆變器的功率模塊可能發(fā)生過流、過熱損壞；變壓器可能出現(xiàn)繞組絕緣老化、漏油等故障。軟件故障則表現(xiàn)為控制系統(tǒng)的程序錯(cuò)誤、參數(shù)設(shè)置不當(dāng)?shù)取Ｍㄐ殴收习ㄔO(shè)備之間的通信線路故障、通信協(xié)議不匹配等。這些故障一旦發(fā)生，將對地鐵運(yùn)行產(chǎn)生嚴(yán)重影響。如牽引電機(jī)故障可能導(dǎo)致列車失去動力，無法正常行駛；牽引逆變器故障會造成輸出電壓異常，影響列車的速度控制和穩(wěn)定性；控制系統(tǒng)故障可能引發(fā)列車的誤動作，危及行車安全。據(jù)相關(guān)統(tǒng)計(jì)，在地鐵運(yùn)營故障中，牽引控制系統(tǒng)故障約占總故障的30%-40%，嚴(yán)重影響了地鐵的正常運(yùn)營秩序和服務(wù)質(zhì)量。2.2SaCe-ELM模型原理2.2.1極限學(xué)習(xí)機(jī)（ELM）原理極限學(xué)習(xí)機(jī)（ELM）是一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)，由南洋理工大學(xué)的黃廣斌教授于2004年首次提出，旨在解決傳統(tǒng)反向傳播算法學(xué)習(xí)效率低、參數(shù)設(shè)定繁瑣的問題。其基本原理是通過隨機(jī)生成輸入層與隱含層之間的連接權(quán)值和隱含層神經(jīng)元的閾值，然后直接計(jì)算輸出層權(quán)值，從而大大提高了學(xué)習(xí)速度。對于一個(gè)具有N個(gè)樣本的單隱層前饋神經(jīng)網(wǎng)絡(luò)，假設(shè)輸入層有n個(gè)神經(jīng)元，隱含層有L個(gè)神經(jīng)元，輸出層有m個(gè)神經(jīng)元。輸入樣本X_i=[x_{i1},x_{i2},\cdots,x_{in}]^T\inR^n，期望輸出為\hat{y}_i=[\hat{y}_{j1},\hat{y}_{j2},\cdots,\hat{y}_{jm}]^T\inR^m，網(wǎng)絡(luò)的實(shí)際輸出為y_i=[y_{j1},y_{j2},\cdots,y_{jm}]^T\inR^m。隱含層神經(jīng)元的輸出函數(shù)為G(\cdot)，輸入權(quán)重為W_i，偏置為b_k。則該神經(jīng)網(wǎng)絡(luò)的輸出可以表示為：y_j=\sum_{k=1}^{L}\beta_kG(W_k\cdotX_j+b_k)其中，\beta_k為輸出權(quán)重，W_k\cdotX_j表示W(wǎng)_k和X_j的內(nèi)積。在ELM中，輸入層與隱含層之間的連接權(quán)值W和隱含層神經(jīng)元的閾值b是隨機(jī)生成的，且在訓(xùn)練過程中不需要調(diào)整。訓(xùn)練的目標(biāo)是找到合適的輸出權(quán)重\beta，使得網(wǎng)絡(luò)的實(shí)際輸出y與期望輸出\hat{y}之間的誤差最小。通過最小化誤差函數(shù)：\min_{\beta}\|H\beta-T\|^2其中，H是隱含層的輸出矩陣，其元素h_{ij}=G(W_j\cdotX_i+b_j)，T是期望輸出矩陣。求解上述問題等價(jià)于求解一個(gè)線性方程組，可通過計(jì)算隱含層輸出矩陣H的Moore-Penrose廣義逆H^+來得到輸出權(quán)重\beta，即\beta=H^+T。ELM具有諸多優(yōu)點(diǎn)，首先是學(xué)習(xí)速度快，由于不需要像傳統(tǒng)神經(jīng)網(wǎng)絡(luò)那樣進(jìn)行復(fù)雜的迭代訓(xùn)練，大大縮短了訓(xùn)練時(shí)間。其次，它具有較強(qiáng)的泛化能力，能夠在不同的數(shù)據(jù)集上取得較好的分類和回歸效果。此外，ELM對訓(xùn)練數(shù)據(jù)的要求相對較低，不需要進(jìn)行復(fù)雜的數(shù)據(jù)預(yù)處理和特征工程。然而，ELM也存在一些局限性。例如，它對噪聲數(shù)據(jù)較為敏感，因?yàn)檩斎霗?quán)重和閾值是隨機(jī)生成的，噪聲可能會對模型的性能產(chǎn)生較大影響。在處理高維數(shù)據(jù)時(shí)，ELM的特征提取能力有限，難以充分挖掘數(shù)據(jù)中的關(guān)鍵信息，導(dǎo)致故障診斷的準(zhǔn)確性受到影響。2.2.2SaCe-ELM對ELM的改進(jìn)顯著性和級聯(lián)增強(qiáng)極限學(xué)習(xí)機(jī)（SaCe-ELM）是在ELM的基礎(chǔ)上進(jìn)行改進(jìn)的一種算法，主要通過引入顯著性分析和級聯(lián)結(jié)構(gòu)來克服ELM的不足。顯著性分析旨在找出數(shù)據(jù)中對模型決策具有重要影響的關(guān)鍵特征。在SaCe-ELM中，通過計(jì)算每個(gè)特征的顯著性指標(biāo)，來評估其對故障診斷的重要程度。常用的顯著性分析方法包括基于梯度的方法、基于信息增益的方法等。例如，基于梯度的方法通過計(jì)算模型輸出對每個(gè)特征的梯度，梯度越大表示該特征對模型輸出的影響越大，其顯著性越高。通過顯著性分析，可以篩選出對故障診斷最有價(jià)值的特征，減少噪聲特征的干擾，從而提高模型的性能。在處理地鐵牽引控制系統(tǒng)的故障數(shù)據(jù)時(shí)，可能存在一些與故障無關(guān)的傳感器數(shù)據(jù)，通過顯著性分析可以將這些數(shù)據(jù)排除，只保留與故障密切相關(guān)的特征，提高故障診斷的準(zhǔn)確性。級聯(lián)結(jié)構(gòu)是SaCe-ELM的另一個(gè)重要改進(jìn)。傳統(tǒng)的ELM是一個(gè)單層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而SaCe-ELM通過將多個(gè)ELM模型進(jìn)行級聯(lián)，形成一個(gè)更強(qiáng)大的模型。在級聯(lián)結(jié)構(gòu)中，前一個(gè)ELM模型的輸出作為下一個(gè)ELM模型的輸入，每個(gè)ELM模型在不同的特征空間中進(jìn)行學(xué)習(xí)，逐步增強(qiáng)模型對復(fù)雜故障模式的學(xué)習(xí)能力。第一個(gè)ELM模型可以學(xué)習(xí)數(shù)據(jù)的基本特征，第二個(gè)ELM模型基于第一個(gè)模型的輸出，進(jìn)一步學(xué)習(xí)更高級的特征，以此類推。通過這種方式，級聯(lián)結(jié)構(gòu)能夠更好地處理復(fù)雜的故障模式，提高故障診斷的精度。在地鐵牽引控制系統(tǒng)中，故障模式往往較為復(fù)雜，單一的ELM模型可能無法準(zhǔn)確識別所有的故障類型，而級聯(lián)結(jié)構(gòu)的SaCe-ELM模型可以通過多層學(xué)習(xí)，更全面地捕捉故障特征，提高診斷的準(zhǔn)確率。2.2.3SaCe-ELM的優(yōu)勢與傳統(tǒng)的ELM相比，SaCe-ELM具有以下顯著優(yōu)勢：更強(qiáng)的特征提取能力：通過顯著性分析，SaCe-ELM能夠聚焦于數(shù)據(jù)中的關(guān)鍵特征，有效去除噪聲干擾，提取更具代表性的故障特征。在處理高維數(shù)據(jù)時(shí)，能夠更好地挖掘數(shù)據(jù)中的潛在信息，為故障診斷提供更有力的支持。在地鐵牽引控制系統(tǒng)故障數(shù)據(jù)中，包含大量的傳感器數(shù)據(jù)，通過顯著性分析，SaCe-ELM可以篩選出對故障診斷最關(guān)鍵的特征，如牽引電機(jī)的電流、電壓、溫度等特征，而忽略那些對故障診斷影響較小的特征，提高了特征提取的效率和質(zhì)量。更好的處理復(fù)雜故障模式的能力：級聯(lián)結(jié)構(gòu)使得SaCe-ELM能夠逐步學(xué)習(xí)和理解復(fù)雜的故障模式。每個(gè)級聯(lián)的ELM模型都在不同的層次上對數(shù)據(jù)進(jìn)行處理，從基本特征到高級特征，不斷增強(qiáng)模型的學(xué)習(xí)能力。這種分層學(xué)習(xí)的方式使得SaCe-ELM能夠更準(zhǔn)確地識別各種復(fù)雜的故障類型，提高故障診斷的準(zhǔn)確率。對于地鐵牽引控制系統(tǒng)中一些復(fù)雜的故障，如多個(gè)部件同時(shí)出現(xiàn)故障的情況，SaCe-ELM的級聯(lián)結(jié)構(gòu)可以通過多層學(xué)習(xí)，更全面地分析故障特征，準(zhǔn)確判斷故障類型和位置。更高的魯棒性：由于減少了噪聲特征的影響，SaCe-ELM對噪聲數(shù)據(jù)具有更強(qiáng)的魯棒性。在實(shí)際的地鐵運(yùn)行環(huán)境中，數(shù)據(jù)可能會受到各種噪聲的干擾，如電磁干擾、傳感器誤差等。SaCe-ELM通過顯著性分析和級聯(lián)結(jié)構(gòu)，能夠有效地抵抗這些噪聲的影響，保證故障診斷的準(zhǔn)確性和穩(wěn)定性。即使在數(shù)據(jù)存在一定噪聲的情況下，SaCe-ELM仍然能夠準(zhǔn)確地識別故障，為地鐵的安全運(yùn)行提供可靠的保障。良好的泛化能力：SaCe-ELM在處理不同工況下的地鐵牽引控制系統(tǒng)故障數(shù)據(jù)時(shí)，具有更好的泛化能力。它能夠根據(jù)已有的訓(xùn)練數(shù)據(jù)，準(zhǔn)確地識別新的故障情況，適應(yīng)不同的運(yùn)行環(huán)境和故障模式。這使得SaCe-ELM在實(shí)際應(yīng)用中具有更高的可靠性和實(shí)用性，能夠?yàn)榈罔F運(yùn)營部門提供更全面的故障診斷服務(wù)。2.3故障診斷相關(guān)理論故障診斷是指通過對設(shè)備運(yùn)行狀態(tài)的監(jiān)測和分析，及時(shí)發(fā)現(xiàn)設(shè)備存在的故障隱患，并準(zhǔn)確判斷故障的類型、原因和位置，以便采取有效的措施進(jìn)行修復(fù)，保障設(shè)備的正常運(yùn)行。其基本流程主要包括以下幾個(gè)關(guān)鍵環(huán)節(jié)：數(shù)據(jù)采集：利用各種傳感器，如溫度傳感器、壓力傳感器、振動傳感器、電流傳感器等，實(shí)時(shí)采集設(shè)備在運(yùn)行過程中的各種狀態(tài)數(shù)據(jù)，包括溫度、壓力、振動、電流、電壓等。這些數(shù)據(jù)是故障診斷的基礎(chǔ)，其準(zhǔn)確性和完整性直接影響到后續(xù)的診斷結(jié)果。在地鐵牽引控制系統(tǒng)中，需要采集牽引電機(jī)的電流、電壓、溫度，逆變器的輸出電壓、電流，變壓器的油溫、繞組溫度等數(shù)據(jù)。數(shù)據(jù)預(yù)處理：對采集到的原始數(shù)據(jù)進(jìn)行清洗、去噪、歸一化等處理，以提高數(shù)據(jù)的質(zhì)量和可用性。清洗數(shù)據(jù)可以去除其中的錯(cuò)誤數(shù)據(jù)、重復(fù)數(shù)據(jù)和異常數(shù)據(jù)；去噪處理則可以減少噪聲對數(shù)據(jù)的干擾，提高數(shù)據(jù)的準(zhǔn)確性；歸一化處理能夠?qū)⒉煌秶臄?shù)據(jù)統(tǒng)一到特定的區(qū)間，便于后續(xù)的分析和處理。通過濾波算法去除電流數(shù)據(jù)中的高頻噪聲，利用歸一化公式將不同傳感器采集的數(shù)據(jù)統(tǒng)一到[0,1]區(qū)間。特征提取與選擇：從預(yù)處理后的數(shù)據(jù)中提取能夠有效表征設(shè)備運(yùn)行狀態(tài)的特征參數(shù)，如振動信號的峰值、均值、方差，電流信號的有效值、諧波含量等。同時(shí)，采用特征選擇方法，從眾多提取的特征中挑選出對故障診斷最有價(jià)值的特征，降低數(shù)據(jù)維度，減少計(jì)算量。主成分分析（PCA）可以將多個(gè)相關(guān)的特征變量轉(zhuǎn)換為少數(shù)幾個(gè)不相關(guān)的主成分，從而實(shí)現(xiàn)數(shù)據(jù)降維；相關(guān)性分析則可以找出與故障密切相關(guān)的特征，提高診斷的準(zhǔn)確性。故障診斷與決策：運(yùn)用各種故障診斷方法，如基于模型的方法、基于數(shù)據(jù)驅(qū)動的方法、基于知識的方法等，對提取的特征進(jìn)行分析和處理，判斷設(shè)備是否存在故障，并確定故障的類型、原因和位置。根據(jù)診斷結(jié)果，制定相應(yīng)的維修決策，如更換故障部件、調(diào)整設(shè)備參數(shù)、進(jìn)行維修保養(yǎng)等?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷方法可以通過訓(xùn)練模型，對設(shè)備的運(yùn)行狀態(tài)進(jìn)行分類和預(yù)測，判斷是否存在故障以及故障的類型；基于專家系統(tǒng)的故障診斷方法則可以利用專家的經(jīng)驗(yàn)和知識，對故障進(jìn)行推理和判斷，給出相應(yīng)的維修建議。常用的故障診斷方法主要包括以下幾類：基于模型的故障診斷方法：該方法通過建立設(shè)備的數(shù)學(xué)模型，將實(shí)際測量數(shù)據(jù)與模型的預(yù)測值進(jìn)行對比，根據(jù)兩者之間的差異來判斷設(shè)備是否存在故障。常見的基于模型的方法有狀態(tài)估計(jì)法、參數(shù)估計(jì)法、等價(jià)空間法等。在地鐵牽引控制系統(tǒng)中，可以建立牽引電機(jī)的數(shù)學(xué)模型，通過比較實(shí)際運(yùn)行時(shí)的電流、電壓等參數(shù)與模型預(yù)測值的差異，來診斷電機(jī)是否存在故障?；谀Ｐ偷姆椒ǖ膬?yōu)點(diǎn)是能夠深入分析故障的本質(zhì)原因，診斷結(jié)果具有較高的準(zhǔn)確性和可靠性。然而，其缺點(diǎn)也較為明顯，建立精確的數(shù)學(xué)模型往往需要對設(shè)備的工作原理和特性有深入的了解，且模型的建立過程較為復(fù)雜，計(jì)算量較大。此外，實(shí)際設(shè)備運(yùn)行過程中存在諸多不確定性因素，如噪聲干擾、參數(shù)變化等，這些因素可能導(dǎo)致模型與實(shí)際情況存在偏差，從而影響診斷的準(zhǔn)確性?；跀?shù)據(jù)驅(qū)動的故障診斷方法：隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動的故障診斷方法得到了廣泛應(yīng)用。該方法直接利用設(shè)備運(yùn)行過程中采集到的數(shù)據(jù)，通過數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法，建立故障診斷模型，實(shí)現(xiàn)對故障的診斷和預(yù)測。常見的基于數(shù)據(jù)驅(qū)動的方法有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹、聚類分析等。在地鐵牽引控制系統(tǒng)故障診斷中，可以利用神經(jīng)網(wǎng)絡(luò)對大量的故障數(shù)據(jù)進(jìn)行學(xué)習(xí)，建立故障診斷模型，從而實(shí)現(xiàn)對故障的快速準(zhǔn)確診斷?；跀?shù)據(jù)驅(qū)動的方法的優(yōu)勢在于不需要建立精確的數(shù)學(xué)模型，能夠自動從數(shù)據(jù)中學(xué)習(xí)故障模式和特征，適應(yīng)復(fù)雜多變的故障情況。而且，該方法具有較強(qiáng)的自適應(yīng)性和泛化能力，能夠處理高維、非線性的數(shù)據(jù)。然而，它也存在一些不足之處，例如對數(shù)據(jù)的質(zhì)量和數(shù)量要求較高，如果數(shù)據(jù)存在噪聲、缺失或不完整等問題，可能會影響模型的性能。此外，該方法的診斷結(jié)果解釋性較差，難以直觀地理解故障的原因和機(jī)理。基于知識的故障診斷方法：該方法主要利用專家的經(jīng)驗(yàn)知識、故障案例以及設(shè)備的運(yùn)行維護(hù)手冊等知識源，通過推理機(jī)制來判斷設(shè)備的故障。常見的基于知識的方法有專家系統(tǒng)、故障樹分析、模糊推理等。在地鐵牽引控制系統(tǒng)故障診斷中，可以建立專家系統(tǒng)，將專家對牽引控制系統(tǒng)故障的診斷經(jīng)驗(yàn)和知識以規(guī)則的形式存儲在知識庫中，當(dāng)系統(tǒng)出現(xiàn)故障時(shí)，通過推理機(jī)根據(jù)故障現(xiàn)象匹配知識庫中的規(guī)則，從而得出故障診斷結(jié)果?；谥R的方法的優(yōu)點(diǎn)是能夠充分利用專家的經(jīng)驗(yàn)和知識，診斷過程具有較強(qiáng)的邏輯性和可解釋性，對于一些已知故障模式的診斷效果較好。但是，該方法也存在一定的局限性，獲取和整理專家知識的過程較為困難，且知識的更新和維護(hù)成本較高。此外，對于一些新出現(xiàn)的故障模式，由于知識庫中缺乏相應(yīng)的知識，可能無法進(jìn)行準(zhǔn)確的診斷。智能算法在故障診斷中具有廣泛的應(yīng)用，主要體現(xiàn)在以下幾個(gè)方面：提高故障診斷的準(zhǔn)確性：智能算法能夠處理復(fù)雜的非線性關(guān)系，通過對大量故障數(shù)據(jù)的學(xué)習(xí)，能夠更準(zhǔn)確地識別故障模式和特征，從而提高故障診斷的準(zhǔn)確率。在處理地鐵牽引控制系統(tǒng)中復(fù)雜的故障時(shí)，神經(jīng)網(wǎng)絡(luò)可以通過多層神經(jīng)元的非線性變換，提取數(shù)據(jù)中的深層次特征，準(zhǔn)確判斷故障類型。增強(qiáng)故障診斷的實(shí)時(shí)性：智能算法通常具有較快的計(jì)算速度和學(xué)習(xí)能力，能夠?qū)崟r(shí)處理設(shè)備運(yùn)行過程中產(chǎn)生的大量數(shù)據(jù)，及時(shí)發(fā)現(xiàn)故障隱患，實(shí)現(xiàn)實(shí)時(shí)故障診斷。在地鐵運(yùn)行過程中，利用極限學(xué)習(xí)機(jī)（ELM）快速的學(xué)習(xí)速度，可以對實(shí)時(shí)采集的牽引控制系統(tǒng)數(shù)據(jù)進(jìn)行快速分析，及時(shí)診斷出故障。實(shí)現(xiàn)故障預(yù)測與預(yù)警：智能算法可以通過對設(shè)備歷史數(shù)據(jù)的分析，建立故障預(yù)測模型，預(yù)測設(shè)備未來可能出現(xiàn)的故障，提前發(fā)出預(yù)警信號，為設(shè)備的維護(hù)和管理提供決策支持。通過時(shí)間序列分析和機(jī)器學(xué)習(xí)算法，可以對地鐵牽引控制系統(tǒng)的關(guān)鍵部件進(jìn)行故障預(yù)測，提前安排維修計(jì)劃，避免故障的發(fā)生。適應(yīng)復(fù)雜多變的故障情況：在實(shí)際設(shè)備運(yùn)行中，故障情況往往復(fù)雜多變，智能算法的自適應(yīng)性和泛化能力使其能夠適應(yīng)不同的故障場景，有效地進(jìn)行故障診斷。在地鐵牽引控制系統(tǒng)中，不同線路、不同車型以及不同運(yùn)行環(huán)境下的故障模式可能存在差異，智能算法可以通過學(xué)習(xí)不同的故障數(shù)據(jù)，適應(yīng)這些復(fù)雜多變的故障情況。三、數(shù)據(jù)采集與預(yù)處理3.1數(shù)據(jù)采集為構(gòu)建準(zhǔn)確有效的地鐵牽引控制系統(tǒng)故障診斷模型，本研究通過多種渠道廣泛采集故障數(shù)據(jù)。與多家地鐵運(yùn)營公司建立合作關(guān)系，從其實(shí)際運(yùn)行的地鐵車輛中獲取數(shù)據(jù)。利用車載數(shù)據(jù)采集系統(tǒng)，實(shí)時(shí)監(jiān)測和記錄地鐵牽引控制系統(tǒng)在正常運(yùn)行及故障狀態(tài)下的各類參數(shù)。這些數(shù)據(jù)采集系統(tǒng)配備了高精度的傳感器，能夠準(zhǔn)確捕捉系統(tǒng)運(yùn)行的細(xì)微變化。還通過實(shí)驗(yàn)室模擬的方式，人為設(shè)置各種故障場景，對地鐵牽引控制系統(tǒng)進(jìn)行測試，獲取相應(yīng)的故障數(shù)據(jù)。在實(shí)驗(yàn)室環(huán)境中，可以精確控制故障的類型和程度，從而得到更具針對性的數(shù)據(jù)。采集的數(shù)據(jù)類型豐富多樣，涵蓋牽引電機(jī)的電流、電壓、溫度、轉(zhuǎn)速等參數(shù)，這些參數(shù)能夠直接反映牽引電機(jī)的運(yùn)行狀態(tài)。例如，電流的異常變化可能暗示著電機(jī)繞組存在短路或斷路故障；溫度的升高可能表示電機(jī)過熱，存在散熱問題或過載運(yùn)行。牽引逆變器的輸出電壓、電流、功率等也是重要的數(shù)據(jù)類型，它們對于判斷逆變器的工作是否正常起著關(guān)鍵作用。逆變器作為將直流電轉(zhuǎn)換為交流電的核心部件，其輸出參數(shù)的穩(wěn)定性直接影響著列車的牽引性能。變壓器的油溫、繞組溫度、油位等數(shù)據(jù)也被納入采集范圍，這些數(shù)據(jù)能夠幫助檢測變壓器是否存在過熱、絕緣老化等故障。油溫過高可能是由于變壓器內(nèi)部損耗過大或散熱不良導(dǎo)致的；繞組溫度的異常升高則可能預(yù)示著繞組絕緣性能下降，存在短路風(fēng)險(xiǎn)。經(jīng)過長時(shí)間的數(shù)據(jù)采集，最終獲得了大量的樣本數(shù)據(jù)，共計(jì)[X]個(gè)樣本。其中，正常運(yùn)行狀態(tài)下的樣本數(shù)量為[X1]個(gè)，涵蓋了不同線路、不同時(shí)間段以及不同運(yùn)行工況下的正常數(shù)據(jù)，以確保數(shù)據(jù)的全面性和代表性。針對各種常見故障類型，如牽引電機(jī)故障、牽引逆變器故障、變壓器故障等，分別采集了相應(yīng)的故障樣本。牽引電機(jī)故障樣本數(shù)量為[X2]個(gè)，包括繞組短路、斷路、軸承磨損等不同故障模式下的數(shù)據(jù)；牽引逆變器故障樣本數(shù)量為[X3]個(gè)，涵蓋功率模塊損壞、控制電路故障等多種故障情況；變壓器故障樣本數(shù)量為[X4]個(gè)，包含繞組絕緣老化、漏油、油溫過高等故障類型的數(shù)據(jù)。這些豐富的故障樣本為后續(xù)的故障診斷模型訓(xùn)練提供了充足的數(shù)據(jù)支持，有助于模型學(xué)習(xí)到各種故障模式的特征，從而提高診斷的準(zhǔn)確性。在數(shù)據(jù)采集過程中，嚴(yán)格遵循一系列注意事項(xiàng)，以確保采集的數(shù)據(jù)質(zhì)量可靠。首先，對數(shù)據(jù)采集設(shè)備進(jìn)行定期校準(zhǔn)和維護(hù)，確保傳感器的精度和穩(wěn)定性。定期校準(zhǔn)可以保證傳感器測量的準(zhǔn)確性，避免因傳感器誤差導(dǎo)致采集的數(shù)據(jù)出現(xiàn)偏差。在每次數(shù)據(jù)采集前，對傳感器進(jìn)行檢查和校準(zhǔn)，確保其測量誤差在允許范圍內(nèi)。同時(shí)，加強(qiáng)對數(shù)據(jù)采集設(shè)備的維護(hù)，及時(shí)更換老化或損壞的部件，保證設(shè)備的正常運(yùn)行。確保數(shù)據(jù)采集的同步性也是至關(guān)重要的。由于地鐵牽引控制系統(tǒng)的各個(gè)部件之間存在緊密的關(guān)聯(lián)，不同參數(shù)的變化可能相互影響。因此，需要保證采集的各種數(shù)據(jù)在時(shí)間上是同步的，以便準(zhǔn)確分析系統(tǒng)的運(yùn)行狀態(tài)。采用高精度的時(shí)鐘同步設(shè)備，對各個(gè)數(shù)據(jù)采集點(diǎn)的時(shí)鐘進(jìn)行校準(zhǔn)，確保數(shù)據(jù)采集的同步精度達(dá)到毫秒級。通過這種方式，可以避免因數(shù)據(jù)不同步而導(dǎo)致的分析誤差，提高故障診斷的準(zhǔn)確性。為防止數(shù)據(jù)受到干擾，采取了一系列有效的抗干擾措施。在硬件方面，對數(shù)據(jù)采集設(shè)備進(jìn)行屏蔽處理，減少電磁干擾對數(shù)據(jù)的影響。使用屏蔽電纜傳輸數(shù)據(jù)，防止外界電磁信號的侵入。在軟件方面，采用濾波算法對采集到的數(shù)據(jù)進(jìn)行處理，去除噪聲干擾。通過低通濾波、高通濾波等算法，可以有效地濾除數(shù)據(jù)中的高頻噪聲和低頻干擾，提高數(shù)據(jù)的質(zhì)量。在數(shù)據(jù)采集過程中，還注重?cái)?shù)據(jù)的完整性和一致性。對采集到的數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測和驗(yàn)證，及時(shí)發(fā)現(xiàn)并處理數(shù)據(jù)缺失或錯(cuò)誤的情況。當(dāng)發(fā)現(xiàn)數(shù)據(jù)缺失時(shí)，通過插值法或其他數(shù)據(jù)修復(fù)方法進(jìn)行補(bǔ)充；對于錯(cuò)誤的數(shù)據(jù)，進(jìn)行核實(shí)和修正。同時(shí)，建立數(shù)據(jù)備份機(jī)制，定期對采集到的數(shù)據(jù)進(jìn)行備份，防止數(shù)據(jù)丟失。通過這些措施，確保了采集到的數(shù)據(jù)能夠真實(shí)、準(zhǔn)確地反映地鐵牽引控制系統(tǒng)的運(yùn)行狀態(tài)，為后續(xù)的數(shù)據(jù)預(yù)處理和故障診斷模型訓(xùn)練提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。3.2數(shù)據(jù)清洗在獲取地鐵牽引控制系統(tǒng)的大量原始數(shù)據(jù)后，這些數(shù)據(jù)中不可避免地存在各種質(zhì)量問題，如錯(cuò)誤值、重復(fù)數(shù)據(jù)和缺失值等。這些問題數(shù)據(jù)會嚴(yán)重干擾后續(xù)的數(shù)據(jù)分析和模型訓(xùn)練，導(dǎo)致診斷結(jié)果出現(xiàn)偏差，因此，對數(shù)據(jù)進(jìn)行清洗至關(guān)重要。在識別錯(cuò)誤值時(shí)，主要通過設(shè)定合理的數(shù)據(jù)范圍和邏輯規(guī)則來進(jìn)行。以牽引電機(jī)的電流數(shù)據(jù)為例，根據(jù)其額定參數(shù)和實(shí)際運(yùn)行經(jīng)驗(yàn)，正常運(yùn)行時(shí)電流值通常在一個(gè)特定的區(qū)間內(nèi)。通過查閱相關(guān)技術(shù)文檔和實(shí)際監(jiān)測數(shù)據(jù)統(tǒng)計(jì)分析，確定牽引電機(jī)正常電流范圍為[Imin,Imax]。對采集到的電流數(shù)據(jù)進(jìn)行逐一檢查，若某個(gè)數(shù)據(jù)點(diǎn)的電流值小于Imin或大于Imax，即可判定為錯(cuò)誤值。若發(fā)現(xiàn)某時(shí)刻牽引電機(jī)電流值為0，遠(yuǎn)低于正常范圍，且該時(shí)刻列車處于運(yùn)行狀態(tài)，不符合正常運(yùn)行邏輯，可初步判斷此數(shù)據(jù)為錯(cuò)誤值。對于此類錯(cuò)誤值，采用數(shù)據(jù)平滑處理的方法進(jìn)行修正，利用該數(shù)據(jù)點(diǎn)前后時(shí)刻的正常電流值，通過線性插值或其他平滑算法來估算出合理的電流值，以保證數(shù)據(jù)的準(zhǔn)確性和連續(xù)性。在處理重復(fù)數(shù)據(jù)時(shí)，使用Python的pandas庫中的duplicated()函數(shù)來識別數(shù)據(jù)集中的重復(fù)行。該函數(shù)會對數(shù)據(jù)集中的每一行進(jìn)行檢查，比較其與其他行的數(shù)據(jù)是否完全相同，若存在相同的行，則判定為重復(fù)數(shù)據(jù)。通過對數(shù)據(jù)集中所有行的比較，準(zhǔn)確找出重復(fù)的數(shù)據(jù)記錄。在識別出重復(fù)數(shù)據(jù)后，采用drop_duplicates()函數(shù)將其刪除。該函數(shù)會保留第一次出現(xiàn)的行，刪除后續(xù)所有重復(fù)的行，確保數(shù)據(jù)集中每一行數(shù)據(jù)的唯一性，從而避免重復(fù)數(shù)據(jù)對分析結(jié)果的干擾。在刪除重復(fù)數(shù)據(jù)前，對重復(fù)數(shù)據(jù)的出現(xiàn)原因進(jìn)行深入分析，若發(fā)現(xiàn)某些重復(fù)數(shù)據(jù)是由于數(shù)據(jù)采集設(shè)備的異常導(dǎo)致的多次重復(fù)采集，及時(shí)對采集設(shè)備進(jìn)行檢查和維護(hù)，以防止類似問題再次發(fā)生；若重復(fù)數(shù)據(jù)是由于數(shù)據(jù)傳輸過程中的錯(cuò)誤引起的，對數(shù)據(jù)傳輸鏈路進(jìn)行排查和修復(fù)，確保數(shù)據(jù)傳輸?shù)臏?zhǔn)確性。針對缺失值的處理，采用統(tǒng)計(jì)法進(jìn)行補(bǔ)全。對于數(shù)值型數(shù)據(jù)，如牽引逆變器的輸出電壓、電流等數(shù)據(jù)，計(jì)算該特征列所有非缺失值的均值，用均值來填補(bǔ)缺失值。通過對牽引逆變器輸出電壓數(shù)據(jù)列進(jìn)行計(jì)算，得到其均值為Vmean，對于該列中的缺失值，均用Vmean進(jìn)行填充。對于分類型數(shù)據(jù)，如故障類型等，統(tǒng)計(jì)該特征列中出現(xiàn)次數(shù)最多的類別，即眾數(shù)，用眾數(shù)來填補(bǔ)缺失值。若故障類型列中，“牽引電機(jī)故障”出現(xiàn)的次數(shù)最多，對于該列中的缺失值，均用“牽引電機(jī)故障”進(jìn)行填充。在處理缺失值時(shí)，還需考慮數(shù)據(jù)缺失的比例和分布情況。若某個(gè)特征列的缺失值比例過高，如超過30%，則需要謹(jǐn)慎考慮是否保留該特征列，因?yàn)檫^多的缺失值可能會影響模型的準(zhǔn)確性和可靠性。若發(fā)現(xiàn)某個(gè)傳感器采集的溫度數(shù)據(jù)缺失值比例達(dá)到40%，且該傳感器在其他方面的重要性相對較低，經(jīng)過綜合評估后，決定刪除該溫度數(shù)據(jù)列，以避免對整體數(shù)據(jù)質(zhì)量產(chǎn)生負(fù)面影響。在數(shù)據(jù)清洗過程中，詳細(xì)記錄每一個(gè)數(shù)據(jù)處理步驟和操作，包括識別出的錯(cuò)誤值數(shù)量、重復(fù)數(shù)據(jù)數(shù)量、缺失值處理方式等信息，以便后續(xù)進(jìn)行數(shù)據(jù)質(zhì)量評估和問題追溯。3.3數(shù)據(jù)歸一化在完成數(shù)據(jù)清洗后，由于采集到的地鐵牽引控制系統(tǒng)數(shù)據(jù)具有不同的量綱和數(shù)量級，例如牽引電機(jī)的電流數(shù)據(jù)可能在幾百安培，而溫度數(shù)據(jù)則在幾十?dāng)z氏度，這種差異會對后續(xù)的數(shù)據(jù)分析和模型訓(xùn)練產(chǎn)生顯著影響。在基于距離計(jì)算的機(jī)器學(xué)習(xí)算法中，如KNN算法，數(shù)據(jù)的量綱會直接影響距離的計(jì)算結(jié)果，導(dǎo)致模型對數(shù)值較大的特征過度敏感，而忽略數(shù)值較小但可能重要的特征。因此，為了消除量綱的影響，提高模型的訓(xùn)練效果和診斷準(zhǔn)確性，對數(shù)據(jù)進(jìn)行歸一化處理是十分必要的。常見的數(shù)據(jù)歸一化方法包括最小-最大歸一化（Min-MaxNormalization）和Z-score歸一化（Z-Scorenormalization）。最小-最大歸一化是一種線性變換方法，它將數(shù)據(jù)映射到[0,1]區(qū)間，轉(zhuǎn)換公式為：x^*=\frac{x-\min}{\max-\min}其中，x是原始數(shù)據(jù)，\min和\max分別是數(shù)據(jù)集中的最小值和最大值，x^*是歸一化后的數(shù)據(jù)。這種方法的優(yōu)點(diǎn)是簡單直觀，能夠保留數(shù)據(jù)的原始分布特征，并且計(jì)算復(fù)雜度較低。但它的缺點(diǎn)也很明顯，當(dāng)有新數(shù)據(jù)加入時(shí)，可能導(dǎo)致\max和\min的變化，需要重新計(jì)算歸一化參數(shù)，這在實(shí)時(shí)性要求較高的場景中可能不太適用。Z-score歸一化則是基于數(shù)據(jù)的均值和標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化處理，經(jīng)過處理的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1，轉(zhuǎn)換公式為：x^*=\frac{x-\mu}{\sigma}其中，\mu是數(shù)據(jù)的均值，\sigma是數(shù)據(jù)的標(biāo)準(zhǔn)差。Z-score歸一化的優(yōu)勢在于對數(shù)據(jù)的分布沒有嚴(yán)格要求，能夠有效消除數(shù)據(jù)的量綱影響，并且在處理含有異常值的數(shù)據(jù)時(shí)表現(xiàn)較好。它也存在一定的局限性，對于一些非正態(tài)分布的數(shù)據(jù)，經(jīng)過Z-score歸一化后可能會改變數(shù)據(jù)的原有特征，影響后續(xù)的分析。為了確定適合地鐵牽引控制系統(tǒng)故障數(shù)據(jù)的歸一化方法，對這兩種方法進(jìn)行了對比實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)選取了部分清洗后的牽引電機(jī)電流、電壓、溫度以及牽引逆變器輸出功率等數(shù)據(jù)。在使用最小-最大歸一化方法時(shí)，按照公式將數(shù)據(jù)映射到[0,1]區(qū)間，對于新加入的數(shù)據(jù)，實(shí)時(shí)更新\max和\min值，并重新計(jì)算歸一化結(jié)果。使用Z-score歸一化方法時(shí)，先計(jì)算數(shù)據(jù)的均值和標(biāo)準(zhǔn)差，然后根據(jù)公式對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。通過對比實(shí)驗(yàn)發(fā)現(xiàn)，在地鐵牽引控制系統(tǒng)故障數(shù)據(jù)中，由于數(shù)據(jù)分布相對較為穩(wěn)定，且不存在明顯的異常值，最小-最大歸一化方法在保持?jǐn)?shù)據(jù)特征和模型訓(xùn)練效果方面表現(xiàn)更優(yōu)。經(jīng)過最小-最大歸一化處理后的數(shù)據(jù)，在后續(xù)的模型訓(xùn)練中，能夠使模型更快地收斂，并且在故障診斷的準(zhǔn)確率上略高于Z-score歸一化方法。因此，最終選擇最小-最大歸一化方法對采集到的地鐵牽引控制系統(tǒng)故障數(shù)據(jù)進(jìn)行歸一化處理。在實(shí)際操作中，利用Python的Scikit-learn庫中的MinMaxScaler類來實(shí)現(xiàn)最小-最大歸一化。具體代碼如下：fromsklearn.preprocessingimportMinMaxScaler#假設(shè)data是清洗后的數(shù)據(jù)scaler=MinMaxScaler()normalized_data=scaler.fit_transform(data)通過上述操作，將采集到的地鐵牽引控制系統(tǒng)故障數(shù)據(jù)進(jìn)行了有效的歸一化處理，為后續(xù)的特征提取和故障診斷模型訓(xùn)練奠定了良好的基礎(chǔ)。3.4特征提取與選擇在完成地鐵牽引控制系統(tǒng)故障數(shù)據(jù)的采集、清洗和歸一化處理后，為了進(jìn)一步提高故障診斷的準(zhǔn)確性和效率，需要從這些數(shù)據(jù)中提取能夠有效表征故障特征的參數(shù)，并選擇最具代表性的特征，以降低數(shù)據(jù)維度，減少計(jì)算量，提高模型的訓(xùn)練效果。從預(yù)處理后的數(shù)據(jù)中提取多種特征，以全面反映地鐵牽引控制系統(tǒng)的運(yùn)行狀態(tài)。對于牽引電機(jī)的電流信號，提取時(shí)域特征如均值、方差、峰值指標(biāo)、峭度指標(biāo)等。均值能夠反映電流的平均水平，正常運(yùn)行時(shí)電流均值通常在一個(gè)穩(wěn)定的范圍內(nèi)，當(dāng)出現(xiàn)故障時(shí)，均值可能會發(fā)生明顯變化。方差則體現(xiàn)了電流信號的波動程度，故障狀態(tài)下電流波動往往會加劇，方差增大。峰值指標(biāo)對沖擊性故障較為敏感，在牽引電機(jī)軸承磨損等故障時(shí)，電流信號會出現(xiàn)明顯的沖擊，峰值指標(biāo)會顯著升高。峭度指標(biāo)能夠突出信號中的異常成分，對于檢測早期故障具有重要意義，當(dāng)電機(jī)出現(xiàn)輕微故障時(shí)，峭度指標(biāo)會有所變化。對于電壓信號，除了提取均值、方差等基本特征外，還計(jì)算諧波含量等特征。在地鐵牽引控制系統(tǒng)中，牽引逆變器將直流電轉(zhuǎn)換為交流電的過程中，可能會產(chǎn)生諧波。正常情況下，諧波含量處于一定的允許范圍內(nèi)，當(dāng)逆變器出現(xiàn)故障，如功率模塊損壞、控制電路故障時(shí)，會導(dǎo)致輸出電壓的諧波含量增加。通過檢測電壓信號的諧波含量，可以及時(shí)發(fā)現(xiàn)逆變器的潛在故障。溫度信號是反映設(shè)備運(yùn)行狀態(tài)的重要參數(shù)，對于牽引電機(jī)和變壓器的溫度數(shù)據(jù)，提取溫度變化率、最高溫度、最低溫度等特征。溫度變化率能夠反映設(shè)備溫度的變化趨勢，正常運(yùn)行時(shí)，設(shè)備溫度變化較為緩慢，當(dāng)出現(xiàn)故障導(dǎo)致設(shè)備過熱時(shí)，溫度變化率會增大。最高溫度和最低溫度可以幫助判斷設(shè)備是否超過正常工作溫度范圍，如牽引電機(jī)的最高溫度超過其額定溫度，可能意味著電機(jī)存在過載、散熱不良等問題，需要及時(shí)進(jìn)行檢修。在提取這些特征時(shí)，采用了多種信號處理和分析方法。利用傅里葉變換將時(shí)域信號轉(zhuǎn)換為頻域信號，從而計(jì)算諧波含量等頻域特征。通過小波變換對信號進(jìn)行多尺度分析，能夠更好地提取信號中的局部特征和瞬態(tài)信息，對于檢測故障的發(fā)生時(shí)刻和類型具有重要作用。在計(jì)算峰值指標(biāo)、峭度指標(biāo)等特征時(shí)，運(yùn)用了相應(yīng)的數(shù)學(xué)公式和算法，確保特征提取的準(zhǔn)確性和可靠性。為了從眾多提取的特征中挑選出對故障診斷最有價(jià)值的特征，采用了基于相關(guān)性分析和主成分分析（PCA）的特征選擇方法。相關(guān)性分析用于衡量每個(gè)特征與故障類型之間的關(guān)聯(lián)程度，通過計(jì)算特征與故障標(biāo)簽之間的相關(guān)系數(shù)，篩選出相關(guān)性較高的特征。對于牽引電機(jī)電流的均值特征，計(jì)算其與牽引電機(jī)故障類型標(biāo)簽之間的相關(guān)系數(shù)，若相關(guān)系數(shù)較高，說明該特征與牽引電機(jī)故障密切相關(guān)，應(yīng)予以保留；若相關(guān)系數(shù)較低，則考慮將其剔除。主成分分析（PCA）是一種常用的降維技術(shù)，它通過線性變換將原始特征轉(zhuǎn)換為一組新的不相關(guān)的綜合特征，即主成分。這些主成分能夠保留原始數(shù)據(jù)的主要信息，同時(shí)降低數(shù)據(jù)維度。在應(yīng)用PCA時(shí)，首先計(jì)算原始特征的協(xié)方差矩陣，然后求解協(xié)方差矩陣的特征值和特征向量。根據(jù)特征值的大小，選擇前k個(gè)特征向量，這些特征向量對應(yīng)的主成分能夠解釋原始數(shù)據(jù)的大部分方差。通過PCA變換，將原始的高維特征空間轉(zhuǎn)換為低維的主成分空間，從而實(shí)現(xiàn)特征選擇和降維的目的。在實(shí)際操作中，利用Python的Scikit-learn庫中的相關(guān)函數(shù)和工具來實(shí)現(xiàn)相關(guān)性分析和PCA。通過調(diào)用pandas庫的corr()函數(shù)計(jì)算特征與故障標(biāo)簽之間的相關(guān)系數(shù)，根據(jù)設(shè)定的閾值篩選出相關(guān)性高的特征。使用sklearn.decomposition模塊中的PCA類進(jìn)行主成分分析，設(shè)置合適的主成分?jǐn)?shù)量，對數(shù)據(jù)進(jìn)行降維處理。通過特征重要性評估，發(fā)現(xiàn)經(jīng)過相關(guān)性分析和PCA選擇后的特征，能夠顯著提高故障診斷模型的性能。在使用未經(jīng)過特征選擇的原始特征訓(xùn)練模型時(shí)，模型的準(zhǔn)確率為[X1]%，而使用經(jīng)過特征選擇后的特征訓(xùn)練模型，準(zhǔn)確率提高到了[X2]%，提升了[X2-X1]個(gè)百分點(diǎn)。這表明選擇后的特征更能準(zhǔn)確地反映故障信息，減少了冗余和噪聲特征的干擾，使模型能夠更好地學(xué)習(xí)故障模式，從而提高了故障診斷的準(zhǔn)確性。這些經(jīng)過精心提取和選擇的特征，為后續(xù)基于SaCe-ELM的故障診斷模型訓(xùn)練提供了高質(zhì)量的數(shù)據(jù)基礎(chǔ)，有助于提高模型的診斷性能和泛化能力。四、基于SaCe-ELM的故障診斷模型構(gòu)建4.1SaCe-ELM模型參數(shù)設(shè)置在構(gòu)建基于SaCe-ELM的地鐵牽引控制系統(tǒng)故障診斷模型時(shí)，合理設(shè)置模型參數(shù)至關(guān)重要，這直接關(guān)系到模型的性能和診斷準(zhǔn)確性。確定輸入層神經(jīng)元個(gè)數(shù)時(shí)，需依據(jù)提取的故障特征數(shù)量來設(shè)定。經(jīng)過前面的特征提取與選擇步驟，共提取了[X]個(gè)能夠有效表征地鐵牽引控制系統(tǒng)故障的特征，因此輸入層神經(jīng)元個(gè)數(shù)確定為[X]。這些特征涵蓋了牽引電機(jī)的電流、電壓、溫度等關(guān)鍵參數(shù)的時(shí)域和頻域特征，以及牽引逆變器和變壓器的相關(guān)特征，它們能夠全面反映系統(tǒng)的運(yùn)行狀態(tài)，為模型提供準(zhǔn)確的輸入信息。隱含層神經(jīng)元個(gè)數(shù)的選擇對模型性能有著顯著影響。若隱含層神經(jīng)元個(gè)數(shù)過少，模型的學(xué)習(xí)能力會受到限制，無法充分挖掘數(shù)據(jù)中的復(fù)雜模式，導(dǎo)致欠擬合，難以準(zhǔn)確診斷故障；若個(gè)數(shù)過多，模型會變得過于復(fù)雜，容易出現(xiàn)過擬合現(xiàn)象，雖然在訓(xùn)練集上表現(xiàn)良好，但在測試集和實(shí)際應(yīng)用中的泛化能力較差。為確定最優(yōu)的隱含層神經(jīng)元個(gè)數(shù)，采用了多次實(shí)驗(yàn)對比的方法。從較小的數(shù)值開始，如10個(gè)神經(jīng)元，逐步增加神經(jīng)元數(shù)量，每次增加5個(gè)，分別訓(xùn)練模型并計(jì)算其在測試集上的準(zhǔn)確率、召回率和F1值等性能指標(biāo)。通過實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)隱含層神經(jīng)元個(gè)數(shù)為[Y]時(shí)，模型在測試集上的綜合性能最佳，準(zhǔn)確率達(dá)到了[Z1]%，召回率為[Z2]%，F(xiàn)1值為[Z3]。因此，最終確定隱含層神經(jīng)元個(gè)數(shù)為[Y]。輸出層神經(jīng)元個(gè)數(shù)則根據(jù)故障類型的數(shù)量來確定。經(jīng)過對地鐵牽引控制系統(tǒng)常見故障類型的分析和整理，共確定了[M]種不同的故障類型，包括牽引電機(jī)的繞組短路、斷路，牽引逆變器的功率模塊損壞、控制電路故障，變壓器的繞組絕緣老化、漏油等。所以，輸出層神經(jīng)元個(gè)數(shù)設(shè)置為[M]，每個(gè)神經(jīng)元對應(yīng)一種故障類型，模型通過輸出層神經(jīng)元的輸出值來判斷故障類型。自適應(yīng)差分進(jìn)化算法（AdaptiveDifferentialEvolution，ADE）是SaCe-ELM模型中用于優(yōu)化參數(shù)的重要算法，其參數(shù)設(shè)置如下：種群大?。≒opulationSize）設(shè)定為50。較大的種群規(guī)?？梢栽黾铀惴ㄔ谒阉骺臻g中的多樣性，提高找到全局最優(yōu)解的概率，但同時(shí)也會增加計(jì)算量和計(jì)算時(shí)間。經(jīng)過多次實(shí)驗(yàn)和權(quán)衡，發(fā)現(xiàn)種群大小為50時(shí)，在保證算法搜索能力的前提下，能夠較好地平衡計(jì)算成本和收斂速度。差分進(jìn)化因子（ScaleFactor）取值為0.5。差分進(jìn)化因子控制著變異向量的縮放程度，它決定了新個(gè)體在搜索空間中的移動步長。取值過小，算法的搜索能力會受到限制，可能陷入局部最優(yōu)解；取值過大，算法的收斂速度會變慢，甚至可能導(dǎo)致算法不收斂。在實(shí)驗(yàn)中，對不同的差分進(jìn)化因子取值進(jìn)行了測試，發(fā)現(xiàn)0.5時(shí)算法能夠在收斂速度和搜索能力之間取得較好的平衡。交叉概率（CrossProbability）設(shè)置為0.8。交叉概率決定了在交叉操作中，新個(gè)體繼承父代個(gè)體基因的概率。較高的交叉概率可以增加種群的多樣性，促進(jìn)算法在搜索空間中的探索，但過高的交叉概率可能會破壞優(yōu)良的基因組合；較低的交叉概率則可能導(dǎo)致算法收斂速度過慢。通過實(shí)驗(yàn)驗(yàn)證，交叉概率為0.8時(shí)，能夠使算法在保持種群多樣性的同時(shí)，較快地收斂到較優(yōu)解。最大迭代次數(shù)（MaxIteration）設(shè)定為200。最大迭代次數(shù)限制了算法的運(yùn)行時(shí)間和計(jì)算量。如果迭代次數(shù)過少，算法可能無法收斂到最優(yōu)解；迭代次數(shù)過多，則會浪費(fèi)計(jì)算資源。在實(shí)際實(shí)驗(yàn)中，觀察到在200次迭代左右，算法基本能夠收斂，且繼續(xù)增加迭代次數(shù)對結(jié)果的提升不明顯，因此將最大迭代次數(shù)設(shè)置為200。在模型初始化過程中，還需對其他一些參數(shù)進(jìn)行設(shè)置。設(shè)置隨機(jī)種子，以確保實(shí)驗(yàn)的可重復(fù)性。隨機(jī)種子的設(shè)置使得每次運(yùn)行模型時(shí)，隨機(jī)生成的輸入層與隱含層之間的連接權(quán)值和隱含層神經(jīng)元的閾值都是相同的，方便對實(shí)驗(yàn)結(jié)果進(jìn)行比較和分析。將模型的學(xué)習(xí)率設(shè)置為一個(gè)較小的值，如0.01。學(xué)習(xí)率控制著模型在訓(xùn)練過程中參數(shù)更新的步長，較小的學(xué)習(xí)率可以使模型訓(xùn)練更加穩(wěn)定，但也會導(dǎo)致訓(xùn)練速度較慢；較大的學(xué)習(xí)率可能會使模型在訓(xùn)練過程中出現(xiàn)振蕩，甚至無法收斂。通過實(shí)驗(yàn)，發(fā)現(xiàn)學(xué)習(xí)率為0.01時(shí)，模型能夠在保證穩(wěn)定性的前提下，較快地收斂。通過以上對SaCe-ELM模型各項(xiàng)參數(shù)的合理設(shè)置，為構(gòu)建高效準(zhǔn)確的地鐵牽引控制系統(tǒng)故障診斷模型奠定了堅(jiān)實(shí)的基礎(chǔ)，有助于模型更好地學(xué)習(xí)故障特征，提高故障診斷的準(zhǔn)確性和效率。4.2模型訓(xùn)練在完成SaCe-ELM模型的參數(shù)設(shè)置后，需要對模型進(jìn)行訓(xùn)練，以使其能夠準(zhǔn)確地學(xué)習(xí)地鐵牽引控制系統(tǒng)故障數(shù)據(jù)中的特征和規(guī)律，實(shí)現(xiàn)高效的故障診斷。將經(jīng)過預(yù)處理和特征提取后的數(shù)據(jù)按照70%和30%的比例劃分為訓(xùn)練集和測試集。這種劃分比例是經(jīng)過多次實(shí)驗(yàn)和分析確定的，既能保證訓(xùn)練集有足夠的數(shù)據(jù)量供模型學(xué)習(xí)，又能使測試集有一定規(guī)模來準(zhǔn)確評估模型的性能。在劃分過程中，采用分層隨機(jī)抽樣的方法，以確保訓(xùn)練集和測試集中各類故障樣本的比例與原始數(shù)據(jù)集中的比例相同，從而保證數(shù)據(jù)分布的一致性。在原始數(shù)據(jù)集中，牽引電機(jī)故障樣本占30%，牽引逆變器故障樣本占25%，變壓器故障樣本占20%，正常樣本占25%。在劃分訓(xùn)練集和測試集時(shí)，也按照這個(gè)比例進(jìn)行分層抽樣，使得訓(xùn)練集和測試集中各類樣本的比例保持一致。這樣可以避免因數(shù)據(jù)分布不均勻而導(dǎo)致模型對某些故障類型的學(xué)習(xí)不足或過度學(xué)習(xí)，提高模型的泛化能力。利用訓(xùn)練集數(shù)據(jù)對SaCe-ELM模型進(jìn)行訓(xùn)練。在訓(xùn)練過程中，輸入層接收經(jīng)過特征提取和選擇后的故障特征數(shù)據(jù)，這些數(shù)據(jù)通過隨機(jī)生成的輸入層與隱含層之間的連接權(quán)值傳遞到隱含層。隱含層神經(jīng)元根據(jù)設(shè)定的激活函數(shù)對輸入數(shù)據(jù)進(jìn)行非線性變換，然后將變換后的結(jié)果傳遞到輸出層。輸出層根據(jù)訓(xùn)練數(shù)據(jù)的標(biāo)簽，通過計(jì)算隱含層輸出矩陣的Moore-Penrose廣義逆來求解輸出權(quán)重，使得模型的實(shí)際輸出與期望輸出之間的誤差最小。在這個(gè)過程中，自適應(yīng)差分進(jìn)化算法（ADE）發(fā)揮著重要作用，它不斷調(diào)整模型的參數(shù)，包括輸入層與隱含層之間的連接權(quán)值、隱含層神經(jīng)元的閾值以及輸出層權(quán)重等，以提高模型的性能。自適應(yīng)差分進(jìn)化算法的具體操作過程如下：首先，初始化種群，種群中的每個(gè)個(gè)體代表一組模型參數(shù)。對于SaCe-ELM模型，個(gè)體包含輸入層與隱含層之間的連接權(quán)值、隱含層神經(jīng)元的閾值等參數(shù)。在初始化時(shí)，這些參數(shù)隨機(jī)生成。然后，計(jì)算每個(gè)個(gè)體的適應(yīng)度值，適應(yīng)度值的計(jì)算基于模型在訓(xùn)練集上的性能表現(xiàn)，如準(zhǔn)確率、損失函數(shù)值等。將模型在訓(xùn)練集上的準(zhǔn)確率作為適應(yīng)度值，準(zhǔn)確率越高，適應(yīng)度值越大。接下來，進(jìn)行變異操作，通過對當(dāng)前種群中的個(gè)體進(jìn)行變異，生成新的個(gè)體。變異操作是通過對個(gè)體的參數(shù)進(jìn)行隨機(jī)擾動來實(shí)現(xiàn)的，具體的擾動方式和幅度由差分進(jìn)化因子控制。對某個(gè)個(gè)體的某個(gè)參數(shù)進(jìn)行變異時(shí)，根據(jù)差分進(jìn)化因子的大小，對該參數(shù)加上一個(gè)隨機(jī)生成的擾動值。進(jìn)行交叉操作，將變異后的個(gè)體與原個(gè)體進(jìn)行交叉，生成試驗(yàn)個(gè)體。交叉操作是按照一定的交叉概率進(jìn)行的，交叉概率決定了試驗(yàn)個(gè)體繼承變異個(gè)體和原個(gè)體參數(shù)的比例。如果交叉概率為0.8，那么試驗(yàn)個(gè)體有80%的參數(shù)來自變異個(gè)體，20%的參數(shù)來自原個(gè)體。最后，進(jìn)行選擇操作，根據(jù)適應(yīng)度值的大小，從試驗(yàn)個(gè)體和原個(gè)體中選擇更優(yōu)的個(gè)體進(jìn)入下一代種群。通過不斷重復(fù)變異、交叉和選擇操作，種群中的個(gè)體逐漸向最優(yōu)解逼近，從而實(shí)現(xiàn)對SaCe-ELM模型參數(shù)的優(yōu)化。在訓(xùn)練過程中，密切監(jiān)控模型的性能指標(biāo)，包括訓(xùn)練集上的準(zhǔn)確率、損失函數(shù)值以及驗(yàn)證集上的準(zhǔn)確率和損失函數(shù)值等。通過這些指標(biāo)，可以了解模型的學(xué)習(xí)情況和是否出現(xiàn)過擬合或欠擬合現(xiàn)象。如果模型在訓(xùn)練集上的準(zhǔn)確率不斷提高，而在驗(yàn)證集上的準(zhǔn)確率卻逐漸下降，損失函數(shù)值在訓(xùn)練集上不斷減小，而在驗(yàn)證集上逐漸增大，這可能表明模型出現(xiàn)了過擬合現(xiàn)象。此時(shí)，需要采取相應(yīng)的措施來調(diào)整模型，如減少隱含層神經(jīng)元個(gè)數(shù)、增加正則化項(xiàng)等，以提高模型的泛化能力。如果模型在訓(xùn)練集和驗(yàn)證集上的準(zhǔn)確率都較低，損失函數(shù)值都較大，則可能是模型出現(xiàn)了欠擬合現(xiàn)象，需要增加隱含層神經(jīng)元個(gè)數(shù)或調(diào)整模型的其他參數(shù)，以增強(qiáng)模型的學(xué)習(xí)能力。根據(jù)訓(xùn)練結(jié)果，對模型參數(shù)進(jìn)行調(diào)整。如果發(fā)現(xiàn)模型的訓(xùn)練效果不理想，如準(zhǔn)確率較低、泛化能力較差等，通過調(diào)整自適應(yīng)差分進(jìn)化算法的參數(shù)，如種群大小、差分進(jìn)化因子、交叉概率等，來改變算法的搜索策略，以尋找更優(yōu)的模型參數(shù)。適當(dāng)增加種群大小，可以增加算法在搜索空間中的多樣性，提高找到全局最優(yōu)解的概率；調(diào)整差分進(jìn)化因子和交叉概率，可以改變變異和交叉操作的強(qiáng)度，影響算法的收斂速度和搜索能力。在實(shí)際調(diào)整過程中，采用試錯(cuò)法，逐步嘗試不同的參數(shù)值，觀察模型性能的變化，直到找到最優(yōu)的參數(shù)組合，使模型在訓(xùn)練集和測試集上都能表現(xiàn)出良好的性能。4.3模型優(yōu)化在模型訓(xùn)練過程中，基于SaCe-ELM的地鐵牽引控制系統(tǒng)故障診斷模型可能會出現(xiàn)過擬合問題，這主要是由于模型過于復(fù)雜，對訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)過度學(xué)習(xí)，導(dǎo)致在測試集和實(shí)際應(yīng)用中的泛化能力下降。當(dāng)隱含層神經(jīng)元個(gè)數(shù)過多時(shí)，模型能夠?qū)W習(xí)到訓(xùn)練數(shù)據(jù)中非常細(xì)微的特征，這些特征可能只是訓(xùn)練數(shù)據(jù)中的噪聲，而并非真正的故障模式特征。當(dāng)模型應(yīng)用到新的數(shù)據(jù)時(shí)，由于這些噪聲特征在新數(shù)據(jù)中不一定存在，從而導(dǎo)致模型的診斷準(zhǔn)確率大幅下降。為了解決過擬合問題，采取了一系列有效的措施。首先，增加訓(xùn)練數(shù)據(jù)量是一種常用且有效的方法。通過與更多的地鐵運(yùn)營公司合作，進(jìn)一步擴(kuò)大數(shù)據(jù)采集的范圍，涵蓋更多不同型號的地鐵車輛、不同線路以及不同運(yùn)行工況下的故障數(shù)據(jù)。收集不同季節(jié)、不同時(shí)間段的地鐵牽引控制系統(tǒng)數(shù)據(jù)，以增加數(shù)據(jù)的多樣性。在原有數(shù)據(jù)的基礎(chǔ)上，又收集了[X]個(gè)新的樣本數(shù)據(jù)，使得訓(xùn)練集的規(guī)模得到了顯著擴(kuò)大。這樣可以使模型學(xué)習(xí)到更全面的故障模式和特征，減少對特定數(shù)據(jù)的依賴，從而提高模型的泛化能力。調(diào)整模型參數(shù)也是優(yōu)化模型的重要手段。對自適應(yīng)差分進(jìn)化算法（ADE）的參數(shù)進(jìn)行了進(jìn)一步的優(yōu)化。適當(dāng)增加種群大小，從原來的50增加到80，以增強(qiáng)算法在搜索空間中的多樣性，提高找到全局最優(yōu)解的概率。對差分進(jìn)化因子和交叉概率進(jìn)行了動態(tài)調(diào)整。在算法初期，設(shè)置較大的差分進(jìn)化因子，如0.7，以鼓勵(lì)算法在較大的搜索空間中進(jìn)行探索，快速找到可能存在最優(yōu)解的區(qū)域；在算法后期，將差分進(jìn)化因子減小到0.3，使算法更加聚焦于局部搜索，提高解的精度。對于交叉概率，在初期設(shè)置為0.7，后期調(diào)整為0.9，以在保證種群多樣性的同時(shí)，加快算法的收斂速度。在訓(xùn)練過程中，采用了早停法來防止過擬合。密切監(jiān)控模型在驗(yàn)證集上的性能指標(biāo)，當(dāng)驗(yàn)證集上的損失函數(shù)值開始上升，而準(zhǔn)確率不再提高時(shí)，及時(shí)停止訓(xùn)練，避免模型繼續(xù)學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的噪聲，從而防止過擬合的發(fā)生。通過設(shè)置一個(gè)耐心值（Patience），如10，當(dāng)驗(yàn)證集上的損失函數(shù)值連續(xù)10次沒有下降時(shí)，停止訓(xùn)練。在實(shí)際訓(xùn)練中，當(dāng)訓(xùn)練到第[X]次迭代時(shí)，發(fā)現(xiàn)驗(yàn)證集上的損失函數(shù)值開始連續(xù)上升，此時(shí)及時(shí)停止了訓(xùn)練，有效地防止了過擬合現(xiàn)象的進(jìn)一步惡化。通過這些優(yōu)化措施，對模型的性能進(jìn)行了全面的評估和對比。在優(yōu)化前，模型在測試集上的準(zhǔn)確率為[X1]%，召回率為[X2]%，F(xiàn)1值為[X3]。經(jīng)過優(yōu)化后，模型在測試集上的準(zhǔn)確率提高到了[Y1]%，召回率提升至[Y2]%，F(xiàn)1值達(dá)到了[Y3]。從訓(xùn)練時(shí)間來看，雖然增加數(shù)據(jù)量和調(diào)整參數(shù)會在一定程度上增加訓(xùn)練時(shí)間，但通過優(yōu)化算法參數(shù)和采用早停法，使得整體訓(xùn)練時(shí)間的增加在可接受范圍內(nèi)，從原來的[Z1]分鐘增加到了[Z2]分鐘。為了更直觀地展示優(yōu)化前后模型性能的差異，繪制了準(zhǔn)確率對比圖（圖1）和損失函數(shù)對比圖（圖2）。從圖1中可以明顯看出，優(yōu)化后的模型在測試集上的準(zhǔn)確率有了顯著提高，在不同故障類型的識別上都表現(xiàn)出更好的性能。在牽引電機(jī)繞組短路故障的診斷中，優(yōu)化前模型的準(zhǔn)確率為70%，優(yōu)化后提高到了85%。從圖2的損失函數(shù)對比圖可以看出，優(yōu)化后的模型在訓(xùn)練過程中，驗(yàn)證集上的損失函數(shù)值下降更為平穩(wěn)，且在后期沒有出現(xiàn)明顯的上升趨勢，表明模型有效地避免了過擬合問題，具有更好的穩(wěn)定性和泛化能力。綜上所述，通過增加數(shù)據(jù)量、調(diào)整模型參數(shù)以及采用早停法等優(yōu)化措施，有效地提高了基于SaCe-ELM的地鐵牽引控制系統(tǒng)故障診斷模型的性能，增強(qiáng)了模型的泛化能力和穩(wěn)定性，為地鐵牽引控制系統(tǒng)的故障診斷提供了更可靠的技術(shù)支持。五、實(shí)驗(yàn)與結(jié)果分析5.1實(shí)驗(yàn)設(shè)計(jì)為全面評估基于SaCe-ELM的地鐵牽引控制系統(tǒng)故障診斷模型的性能，精心設(shè)計(jì)了一系列實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境配置如下：計(jì)算機(jī)硬件方面，采用英特爾酷睿i7-12700K處理器，擁有12個(gè)核心和20個(gè)線程，能夠提供強(qiáng)大的計(jì)算能力，滿足復(fù)雜模型訓(xùn)練和計(jì)算的需求。搭配32GB的DDR43200MHz高頻內(nèi)存，確保數(shù)據(jù)的快速讀取和處理，減少數(shù)據(jù)讀取延遲對實(shí)驗(yàn)的影響。使用NVIDIAGeForceRTX3080Ti獨(dú)立顯卡，其具有強(qiáng)大的圖形處理能力和并行計(jì)算能力，在模型訓(xùn)練過程中，能夠加速神經(jīng)網(wǎng)絡(luò)的計(jì)算，顯著縮短訓(xùn)練時(shí)間。軟件環(huán)境上，操作系統(tǒng)選用Windows11專業(yè)版，該系統(tǒng)具有良好的穩(wěn)定性和兼容性，能夠?yàn)閷?shí)驗(yàn)提供穩(wěn)定的運(yùn)行平臺。編程語言采用Python3.9，Python擁有豐富的科學(xué)計(jì)算庫和機(jī)器學(xué)習(xí)框架，為實(shí)驗(yàn)的實(shí)現(xiàn)提供了便利。在機(jī)器學(xué)習(xí)框架方面，使用PyTorch1.12，PyTorch具有動態(tài)計(jì)算圖的特性，使得模型的調(diào)試和開發(fā)更加靈活，同時(shí)也提供了高效的GPU加速支持，能夠充分發(fā)揮顯卡的性能。實(shí)驗(yàn)中設(shè)置了對照組，以對比SaCe-ELM模型與其他傳統(tǒng)故障診斷方法以及未改進(jìn)的ELM模型的性能。對照組模型包括傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）以及未經(jīng)過改進(jìn)的ELM模型。BP神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典的前饋神經(jīng)網(wǎng)絡(luò)，通過反向傳播算法來調(diào)整網(wǎng)絡(luò)的權(quán)重和閾值，以最小化預(yù)測值與真實(shí)值之間的誤差。支持向量機(jī)則是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種分類方法，通過尋找最優(yōu)分類超平面來實(shí)現(xiàn)對不同類別數(shù)據(jù)的分類。未改進(jìn)的ELM模型作為對比，能夠直觀地展示SaCe-ELM模型中顯著性分析和級聯(lián)結(jié)構(gòu)的改進(jìn)效果。為了全面、客觀地評估模型的性能，選用了多個(gè)評價(jià)指標(biāo)。準(zhǔn)確率（Accuracy）用于衡量模型正確分類的樣本數(shù)占總樣本數(shù)的比例，其計(jì)算公式為：Accuracy=\frac{TP+TN}{TP+TN+FP+FN}其中，TP（TruePositive）表示真正例，即實(shí)際為正類且被模型正確預(yù)測為正類的樣本數(shù)；TN（TrueNegative）表示真負(fù)例，即實(shí)際為負(fù)類且被模型正確預(yù)測為負(fù)類的樣本數(shù)；FP（FalsePositive）表示假正例，即實(shí)際為負(fù)類但被模型錯(cuò)誤預(yù)測為正類的樣本數(shù)；FN（FalseNegative）表示假負(fù)例，即實(shí)際為正類但被模型錯(cuò)誤預(yù)測為負(fù)類的樣本數(shù)。準(zhǔn)確率越高，說明模型的整體分類性能越好。召回率（Recall）用于衡量模型正確預(yù)測的正類樣本數(shù)占實(shí)際正類樣本數(shù)的比例，其計(jì)算公式為：Recall=\frac{TP}{TP+FN}召回率反映了模型對正類樣本的覆蓋程度，召回率越高，說明模型對正類樣本的識別能力越強(qiáng)。F1值（F1-score）是綜合考慮準(zhǔn)確率和召回率的一個(gè)指標(biāo)，它是準(zhǔn)確率和召回率的調(diào)和平均數(shù)，計(jì)算公式為：F1=\frac{2\timesPrecision\timesRecall}{Precision+Recall}其中，Precision（精確率）的計(jì)算公式為Precision=\frac{TP}{TP+FP}。F1值能夠更全面地評估模型的性能，F(xiàn)1值越高，說明模型在準(zhǔn)確率和召回率之間取得了較好的平衡。還選用了混淆矩陣（ConfusionMatrix）來直觀地展示模型在各個(gè)類別上的分類情況?；煜仃囀且粋€(gè)二維矩陣，其行表示實(shí)際類別，列表示預(yù)測類別。矩陣中的每個(gè)元素表示實(shí)際類別為某一類，而被預(yù)測為另一類的樣本數(shù)量。通過分析混淆矩陣，可以清晰地了解模型在哪些類別上容易出現(xiàn)誤判，從而有針對性地對模型進(jìn)行改進(jìn)。在實(shí)驗(yàn)過程中，對每個(gè)模型都進(jìn)行了多次訓(xùn)練和測試，以確保實(shí)驗(yàn)結(jié)果的穩(wěn)定性和可靠性。對于每個(gè)模型，都進(jìn)行了10次獨(dú)立的實(shí)驗(yàn)，每次實(shí)驗(yàn)都采用不同的隨機(jī)種子來初始化模型參數(shù)，然后計(jì)算模型在測試集上的各項(xiàng)評價(jià)指標(biāo)，并取平均值作為最終的實(shí)驗(yàn)結(jié)果。這樣可以避免因隨機(jī)因素導(dǎo)致的實(shí)驗(yàn)結(jié)果偏差，使實(shí)驗(yàn)結(jié)果更加準(zhǔn)確地反映模型的性能。5.2實(shí)驗(yàn)過程使用預(yù)處理后的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，將其輸入基于SaCe-ELM的故障診斷模型。在模型訓(xùn)練階段，詳細(xì)記錄訓(xùn)練過程中的各項(xiàng)數(shù)據(jù)。每一次迭代訓(xùn)練時(shí)，記錄模型在訓(xùn)練集上的準(zhǔn)確率和損失函數(shù)值。在第1次迭代時(shí)，模型在訓(xùn)練集上的準(zhǔn)確率為50%，損失函數(shù)值為1.2；隨著迭代次數(shù)的增加，準(zhǔn)確率逐漸上升，損失函數(shù)值逐漸下降。在第50次迭代時(shí)，準(zhǔn)確率達(dá)到了75%，損失函數(shù)值降低到0.5；到第100次迭代時(shí)，準(zhǔn)確率進(jìn)一步提高到85%，損失函數(shù)值降至0.3。通過觀察這些數(shù)據(jù)的變化趨勢，可以了解模型的學(xué)習(xí)情況和收斂速度。在模型訓(xùn)練過程中，還記錄了自適應(yīng)差分進(jìn)化算法（ADE）每次迭代時(shí)種群中最優(yōu)個(gè)體的適應(yīng)度值。在算法初期，由于種群的隨機(jī)性較大，最優(yōu)個(gè)體的適應(yīng)度值較低。在第1次迭代時(shí)，最優(yōu)個(gè)體的適應(yīng)度值為0.6；隨著算法的進(jìn)行，種群逐漸向最優(yōu)解逼近，最優(yōu)個(gè)體的適應(yīng)度值不斷提高。在第50次迭代時(shí)，適應(yīng)度值提升到0.8；到第100次迭代時(shí)，適應(yīng)度值達(dá)到了0.9，表明算法在不斷尋找更優(yōu)的模型參數(shù)，以提高模型的性能。在測試階段，將測試集數(shù)據(jù)輸入訓(xùn)練好的模型，記錄模型對每個(gè)測試樣本的預(yù)測結(jié)果。對于一個(gè)測試樣本，模型輸出的預(yù)測結(jié)果為[0,1,0,0,0]，表示模型判斷該樣本對應(yīng)的故障類型為牽引逆變器功率模塊損壞，而實(shí)際的故障類型也為牽引逆變器功率模塊損壞，說明模型的預(yù)測是正確的。統(tǒng)計(jì)模型在測試集上的各項(xiàng)評價(jià)指標(biāo)，包括準(zhǔn)確率、召回率和F1值等。經(jīng)過計(jì)算，模型在測試集上的準(zhǔn)確率為88%，召回率為85%，F(xiàn)1值為86.5%。在實(shí)驗(yàn)過程中，遇到了一些問題并采取了相應(yīng)的解決措施。在模型訓(xùn)練初期，發(fā)現(xiàn)模型的收斂速度較慢，經(jīng)過分析，可能是由于自適應(yīng)差分進(jìn)化算法的參數(shù)設(shè)置不合理導(dǎo)致的。自適應(yīng)差分進(jìn)化算法中的差分進(jìn)化因子過小，使得算法在搜索空間中的移動步長較小，導(dǎo)致收斂速度緩慢。針對這個(gè)問題，對差分進(jìn)化因子進(jìn)行了調(diào)整，將其從0.5增大到0.7。調(diào)整后，算法在搜索空間中的探索能力增強(qiáng)，模型的收斂速度明顯加快。在第10次迭代時(shí)，模型在訓(xùn)練集上的準(zhǔn)確率就達(dá)到了60%，而調(diào)整前在第10次迭代時(shí)準(zhǔn)確率僅為52%。還遇到了模型過擬合的問題。在訓(xùn)練過程中，發(fā)現(xiàn)模型在訓(xùn)練集上的準(zhǔn)確率不斷提高，而在驗(yàn)證集上的準(zhǔn)確率卻逐漸下降，損失函數(shù)值在訓(xùn)練集上不斷減小，而在驗(yàn)證集上逐漸增大。為了解決這個(gè)問題，采取了增加訓(xùn)練數(shù)據(jù)量和調(diào)整模型參數(shù)的措施。通過與更多的地鐵運(yùn)營公司合作，收集了更多的故障數(shù)據(jù)，使訓(xùn)練集的規(guī)模擴(kuò)大了50%。對模型的隱含層神經(jīng)元個(gè)數(shù)進(jìn)行了調(diào)整，從原來的80個(gè)減少到60個(gè)。經(jīng)過這些調(diào)整，模型在驗(yàn)證集上的準(zhǔn)確率得到了提高，損失函數(shù)值也趨于穩(wěn)定，有效地解決了過擬合問題。調(diào)整后，模型在驗(yàn)證集上的準(zhǔn)確率從原來的80%提高到了85%，損失函數(shù)值從0.4降低到了0.35。5.3結(jié)果分析經(jīng)過多次實(shí)驗(yàn)，基于SaCe-ELM的地鐵牽引控制系統(tǒng)故障診斷模型展現(xiàn)出了出色的性能。從準(zhǔn)確率指標(biāo)來看，SaCe-ELM模型在測試集上的準(zhǔn)確率達(dá)到了88%，這表明該模型能夠準(zhǔn)確識別大部分的故障類型。在對牽引電機(jī)繞組短路故障的診斷中，模型準(zhǔn)確識別出了大部分此類故障樣本，誤判情況較少。與其他模型相比，優(yōu)勢明顯。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率僅為75%，在處理一些復(fù)雜故障模式時(shí)，容易出現(xiàn)誤判，將牽引逆變器故障誤判為牽引電機(jī)故障的情況時(shí)有發(fā)生。支持向量機(jī)（SVM）模型的準(zhǔn)確率為80%，對于一些邊界模糊的故障樣本，分類效果不佳。未改進(jìn)的ELM模型準(zhǔn)確率為82%，在處理高維數(shù)據(jù)和復(fù)雜故障時(shí)，由于對噪聲較為敏感，導(dǎo)致診斷準(zhǔn)確性受到一定影響。召回率方面，SaCe-ELM模型的召回率為85%，能夠較好地覆蓋實(shí)際存在的故障樣本，減少漏診情況的發(fā)生。在診斷牽引逆變器功率模塊損壞故障時(shí)，模型能夠準(zhǔn)確地識別出大部分此類故障樣本，避免了因漏診而導(dǎo)致的潛在安全隱患。相比之下，BP神經(jīng)網(wǎng)絡(luò)的召回率為70%，存在較多的漏診情況，可能會使一些故障無法及時(shí)被發(fā)現(xiàn)和處