CN117454262B - 一种接触网故障识别方法、系统、存储介质及电子设备 - Google Patents

一种接触网故障识别方法、系统、存储介质及电子设备 Download PDF

Info

Publication number
CN117454262B
CN117454262B CN202311777787.8A CN202311777787A CN117454262B CN 117454262 B CN117454262 B CN 117454262B CN 202311777787 A CN202311777787 A CN 202311777787A CN 117454262 B CN117454262 B CN 117454262B
Authority
CN
China
Prior art keywords
pantograph
model
catenary
algorithm
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311777787.8A
Other languages
English (en)
Other versions
CN117454262A (zh
Inventor
董文涛
周杰
黄永安
陈昌
程宵
姚道金
王晓明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202311777787.8A priority Critical patent/CN117454262B/zh
Publication of CN117454262A publication Critical patent/CN117454262A/zh
Application granted granted Critical
Publication of CN117454262B publication Critical patent/CN117454262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Current-Collector Devices For Electrically Propelled Vehicles (AREA)

Abstract

本发明提供一种接触网故障识别方法、系统、存储介质及电子设备，接触网故障识别方法包括如下步骤：建立二元受电弓模型以及悬挂接触网模型，并建立受电弓‑接触网垂向耦合系统的振动微分方程组；求解受电弓‑接触网垂向耦合系统的振动微分方程组，获取受电弓‑接触网垂向耦合系统的振动特性，以模拟真实受电弓和真实接触网的振动响应；调整受电弓‑接触网垂向耦合系统中的参数，实现对真实受电弓和真实接触网常见故障的振动响应仿真；提取受电弓模型和接触网模型在不同故障下的振动响应特征，构建SVM模型，以对振动响应特征进行分类识别；对SVM模型进行迭代优化，以获取最优的故障识别模型，本发明可以实时感应接触网故障，且识别准确率较高。

Description

一种接触网故障识别方法、系统、存储介质及电子设备
技术领域
本发明涉及故障识别技术领域，特别涉及一种接触网故障识别方法、系统、存储介质及电子设备。
背景技术
在铁路交通领域，受电弓是电力机车、电动列车等电气化铁路车辆的供电设备，其与接触网之间的接触状态直接影响着供电效果和铁路运行安全。因此，对接触网状态感知和故障识别具有重要意义。
现阶段针对接触网的主要故障诊断方法以及存在的缺陷包括：
(1)基于人工检测的目视检查法，这种方法简单直观，但只适用于显露的故障，无法检测隐蔽的故障；
(2)基于接触网系统的电流波动特性的波动检测法，这种方法对测量设备的要求较高；
(3)基于接触网系统温度变化的红外检测法，这种方法可以在不接触接触网系统的情况下进行监测，但对设备的要求较高，并且无法确定具体的故障类型；
(4)基于接触网系统振动特性的振动检测法，这种方法可以实时监测接触网的状态，但对设备的要求较高，可识别的故障类型少。
发明内容
针对现有技术的不足，本发明的目的在于提供一种接触网故障识别方法，旨在解决上述提到的技术问题。
为了实现上述目的，本发明是通过如下技术方案来实现的：
一种接触网故障识别方法，包括如下步骤：
（一）建立二元受电弓模型以及悬挂接触网模型，并基于拉格朗日方程建立受电弓-接触网垂向耦合系统的振动微分方程组；
（二）采用数值积分算法求解所述受电弓-接触网垂向耦合系统的振动微分方程组，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟真实受电弓和真实接触网的振动响应；
（三）调整所述受电弓-接触网垂向耦合系统中的参数，实现对所述真实受电弓和所述真实接触网常见故障的振动响应仿真；
（四）提取所述受电弓模型和所述接触网模型在不同故障下的振动响应特征，并采用SVM算法构建SVM模型，以对所述振动响应特征进行分类识别； （五）采用混合元启发算法对所述SVM模型进行迭代优化，以获取最优的故障识别模型。
进一步的，所述步骤（一）的具体步骤包括：
提取真实受电弓的结构与运作特性、构建所述受电弓模型；
将所述受电弓模型分为上部分和下部分；
其中，所述上部分用于模拟所述真实受电弓的弓头部分，所述下部分用于模拟所述真实受电弓的上下框架；
分别将所述受电弓模型的各部件转化为带有质量、阻尼以及刚度的质量块，以建立所述二元受电弓模型；
通过拉格朗日方程可得所述二元受电弓模型的运动微分方程为：
其中，M 1为所述弓头部分的等效质量，M 2为所述上下框架的等效质量，、/>分别为所述弓头部分与所述上下框架的刚度与阻尼，/>、/>分别为所述上下框架与所述受电弓模型的基座间的刚度与阻尼，K s为所述受电弓模型和悬挂接触网模型间的接触刚度，/>为所述受电弓模型的升弓力，/>、/>、/>分别为所述/>、所述/>和所述接触网的接触线的垂向位移；
同时将所述接触网的接触线等效为伯努利-欧拉梁、将所述接触网的承力索等效为集中质量模型，以建立所述悬挂接触网模型；
基于受电弓-接触网耦合动力学，通过拉格朗日方程建立所述受电弓-接触网垂向耦合系统的振动微分方程组：
其中，所述振动微分方程组中，前两个方程根据所述受电弓-接触网垂向耦合系统中的所述接触线和所述承力索的机械能守恒关系构建，后两个为所述受电弓-接触网垂向耦合系统中的所述受电弓模型的运动微分方程；
为所述承力索的张力；/>为所述接触线的张力，/>为第/>个腕臂与所述承力索间的弹性刚度；/>为第/>个支撑杆与所述接触线间的刚度，/>为第/>个吊弦的刚度；/>为第/>个所述吊弦的质量；/>为第/>个所述吊弦的阻尼；/>、/>分别为所述承力索与所述接触线的抗弯刚度；/>、/>分别为所述承力索与所述接触线的线密度；/>作为所述受电弓模型与所述接触网模型之间的连接点，将所述受电弓模型与所述接触网模型进行耦合；/>、/>为所述承力索与所述接触线第/>项幅值，/>范围（0~+∞）；/>为单个锚段内的所述吊弦总数；为单个锚段内所述支撑杆总数；/>为纵向位移，/>为该锚段的长度；系数n为正整数；
所述受电弓-接触网垂向耦合系统的振动微分方程通式为：
其中，为广义位移矩阵，/>为速度矩阵，/>为加速度矩阵，/>为力矩阵，/>为质量矩阵，/>为阻尼矩阵，/>为刚度矩阵。
进一步的，所述步骤（二）的具体步骤包括：
采用Newmark数值积分法求解所述振动微分方程组，将时间离散化，对所述振动微分方程组中的位移、速度、加速度三个因变量进行t i时刻的假设，以计算出位移、速度、加速度t i+1时刻的运动状态，如下式：
公式1：
公式2：
式中，为时间步长，/>是消除高频分量对低频响应的误差与运算的参数，/>是决定稳定极限与收敛极限，Newmark法中无条件稳定的要求是/>，/>；
由公式2得到公式3：
将公式1带入公式3，然后一并带入所述振动微分方程通式得到：
公式4：
通过求解公式4可得到，进而逐步反向求得/>、/>等，根据此算法的分析过程，利用MATLAB编制相应的算法，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟所述真实受电弓和所述真实接触网的振动响应，具体步骤包括：
I．选取所述受电弓模型中的初始条件：时间步长、参数/>和/>，计算积分常数，选取初始运动参数位移/>、速度/>、加速度/>；
II．根据初始条件，形成所述受电弓-接触网垂向耦合系统的刚度矩阵、质量矩阵/>和阻尼矩阵/>；
III．对t i+1时刻的等效载荷进行积分计算：
IV．计算t i+1时刻的速度和加速度：
V．循环第III步和第IV步的操作直到计算结束。
进一步的，所述步骤（三）的具体步骤包括：
构建故障仿真公式：
式中，为变化系数，通过改变所述弓头部分处的阻尼/>来模拟滑板异常磨耗的故障；通过改变所述弓头部分与所述上下框架间的结构刚度/>来模拟所述真实受电弓的损坏故障；通过所述接触网模型的吊弦的刚度系数/>变化来模拟所述真实受电弓的构件磨损、松脱等故障；通过对所述接触网模型的吊弦阻尼参数/>变化来模拟所述接触线的疲劳、烧伤等故障；通过改变所述接触网模型的支撑杆刚度/>及定位器刚度/>来模拟所述真实受电弓的支撑杆等支持装置损坏及定位零件断裂等故障。
进一步的，所述步骤（四）的具体步骤包括：
将在所述步骤（三）中得到的数据分为第一样本数据、第二样本数据、及第三样本数据；
其中，所述第一样本数据是所述受电弓模型通过无缺陷的所述接触网模型情况下的振动响应特征，所述第二样本数据是所述受电弓模型通过吊弦失效故障的所述接触网模型情况下的振动响应特征，所述第三样本数据是所述受电弓模型通过承力索以及定位器故障的所述接触网模型情况下的振动响应特征；
将所述第一样本数据、所述第二样本数据、及所述第三样本数据分为训练样本、及测试样本；
引入SVM算法，使用径向基函数RBF作为所述SVM模型的核函数，该核函数公式为：
所述SVM模型包括惩罚系数C以及反应高斯核映射能力的参数gamma；
将所述训练样本输入所述SVM模型进行机器学习；
将经机器学习后的所述SVM模型对所述测试样本进行测试，以验证分类效果。
进一步的，所述步骤（五）的具体步骤包括：
（1）.引入PSO算法和GA算法，将其结合为PSO-GA算法，将所述SVM模型定义为种群，初始化种群/>，设置种群规模/>，给定PSO-GA算法的最大迭代次数，设定收敛精度/>，给定所述PSO算法的参数，以及给定所述GA算法的参数，以产生随机种群/>，进而产生各粒子的初始速度/>；
（2）.采用实数编码方式对所述SVM模型的惩罚系数C和参数gamma进行学习和训练；
其中适应度函数如下：
式中，A和B为常数，为样本的真实值，/>为样本的预测值；
（3）.根据粒子的适应度对粒子进行排序，得到个第一子种群/>、/>个第二子种群/>、/>个第三子种群/>，其中/>的适应度＞/>的适应度＞/>的适应度；
（4）.将所述第一子种群直接复制进入下一代，将所述第二子种群/>进行粒子交叉操作，将所述第三子种群/>进行粒子变异操作；
其中所述粒子交叉操作的具体步骤为：
随机选择两个个体，/>进行交叉，将它们做粒子交叉操作的基因设为/>和/>；
若个体的适应度大于个体/>的适应度，则对应操作后得到的基因遵循以下原则：
若，则：
若，则：
其他情况遵循：
其中，当，/>，否则/>,/>为该算法进化次数，GEN为最大迭代次数；/>为（0，1）之间的常数；/>为[0,1]之间的随机数；/>，/>表示个体向量的最小值和最大值；
所述粒子变异操作的具体步骤为：
在所述PSO算法中，采用速度位置更新公式作为变异算子，在所述GA算法中，用种群个体位置将粒子在所述PSO算法的搜索空间中进行位置替换，用种群历史最优个体替换PSO中个体的最佳位置/>，用种群最优/>替换PSO中粒子全局最佳位置，用/>的累加差平均数替换粒子当前速度/>，得到下式：
其中，m为粒子当前的进化数，结合所述PSO算法，得到引进的PSO的新式即为变异算子；
（5）.计算根据所述粒子交叉操作和所述粒子变异操作产生的新粒子的适应度，若新粒子的适应度优于原粒子的最优解，则将新粒子的位置赋予，否则仍旧使用原粒子的位置；若新粒子群的全局最优要优于原粒子群的全局最优，则将新粒子群的全局最优的位置赋予/>；
（6）.判断全局最优是否达到设定的所述收敛精度或迭代次数是否达到给定的所述最大迭代次数/>；若达到，则输出全局最优位置的值，即求取了所述SVM模型的最佳惩罚系数C和参数gamma；若未达到，则迭代次数加1，继续从所述步骤（3）开始执行，直至达到设定的所述收敛精度/>或给定的所述最大迭代次数/>；
利用所述步骤（6）求取的惩罚系数C和参数gamma配置所述SVM模型的参数，以输出最优的所述故障识别模型。
本发明还提供一种接触网故障识别系统，包括：
组建模块：用于建立二元受电弓模型以及悬挂接触网模型，并基于拉格朗日方程建立受电弓-接触网垂向耦合系统的振动微分方程组；
所述组件模块具体用于：
提取真实受电弓的结构与运作特性、构建所述受电弓模型；
将所述受电弓模型分为上部分和下部分；
其中，所述上部分用于模拟所述真实受电弓的弓头部分，所述下部分用于模拟所述真实受电弓的上下框架；
分别将所述受电弓模型的各部件转化为带有质量、阻尼以及刚度的质量块，以建立所述二元受电弓模型；
通过拉格朗日方程可得所述二元受电弓模型的运动微分方程为：
其中，M 1为所述弓头部分的等效质量，M 2为所述上下框架的等效质量，、/>分别为所述弓头部分与所述上下框架的刚度与阻尼，/>、/>分别为所述上下框架与所述受电弓模型的基座间的刚度与阻尼，K s为所述受电弓模型和悬挂接触网模型间的接触刚度，/>为所述受电弓模型的升弓力，/>、/>、/>分别为所述/>、所述/>和所述接触网的接触线的垂向位移；
同时将所述接触网的接触线等效为伯努利-欧拉梁、将所述接触网的承力索等效为集中质量模型，以建立所述悬挂接触网模型；
基于受电弓-接触网耦合动力学，通过拉格朗日方程建立所述受电弓-接触网垂向耦合系统的振动微分方程组：
其中，所述振动微分方程组中，前两个方程根据所述受电弓-接触网垂向耦合系统中的所述接触线和所述承力索的机械能守恒关系构建，后两个为所述受电弓-接触网垂向耦合系统中的所述受电弓模型的运动微分方程；
为所述承力索的张力；/>为所述接触线的张力，/>为第/>个腕臂与所述承力索间的弹性刚度；/>为第/>个支撑杆与所述接触线间的刚度，/>为第/>个吊弦的刚度；/>为第/>个所述吊弦的质量；/>为第/>个所述吊弦的阻尼；/>、/>分别为所述承力索与所述接触线的抗弯刚度；/>、/>分别为所述承力索与所述接触线的线密度；/>作为所述受电弓模型与所述接触网模型之间的连接点，将所述受电弓模型与所述接触网模型进行耦合；/>、/>为所述承力索与所述接触线第/>项幅值，/>范围（0~+∞）；/>为单个锚段内的所述吊弦总数；为单个锚段内所述支撑杆总数；/>为纵向位移，/>为该锚段的长度；系数n为正整数；
所述受电弓-接触网垂向耦合系统的振动微分方程通式为：
其中，为广义位移矩阵，/>为速度矩阵，/>为加速度矩阵，/>为力矩阵，/>为质量矩阵，/>为阻尼矩阵，/>为刚度矩阵；
获取模块：用于采用数值积分算法求解所述受电弓-接触网垂向耦合系统的振动微分方程组，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟真实受电弓和真实接触网的振动响应；
所述获取模块具体用于：
采用Newmark数值积分法求解所述振动微分方程组，将时间离散化，对所述振动微分方程组中的位移、速度、加速度三个因变量进行t i时刻的假设，以计算出位移、速度、加速度t i+1时刻的运动状态，如下式：
公式1：
公式2：
式中，为时间步长，/>是消除高频分量对低频响应的误差与运算的参数，/>是决定稳定极限与收敛极限，Newmark法中无条件稳定的要求是/>，/>；
由公式2得到公式3：
将公式1带入公式3，然后一并带入所述振动微分方程通式得到：
公式4：
通过求解公式4可得到，进而逐步反向求得/>、/>等，根据此算法的分析过程，利用MATLAB编制相应的算法，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟所述真实受电弓和所述真实接触网的振动响应，具体步骤包括：
I．选取所述受电弓模型中的初始条件：时间步长、参数/>和/>，计算积分常数，选取初始运动参数位移/>、速度/>、加速度/>；
II．根据初始条件，形成所述受电弓-接触网垂向耦合系统的刚度矩阵、质量矩阵/>和阻尼矩阵/>；
III．对t i+1时刻的等效载荷进行积分计算：
IV．计算t i+1时刻的速度和加速度：
V．循环第III步和第IV步的操作直到计算结束；
调节模块：用于调整所述受电弓-接触网垂向耦合系统中的参数，实现对所述真实受电弓和所述真实接触网常见故障的振动响应仿真；
所述调节模块具体用于：
构建故障仿真公式：
式中，为变化系数，通过改变所述弓头部分处的阻尼/>来模拟滑板异常磨耗的故障；通过改变所述弓头部分与所述上下框架间的结构刚度/>来模拟所述真实受电弓的损坏故障；通过所述接触网模型的吊弦的刚度系数/>变化来模拟所述真实受电弓的构件磨损、松脱等故障；通过对所述接触网模型的吊弦阻尼参数/>变化来模拟所述接触线的疲劳、烧伤等故障；通过改变所述接触网模型的支撑杆刚度/>及定位器刚度/>来模拟所述真实受电弓的支撑杆等支持装置损坏及定位零件断裂等故障；
提取模块：用于提取所述受电弓模型和所述接触网模型在不同故障下的振动响应特征，并采用SVM算法构建SVM模型，以对所述振动响应特征进行分类识别；
所述提取模块具体用于：
将在所述调节模块中得到的数据分为第一样本数据、第二样本数据、及第三样本数据；
其中，所述第一样本数据是所述受电弓模型通过无缺陷的所述接触网模型情况下的振动响应特征，所述第二样本数据是所述受电弓模型通过吊弦失效故障的所述接触网模型情况下的振动响应特征，所述第三样本数据是所述受电弓模型通过承力索以及定位器故障的所述接触网模型情况下的振动响应特征；
将所述第一样本数据、所述第二样本数据、及所述第三样本数据分为训练样本、及测试样本；
引入SVM算法，使用径向基函数RBF作为所述SVM模型的核函数，该核函数公式为：
所述SVM模型包括惩罚系数C以及反应高斯核映射能力的参数gamma；
将所述训练样本输入所述SVM模型进行机器学习；
将经机器学习后的所述SVM模型对所述测试样本进行测试，以验证分类效果；
优化模块：用于采用混合元启发算法对所述SVM模型进行迭代优化，以获取最优的故障识别模型；
所述优化模块具体用于：
（1）.引入PSO算法和GA算法，将其结合为PSO-GA算法，将所述SVM模型定义为种群，初始化种群/>，设置种群规模/>，给定PSO-GA算法的最大迭代次数，设定收敛精度/>，给定所述PSO算法的参数，以及给定所述GA算法的参数，以产生随机种群/>，进而产生各粒子的初始速度/>；
（2）.采用实数编码方式对所述SVM模型的惩罚系数C和参数gamma进行学习和训练；
其中适应度函数如下：
式中，A和B为常数，为样本的真实值，/>为样本的预测值；
（3）.根据粒子的适应度对粒子进行排序，得到个第一子种群/>、/>个第二子种群/>、/>个第三子种群/>，其中/>的适应度＞/>的适应度＞/>的适应度；
（4）.将所述第一子种群直接复制进入下一代，将所述第二子种群/>进行粒子交叉操作，将所述第三子种群/>进行粒子变异操作；
其中所述粒子交叉操作的具体步骤为：
随机选择两个个体，/>进行交叉，将它们做粒子交叉操作的基因设为/>和/>；
若个体的适应度大于个体/>的适应度，则对应操作后得到的基因遵循以下原则：
若，则：
若，则：
其他情况遵循：
其中，当，/>，否则/>,/>为该算法进化次数，GEN为最大迭代次数；/>为（0，1）之间的常数；/>为[0,1]之间的随机数；/>，/>表示个体向量的最小值和最大值；
所述粒子变异操作的具体步骤为：
在所述PSO算法中，采用速度位置更新公式作为变异算子，在所述GA算法中，用种群个体位置将粒子在所述PSO算法的搜索空间中进行位置替换，用种群历史最优个体替换PSO中个体的最佳位置/>，用种群最优/>替换PSO中粒子全局最佳位置，用/>的累加差平均数替换粒子当前速度/>，得到下式：
其中，m为粒子当前的进化数，结合所述PSO算法，得到引进的PSO的新式即为变异算子；
（5）.计算根据所述粒子交叉操作和所述粒子变异操作产生的新粒子的适应度，若新粒子的适应度优于原粒子的最优解，则将新粒子的位置赋予，否则仍旧使用原粒子的位置；若新粒子群的全局最优要优于原粒子群的全局最优，则将新粒子群的全局最优的位置赋予/>；
（6）.判断全局最优是否达到设定的所述收敛精度或迭代次数是否达到给定的所述最大迭代次数/>；若达到，则输出全局最优位置的值，即求取了所述SVM模型的最佳惩罚系数C和参数gamma；若未达到，则迭代次数加1，继续从所述步骤（3）开始执行，直至达到设定的所述收敛精度/>或给定的所述最大迭代次数/>；
利用所述步骤（6）求取的惩罚系数C和参数gamma配置所述SVM模型的参数，以输出最优的所述故障识别模型。
本发明还提供一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述的接触网故障识别方法。
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的接触网故障识别方法。
与现有技术相比，本发明的有益效果在于：
本发明分析研究受电弓模型在不同故障类型下的振动响应特征，以模拟真实受电弓的动力学响应特征，通过SVM算法对接触网故障进行分类别，采用混合元启发算法针对SVM算法中的参数进行优化，与传统的接触网故障诊断方式相比，具有如下优势：
1.利用SVM算法可以将低维空间里线性不可分的参数通过设定的核函数转为高位空间里的线性可分，将不同的故障响应进行分类，可通过机器学习自动感知故障类型，相比传统的接触网故障诊断方式，本发明实时的接触网故障类型识别，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,为了提高故障分类及识别的准确率，本方案采用了混合元启发算法对SVM算法进行了改进，通过对SVM算法关键参数的优化，不仅能提高分类准确率还能提高运算速度，有利于接触网状况的实时掌握，从测试结果来看，优化后的模型能将识别准确率由76%提升至94%。对于锚段内单故障的感知，准确率能达到98%；对于锚段内复杂情况下的多故障，识别准确率能达到84.5%，并且将运算速度提升到检测一锚段的接触网状态只需要3至4分钟，基本能达到实时检测的目的。
附图说明
本发明的所述与/或附加的方面与优点从结合下面附图对实施例的描述中将变得明显与容易理解，其中：
图1为本发明第一实施例中接触网故障识别方法的流程图；
图2为本发明第一实施例中受电弓模型的结构示意图；
图3为本发明第一实施例中受电弓-接触网垂向耦合系统的系统图；
图4为本发明第一实施例中模拟真实受电弓和真实接触网的振动响应的计算流程图；
图5为本发明第一实施例中采用混合元启发算法对所述SVM模型进行迭代优化，以获取最优的故障识别模型的计算流程图；
图6为第二实施例中接触网故障识别系统的结构框图；
图7为第三实施例中计算机设备的结构框图；
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的多个实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的接触网故障识别方法，包括如下步骤：
（一）建立二元受电弓模型以及悬挂接触网模型，并基于拉格朗日方程建立受电弓-接触网垂向耦合系统的振动微分方程组；
（二）采用数值积分算法求解所述受电弓-接触网垂向耦合系统的振动微分方程组，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟真实受电弓和真实接触网的振动响应；
（三）调整所述受电弓-接触网垂向耦合系统中的参数，实现对所述真实受电弓和所述真实接触网常见故障的振动响应仿真；
（四）提取所述受电弓模型和所述接触网模型在不同故障下的振动响应特征，并采用SVM算法构建SVM模型，以对所述振动响应特征进行分类识别； （五）采用混合元启发算法对所述SVM模型进行迭代优化，以获取最优的故障识别模型。
本实施例中的，受电弓模型和接触网模型的主要部件参数说明如下表所示：
具体的，步骤（一）的具体步骤包括：
提取真实受电弓的结构与运作特性、构建所述受电弓模型；
本方案提取DSA-200的结构与运作特性，构建所述受电弓模型的结构框图，如图2所示，通过对所述受电弓模型的简化，进行质量块的简化与归算；
将所述受电弓模型分为上部分和下部分；
其中，所述上部分用于模拟所述真实受电弓的弓头部分，所述下部分用于模拟所述真实受电弓的上下框架；
分别将所述受电弓模型的各部件转化为带有质量、阻尼以及刚度的质量块，以建立所述二元受电弓模型；
图2中，、/>分别为下框架推杆长度和下框架臂杆长度，DH为上框架臂杆长度，是H点和铰点C间的长度。/>、/>、/>、/>分别为推杆与水平面间的夹角、BD与水平间的夹角、BC与水平间的夹角、BC与BD间的夹角。/>
弓头部分H的运动微分方程如下：
(1.1)
(1.1)式中，是待定未知数。由/>：
(1.2)
设
(1.3)
由图2中可得到关于夹角的定义，
(1.4)
由余弦定理得，
(1.5)
假定,可得
(1.6)
综上：
(1.7)
由式(1.7)可以求得，同时/>为所述受电弓模型上下框架间铰链座的结构角，确定铰链座的结构的同时就变成了定值。综上可求得/>为
(1.8)
下框架臂杆是主动杆，只要给定固定时刻的升角 ，利用上式计算得、/>，代入式(1.1)，可以得到任意升弓角时弓头部分H的坐标；
通过拉格朗日方程可得所述二元受电弓模型的运动微分方程为：
请参阅图3，受电弓主要包括两个部分，等效质量为的弓头部分和等效质量为的上下框架，/>、/>分别为所述弓头部分与所述上下框架的刚度与阻尼，/>、/>分别为所述上下框架与所述受电弓模型的基座间的刚度与阻尼，K s为所述受电弓模型和悬挂接触网模型间的接触刚度，/>为所述受电弓模型的升弓力，该升弓力由升弓弹簧或气压力提供，、/>、/>分别为所述/>、所述/>和所述接触网的接触线的垂向位移；
本方案中结合欧拉梁模型与集中质量模型的特点，将接触网的接触线等效为伯努利-欧拉梁，将接触网的承力索等效为集中质量模型，以建立所述悬挂接触网模型，本方案中选取一个锚段的简单链形悬挂接触网模型进行仿真研究。
请再次参阅图3，为所述承力索的张力；/>为所述接触线的张力，/>为第/>个腕臂与所述承力索间的弹性刚度；/>为第/>个支撑杆与所述接触线间的刚度，/>为第/>个吊弦的刚度；/>为第/>个所述吊弦的质量；/>为第/>个所述吊弦的阻尼；/>、/>分别为所述承力索与所述接触线的抗弯刚度；/>、/>分别为所述承力索与所述接触线的线密度；/>作为所述受电弓模型与所述接触网模型之间的连接点，将所述受电弓模型与所述接触网模型进行耦合；/>、/>为所述承力索与所述接触线第/>项幅值，/>范围（0~+∞）；/>为单个锚段内的所述吊弦总数；/>为单个锚段内所述支撑杆总数；/>为纵向位移，/>为该锚段的长度；系数n为正整数；
根据动力学原理，建立受电弓-接触网垂向耦合系统（以下简称为弓网系统）的振动微分方程：
弓网系统的动能：
(1.10)
承力索的动能：
(1.11)
接触线的动能：
(1.12)
吊弦的动能：
(1.13)
定位器的动能:
(1.14)
支撑杆的动能：
(1.15)
受电弓的动能：
(1.16)
弓网系统的势能（主要是弹性势能及抗拉势能）：
(1.17)
接触线与承力索的抗拉势能：/>
(1.18)
接触线的弯曲势能：
(1.19)
受电弓-接触网的弹性势能：
(1.20)
受电弓弓头和框架的弹性势能：
(1.21)
吊弦的弹性势能：
(1.22)
支撑杆弹性势能：
(1.23)
定位器弹性势能：
(1.24)
将上述各式代入第二拉格朗日方程，整理得受电弓-接触网系统耦合运动微分方程：
其中，所述振动微分方程组中，前两个方程根据所述受电弓-接触网垂向耦合系统中的所述接触线和所述承力索的机械能守恒关系构建，后两个为所述受电弓-接触网垂向耦合系统中的所述受电弓模型的运动微分方程。
为减少计算量，在满足精度的前提下，接触线的自由度设为个，承力索的自由度为/>个，受电弓自由度为2，弓网耦合系统有（/>）个自由度，其/>个矩阵表达式为：
(1.25)
式中、/>、/>、/>、/>、/>、/>分别为广义位移矩阵、速度矩阵、加速度矩阵、力矩阵、质量矩阵、阻尼矩阵、刚度矩阵。式中/>为广义位移向量：
为广义力向量：
为广义质量矩阵：
其中
/>
为广义阻尼矩阵：
,/>
,/>
为广义刚度矩阵：
,/>
具体的，所述步骤（二）的具体步骤包括：
可使用但不限于中心差分法、Newmark隐式法、预测矫正积分法等算法，本方案利用Newmark算法进行求解振动微分方程，获取弓网系统的振动特性，模拟仿真受电弓-接触网的振动耦合响应，为故障识别模型提供健康状态的振动响应样本；
采用Newmark数值积分法求解所述振动微分方程组，将时间离散化，对所述振动微分方程组中的位移、速度、加速度三个因变量进行t i时刻的假设，以计算出位移、速度、加速度t i+1时刻的运动状态，如下式：
(1.26)
(1.27)
上式中，为时间步长，/>是消除高频分量对低频响应的误差与运算的参数，/>是决定稳定极限与收敛极限，Newmark法中无条件稳定的要求是/>，/>，本方案中取/>，/>。由上式(1.27)得：
(1.28)
将式(1.26)代入式(1.28)，然后一并代入式(1.25)得到：
(1.29)
通过求解上式（1.29）可得到，进而逐步反向求得/>、/>等，根据此算法的分析过程，利用MATLAB编制相应的算法，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟所述真实受电弓和所述真实接触网的振动响应，请参阅图4，具体步骤包括：
I．选取所述受电弓模型中的初始条件：时间步长、参数/>和/>，计算积分常数，选取初始运动参数位移/>、速度/>、加速度/>；
II．根据初始条件，形成所述受电弓-接触网垂向耦合系统的刚度矩阵、质量矩阵/>和阻尼矩阵/>；
III．对t i+1时刻的等效载荷进行积分计算：
IV．计算t i+1时刻的速度和加速度：
V．循环第III步和第IV步的操作直到计算结束；通过求解的精确度来分析弓网接触压力的变化情况。
具体的，所述步骤（三）的具体步骤包括：
构建故障仿真公式：
式中，为变化系数，通过改变所述弓头部分处的阻尼/>来模拟滑板异常磨耗的故障，/>对于不同的情况，/>可以在0.1~1范围内取值；通过改变所述弓头部分与所述上下框架间的结构刚度/>来模拟所述真实受电弓的损坏故障（上下框架铰链处、拐臂、铰链座连接件松动等），/>对于不同的情况，/>可以在0.1~1范围内取值；通过所述接触网模型的吊弦的刚度系数/>变化来模拟所述真实受电弓的构件磨损、松脱等故障，在模型中令该支点处的/>，式中/>为刚度变化系数，在本方案的仿真过程中，/>的取值范围在0.1~10；通过对所述接触网模型的吊弦阻尼参数/>变化来模拟所述接触线的疲劳、烧伤等故障，在模型中令该支点处的/>，式中/>为阻尼变化系数，在本方案的仿真过程中，/>的取值范围为0.1~10；通过改变所述接触网模型的支撑杆刚度/>及定位器刚度/>来模拟所述真实受电弓的支撑杆等支持装置损坏及定位零件断裂等故障。
具体的，所述步骤（四）的具体步骤包括：
将在所述步骤（三）中得到的数据分为第一样本数据、第二样本数据、及第三样本数据；
其中，在本实施例中，所述第一样本数据是所述受电弓模型通过无缺陷的所述接触网模型情况下的振动响应特征，样本数共30组，所述第二样本数据是所述受电弓模型通过吊弦失效故障的所述接触网模型情况下的振动响应特征，样本数共30组，所述第三样本数据是所述受电弓模型通过承力索以及定位器故障的所述接触网模型情况下的振动响应特征，样本数共40组；
将所述第一样本数据、所述第二样本数据、及所述第三样本数据分为训练样本、及测试样本，在本实施例中，75个作为训练样本，25个作为测试样本。
引入SVM算法，使用径向基函数RBF作为所述SVM模型的核函数，该核函数公式为：
所述SVM模型包括惩罚系数C以及反应高斯核映射能力的参数gamma；
将所述训练样本输入所述SVM模型进行机器学习；
将经机器学习后的所述SVM模型对所述测试样本进行测试，以验证分类效果。
进一步的，为确保SVM达到理想的分类效果，本方案采用PSO-GA混合元启发优化算法对SVM参数的确定进行进一步的改进，流程图见图5，所述步骤（五）的具体步骤包括：
（1）.引入PSO算法和GA算法，将其结合为PSO-GA算法，将所述SVM模型定义为种群，初始化种群/>，设置种群规模/>，给定PSO-GA算法的最大迭代次数，设定收敛精度/>，给定所述PSO算法的参数，以及给定所述GA算法的参数，以产生随机种群/>，进而产生各粒子的初始速度/>；
（2）.采用实数编码方式对所述SVM模型的惩罚系数C和参数gamma进行学习和训练；
其中适应度函数如下：
式中，A和B为常数，为样本的真实值，/>为样本的预测值；
（3）.根据粒子的适应度对粒子进行排序，得到个第一子种群/>、/>个第二子种群/>、/>个第三子种群/>，其中/>的适应度＞/>的适应度＞/>的适应度；
（4）.将所述第一子种群直接复制进入下一代，将所述第二子种群/>进行粒子交叉操作，将所述第三子种群/>进行粒子变异操作；
其中，所述粒子交叉操作的的思想为：
采用线性交叉和凸交叉的思想，但在交叉后让个体一点处于较优父代的一侧，因而从代个体中根据交叉概率（设定为/>）随机选择两个个体/>，/>进行交叉，将它们做交叉操作的基因为/>和/>。
所述粒子交叉操作的具体步骤为：
随机选择两个个体，/>进行交叉，将它们做粒子交叉操作的基因设为/>和/>；
若个体的适应度大于个体/>的适应度，则对应操作后得到的基因遵循以下原则：
若，则：
若，则：
其他情况遵循：
其中，当，/>，否则/>,/>为该算法进化次数，GEN为最大迭代次数；/>为（0，1）之间的常数；/>为[0,1]之间的随机数；/>，/>表示个体向量的最小值和最大值；
所述粒子变异操作的思想为：
在变异操作中采用了PSO速度位置更新公式作为变异算子，个体能在算法运行过程中记录下自身的历史最优解，记录其在种群内达到的最优解，并根据自身的进化速度整合起来，共同决定之后的变异按照怎样进行，变异的大小修改为多少能得到更好的解，使变异操作从随机操作转向有方向性操作。
所述粒子变异操作的具体步骤为：
在所述PSO算法中，采用速度位置更新公式作为变异算子，在所述GA算法中，用种群个体位置将粒子在所述PSO算法的搜索空间中进行位置替换，用种群历史最优个体替换PSO中个体的最佳位置/>，用种群最优/>替换PSO中粒子全局最佳位置，用/>的累加差平均数替换粒子当前速度/>，得到下式：
其中，m为粒子当前的进化数，结合所述PSO算法，得到引进的PSO的新式即为变异算子；
（5）.计算根据所述粒子交叉操作和所述粒子变异操作产生的新粒子的适应度，若新粒子的适应度优于原粒子的最优解，则将新粒子的位置赋予，否则仍旧使用原粒子的位置；若新粒子群的全局最优要优于原粒子群的全局最优，则将新粒子群的全局最优的位置赋予/>；
（6）.判断全局最优是否达到设定的所述收敛精度或迭代次数是否达到给定的所述最大迭代次数/>；若达到，则输出全局最优位置的值，即求取了所述SVM模型的最佳惩罚系数C和参数gamma；若未达到，则迭代次数加1，继续从所述步骤（3）开始执行，直至达到设定的所述收敛精度/>或给定的所述最大迭代次数/>；
利用所述步骤（6）求取的惩罚系数C和参数gamma配置所述SVM模型的参数，以输出最优的所述故障识别模型。
综上，本发明上述实施例当中的接触网故障识别方法利用SVM算法可以将低维空间里线性不可分的参数通过设定的核函数转为高位空间里的线性可分，将不同的故障响应进行分类，可通过机器学习自动感知故障类型，相比传统的接触网故障诊断方式，本发明实时的接触网故障类型识别，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,为了提高故障分类及识别的准确率，本方案采用了混合元启发算法对SVM算法进行了改进，通过对SVM算法关键参数的优化，不仅能提高分类准确率还能提高运算速度，有利于接触网状况的实时掌握，从测试结果来看，优化后的模型能将识别准确率由76%提升至94%。对于锚段内单故障的感知，准确率能达到98%；对于锚段内复杂情况下的多故障，识别准确率能达到84.5%，并且将运算速度提升到检测一锚段的接触网状态只需要3至4分钟，基本能达到实时检测的目的。
实施例二
请参阅图6，本发明还提供一种接触网故障识别系统40，包括：
组建模块11：用于建立二元受电弓模型以及悬挂接触网模型，并基于拉格朗日方程建立受电弓-接触网垂向耦合系统的振动微分方程组；
所述组件模块11具体用于：
提取真实受电弓的结构与运作特性、构建所述受电弓模型；
将所述受电弓模型分为上部分和下部分；
其中，所述上部分用于模拟所述真实受电弓的弓头部分，所述下部分用于模拟所述真实受电弓的上下框架；
分别将所述受电弓模型的各部件转化为带有质量、阻尼以及刚度的质量块，以建立所述二元受电弓模型；
通过拉格朗日方程可得所述二元受电弓模型的运动微分方程为：
其中，M 1为所述弓头部分的等效质量，M 2为所述上下框架的等效质量，、/>分别为所述弓头部分与所述上下框架的刚度与阻尼，/>、/>分别为所述上下框架与所述受电弓模型的基座间的刚度与阻尼，K s为所述受电弓模型和悬挂接触网模型间的接触刚度，/>为所述受电弓模型的升弓力，/>、/>、/>分别为所述/>、所述/>和所述接触网的接触线的垂向位移；
同时将所述接触网的接触线等效为伯努利-欧拉梁、将所述接触网的承力索等效为集中质量模型，以建立所述悬挂接触网模型；
基于受电弓-接触网耦合动力学，通过拉格朗日方程建立所述受电弓-接触网垂向耦合系统的振动微分方程组：
其中，所述振动微分方程组中，前两个方程根据所述受电弓-接触网垂向耦合系统中的所述接触线和所述承力索的机械能守恒关系构建，后两个为所述受电弓-接触网垂向耦合系统中的所述受电弓模型的运动微分方程；
为所述承力索的张力；/>为所述接触线的张力，/>为第/>个腕臂与所述承力索间的弹性刚度；/>为第/>个支撑杆与所述接触线间的刚度，/>为第/>个吊弦的刚度；/>为第/>个所述吊弦的质量；/>为第/>个所述吊弦的阻尼；/>、/>分别为所述承力索与所述接触线的抗弯刚度；/>、/>分别为所述承力索与所述接触线的线密度；/>作为所述受电弓模型与所述接触网模型之间的连接点，将所述受电弓模型与所述接触网模型进行耦合；/>、/>为所述承力索与所述接触线第/>项幅值，/>范围（0~+∞）；/>为单个锚段内的所述吊弦总数；为单个锚段内所述支撑杆总数；/>为纵向位移，/>为该锚段的长度；系数n为正整数；
所述受电弓-接触网垂向耦合系统的振动微分方程通式为：
其中，为广义位移矩阵，/>为速度矩阵，/>为加速度矩阵，/>为力矩阵，/>为质量矩阵，/>为阻尼矩阵，/>为刚度矩阵；
获取模块12：用于采用数值积分算法求解所述受电弓-接触网垂向耦合系统的振动微分方程组，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟真实受电弓和真实接触网的振动响应；
所述获取模块12具体用于：
采用Newmark数值积分法求解所述振动微分方程组，将时间离散化，对所述振动微分方程组中的位移、速度、加速度三个因变量进行t i时刻的假设，以计算出位移、速度、加速度t i+1时刻的运动状态，如下式：
公式1：
公式2：
式中，为时间步长，/>是消除高频分量对低频响应的误差与运算的参数，/>是决定稳定极限与收敛极限，Newmark法中无条件稳定的要求是/>，/>；
由公式2得到公式3：
将公式1带入公式3，然后一并带入所述振动微分方程通式得到：
公式4：
通过求解公式4可得到，进而逐步反向求得/>、/>等，根据此算法的分析过程，利用MATLAB编制相应的算法，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟所述真实受电弓和所述真实接触网的振动响应，具体步骤包括：
I．选取所述受电弓模型中的初始条件：时间步长、参数/>和/>，计算积分常数，选取初始运动参数位移/>、速度/>、加速度/>；
/>
II．根据初始条件，形成所述受电弓-接触网垂向耦合系统的刚度矩阵、质量矩阵/>和阻尼矩阵/>；
III．对t i+1时刻的等效载荷进行积分计算：
IV．计算t i+1时刻的速度和加速度：
V．循环第III步和第IV步的操作直到计算结束；
调节模块13：用于调整所述受电弓-接触网垂向耦合系统中的参数，实现对所述真实受电弓和所述真实接触网常见故障的振动响应仿真；
所述调节模块13具体用于：
构建故障仿真公式：
式中，为变化系数，通过改变所述弓头部分处的阻尼/>来模拟滑板异常磨耗的故障；通过改变所述弓头部分与所述上下框架间的结构刚度/>来模拟所述真实受电弓的损坏故障；通过所述接触网模型的吊弦的刚度系数/>变化来模拟所述真实受电弓的构件磨损、松脱等故障；通过对所述接触网模型的吊弦阻尼参数/>变化来模拟所述接触线的疲劳、烧伤等故障；通过改变所述接触网模型的支撑杆刚度/>及定位器刚度/>来模拟所述真实受电弓的支撑杆等支持装置损坏及定位零件断裂等故障；
提取模块14：用于提取所述受电弓模型和所述接触网模型在不同故障下的振动响应特征，并采用SVM算法构建SVM模型，以对所述振动响应特征进行分类识别；
所述提取模块14具体用于：
将在所述调节模块中得到的数据分为第一样本数据、第二样本数据、及第三样本数据；
其中，所述第一样本数据是所述受电弓模型通过无缺陷的所述接触网模型情况下的振动响应特征，所述第二样本数据是所述受电弓模型通过吊弦失效故障的所述接触网模型情况下的振动响应特征，所述第三样本数据是所述受电弓模型通过承力索以及定位器故障的所述接触网模型情况下的振动响应特征；
将所述第一样本数据、所述第二样本数据、及所述第三样本数据分为训练样本、及测试样本；
引入SVM算法，使用径向基函数RBF作为所述SVM模型的核函数，该核函数公式为：
所述SVM模型包括惩罚系数C以及反应高斯核映射能力的参数gamma；
将所述训练样本输入所述SVM模型进行机器学习；
将经机器学习后的所述SVM模型对所述测试样本进行测试，以验证分类效果；
优化模块15：用于采用混合元启发算法对所述SVM模型进行迭代优化，以获取最优的故障识别模型；
所述优化模块15具体用于：
（1）.引入PSO算法和GA算法，将其结合为PSO-GA算法，将所述SVM模型定义为种群，初始化种群/>，设置种群规模/>，给定PSO-GA算法的最大迭代次数，设定收敛精度/>，给定所述PSO算法的参数，以及给定所述GA算法的参数，以产生随机种群/>，进而产生各粒子的初始速度/>；
（2）.采用实数编码方式对所述SVM模型的惩罚系数C和参数gamma进行学习和训练；
其中适应度函数如下：
式中，A和B为常数，为样本的真实值，/>为样本的预测值；
（3）.根据粒子的适应度对粒子进行排序，得到个第一子种群/>、/>个第二子种群/>、/>个第三子种群/>，其中/>的适应度＞/>的适应度＞/>的适应度；
（4）.将所述第一子种群直接复制进入下一代，将所述第二子种群/>进行粒子交叉操作，将所述第三子种群/>进行粒子变异操作；
其中所述粒子交叉操作的具体步骤为：
随机选择两个个体，/>进行交叉，将它们做粒子交叉操作的基因设为/>和/>；
若个体的适应度大于个体/>的适应度，则对应操作后得到的基因遵循以下原则：
若，则：
若，则：
其他情况遵循：
其中，当，/>，否则/>,/>为该算法进化次数，GEN为最大迭代次数；/>为（0，1）之间的常数；/>为[0,1]之间的随机数；/>，/>表示个体向量的最小值和最大值；
所述粒子变异操作的具体步骤为：
在所述PSO算法中，采用速度位置更新公式作为变异算子，在所述GA算法中，用种群个体位置将粒子在所述PSO算法的搜索空间中进行位置替换，用种群历史最优个体替换PSO中个体的最佳位置/>，用种群最优/>替换PSO中粒子全局最佳位置，用/>的累加差平均数替换粒子当前速度/>，得到下式：
其中，m为粒子当前的进化数，结合所述PSO算法，得到引进的PSO的新式即为变异算子；
（5）.计算根据所述粒子交叉操作和所述粒子变异操作产生的新粒子的适应度，若新粒子的适应度优于原粒子的最优解，则将新粒子的位置赋予，否则仍旧使用原粒子的位置；若新粒子群的全局最优要优于原粒子群的全局最优，则将新粒子群的全局最优的位置赋予/>；
（6）.判断全局最优是否达到设定的所述收敛精度或迭代次数是否达到给定的所述最大迭代次数/>；若达到，则输出全局最优位置的值，即求取了所述SVM模型的最佳惩罚系数C和参数gamma；若未达到，则迭代次数加1，继续从所述步骤（3）开始执行，直至达到设定的所述收敛精度/>或给定的所述最大迭代次数/>；
利用所述步骤（6）求取的惩罚系数C和参数gamma配置所述SVM模型的参数，以输出最优的所述故障识别模型。
实施例三
本发明还提出一种计算机设备，请参阅图7，所示为本发明第三实施例中的计算机设备，包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30，所述处理器20执行所述计算机程序30时实现上述的接触网故障识别方法。
其中，存储器10至少包括一种类型的存储介质，所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机设备的内部存储单元，例如该计算机设备的硬盘。存储器10在另一些实施例中也可以是外部存储装置，例如插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器10还可以既包括计算机设备的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit，简称ECU，又称行车电脑)、中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器10中存储的程序代码或处理数据，例如执行访问限制程序等。
需要指出的是，图7示出的结构并不构成对计算机设备的限定，在其它实施例当中，该计算机设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的接触网故障识别方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种接触网故障识别方法，其特征在于，包括如下步骤：
（一）建立二元受电弓模型以及悬挂接触网模型，并基于拉格朗日方程建立受电弓-接触网垂向耦合系统的振动微分方程组；
（二）采用数值积分算法求解所述受电弓-接触网垂向耦合系统的振动微分方程组，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟真实受电弓和真实接触网的振动响应；
（三）调整所述受电弓-接触网垂向耦合系统中的参数，实现对所述真实受电弓和所述真实接触网常见故障的振动响应仿真；
（四）提取所述受电弓模型和所述接触网模型在不同故障下的振动响应特征，并采用SVM算法构建SVM模型，以对所述振动响应特征进行分类识别； （五）采用混合元启发算法对所述SVM模型进行迭代优化，以获取最优的故障识别模型；
所述步骤（一）的具体步骤包括：
提取真实受电弓的结构与运作特性、构建所述受电弓模型；
将所述受电弓模型分为上部分和下部分；
其中，所述上部分用于模拟所述真实受电弓的弓头部分，所述下部分用于模拟所述真实受电弓的上下框架；
分别将所述受电弓模型的各部件转化为带有质量、阻尼以及刚度的质量块，以建立所述二元受电弓模型；
通过拉格朗日方程可得所述二元受电弓模型的运动微分方程为：
其中，M 1为所述弓头部分的等效质量，M 2为所述上下框架的等效质量，、/>分别为所述弓头部分与所述上下框架的刚度与阻尼，/>、/>分别为所述上下框架与所述受电弓模型的基座间的刚度与阻尼，K s为所述受电弓模型和悬挂接触网模型间的接触刚度，/>为所述受电弓模型的升弓力，/>、/>、/>分别为所述/>、所述/>和所述接触网的接触线的垂向位移；
同时将真实接触网的接触线等效为伯努利-欧拉梁、将所述真实接触网的承力索等效为集中质量模型，以建立所述悬挂接触网模型；
基于受电弓-接触网耦合动力学，通过拉格朗日方程建立所述受电弓-接触网垂向耦合系统的振动微分方程组：
其中，所述振动微分方程组中，前两个方程根据所述受电弓-接触网垂向耦合系统中的所述接触线和所述承力索的机械能守恒关系构建，后两个为所述受电弓-接触网垂向耦合系统中的所述受电弓模型的运动微分方程；
为所述承力索的张力；/>为所述接触线的张力，/>为第/>个腕臂与所述承力索间的弹性刚度；/>为第/>个支撑杆与所述接触线间的刚度，/>为第/>个吊弦的刚度；/>为第/>个所述吊弦的质量；/>为第/>个所述吊弦的阻尼；/>、/>分别为所述承力索与所述接触线的抗弯刚度；/>、/>分别为所述承力索与所述接触线的线密度；/>作为所述受电弓模型与所述接触网模型之间的连接点，将所述受电弓模型与所述接触网模型进行耦合；/>、/>为所述承力索与所述接触线第/>项幅值，/>范围（0~+∞）；/>为单个锚段内的所述吊弦总数；/>为单个锚段内所述支撑杆总数；/>为纵向位移，/>为该锚段的长度；系数n为正整数；
所述受电弓-接触网垂向耦合系统的振动微分方程通式为：
其中，为广义位移矩阵，/>为速度矩阵，/>为加速度矩阵，/>为力矩阵，/>为质量矩阵，为阻尼矩阵，/>为刚度矩阵；
所述步骤（二）的具体步骤包括：
采用Newmark数值积分法求解所述振动微分方程组，将时间离散化，对所述振动微分方程组中的位移、速度、加速度三个因变量进行t i时刻的假设，以计算出位移、速度、加速度t i+1时刻的运动状态，如下式：
公式1：
公式2：
式中，为时间步长，/>是消除高频分量对低频响应的误差与运算的参数，/>是决定稳定极限与收敛极限，Newmark法中无条件稳定的要求是/>，/>；
由公式2得到公式3：
将公式1带入公式3，然后一并带入所述振动微分方程通式得到：
公式4：
通过求解公式4可得到，进而逐步反向求得/>、/>等，根据此算法的分析过程，利用MATLAB编制相应的算法，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟所述真实受电弓和所述真实接触网的振动响应，具体步骤包括：
I．选取所述受电弓模型中的初始条件：时间步长、参数/>和/>，计算积分常数，选取初始运动参数位移/>、速度/>、加速度/>；
II．根据初始条件，形成所述受电弓-接触网垂向耦合系统的刚度矩阵、质量矩阵/>和阻尼矩阵/>；
III．对t i+1时刻的等效载荷进行积分计算：
IV．计算t i+1时刻的速度和加速度：
V．循环第III步和第IV步的操作直到计算结束；
所述步骤（三）的具体步骤包括：
构建故障仿真公式：
式中，为变化系数，通过改变所述弓头部分处的阻尼/>来模拟滑板异常磨耗的故障；通过改变所述弓头部分与所述上下框架间的结构刚度/>来模拟所述真实受电弓的损坏故障；通过所述接触网模型的吊弦的刚度系数/>变化来模拟所述真实受电弓的构件磨损、松脱等故障；通过对所述接触网模型的吊弦阻尼参数/>变化来模拟所述接触线的疲劳、烧伤等故障；通过改变所述接触网模型的支撑杆刚度/>及定位器刚度/>来模拟所述真实受电弓的支撑杆等支持装置损坏及定位零件断裂等故障；
所述步骤（四）的具体步骤包括：
将在所述步骤（三）中得到的数据分为第一样本数据、第二样本数据、及第三样本数据；
其中，所述第一样本数据是所述受电弓模型通过无缺陷的所述接触网模型情况下的振动响应特征，所述第二样本数据是所述受电弓模型通过吊弦失效故障的所述接触网模型情况下的振动响应特征，所述第三样本数据是所述受电弓模型通过承力索以及定位器故障的所述接触网模型情况下的振动响应特征；
将所述第一样本数据、所述第二样本数据、及所述第三样本数据分为训练样本、及测试样本；
引入SVM算法，使用径向基函数RBF作为所述SVM模型的核函数，该核函数公式为：
所述SVM模型包括惩罚系数C以及反应高斯核映射能力的参数gamma；
将所述训练样本输入所述SVM模型进行机器学习；
将经机器学习后的所述SVM模型对所述测试样本进行测试，以验证分类效果；
所述步骤（五）的具体步骤包括：
（1）.引入PSO算法和GA算法，将其结合为PSO-GA算法，将所述SVM模型定义为种群，初始化种群/>，设置种群规模/>，给定PSO-GA算法的最大迭代次数，设定收敛精度/>，给定所述PSO算法的参数，以及给定所述GA算法的参数，以产生随机种群/>，进而产生各粒子的初始速度/>；
（2）.采用实数编码方式对所述SVM模型的惩罚系数C和参数gamma进行学习和训练；
其中适应度函数如下：
式中，A和B为常数，为样本的真实值，/>为样本的预测值；
（3）.根据粒子的适应度对粒子进行排序，得到个第一子种群/>、/>个第二子种群/>、/>个第三子种群/>，其中/>的适应度＞/>的适应度＞/>的适应度；
（4）.将所述第一子种群直接复制进入下一代，将所述第二子种群/>进行粒子交叉操作，将所述第三子种群/>进行粒子变异操作；
其中所述粒子交叉操作的具体步骤为：
随机选择两个个体，/>进行交叉，将它们做粒子交叉操作的基因设为/>和/>；
若个体的适应度大于个体/>的适应度，则对应操作后得到的基因遵循以下原则：
若，则：
若，则：
其他情况遵循：
其中，当，/>，否则/>,/>为该算法进化次数，GEN为最大迭代次数；/>为（0，1）之间的常数；/>为[0,1]之间的随机数；/>，/>表示个体向量的最小值和最大值；
所述粒子变异操作的具体步骤为：
在所述PSO算法中，采用速度位置更新公式作为变异算子，在所述GA算法中，用种群个体位置将粒子在所述PSO算法的搜索空间中进行位置替换，用种群历史最优个体/>替换PSO中个体的最佳位置/>，用种群最优/>替换PSO中粒子全局最佳位置/>，用的累加差平均数替换粒子当前速度/>，得到下式：
其中，m为粒子当前的进化数，结合所述PSO算法，得到引进的PSO的新式即为变异算子；
（5）.计算根据所述粒子交叉操作和所述粒子变异操作产生的新粒子的适应度，若新粒子的适应度优于原粒子的最优解，则将新粒子的位置赋予，否则仍旧使用原粒子的位置；若新粒子群的全局最优要优于原粒子群的全局最优，则将新粒子群的全局最优的位置赋予/>；
（6）.判断全局最优是否达到设定的所述收敛精度或迭代次数是否达到给定的所述最大迭代次数/>；若达到，则输出全局最优位置的值，即求取了所述SVM模型的最佳惩罚系数C和参数gamma；若未达到，则迭代次数加1，继续从所述步骤（3）开始执行，直至达到设定的所述收敛精度/>或给定的所述最大迭代次数/>；
利用所述步骤（6）求取的惩罚系数C和参数gamma配置所述SVM模型的参数，以输出最优的所述故障识别模型。
2.一种接触网故障识别系统，其特征在于，包括：
组建模块：用于建立二元受电弓模型以及悬挂接触网模型，并基于拉格朗日方程建立受电弓-接触网垂向耦合系统的振动微分方程组；
所述组件模块具体用于：
提取真实受电弓的结构与运作特性、构建所述受电弓模型；
将所述受电弓模型分为上部分和下部分；
其中，所述上部分用于模拟所述真实受电弓的弓头部分，所述下部分用于模拟所述真实受电弓的上下框架；
分别将所述受电弓模型的各部件转化为带有质量、阻尼以及刚度的质量块，以建立所述二元受电弓模型；
通过拉格朗日方程可得所述二元受电弓模型的运动微分方程为：
其中，M 1为所述弓头部分的等效质量，M 2为所述上下框架的等效质量，、/>分别为所述弓头部分与所述上下框架的刚度与阻尼，/>、/>分别为所述上下框架与所述受电弓模型的基座间的刚度与阻尼，K s为所述受电弓模型和悬挂接触网模型间的接触刚度，/>为所述受电弓模型的升弓力，/>、/>、/>分别为所述/>、所述/>和所述接触网的接触线的垂向位移；
同时将真实接触网的接触线等效为伯努利-欧拉梁、将所述真实接触网的承力索等效为集中质量模型，以建立所述悬挂接触网模型；
基于受电弓-接触网耦合动力学，通过拉格朗日方程建立所述受电弓-接触网垂向耦合系统的振动微分方程组：
其中，所述振动微分方程组中，前两个方程根据所述受电弓-接触网垂向耦合系统中的所述接触线和所述承力索的机械能守恒关系构建，后两个为所述受电弓-接触网垂向耦合系统中的所述受电弓模型的运动微分方程；
为所述承力索的张力；/>为所述接触线的张力，/>为第/>个腕臂与所述承力索间的弹性刚度；/>为第/>个支撑杆与所述接触线间的刚度，/>为第/>个吊弦的刚度；/>为第/>个所述吊弦的质量；/>为第/>个所述吊弦的阻尼；/>、/>分别为所述承力索与所述接触线的抗弯刚度；/>、/>分别为所述承力索与所述接触线的线密度；/>作为所述受电弓模型与所述接触网模型之间的连接点，将所述受电弓模型与所述接触网模型进行耦合；/>、/>为所述承力索与所述接触线第/>项幅值，/>范围（0~+∞）；/>为单个锚段内的所述吊弦总数；/>为单个锚段内所述支撑杆总数；/>为纵向位移，/>为该锚段的长度；系数n为正整数；
所述受电弓-接触网垂向耦合系统的振动微分方程通式为：
其中，为广义位移矩阵，/>为速度矩阵，/>为加速度矩阵，/>为力矩阵，/>为质量矩阵，为阻尼矩阵，/>为刚度矩阵；
获取模块：用于采用数值积分算法求解所述受电弓-接触网垂向耦合系统的振动微分方程组，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟真实受电弓和真实接触网的振动响应；
所述获取模块具体用于：
采用Newmark数值积分法求解所述振动微分方程组，将时间离散化，对所述振动微分方程组中的位移、速度、加速度三个因变量进行t i时刻的假设，以计算出位移、速度、加速度t i+1时刻的运动状态，如下式：
公式1：
公式2：
式中，为时间步长，/>是消除高频分量对低频响应的误差与运算的参数，/>是决定稳定极限与收敛极限，Newmark法中无条件稳定的要求是/>，/>；
由公式2得到公式3：
将公式1带入公式3，然后一并带入所述振动微分方程通式得到：
公式4：
通过求解公式4可得到，进而逐步反向求得/>、/>等，根据此算法的分析过程，利用MATLAB编制相应的算法，获取所述受电弓-接触网垂向耦合系统的振动特性，以模拟所述真实受电弓和所述真实接触网的振动响应，具体步骤包括：
I．选取所述受电弓模型中的初始条件：时间步长、参数/>和/>，计算积分常数，选取初始运动参数位移/>、速度/>、加速度/>；
II．根据初始条件，形成所述受电弓-接触网垂向耦合系统的刚度矩阵、质量矩阵/>和阻尼矩阵/>；
III．对t i+1时刻的等效载荷进行积分计算：
IV．计算t i+1时刻的速度和加速度：
V．循环第III步和第IV步的操作直到计算结束；
调节模块：用于调整所述受电弓-接触网垂向耦合系统中的参数，实现对所述真实受电弓和所述真实接触网常见故障的振动响应仿真；
所述调节模块具体用于：
构建故障仿真公式：
式中，为变化系数，通过改变所述弓头部分处的阻尼/>来模拟滑板异常磨耗的故障；通过改变所述弓头部分与所述上下框架间的结构刚度/>来模拟所述真实受电弓的损坏故障；通过所述接触网模型的吊弦的刚度系数/>变化来模拟所述真实受电弓的构件磨损、松脱等故障；通过对所述接触网模型的吊弦阻尼参数/>变化来模拟所述接触线的疲劳、烧伤等故障；通过改变所述接触网模型的支撑杆刚度/>及定位器刚度/>来模拟所述真实受电弓的支撑杆等支持装置损坏及定位零件断裂等故障；
提取模块：用于提取所述受电弓模型和所述接触网模型在不同故障下的振动响应特征，并采用SVM算法构建SVM模型，以对所述振动响应特征进行分类识别；
所述提取模块具体用于：
将在所述调节模块中得到的数据分为第一样本数据、第二样本数据、及第三样本数据；
其中，所述第一样本数据是所述受电弓模型通过无缺陷的所述接触网模型情况下的振动响应特征，所述第二样本数据是所述受电弓模型通过吊弦失效故障的所述接触网模型情况下的振动响应特征，所述第三样本数据是所述受电弓模型通过承力索以及定位器故障的所述接触网模型情况下的振动响应特征；
将所述第一样本数据、所述第二样本数据、及所述第三样本数据分为训练样本、及测试样本；
引入SVM算法，使用径向基函数RBF作为所述SVM模型的核函数，该核函数公式为：
所述SVM模型包括惩罚系数C以及反应高斯核映射能力的参数gamma；
将所述训练样本输入所述SVM模型进行机器学习；
将经机器学习后的所述SVM模型对所述测试样本进行测试，以验证分类效果；
优化模块：用于采用混合元启发算法对所述SVM模型进行迭代优化，以获取最优的故障识别模型；
所述优化模块具体用于：
（1）.引入PSO算法和GA算法，将其结合为PSO-GA算法，将所述SVM模型定义为种群，初始化种群/>，设置种群规模/>，给定PSO-GA算法的最大迭代次数，设定收敛精度/>，给定所述PSO算法的参数，以及给定所述GA算法的参数，以产生随机种群/>，进而产生各粒子的初始速度/>；
（2）.采用实数编码方式对所述SVM模型的惩罚系数C和参数gamma进行学习和训练；
其中适应度函数如下：
式中，A和B为常数，为样本的真实值，/>为样本的预测值；
（3）.根据粒子的适应度对粒子进行排序，得到个第一子种群/>、/>个第二子种群/>、/>个第三子种群/>，其中/>的适应度＞/>的适应度＞/>的适应度；
（4）.将所述第一子种群直接复制进入下一代，将所述第二子种群/>进行粒子交叉操作，将所述第三子种群/>进行粒子变异操作；
其中所述粒子交叉操作的具体步骤为：
随机选择两个个体，/>进行交叉，将它们做粒子交叉操作的基因设为/>和/>；
若个体的适应度大于个体/>的适应度，则对应操作后得到的基因遵循以下原则：
若，则：
若，则：
其他情况遵循：
其中，当，/>，否则/>,/>为该算法进化次数，GEN为最大迭代次数；/>为（0，1）之间的常数；/>为[0,1]之间的随机数；/>，/>表示个体向量的最小值和最大值；
所述粒子变异操作的具体步骤为：
在所述PSO算法中，采用速度位置更新公式作为变异算子，在所述GA算法中，用种群个体位置将粒子在所述PSO算法的搜索空间中进行位置替换，用种群历史最优个体/>替换PSO中个体的最佳位置/>，用种群最优/>替换PSO中粒子全局最佳位置/>，用的累加差平均数替换粒子当前速度/>，得到下式：
其中，m为粒子当前的进化数，结合所述PSO算法，得到引进的PSO的新式即为变异算子；
（5）.计算根据所述粒子交叉操作和所述粒子变异操作产生的新粒子的适应度，若新粒子的适应度优于原粒子的最优解，则将新粒子的位置赋予，否则仍旧使用原粒子的位置；若新粒子群的全局最优要优于原粒子群的全局最优，则将新粒子群的全局最优的位置赋予/>；
（6）.判断全局最优是否达到设定的所述收敛精度或迭代次数是否达到给定的所述最大迭代次数/>；若达到，则输出全局最优位置的值，即求取了所述SVM模型的最佳惩罚系数C和参数gamma；若未达到，则迭代次数加1，继续从所述步骤（3）开始执行，直至达到设定的所述收敛精度/>或给定的所述最大迭代次数/>；
利用所述步骤（6）求取的惩罚系数C和参数gamma配置所述SVM模型的参数，以输出最优的所述故障识别模型。
3.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1所述的接触网故障识别方法。
4.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述的接触网故障识别方法。
CN202311777787.8A 2023-12-22 2023-12-22 一种接触网故障识别方法、系统、存储介质及电子设备 Active CN117454262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311777787.8A CN117454262B (zh) 2023-12-22 2023-12-22 一种接触网故障识别方法、系统、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311777787.8A CN117454262B (zh) 2023-12-22 2023-12-22 一种接触网故障识别方法、系统、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN117454262A CN117454262A (zh) 2024-01-26
CN117454262B true CN117454262B (zh) 2024-03-22

Family

ID=89580204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311777787.8A Active CN117454262B (zh) 2023-12-22 2023-12-22 一种接触网故障识别方法、系统、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN117454262B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3205528A1 (fr) * 2016-02-09 2017-08-16 Sncf Reseau Procede, dispositif et systeme de detection de defaut(s) d'un pantographe d'un vehicule en mouvement sur une voie ferree
CN110362786A (zh) * 2019-06-14 2019-10-22 西南交通大学 一种高速铁路弓网耦合系统动力学响应分析的解耦建模方法
CN110850716A (zh) * 2019-11-13 2020-02-28 兰州交通大学 基于接触网先验信息的受电弓神经网络滑模变结构主动控制方法
CN114386451A (zh) * 2021-12-03 2022-04-22 中铁第一勘察设计院集团有限公司 基于传感器信息感知的接触网吊弦故障诊断报警方法
CN114936487A (zh) * 2022-04-29 2022-08-23 中铁第一勘察设计院集团有限公司 接触网定位器故障的定位方法及系统
CN114996258A (zh) * 2022-06-23 2022-09-02 中铁第四勘察设计院集团有限公司 一种基于数据仓库的接触网故障诊断方法
CN115326437A (zh) * 2022-08-19 2022-11-11 华东交通大学 一种转向架故障监测与诊断的嵌入式系统装置及方法
CN115542482A (zh) * 2022-08-10 2022-12-30 江苏法尔胜光电科技有限公司 一种应用于电气化铁路的接触网智能监测装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3205528A1 (fr) * 2016-02-09 2017-08-16 Sncf Reseau Procede, dispositif et systeme de detection de defaut(s) d'un pantographe d'un vehicule en mouvement sur une voie ferree
CN110362786A (zh) * 2019-06-14 2019-10-22 西南交通大学 一种高速铁路弓网耦合系统动力学响应分析的解耦建模方法
CN110850716A (zh) * 2019-11-13 2020-02-28 兰州交通大学 基于接触网先验信息的受电弓神经网络滑模变结构主动控制方法
CN114386451A (zh) * 2021-12-03 2022-04-22 中铁第一勘察设计院集团有限公司 基于传感器信息感知的接触网吊弦故障诊断报警方法
CN114936487A (zh) * 2022-04-29 2022-08-23 中铁第一勘察设计院集团有限公司 接触网定位器故障的定位方法及系统
CN114996258A (zh) * 2022-06-23 2022-09-02 中铁第四勘察设计院集团有限公司 一种基于数据仓库的接触网故障诊断方法
CN115542482A (zh) * 2022-08-10 2022-12-30 江苏法尔胜光电科技有限公司 一种应用于电气化铁路的接触网智能监测装置
CN115326437A (zh) * 2022-08-19 2022-11-11 华东交通大学 一种转向架故障监测与诊断的嵌入式系统装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Location and fault detection of catenary support components based on deep learning;Zhigang Liu et al;《2018 IEEE International Instrumentation and Measurement Technology Conference (I2MTC)》;20180712;1-6 *
基于EEMD模糊熵和GA-SVM的牵引网故障诊断研究;包晗等;《铁道标准设计》;20230531;第67卷(第5期);128-137 *

Also Published As

Publication number Publication date
CN117454262A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
Au et al. Parameter identification of vehicles moving on continuous bridges
CN112257341A (zh) 一种基于异源数据差补融合的定制产品性能预测方法
CN110795780A (zh) 一种基于XGBoost算法的斜拉桥有限元修正方法
CN108090629A (zh) 基于非线性自回归神经网络的负荷预测方法与系统
CN116881819B (zh) 一种基于孤立森林的斜拉索工作状态监测方法
CN106446774A (zh) 一种基于二次近邻稀疏重构的人脸识别方法
CN114239404A (zh) 一种基于多目标优化的材料智能优化设计方法
CN115618732A (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
RU2708965C1 (ru) Способ исследования функционального поведения технической системы и блок обработки
CN117454262B (zh) 一种接触网故障识别方法、系统、存储介质及电子设备
CN116992953B (zh) 一种模型训练方法、故障诊断方法及装置
CN112926620B (zh) 一种变压器套管局部放电的缺陷类型识别方法及系统
Li et al. Investigation of Frequency-Domain Dimension Reduction for A2M-Based Bridge Damage Detection Using Accelerations of Moving Vehicles
CN113011055B (zh) 一种基于有限元技术的电机高温故障模拟方法及系统
Liu et al. Study on multi-mode switching control strategy of active suspension based on road estimation
CN116804534B (zh) 一种连续梁桥施工用工艺辅助测定方法
CN113253709A (zh) 一种适用于轨道交通车辆健康诊断方法及装置
CN110988631B (zh) 局部放电定位检测方法、装置、可读存储介质及电气设备
CN116412162A (zh) 基于数字孪生模型的磁悬浮鼓风机故障诊断方法及系统
Zheng et al. Few-shot intelligent fault diagnosis based on an improved meta-relation network
KR102092197B1 (ko) 수리 가능한 시스템의 열화 분석 장치 및 방법
JPH1091676A (ja) 安定化設計方法及び安定化設計プログラムを記録した記録媒体
Zhang et al. Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model
Li et al. An Improved Genetic Algorithm to Optimize Spatial Locations for Double‐Wishbone Type Suspension System with Time Delay
Yuan et al. Unsupervised cross-domain damage detection and localization for vibration isolators in metro floating-slab track

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant