CN110161343B - 一种智能列车外部受电装置的非侵入式实时动态监测方法 - Google Patents

Abstract

本发明公开了一种智能列车外部受电装置的非侵入式实时动态监测方法，包括：获取受电弓的原始电流信号并进行预处理获取多个原始数据向量；对原始数据向量进行小波包分解，从得到的每个子频带提取特征量并构建特征向量；以特征向量和受电弓是否故障的分类标记分别作为输入输出数据，训练故障识别预判模型；以原始数据向量和故障类型分别作为输入输出数据，训练故障识别模型；按前述方法对受电弓的实时电流信号进行处理得到原始数据向量和特征向量，故障识别预判模型根据特征向量对受电弓进行故障预判，若有故障，故障识别模型根据原始数据向量对受电弓的故障类型进行识别。本发明实现列车运行状态下受电弓的实时在线监测与故障类型识别。

Description

一种智能列车外部受电装置的非侵入式实时动态监测方法

技术领域

本发明涉及故障识别领域，具体是指一种智能列车外部受电装置的非侵入式实时动态监测方法。

背景技术

伴随着我国城市化进程的加快及经济建设的高速发展，对于出行过程中的舒适性、便捷性与安全性，人们的要求越来越高。在轨道交通领域，智能列车概念的提出对于未来缓解城市间交通压力，增加高速列车乘坐舒适性与可靠性，提升铁路行业服务水平起着极为重要的作用。其中，列车外部受流装备，目前常见的为列车受电弓，其平稳运行与安全诊断对于智能列车的实现，有着重要意义。

列车受电弓的故障类型主要分为机械部件故障、电器系统故障、风管系统故障等。现阶段针对受电弓的主要故障诊断方式及所存在的缺陷包括：

(1)基于图像识别的受电弓故障诊断，但该方法无法实现列车运行状态下的受电弓裂纹诊断，容易受到遮挡物及安装视角的影响；

(2)基于地面设备的故障诊断，但该方法需要在在路网沿线布置各类传感器等硬件设备，成本较高，且只能在相应路段才能实现受电弓故障诊断；

(3)基于受电弓震动特性分析的故障诊断，但该方法需要安装外部设备实现故障诊断，且识别精度较低，可识别故障类型较少。

发明内容

针对目前受电弓故障诊断方式所存在的缺陷，本发明提供一种智能列车外部受电装置的非侵入式实时动态监测方法，实现列车运行状态下受电弓的实时在线监测与故障类型识别。

为实现上述技术目的，本发明采用如下技术方案：

一种智能列车外部受电装置的非侵入式实时动态监测方法，包括以下步骤：

步骤1，获取原始数据向量；

采集受电弓的原始电流信号并进行预处理得到预处理电流信号，从预处理电流信号中提取多个预处理电流信号片段得到受电弓的多个原始数据向量；其中，已知每个原始数据向量所对应的受电弓故障类型；

步骤2，构建正负样本子集；

步骤2.1，对原始数据向量进行小波包分解重构，提取每个子频带的小波能量信息和小波包奇异值并作为特征量，再利用所有特征量构建特征向量；

步骤2.2，将每个原始数据向量所对应的特征向量均作为训练样本，所有训练样本构成训练集；

步骤2.3，根据受电弓故障类型是否为“无故障”，对每个训练样本进行0和1分类标记，再按分类标记的不同将训练集划分为正样本子集和负样本子集；

步骤3，训练获得故障识别预判模型；

以特征向量和相应的分类标记分别作为输入和输出数据，训练SVM模型，得到故障识别预判模型；

步骤4，训练获得故障识别模型；

以原始数据向量和相应的故障类型分别作为输入和输出数据，训练LSTM网络，得到故障识别模型；

步骤5，对受电弓进行实时动态监测；

步骤5.1，采集受电弓的实时电流信号，并进行预处理得到原始数据向量，再按步骤2.1获取特征向量；

步骤5.2，将步骤5.1得到的特征向量输入至步骤3得到的故障识别预判断模型，得到受电弓是否故障，若受电弓为有故障，则执行步骤5.3，否则执行步骤5.1；

步骤5.3，将步骤5.1得到的原始数据向量输入至步骤4得到的故障识别模型，得到受电弓的故障类型。

在本方案中，采用受电弓的电流信号数据作为故障类型诊断的数据来源，实现基于非侵入式电力负荷识别实现受电弓故障类型诊断。相比于图像识别、地面设备检测、受电弓震动特性分析等受电弓故障检测方法，本发明能够实现列车运行状态下受电弓的实时在线监测与故障类型识别，同时不需要在列车外部及路网沿线加装其余的硬件设备，具有较好的经济性。

采用SVM算法实现故障是否出现的故障识别预判模型，具有较强的全局寻优能力及模型鲁棒性，运算效率及识别准确率均较高，能够保证故障预警的实时性。同时，当故障识别预判断模型判断受电弓出现故障时，采用基于LSTM网络的故障识别模型实现故障类型识别。LSTM网络的深度学习算法可以自适应提取原始数据向量中的特征信息，减少传统机器学习算法人为设计特征造成的不完备性，在大量样本的训练下可以更好的实现故障类型识别。二者结合能够较好的解决采用递归方式提取电流信号处理时，单纯深度学习算法运行速度较慢，占用计算资源过多，难以实时监测的问题。

采用小波包分解结合小波能量信息及奇异值特征提取的方式，提取SVM故障预判断模型的输入特征，一定程度上拓宽了特征维度，挖掘原始电流信号的深层信息，提高基于SVM的故障识别预判断模型的识别精度，识别效率及模型鲁棒性。

进一步地，步骤2.1中，对原始数据向量进行N层小波包分解重构，得到2^N个小波能量信息和2^N个小波包奇异值，在步骤3之前还包括步骤2.4，基于ReliefF算法选择特征量并构建最终的特征向量，具体过程为：

步骤D1，由2^N个小波能量信息构建小波能量特征向量

由2^N个小波包奇异值构建奇异值特征向量

再将小波能量特征向量和奇异值特征向量组合得到特征向量

步骤D2，初始化权值向量

所述权值向量W中的2^N+1个元素分别为特征向量P中的2^N+1个特征量的权值；

步骤D3，从训练集中随机抽取一个训练样本R，从分类标记相同的样本子集中选择k个最邻近样本R₁，从分类标记不同的样本子集中选择k个最邻近样本R₂；

步骤D4，遍历k个最邻近样本R₁和k个最邻近样本R₂，按照以下公式更新权值向量W：

其中，diff(a,R₁,R₂)表示样本R₁、R₂于第a个特征量处的差，计算方法如下

步骤D5，重复步骤D3-D4，重复次数为N_c，最终得到权值向量W，执行步骤D6；

步骤D6，对权值向量W按降序排序，得到对应的特征量排列顺序，并选取前面的s维特征量构成最终的特征向量

本方案采用ReliefF特征选择算法对特征向量中所有特征量进行排序筛选，在离线训练状态下进行，不占用系统使用过程中的计算资源；而且从中筛选有效特征量，在保证基于SVM的故障识别预判断模型的识别准确率的情况下，可有效减少故障识别预判断模型进行故障预判的计算资源。

进一步地，N＝3。

进一步地，子频带的小波能量信息是指子频带在原始数据向量中的能量比重，计算公式为：

其中，e_i表示第i个子频带的小波能量信息，E_i表示第i个子频带的小波能量，E_sum表示所有子频带的小波能量之和，D_i表示第i个子频带的重构时域信号，q_i,d表示第i个子频带所对应的小波系数，Nt表示原始数据向量的维度；

子频带的小波包奇异值的计算方法为：

由2^N个子频带的小波系数构成2^N×Nt的矩阵L，且矩阵L的秩为r，并存在标准正交矩阵U、标准正交矩阵V及对角矩阵D满足以下公式：

Θ_r×r＝diag(σ₁,σ₂,…,σ_r)，

r＝min(2^N,Nt)＝2^N，

其中，通过公式

求取矩阵U^*的2^N个特征值，将矩阵U^*展开即可得到矩阵U；通过公式

求取矩阵V^*的Nt个特征值，将其展开即可得到矩阵V；根据得到的矩阵U、矩阵V以及上述公式，计算得到所有子频带的小波包奇异值{σ₁,σ₂,σ₃,...,σ_r}。

进一步地，采用高斯核函数作为SVM模型的核函数，采用K折交叉验证的方式对高斯核参数σ以及惩罚因子c进行参数优化设置，具体的参数优化设置过程为：

将训练集均分为K组子集，滚动将其中K-1组作为训练子集，剩余1组子集作为测试子集，对SVM模型进行训练和测试，得到K个测试准确率，取K个测试准确率的平均值作为SVM模型的参数评价指标；

设置高斯核参数σ和惩罚因子c的取值范围以及迭代步长；交叉遍历高斯核参数σ和惩罚因子c的所有取值组合，设置SVM模型，并计算当前SVM模型的参数评价指标值，再从中选取最大值所对应的高斯核参数σ和惩罚因子c的取值组合，作为SVM模型的最优参数组合。

本方案采用K折交叉验证的方式对SVM模型进行参数寻优的过程，是在离线训练状态下进行，不占用系统使用过程中的计算资源，而且采用寻优后得到的高斯核参数σ和惩罚因子c设置SVM模型，能够提升基于SVM模型的故障识别预判断模型的识别准确率。

进一步地，采用Adam梯度下降算法对LSTM网络进行训练，采用交叉熵函数作为训练的最小优化指标，其中交叉熵函数为：

其中，p_i(x)表示第i个原始数据向量在LSTM网络的期望输出，q_i(x)表示第i个原始数据向量在LSTM网络的真实输出，N_out表示LSTM网络输出层的神经元数量。

进一步地，受电弓的故障类型包括：受电弓碳滑板过热、碳滑板裂纹、弓网接触压力异常、网线故障、供电异常、无故障，每种故障类型与LSTM网络输出层的1个神经元对应。

进一步地，采集受电弓的原始电流信号并进行预处理得到预处理电流信号的具体过程为：

首先，采用通信波特率为9600Hz的ADC采集模块，采集受电弓的原始电流信号；

然后，通过求取原始电流信号在固定窗口长度内的电流有效值，将9600Hz的原始电流信号处理为基频信号频率50Hz的预处理电流信号。

进一步地，从预处理电流信号中提取多个预处理电流信号片段得到受电弓的多个原始数据向量的具体过程为：采用滑动窗的方式，以80个周期基频信号长度为滑动窗步长，以100个周期基频信号长度为滑动窗宽度，从预处理电流信号截取预处理电流信号片段作为原始数据向量。

有益效果

本发明采用结合神经网络预筛选与深度学习最终识别的方式，实现对于智能列车外部受电装置的非侵入式实时动态监测与预警。与传统受电弓故障诊断方式相比，具有如下优势：

(1)采用受电弓的电流信号数据作为故障类型诊断的数据来源，实现基于非侵入式电力负荷识别实现受电弓故障类型诊断。相比于图像识别、地面设备检测、受电弓震动特性分析等受电弓故障检测方法，本发明能够实现列车运行状态下受电弓的实时在线监测与故障类型识别，同时不需要在列车外部及路网沿线加装其余的硬件设备，具有较好的经济性。

(2)采用SVM算法实现故障是否出现的故障识别预判模型，具有较强的全局寻优能力及模型鲁棒性，运算效率及识别准确率均较高，能够保证故障预警的实时性。同时，当故障识别预判断模型判断受电弓出现故障时，采用基于LSTM网络的故障识别模型实现故障类型识别。LSTM网络的深度学习算法可以自适应提取原始数据向量中的特征信息，减少传统机器学习算法人为设计特征造成的不完备性，在大量样本的训练下可以更好的实现故障类型识别。二者结合能够较好的解决采用递归方式提取电流信号处理时，单纯深度学习算法运行速度较慢，占用计算资源过多，难以实时监测的问题。

(3)采用小波包分解结合小波能量信息及奇异值特征提取的方式，提取SVM故障预判断模型的输入特征，一定程度上拓宽了特征维度，挖掘原始电流信号的深层信息，提高基于SVM的故障识别预判断模型的识别精度，识别效率及模型鲁棒性。

附图说明

图1为本发明实施例所述方法的流程示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

本发明实施例提供一种智能列车外部受电装置的非侵入式实时动态监测方法，采用结合神经网络预筛选与深度学习最终识别的方式，实现对于智能列车外部受电装置的非侵入式实时动态监测与预警。首先通过提取原始数据向量经过小波包分解后各子频带的相关信息作为特征，导入SVM神经网络进行预判断，借由SVM的运行效率高的特点实现实时动态预警。然后将判断为故障的相应原始数据向量处理后导入LSTM深度学习网络构建的故障类型识别模型，实现受电弓故障类型诊断。具体地，如图1所示，本发明方法包括以下步骤：

步骤1，获取原始数据；

采集受电弓的原始电流信号并进行预处理得到预处理电流信号，从预处理电流信号中提取多个预处理电流信号片段得到受电弓的多个原始数据向量。

首先，采用基于SOC计量芯片的交直流电流信号ADC采集模块采集智能列车受电弓的实时电流信号作为采样数据，由于采集模块的通讯波特率高达9600Hz，所以采用原始电流信号数据进行后续处理的计算成本较大，效率较低。本发明对原始9600Hz采样频率的原始电流信号数据进行预处理，通过求取原始电流信号在固定窗口长度内的电流有效值，将9600Hz的原始电流信号数据处理为基频信号频率50Hz的预处理电流信号数据。

然后，采用滑动窗的方式，以100个周期基频信号长度为滑动窗宽度，以80个周期基频信号长度为滑动窗步长，从预处理电流信号截取预处理电流信号片段作为原始数据向量It。

其中，已知每个原始数据向量所对应的受电弓故障类型，且在本实施例中，受电弓的故障类型包括：受电弓碳滑板过热、碳滑板裂纹、弓网接触压力异常、网线故障、供电异常、无故障。

步骤2，构建正负样本子集；

步骤2.1，对原始数据向量进行小波包分解重构，提取每个子频带的小波能量信息和小波包奇异值并作为特征量，再利用所有特征量构建初始特征向量。

小波包分解(Wavelet Packet Decomposition,WPD)是传统离散型小波变换的扩展。传统小波变换在分解的过程中只对低频信号再分解，对高频信号不再实施分解。小波包分解可将频带进行多层次划分，能够对信号中的大量中、高频信息进行更好的时频局域分析。本发明采用WPD对原始数据向量It进行小波包分解，并提取每个子频带的相应特征信息。具体步骤如下：

步骤A，原始训练数据WPD分解；

利用一个低通滤波器和一个高通滤波器对It进行分解，分解为一组高频信号分量和一组低频信号分量，然后再由上至下逐层对不同频带的信号分量进行分解，针对信号第2层的第m个信号分量进行分解，可分解为3层的第2m和2m+1个信号分量。本发明采用haar小波基函数将原始数据向量It三层小波包分解重构，得到第3层8个子频带的重构时域信号为{D₁,D₂,D₃,...,D₈}，其中第i个子频带所对应的小波系数为{q_i,1,q_i,2,q_i,3,...,q_i,Nt}，Nt表示原始数据向量It的维度。

步骤B，小波包能量特征提取；

根据Parseval原理，采用小波包分解重构后信号第3层各个子频带的小波能量表示为：

求取8个子频带小波能量的代数和E_sum作为原始信号总能量，然后求取每个子频带在原始信号中的能量比重：

得到小波包能量特征向量{e₁,e₂,e₃,...,e₈}。

步骤C，奇异值特征提取；

采用奇异值分解(SingularValueDecomposition,SVD)获取每一子频带的奇异值特征。由8个子频带的小波系数构成8×Nt的矩阵L：

其中矩阵L的秩为r，存在标准正交矩阵U、V及对角矩阵D，满足：

L＝U_8×8D_8×NtV_Nt×Nt；

其中：

Θ_r×r＝diag(σ₁,σ₂,…,σ_r)，

r＝min(8,Nt)＝8，

求取矩阵

的8个特征值，将其展开即可构成矩阵U_8×8；求取矩阵

的Nt个特征值，将其展开即可构成矩阵V_Nt×Nt。通过上文公式运算可得小波包分解的奇异值特征向量{σ₁,σ₂,σ₃,...,σ₈}。

组合小波包能量特征向量及小波包奇异值特征向量，构成初始特征向量P＝{p₁,p₂,p₃,...,p₁₆}。

步骤2.2，将每个原始数据向量所对应的初始特征向量均作为训练样本，所有原训练样本构成训练集；

步骤2.3，根据受电弓故障类型是否为“无故障”，对每个训练样本进行0和1分类标记，再按分类标记的不同将训练集划分为正样本子集和负样本子集；

步骤2.4，对初始特征向量进行降维处理；

从初始特征向量中选择部分特征量构成新的特征向量，本发明具体采用ReliefF算法进行特征量的选择，具体方法为：

将所有训练样本按上述步骤获取初始特征向量，并按照3:1的比例将训练集划分为训练子集X_M×16与测试子集T_N×16，M和N分别表示训练子集与测试子集的样本容量。

划分训练样本后，需要根据训练集信息，基于ReliefF算法从相应得到的2^N个小波能量信息和2^N个小波包奇异值中选择部分特征量以构建新的特征向量，从而减少输入SVM模型的特征向量维度，提升SVM识别精度，降低系统运算成本。依据训练集数据进行特征量选择，具体步骤如下：

步骤D1，将步骤B得到的小波包能量特征向量以及步骤C得到的小波包奇异值特征向量组合，得到初始特征向量P＝{p₁,p₂,p₃,...,p₁₆}。

步骤D2，初始化权值向量W＝{ω₁,ω₂,ω₃,...,ω₁₆}，所述权值向量W中的16个元素分别为初始特征向量P中的16个特征量的权值；

步骤D3，从训练集中随机抽取一个训练样本R，从分类标记相同的样本子集中选择k个最邻近样本R₁，从分类标记不同的样本子集中选择k个最邻近样本R₂；

步骤D4，遍历k个最邻近样本R₁和k个最邻近样本R₂，按照以下公式更新权值向量W：

其中，diff(a,R₁,R₂)表示样本R₁、R₂于第a个特征量处的差，计算方法如下：

步骤D5，重复步骤D3-D4，重复次数为N_c，最终得到权值向量W，执行步骤D6；

步骤D6，对权值向量W中的特征量按降序排序，得到对应的特征量排列顺序，并选取前面的s维特征量构成最终降维后的特征向量

步骤3，训练获得故障识别预判模型；

以特征向量

和相应的分类标记分别作为输入和输出数据，训练SVM模型，得到故障识别预判断模型，从而实现对于训练样本是否包含故障信息进行预判断。SVM具有较强的全局寻优能力及模型鲁棒性，同时的计算资源较少，运算效率高，所以适宜用于故障判断与预警。

根据最终的特征向量

将训练子集X_M×16与测试子集T_N×16降维转换为新的训练子集

和新的测试子集

初始化SVM模型结构及各层权值矩阵，采用高斯核函数作为SVM的核函数，采用均方差损失函数作为SVM的损失函数。初始化高斯核的核参数σ及SVM惩罚因子c，由于这两个超参数的不同取值会极大影响最终的分类准确率，所以本发明采用K折叠交叉验证(K-fold Cross Validation,K-CV)的方式对核参数σ及SVM惩罚因子c进行参数优化，具体的参数优化过程为：

将训练集均分为K组子集，滚动将其中K-1组作为训练子集，剩余1组子集作为测试子集，对SVM模型进行训练和测试，得到K个测试准确率，取K个测试准确率的平均值作为SVM模型的参数评价指标；

设置高斯核参数σ和惩罚因子c的取值范围以及迭代步长；交叉遍历高斯核参数σ和惩罚因子c的所有取值组合，设置SVM模型，并计算当前SVM模型的参数评价指标值，再从中选取最大值所对应的高斯核参数σ和惩罚因子c的取值组合，作为SVM模型的最优参数组合。

按照高斯核参数σ和惩罚因子c的最优参数组合设置SVM模型，采用新的训练子集

对SVM模型进行训练，并用新的测试子集

进行测试，得到最终的故障识别预判断模型。

本实施例采用ReliefF特征选择算法对特征提取阶段提取到的16维特征进行排序筛选，结合采用K折叠交叉验证的方式对核参数σ及SVM惩罚因子c进行参数优化设置SVM模型，两者结合能够大大提升基于SVM模型的故障识别预判断模型的识别准确率。同时，两种算法优化过程均在离线训练状态进行，不占用系统使用过程中的计算资源。

步骤4，训练获得故障识别模型；

以原始数据向量和相应的故障类型分别作为输入和输出数据，训练LSTM网络，得到故障识别模型。

当预判断模型判断受电弓出现故障时，采用LSTM深度学习神经网络实现故障类型识别。长短期记忆网络(Long Short-Term Memory,LSTM)是一种基于时间递归的深度学习神经网络，在传统的RNN模型基础上设计了基于门控结构的隐藏层节点记忆模块，避免了传统RNN的长期依赖问题。

在本发明中，LSTM网络的受电弓故障识别模型采用原始训练数据It作为输入，输入层作为全连接层，神经元个数为Nt。采用Sigmoid函数作为激活函数，设定LSTM网络的第二层和第三层为卷积层，分别包含40和20个神经元。输入层与第二层、第二层与第三层之间采用卷积连接，设定接收域为3，卷积时步长为1，卷积层深度为1。经过卷积层传递后输出受电弓故障特征向量，然后输入由20个记忆单元所组成的第四层长短期记忆层，第三层与第四层之间采用全连接。采用Sigmoid函数及tanh双曲正切函数作为本发明LSTMM网络的激活函数。将长短期记忆层的输出结果经过第五层全连接层传递后传递到输出层，第五层的神经元个数设定为10。

最终输出层神经元个数为N_out，各神经元的真实输出采用0-1化处理后，LSTM网络的输出层各神经元分别对应受电弓碳滑板过热、碳滑板裂纹、弓网接触压力异常、网线故障、供电异常、误检等故障类型，实现最终的受电弓故障类型分类。

LSTM网络的训练过程采用深度学习常见的Adam梯度下降算法进行训练：首先将步骤1得到的多个原始数据向量分为两部分，第一部分包括N_train个原始数据向量，第二部分包括N_test个原始数据向量；然后将N_train个原始数据向量构建训练样本矩阵

将N_test个原始数据向量构建测试样本矩阵

其中N_t表示每个原始数据向量的数据点个数；再将训练样本矩阵和测试样本矩阵中的各原始数据向量的受电弓故障类型，构建分别与训练样本矩阵和测试样本矩阵对应的标签矩阵

和

最后采用交叉熵损失函数作为最小优化指标训练LSTM网络，其中交叉熵函数表示为：

其中p_i(x)表示第i个原始数据向量在LSTM网络的期望输出，q_i(x)表示第i个原始数据向量在LSTM网络的真实输出，即0-1化处理后的受电弓故障类型。

在训练LSTM网络时，设定学习步长α＝0.01,一阶矩估计的指数衰减率β₁＝0.9,二阶矩估计的指数衰减率β₁＝0.999,定义训练终止条件为训练次数达到5000次。

步骤5，对受电弓进行实时动态监测；

步骤5.1，采集受电弓的实时电流信号，并按步骤1相同方法进行预处理，将原始9600Hz的实时电流信号转换为基频信号频率50Hz的预处理电流信号；然后从预处理电流信号截取最新的100个周期基频信号长度的预处理电流信号片段作为原始数据向量；再按步骤2.1获取降维后的特征向量；

步骤5.2，将步骤5.1得到的特征向量输入至步骤3得到的故障识别预判断模型，得到受电弓是否故障，若受电弓为有故障，则执行步骤5.3，否则执行步骤5.1；

步骤5.3，将步骤5.1得到的原始数据向量输入至步骤4得到的故障识别模型，得到受电弓的故障类型。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (9)

1.一种智能列车外部受电装置的非侵入式实时动态监测方法，其特征在于，包括以下步骤：

步骤1，获取原始数据向量；

采集受电弓的原始电流信号并进行预处理得到预处理电流信号，从预处理电流信号中提取多个预处理电流信号片段得到受电弓的多个原始数据向量；其中，已知每个原始数据向量所对应的受电弓故障类型；

步骤2，构建正负样本子集；

步骤2.1，对原始数据向量进行小波包分解重构，提取每个子频带的小波能量信息和小波包奇异值并作为特征量，再利用所有特征量构建特征向量；

步骤2.2，将每个原始数据向量所对应的特征向量均作为训练样本，所有训练样本构成训练集；

步骤2.3，根据受电弓故障类型是否为“无故障”，对每个训练样本进行0和1分类标记，再按分类标记的不同将训练集划分为正样本子集和负样本子集；

步骤3，训练获得故障识别预判模型；

以特征向量和相应的分类标记分别作为输入和输出数据，训练SVM模型，得到故障识别预判模型；

步骤4，训练获得故障识别模型；

以原始数据向量和相应的故障类型分别作为输入和输出数据，训练LSTM网络，得到故障识别模型；

步骤5，对受电弓进行实时动态监测；

步骤5.1，采集受电弓的实时电流信号，并进行预处理得到原始数据向量，再按步骤2.1获取特征向量；

步骤5.2，将步骤5.1得到的特征向量输入至步骤3得到的故障识别预判断模型，得到受电弓是否故障，若受电弓为有故障，则执行步骤5.3，否则执行步骤5.1；

步骤5.3，将步骤5.1得到的原始数据向量输入至步骤4得到的故障识别模型，得到受电弓的故障类型。

2.根据权利要求1所述的方法，其特征在于，步骤2.1中，对原始数据向量进行N层小波包分解重构，得到2^N个小波能量信息和2^N个小波包奇异值，在步骤3之前还包括步骤2.4，基于ReliefF算法选择特征量并构建最终的特征向量，具体过程为：

步骤D1，由2^N个小波能量信息构建小波能量特征向量

由2^N个小波包奇异值构建奇异值特征向量

再将小波能量特征向量和奇异值特征向量组合得到特征向量

步骤D2，初始化权值向量

所述权值向量W中的2^N+1个元素分别为特征向量P中的2^N+1个特征量的权值；

步骤D3，从训练集中随机抽取一个训练样本R，从分类标记相同的样本子集中选择k个最邻近样本R₁，从分类标记不同的样本子集中选择k个最邻近样本R₂；

步骤D4，遍历k个最邻近样本R₁和k个最邻近样本R₂，按照以下公式更新权值向量W：

其中，diff(a,R₁,R₂)表示样本R₁、R₂于第a个特征量处的差，计算方法如下

步骤D5，重复步骤D3-D4，重复次数为N_c，最终得到权值向量W，执行步骤D6；

步骤D6，对权值向量W按降序排序，得到对应的特征量排列顺序，并选取前面的s维特征量构成最终的特征向量

3.根据权利要求2所述的方法，其特征在于，N＝3。

4.根据权利要求1所述的方法，其特征在于，子频带的小波能量信息是指子频带在原始数据向量中的能量比重，计算公式为：

其中，e_i表示第i个子频带的小波能量信息，E_i表示第i个子频带的小波能量，E_sum表示所有子频带的小波能量之和，D_i表示第i个子频带的重构时域信号，q_i,d表示第i个子频带所对应的小波系数，Nt表示原始数据向量的维度；

子频带的小波包奇异值的计算方法为：

由2^N个子频带的小波系数构成2^N×Nt的矩阵L，且矩阵L的秩为r，并存在标准正交矩阵U、标准正交矩阵V及对角矩阵D满足以下公式：

Θ_r×r＝diag(σ₁,σ₂,…,σ_r)，

r＝min(2^N,Nt)＝2^N，

其中，通过公式

求取矩阵U^*的2^N个特征值，将矩阵U^*展开即可得到矩阵U；通过公式

求取矩阵V^*的Nt个特征值，将其展开即可得到矩阵V；根据得到的矩阵U、矩阵V以及上述公式，计算得到所有子频带的小波包奇异值{σ₁,σ₂,σ₃,...,σ_r}。

5.根据权利要求1所述的方法，其特征在于，采用高斯核函数作为SVM模型的核函数，采用K折交叉验证的方式对高斯核参数σ以及惩罚因子c进行参数优化设置，具体的参数优化设置过程为：

将训练集均分为K组子集，滚动将其中K-1组作为训练子集，剩余1组子集作为测试子集，对SVM模型进行训练和测试，得到K个测试准确率，取K个测试准确率的平均值作为SVM模型的参数评价指标；

设置高斯核参数σ和惩罚因子c的取值范围以及迭代步长；交叉遍历高斯核参数σ和惩罚因子c的所有取值组合，设置SVM模型，并计算当前SVM模型的参数评价指标值，再从中选取最大值所对应的高斯核参数σ和惩罚因子c的取值组合，作为SVM模型的最优参数组合。

6.根据权利要求1所述的方法，其特征在于，采用Adam梯度下降算法对LSTM网络进行训练，采用交叉熵函数作为训练的最小优化指标，其中交叉熵函数为：

其中，p_i(x)表示第i个原始数据向量在LSTM网络的期望输出，q_i(x)表示第i个原始数据向量在LSTM网络的真实输出，N_out表示LSTM网络输出层的神经元数量。

7.根据权利要求1所述的方法，其特征在于，受电弓的故障类型包括：受电弓碳滑板过热、碳滑板裂纹、弓网接触压力异常、网线故障、供电异常、无故障，每种故障类型与LSTM网络输出层的1个神经元对应。

8.根据权利要求1所述的方法，其特征在于，采集受电弓的原始电流信号并进行预处理得到预处理电流信号的具体过程为：

首先，采用通信波特率为9600Hz的ADC采集模块，采集受电弓的原始电流信号；

然后，通过求取原始电流信号在固定窗口长度内的电流有效值，将9600Hz的原始电流信号处理为基频信号频率50Hz的预处理电流信号。

9.根据权利要求1所述的方法，其特征在于，从预处理电流信号中提取多个预处理电流信号片段得到受电弓的多个原始数据向量的具体过程为：采用滑动窗的方式，以80个周期基频信号长度为滑动窗步长，以100个周期基频信号长度为滑动窗宽度，从预处理电流信号截取预处理电流信号片段作为原始数据向量。

Images