[发明专利]一种基于注意力机制的混合CNN-LSTM吊弦异常检测方法

权利要求书

1.一种基于注意力机制的混合CNN-LSTM吊弦异常检测方法，其特征在于，

所述方法包括：

步骤1：加速度信号采集，在每跨承力索和接触线上安装加速度传感器；采集仅脉动风作用下第一吊弦断裂、跨中吊弦断裂、跨中吊弦和第一吊弦同时断裂、第一吊弦断裂和跨中吊弦没有断裂这4种工况下的各个加速度传感器的水平和垂向加速度信号数据；

步骤2：搭建深度学习环境，在服务器上安装基于深度学习框架TensorFlow的Keras库；

步骤3：构建基于注意力机制的混合CNN-LSTM模型；

步骤4：训练基于注意力机制的混合CNN-LSTM模型；

步骤5：实时采集接触网振动加速度信号数据，输入训练好的基于注意力机制的混合CNN-LSTM吊弦异常检测模型，进行故障诊断，判断吊弦是否断裂。

2.根据权利要求1述的一种基于注意力机制的混合CNN-LSTM吊弦异常检测方法，其特征在于，

步骤3：构建基于注意力机制的混合CNN-LSTM模型：

步骤3.1：构建基于注意力机制的混合混合CNN-LSTM模型的注意力模块；

步骤3.2：构建基于注意力机制的混合CNN-LSTM模型的1DCNN模块；

步骤3.3：构建基于注意力机制的混合CNN-LSTM模型的LSTM模块；

步骤3.4：将注意力模块、1DCNN模型、LSTM模块通过用keras内置的Sequential顺序模块连接，并添加一层输出层，连接后的模型为基于注意力机制的混合CNN-LSTM模型。

3.根据权利要求2述的一种基于注意力机制的混合CNN-LSTM吊弦异常检测方法，其特征在于，所述步骤3.1具体如下：

(1)CNN检测时间模式

将CNN滤波器应用于加速度信号数据S，S∈R^H×W的行向量，H＝10,W＝200,利用C个卷积核C_i∈R^1×W对S进行卷积运算，将卷积核与被卷积的部分进行加权求和，然后以步长为1向下移动，依次对所有的信号进行卷积操作，计算公式如下：

卷积运算生成时间模式矩阵F^c∈R^H×C，其中表示第i行向量和第j个滤波器的卷积值；

(2)注意力加权

对时间模式矩阵F^C进行最大池化(Maxpooling)和全局平均池化(averagepooling)，得到每个卷积核对10个加速度信号的差异性反馈和平均反馈其中将和进行合并，并通过全连接层进行特征的融合，最后通过sigmoid激活函数，得到不同加速度信号的注意力权重系数，其计算过程如下：

4.根据权利要求3述的一种基于注意力机制的混合CNN-LSTM吊弦异常检测方法，其特征在于，

步骤4：训练基于注意力机制的混合CNN-LSTM模型：

步骤4.1：划分数据集；

步骤4.2：使用贝叶斯优化方法进行超参数调优；

步骤4.3:输入振动加速度信号数据集，训练神经网络，形成基于注意力机制的混合CNN-LSTM吊弦异常检测模型。