%0 Journal Article
%A 齐伟智
%A 李再帏
%A 洪剑
%T 基于GWO-VMD的无砟轨道翻浆冒泥病害识别
%D 2025
%R 10.11860/j.issn.1673-0291.20240118
%J 星空电竞app2026最新版学报
%P 123-134
%V 49
%N 2
%X <p>针对当下翻浆冒泥病害识别成本昂贵、周期长和效率低等问题，提出一种基于灰狼优化算法（Grey Wolf Optimization， GWO）与变分模态分解（Variational Mode Decomposition， VMD）相结合的无砟轨道翻浆冒泥病害识别算法.首先，通过对翻浆冒泥病害数量的统计分析，明确无砟轨道翻浆冒泥病害区段长度.其次，基于动检车所测得轨道不平顺数据，比较经验模态分解（Empirical Mode Decomposition， EMD）、小波分解（Wavelet Decomposition， WD）和VMD在无砟轨道翻浆区段不平顺数据分解中效果及麻雀搜索优化算法（Sparrow Search Algorithm， SSA）、人工蜂群优化算法（Artificial Bee Colony， ABC）、鲸鱼优化算法（Whale Optimization Algorithm， WOA）、粒子群优化算法（Particle Swarm Optimization， PSO）和GWO对于VMD关键参数<i>k</i>和<span class="mag-xml-inline-formula"> <math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"> <mml:mi>α</mml:mi></math></span>的自适应选择效果；采用GWO-VMD对测得的轨道不平顺数据进行分解，分析轨道不平顺固有模态分量（Intrinsic Mode Functions， IMF）的特征；将IMF的峭度值作为特征向量，通过计算包络谱熵值的最大似然函数得到病害识别阈值为3.51.最后，通过实例验证GWO-VMD模型的有效性.研究结果表明：利用GWO-VMD分解轨道不平顺数据所得到的每个IMF分量具有不同的频率和幅度特征，对应了不同空间尺度信息；与现场病害资料对比，GWO-VMD识别的结果准确率均达到90%以上，可有效地实现无砟轨道翻浆冒泥病害的定位与检测.研究结果有助于无砟轨道服役状态的精细化管理，为高铁线路“状态修”提供技术支持.</p>
%U https://jdxb.bjtu.edu.cn/CN/10.11860/j.issn.1673-0291.20240118