CN109506963B - 一种智能列车牵引故障大数据异常检测辨识方法 - Google Patents

Abstract

本发明公开了一种智能列车牵引故障大数据异常检测辨识方法，包括：实时采集智能列车的牵引设备的工作信号；对工作信号进行采样处理得到采样数据集；使用孤立森林异常值快速检测器对采样数据集进行快速检测，获取工作信号中的显著异常点；根据显著异常点建立汉佩尔滑动窗口标识符过滤器，并对采样数据集进行处理，得到处理后的采样数据集；获取训练样本集，以训练样本的处理后的采样数据为输入、相应的故障类型为输出，对基于松弛支持向量机的分类器进行训练；使用训练得到的牵引故障诊断分类器对步骤三得到的处理后的采样数据集进行诊断，检测工作信号S中的微小和可疑故障的故障类型。本发明方法提高了列车牵引设备故障的检测效率和诊断正确率。

Description

一种智能列车牵引故障大数据异常检测辨识方法

技术领域

本发明涉及机械故障诊断领域，特别涉及一种智能列车牵引故障大数据异常检测辨识方法。

背景技术

随着现代化的发展，现代机械设备的自动化程度越来越高、功能越来越全面，相应的机械复杂度和精密度越来越高。列车的牵引设备是列车正常行驶的最重要保证，列车牵引设备的故障将导致整车的无法运行，带来严重的安全隐患和经济损失。但是，一些传统的列车牵引设备诊断方法和人工判断方法难以满足现代智能列车的故障诊断需求，这些方法的诊断精度和判断准确度难以达到要求。

为弥补传统列车人工诊断方法的不足，使用传感器采集列车牵引设备的工作数据信号，并对振动数据进行分析和诊断的方法逐渐普及，一些新型的机器学习智能诊断方法被应用到机械故障诊断当中，但此前提出的一些智能故障诊断方法的准确性难以得到保证。

发明内容

本发明提出一种智能列车牵引故障大数据异常检测辨识方法，采用孤立森林算法快速检测显著故障和基于大数据训练的牵引故障诊断分类器补充检测微小及其他可疑故障，并进一步确定故障种类，提高了列车牵引设备故障的检测效率和诊断正确率。

为实现上述技术目的，本发明采用如下技术方案：

一种智能列车牵引故障大数据异常检测辨识方法，包括以下步骤：

步骤一，实时采集智能列车的牵引设备的工作信号S；

步骤二，对工作信号S进行采样处理得到采样数据集D；使用孤立森林异常值快速检测器对采样数据集D进行快速检测，获取工作信号S中的显著异常点；

步骤三，根据显著异常点建立汉佩尔滑动窗口标识符过滤器，并对采样数据集D进行处理，得到处理后的采样数据集D'；

步骤四，获取训练样本集，训练样本包括经汉佩尔滑动窗口标识符过滤器处理过的处理后的采样数据和相应的故障类型，以训练样本的处理后的采样数据为输入、相应的故障类型为输出，对基于松弛支持向量机的分类器进行训练，得到牵引故障诊断分类器；

使用牵引故障诊断分类器对步骤三得到的处理后的采样数据集D'进行诊断，检测工作信号S中的微小和可疑故障的故障类型。

进一步地，所述步骤二具体包括以下步骤：

步骤A1，对实时采集到的工作信号S进行采样得到采样数据集D＝{x₁,x₂,x₃...x_Psi}，其中Psi表示采样数据量；

步骤A2，构建孤立森林列车牵引异常值检测器：设定孤立森林中iTree的数量t，并根据公式1.1设定每棵iTree的最大高度l，其中：

l＝ceiling(log₂Psi) (1.1)；

步骤A3，将采样数据集D输入到孤立森林列车牵引异常值检测器进行分类，得到第n个采样数据x_n在第j棵iTree上的高度为h_j(x_n)，在孤立森林中所有iTree上的高度均值为E(h(x_n))；

步骤A4，根据高度均值E(h(x_n))，按公式1.2计算采样数据x_n的异常指数S(x_n)是否为显著异常点：

其中，ξ为欧拉常数；

步骤A5，根据异常指数S(x_n)判断采样数据x_n是否为显著异常点，工作信号S中的全部显著异常点组成显著异常点信息矩阵Ot＝{Ot₁,Ot₂,Ot₃...Ot_m}，m表示显著异常点的个数。

进一步地，所述步骤三具体包括以下步骤：

步骤B1，为每个显著异常点Ot_i构建相应的工作窗口W_i，其中工作窗口W_i包括显著异常点Ot_i及前后各其前后各k个采样数据；

步骤B2，计算显著异常点Ot_i与工作窗口W_i内的标准差δ_i，并取全部显著异常点的标准差中的最小值δ_min＝minδ_i；

步骤B3，建立汉佩尔滑动窗口标识符过滤器，其中窗口宽度K＝2k+1，输入参数局部均值绝对偏差MAD＝δ_min；

步骤B4，使用汉佩尔滑动窗口标识符过滤器对采样数据集D进行处理，得到处理后的采样数据集D'。

进一步地，在将处理后的采样数据输入基于松弛支持向量机的分类器进行训练或使用时，先将处理后的采样数据进行经验模态分解，得到一系列频谱分布各异的模态信号，再将该一系列频谱分布各异的模态信号输入到松弛支持向量机。

进一步地，训练基于松弛支持向量机的分类器时，采用灰狼优化算法对基于松弛支持向量机的分类器的参数进行优化。

进一步地，所述采用灰狼优化算法对基于松弛支持向量机的分类器的参数进行优化过程包括：

步骤C1，将狼群中每个个体的位置设为待优化的参数，依次包括惩罚参数C、高斯核函数作用宽度参数γ及松弛变量项参数

步骤C2，按公式1.4确定搜索空间的上下界：

其中，C₀、γ₀、分别表示经过搜索和验证确定的最优参数，h_C、l_C分别表示惩罚参数C的上界和下界，h_γ、l_γ分别表示高斯核函数作用宽度参数γ的上界和下界，分别表示松弛变量项参数的上界和下界，a₁及a₂为搜索空间大小的系数；

步骤C3，生成初始化种群，设定狼群中的个体数目为n，狼群中第i只狼的位置为pos_i：

式中，r∈[0,1]为随机数；

步骤C4：取分类的准确度作为目标函数，并采用K折交叉验证方法求解目标函数值；

将训练样本集分为k组，其中k-1组作为训练集，剩下的1组作为验证集，采用循环的方式保证每个训练样本都成为一次验证集；其中，目标函数定义如下：

fin＝(Tn+Tp)/n (1.6),

式中，n为验证集的样本数量，Tn为验证集中被正确划分为异常点的数量，Tp为验证集中被正确划分为正常点的数量。

进一步地，所述牵引设备包括受电弓、牵引电机和牵引转向架，从牵引设备采集的工作信号包括受电弓电流信号、牵引电机功率信号和牵引转向架振动加速度信号。

进一步地，当步骤二检测到显著异常点时，对显著异常点所对应的显著性故障进行部件定位和故障类型确定；当步骤二检测到显著异常点或步骤四检测到微小和可疑故障类型时，所述方法还包括：

步骤五，根据牵引设备的故障位置和类型采取相应的牵引设备故障处理措施。

进一步地，牵引设备故障处理措施包括：

D1：对于显著异常点所对应的显著性牵引设备故障，立即解除牵引设备故障；

D2：对于微小或可疑牵引设备故障，则持续监督观察牵引设备故障；

D3：将本次异常检测时得到的处理后的采样数据集D'及最终微小和可疑故障的故障类型云存储于大数据云存储系统。

有益效果

本发明提出一种智能列车牵引故障大数据异常检测判断方法，其使用孤立森林异常检测技术对工作信号中的异常点进行快速识别，进一步使用汉佩尔滑动窗口标识符过滤器对快速识别到的异常点进行处理；对于快速检测无法发现的可疑故障和微小故障，进一步使用基于松弛支持向量机的牵引故障诊断分类器进行分类处理，从而辨识出工作信号中的异常点。该方法具有以下优点：

方法具有自主识别性，该方法自动判断智能列车牵引设备工作信号中的显著故障信号、可疑故障信号及微小故障信号等，省去了人工诊断的繁琐步骤，解放了劳动力并提高了诊断效率。

故障诊断正确率高，相比于人工诊断方法和传统机器学习的诊断方法，本发明使用基于松弛支持向量机的牵引故障诊断分类器对孤立森林快速检测无法识别的微小和可疑故障进行补充检测，进一步提高了本发明诊断和辨识牵引部件工作信号的正确率，故障异常检测精度进一步提升。

计算和诊断速度快，采用快速检测与微小故障诊断分层辨识的方式，快速检测出的牵引设备故障及时处理，未快速检测出故障的牵引设备进一步进行微小和可疑故障诊断，以达到最高的诊断效率。

具有开创性。采用建立异常点信息矩阵的方式，创新的将孤立森林快速异常检测方法与汉佩尔滑动窗口过滤器串联结合起来，实现了牵引部件工作信号的快速异常检测。

附图说明

图1为本发明的串联快速异常检测器建立原理图；

图2为本发明的多层次列车牵引故障诊断流程图。

具体实施方式

对于离群异常值(Outliers)的研究是时间序列分析中的热点，且异常值在性质和表现方面契合于牵引部件工作信号中的故障点，对于机械故障的智能诊断方法有很好的启发性和结合性。本发明提出一种基于异常检测技术和松弛支持向量机的对智能列车牵引故障进行异常检测辨识的方法：对于显著性牵引设备故障，使用孤立森林(IsolationForest)快速异常检测方法建立孤立森林异常值检测器，检测出牵引设备工作信号的异常点；进一步使用汉佩尔标识符过滤器(Hampel Identifier)对异常点进行识别和处理，得到处理后的信号；对于微小和可疑故障，使用基于松弛支持向量机(Relaxed support vectormachine,RSVM)的牵引故障诊断分类器对处理后的信号进行处理和分类，用以诊断工作信号中的微小故障和残余故障信息，并进一步确定故障种类。

本发明提出的智能列车牵引故障大数据异常检测辨识方法，适用于对列车牵引设备的工作信号进行数据信号提取和故障诊断检测。

特别的，智能列车的牵引设备的主要部件有：受电弓、牵引电机、牵引转向架及其他配套零部件，在该实施例中仅针对列车牵引设备的以上三个主要部件进行实时监督和故障诊断，对该三个主要部件分别采集的信号为：受电弓电流信号、牵引电机功率信号及牵引转向架振动加速度信号。根据以上工作信号及相应部件的常见故障种类，如受电弓连接不稳定导致的电流断流、牵引电机故障导致的功率不足及转向架零件缺失或损坏导致的反常振动等，进一步构建智能列车故障数据及故障种类大数据平台。

本发明提出的智能列车牵引故障大数据异常检测辨识方法，参考图1-2所示，在该最佳实施方式包括以下步骤：

步骤一，实时采集智能列车的牵引设备的工作信号S。

采用合适的传感器组作为列车牵引设备各主要部件的采集传感器，列车牵引设备的主要部件有：受电弓、牵引电机、牵引转向架及其他配套零部件，本最佳实施方式中主要针对列车牵引设备的以上三个主要部件进行实时监督和故障诊断。

传感器组针对以上三个主要部件采集的工作信号S包括：受电弓电流信号、牵引电机功率信号、牵引转向架振动加速度信号，根据以上采集到的信号建立列车牵引设备输入信号矩阵，作为后面模型的输入数据。

步骤二，使用iForest孤立森林异常值检测器对输入的工作信号进行快速检测，获取工作信号S中的显著异常点。

本发明采用的iForest孤立森林算法本质是一种无监督学习算法，其内部由许多随机二叉树isolation Tree构成，随机二叉树即树中的每个节点要么拥有两个分支要么为叶子节点，到达叶子节点则视为分类结束。iForest孤立森林算法则采用多棵iTree进行构造，进一步保证了不同树之间的差异性。本发明利用iForest的算法原理，构建孤立森林异常值检测器，从而对输入的牵引设备主要部件的工作信号进行异常值检测。

步骤A1，对实时采集到的工作信号S进行采样，一次采样数据量为Psi，一般取256个采样数据，构建采样数据集D＝{x₁,x₂,x₃...x_Psi}作为一次异常检测的数据集。

步骤A2，构建孤立森林列车牵引异常值检测器：设定孤立森林中iTree的数量t，并根据公式1.1设定每棵iTree的最大高度l，其中：

l＝ceiling(log₂Psi) (1.1)。

步骤A3，将采样数据集D输入到孤立森林列车牵引异常值检测器进行分类，得到第n个采样数据x_n在第j棵iTree上的高度为h_j(x_n)，在孤立森林中所有iTree上的高度均值为E(h(x_n))。

步骤A4，根据高度均值E(h(x_n))，按公式1.2计算采样数据x_n的异常指数S(x_n)是否为显著异常点：

其中，ξ为欧拉常数。

步骤A5，根据异常指数S(x_n)判断采样数据x_n是否为显著异常点，其中采样数据x_n的异常指数S(x_n)越靠近于1，表示该采样数据x_n的异常性越高。工作信号S中的全部显著异常点组成显著异常点信息矩阵Ot＝{Ot₁,Ot₂,Ot₃...Ot_m}，m表示显著异常点的个数。

当步骤二检测到显著异常点时，根据显著异常点的数据来源以确定具体的故障部件和故障类型，由于是显著故障，一般通过人工方式即可直观快速的检查出来，比如部件缺失、断裂、损坏等故障类型。

步骤三，根据显著异常点建立汉佩尔滑动窗口标识符过滤器，并对采样数据集D进行处理，得到处理后的采样数据集D'。

步骤B1，将孤立森林列车牵引异常值检测器输出的显著异常点信息矩阵Ot＝{Ot₁,Ot₂,Ot₃...Ot_m}进一步处理，为每个显著异常点Ot_i构建相应的工作窗口W_i，得到工作窗口矩阵W＝{W₁,W₂,W₃...W_m}。其中工作窗口W_i包括显著异常点Ot_i及其前后各k个采样数据。

步骤B2，对工作窗口W_i内的采样数据进行分析：计算工作窗口W_i内的全部采样数据的局部均值，然后计算显著异常点Ot_i与该局部均值的标准差δ_i，进一步取全部显著异常点的标准差中的最小值δ_min＝minδ_i，再构建异常点信息参数矩阵C:

C＝[D,Ot,K,δ_n] (1.3)，

式中，Ot＝{Ot₁,Ot₂,Ot₃...Ot_m}为异常点位置信息，K＝2k+1为汉佩尔滑动窗口宽度，δ_n＝minδ_i为输入指标参数，随异常点信息而定。

步骤B3，异常点信息参数矩阵C建立汉佩尔滑动窗口标识符过滤器，其中窗口宽度K＝2k+1，输入参数局部均值绝对偏差MAD＝δ_min；

步骤B4，使用汉佩尔滑动窗口标识符过滤器遍历采样数据集D的采样数据x_n，得到处理后的采样数据x_n'。

串联孤立森林异常值快速检测器-汉佩尔滑动窗口标识符过滤器，即为列车牵引故障快速检测器，并将其中检测出的异常点进行修正处理

该步骤三即是先根据计算孤立森林异常值快速检测器识别出的异常值进行计算，得到汉佩尔滑动窗口标识符过滤器的工作参数并设定，使汉佩尔滑动窗口标识符过滤器遍历采样数据集，将这些异常值进行修正。

孤立森林异常值快速检测器识别出采样数据集中的异常点，但无法对异常点进行处理(仅能分类)，而本发明通过汉佩尔滑动窗口标识符过滤器可以将异常点修正，改为汉佩尔滑动窗口中的局部均值，使采样数据集中的采样数据序列更平稳，显著提高下一步骤四基于松弛向量机的牵引故障诊断分类器对微小和可疑故障的检测效率。通过将孤立森林异常值快速检测器与汉佩尔滑动窗口标识符过滤器串联，即孤立森林异常值快速检测器传递数据给汉佩尔滑动窗口标识符过滤器，汉佩尔滑动窗口标识符过滤器再对异常值进行处理，使得串联得到的列车牵引故障快速检测器对采样数据集中的异常值的处理，相比于单独使用汉佩尔滑动窗口标识符过滤器进行处理更准确。

本发明中采用的iForest算法自身不带有异常点处理功能，而传统的Hampelidentifier过滤器具有处理异常点的功能但异常检测效果较差，本发明创新的将iForest算法与Hampel identifier过滤器处理结合，实现精准异常检测与数据异常点处理的结合。

步骤四，使用训练后的牵引故障诊断分类器对步骤三得到的处理后的采样数据集D'中的采样数据x_n'进行诊断，检测工作信号S中的微小和可疑故障的故障类型。

快速检测诊断出的故障机械进行处理，未快速检测出的牵引部件工作信号进一步使用混合分类器处理，诊断其中的微小和可疑故障部分。

列车牵引故障快速检测器，可以实现对牵引部件工作信号故障点的快速遍历和迅速诊断，大部分的显著性牵引故障会被辨识出来。但微小故障及其他可疑未发现故障仍然存在，本发明进一步使用经过大量数据训练的基于松弛支持向量机的混合列车牵引故障诊断分类器进行处理，其中该混合列车牵引故障诊断分类器为列车牵引故障信号经验模态分解-灰狼优化算法-松弛支持向量机分类模型，对列车牵引故障快速检测器输出的处理后的采样数据集D'进行分类处理，检测工作信号S中的微小和可疑故障的故障类型。

在使用牵引故障诊断分类器之前，先对该基于松弛支持向量机的分类模型进行训练：获取训练样本集，训练样本包括经汉佩尔滑动窗口标识符过滤器处理后的采样数据和该数据相应的故障类型，对处理后的采样数据进行经验模态分解，将分解后的信号作为输入、该数据相应的故障类型为输出，对基于松弛支持向量机的分类模型进行训练，得到训练后的牵引故障诊断分类器。

待基于松弛支持向量机的分类器参数优化完成及训练完成后，再使用训练后的基于松弛支持向量机的分类器，即牵引故障诊断分类器对步骤三得到的处理后的采样数据进行诊断，检测工作信号S中的微小和可疑故障的故障类型。

在将处理后的采样数据输入分类器进行训练或使用时，先将处理后的采样数据进行经验模态分解，得到一系列频谱分布各异的模态信号，再将该一系列频谱分布各异的模态信号输入到松弛支持向量机。

在该最佳实施例对分类器进行训练时，采用灰狼优化算法对基于松弛支持向量机的分类器的参数进行优化，具体的灰狼优化过程包括：

步骤C1，将狼群中每个个体的位置设为待优化的参数，依次包括惩罚参数C、高斯核函数作用宽度参数γ及松弛变量项参数

步骤C2，按公式1.4确定搜索空间的上下界：

其中，C₀、γ₀、分别表示经过搜索和验证确定的最优参数，h_C、l_C分别表示惩罚参数C的上界和下界，h_γ、l_γ分别表示高斯核函数作用宽度参数γ的上界和下界，分别表示松弛变量项参数的上界和下界，a₁及a₂为搜索空间大小的系数；

步骤C3，生成初始化种群，设定狼群中的个体数目为n，狼群中每个个体的位置有三个维度，分别为需要优化的惩罚参数C、高斯核函数作用宽度参数γ及松弛变量项参数狼群中第i只狼的位置为pos_i：

式中，r∈[0,1]为随机数；

步骤C4：取分类的准确度作为目标函数，并采用K折交叉验证方法求解目标函数值；

将训练样本集分为k组，其中k-1组作为训练集，剩下的1组作为验证集，采用循环的方式保证每个训练样本都成为一次验证集；其中，目标函数定义：

fin＝(Tn+Tp)/n (1.6),

其中，n为验证集的样本数量，Tn为验证集中被正确划分为异常点的数量，Tp为验证集中被正确划分为正常点的数量。

松弛支持向量机(RSVM)是Seref在2014年提出的新型支持向量机算法，通过加入一定数量的不受惩罚的松弛变量来松弛支持向量机，并进一步进行分类，从而进一步增强了支持向量机算法在面对离群异常值时的鲁棒性，其超平面受到离群值的影响进一步减少。

当步骤二检测到显著异常点或步骤四检测到微小异常点时，本发明方法还包括：

步骤五，根据显著异常点或微小异常点确定牵引设备的故障位置和类型，并采取相应的牵引设备故障处理措施。

其中，确定故障位置是指找到故障发出于牵引设备的受电弓、牵引电机还是牵引转向架。若故障位置在牵引电机，则故障类型包括：牵引电机功率过小、牵引电机异常剧烈抖动和牵引电机发热异常等其他故障；若故障位置在受电弓，则故障类型包括：受电弓接触不良、受电弓受电设备损坏或异常以及受电弓控制设备失效等；若故障位置在转向架，则故障类型包括：转向架零件达到磨损极限、转向架连接松动和转向架零部件缺失及其他故障。

另外，牵引设备故障处理措施包括：

D1：对于显著异常点所对应的显著性牵引设备故障，进行重点和优先处理，发现立即解除牵引设备故障，提高列车的运行安全；

D2：对于微小和可疑牵引设备故障，则持续监督观察牵引设备故障，以预防显著故障的出现和微小故障的恶化；

D3：将本次异常检测时得到的处理后的采样数据集D'及最终微小和可疑故障的故障类型云存储于大数据云存储系统，可用于进一步对基于松弛支持向量机的牵引故障诊断分类器进行增量式训练或为人工决策提供有效的信息等。

本发明的实施方式并不限于上述实施例，本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (9)

1.一种智能列车牵引故障大数据异常检测辨识方法，其特征在于，包括以下步骤：

步骤一，实时采集智能列车的牵引设备的工作信号S；

步骤二，对工作信号S进行采样处理得到采样数据集D；使用孤立森林异常值快速检测器对采样数据集D进行快速检测，获取工作信号S中的显著异常点；

步骤三，根据显著异常点建立汉佩尔滑动窗口标识符过滤器，并对采样数据集D进行处理，得到处理后的采样数据集D'；

步骤四，获取训练样本集，训练样本包括经汉佩尔滑动窗口标识符过滤器处理过的处理后的采样数据和相应的故障类型，以训练样本的处理后的采样数据为输入、相应的故障类型为输出，对基于松弛支持向量机的分类器进行训练，得到牵引故障诊断分类器；

使用牵引故障诊断分类器对步骤三得到的处理后的采样数据集D'进行诊断，检测工作信号S中的微小和可疑故障的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述步骤二具体包括以下步骤：

步骤A1，对实时采集到的工作信号S进行采样得到采样数据集D＝{x₁,x₂,x₃...x_Psi}，其中Psi表示采样数据量；

步骤A2，构建孤立森林列车牵引异常值检测器：设定孤立森林中iTree的数量t，并根据公式1.1设定每棵iTree的最大高度l，其中：

l＝ceiling(log₂Psi) (1.1)；

步骤A3，将采样数据集D输入到孤立森林列车牵引异常值检测器进行分类，得到第n个采样数据x_n在第j棵iTree上的高度为h_j(x_n)，在孤立森林中所有iTree上的高度均值为E(h(x_n))；

步骤A4，根据高度均值E(h(x_n))，按公式1.2计算采样数据x_n的异常指数S(x_n)是否为显著异常点：

其中，ξ为欧拉常数；

步骤A5，根据异常指数S(x_n)判断采样数据x_n是否为显著异常点，工作信号S中的全部显著异常点组成显著异常点信息矩阵Ot＝{Ot₁,Ot₂,Ot₃...Ot_m}，m表示显著异常点的个数。

3.根据权利要求2所述的方法，其特征在于，所述步骤三具体包括以下步骤：

步骤B1，为每个显著异常点Ot_i构建相应的工作窗口W_i，其中工作窗口W_i包括显著异常点Ot_i及其前后各k个采样数据；

步骤B2，计算显著异常点Ot_i与工作窗口W_i内的标准差δ_i，并取全部显著异常点的标准差中的最小值δ_min＝minδ_i；

步骤B3，建立汉佩尔滑动窗口标识符过滤器，其中窗口宽度K＝2k+1，输入参数局部均值绝对偏差MAD＝δ_min；

步骤B4，使用汉佩尔滑动窗口标识符过滤器对采样数据集D进行处理，得到处理后的采样数据集D'。

4.根据权利要求1所述的方法，其特征在于，在步骤四中将处理后的采样数据输入基于松弛支持向量机的分类器进行训练或使用时，先将处理后的采样数据进行经验模态分解，得到一系列频谱分布各异的模态信号，再将该一系列频谱分布各异的模态信号输入到松弛支持向量机。

5.根据权利要求1所述的方法，其特征在于，训练基于松弛支持向量机的分类器时，采用灰狼优化算法对基于松弛支持向量机的分类器的参数进行优化。

6.根据权利要求5所述的方法，其特征在于，所述采用灰狼优化算法对基于松弛支持向量机的分类器的参数进行优化过程包括：

步骤C1，将狼群中每个个体的位置作为待优化的参数，依次包括惩罚参数C、高斯核函数作用宽度参数γ及松弛变量项参数Υ；

步骤C2，按公式1.4确定搜索空间的上下界：

其中，C₀、γ₀、Υ₀分别表示经过搜索和验证确定的最优参数，h_C、l_C分别表示惩罚参数C的上界和下界，h_γ、l_γ分别表示高斯核函数作用宽度参数γ的上界和下界，h_Υ、l_Υ分别表示松弛变量项参数Υ的上界和下界，a₁及a₂为搜索空间大小的系数；

步骤C3，生成初始化种群，设定狼群中的个体数目为n，狼群中第i只狼的位置为pos_i：

pos_i＝[l_C+r(h_C-l_C),l_γ+r(h_γ-l_γ),l_Υ+r(h_Υ-l_Υ)] (1.5),

式中，r∈[0,1]为随机数；

步骤C4：取分类的准确度作为目标函数，并采用K折交叉验证方法求解目标函数值；

将训练样本集分为k组，其中k-1组作为训练集，剩下的1组作为验证集，采用循环的方式保证每个训练样本都成为一次验证集；其中，目标函数定义如下：

fin＝(Tn+Tp)/n (1.6),

式中，n为验证集的样本数量，Tn为验证集中被正确划分为异常点的数量，Tp为验证集中被正确划分为正常点的数量。

7.根据权利要求1所述的方法，其特征在于，所述牵引设备包括受电弓、牵引电机和牵引转向架，从牵引设备采集的工作信号包括受电弓电流信号、牵引电机功率信号和牵引转向架振动加速度信号。

8.根据权利要求7所述的方法，其特征在于，当步骤二检测到显著异常点时，对显著异常点所对应的显著性故障进行部件定位和故障类型确定；当步骤二检测到显著异常点或步骤四检测到微小和可疑故障类型时，所述方法还包括：

步骤五，根据牵引设备的故障位置和类型采取相应的牵引设备故障处理措施。

9.根据权利要求8所述的方法，其特征在于，所述牵引设备故障处理措施包括：

D1：对于显著异常点所对应的显著性牵引设备故障，立即解除牵引设备故障；

D2：对于微小或可疑牵引设备故障，则持续监督观察牵引设备故障；

D3：将本次异常检测时得到的处理后的采样数据集D'及最终微小和可疑故障的故障类型云存储于大数据云存储系统。