[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

说明书

本发明公布了一种基于注意力机制的混合CNN‑LSTM吊弦异常检测方法，属于电气化铁路自动检测技术领域，现有的吊弦异常检测主要基于信号处理技术，诊断准确率低。本发明提出了一种基于注意力机制的混合CNN‑LSTM吊弦异常检测方法，该方法由一维卷积和LSTM两部分构成，一维卷积提取信号数据的局部空间特征，LSTM抽取信号数据的长时依赖特征，进一步引进注意力机制，关注对异常检测影响的重要通道信号信息，最终实现接触网吊弦的异常检测。本发明充分考虑了接触网振动加速度信号数据的特性，对深度学习网络进行改进，对接触网吊弦断裂的检测精度更高，稳健性更强，从而提高吊弦维护、维修工作效率。

技术领域

本发明属于电气化铁路自动检测技术领域，具体涉及一种基于注意力机制的混合CNN-LSTM吊弦异常检测方法。

背景技术

接触网和受电弓构成的弓网系统是影响电力机车稳定受流的重要因素，而接触网沿高速线路露天铺设，长时间受外部环境、气候等自然因素以及受电弓的巨大冲击作用的影响，是电气化铁路的一个薄弱环节，其故障占到了牵引供电系统总数的90％以上。吊弦是接触网的关键零部件，是接触线和承力索之间的桥梁，在外力和外部恶劣环境作用下更容易发生故障，严重影响列车的运行安全。

传统的接触网吊弦异常检测主要是人工巡检法，依靠技术人员进行实地检查或查看拍摄图像，具有检测成本高、误检率高、时效性差等缺点，难以满足列车安全运行的高需求。因此，如何利用机器学习与人工智能技术，实现对高铁6C系统获取的振动信号数据进行吊弦异常检测，是铁路部门非常重视的一项技术问题。早期的接触网吊弦异常检测主要是基于信号处理技术，通过对高铁6C系统采集的振动加速度信号进行特征的提取，提取特征之后进行故障识别，核心在于数据特征提取和模式识别分类。人工特征提取需要分析系统运行机理，选择合适的信号分析方法，若选取不当，可能会丢失重要特征，导致最终诊断准确率低。克服人工特征提取的弊端，实现“端到端”的吊弦智能检测具有重要的研究价值。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种基于注意力机制的混合CNN-LSTM吊弦异常检测方法，该方法由一维卷积和LSTM两部分构成，一维卷积提取信号数据的局部空间特征，LSTM抽取信号数据的长时依赖特征。进一步引进注意力机制，关注对异常检测影响的重要通道信号信息，最终实现接触网吊弦的异常检测。

为达到上述目的，本发明采用以下技术方案予以实现：

所述方法包括：

一种基于注意力机制的混合CNN-LSTM吊弦异常检测方法，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。

上述方案中，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。首先进行一维卷积，提取该变量在该卷积核范围内的时间模式矩阵；再进行最大池化和全局平均池化，得到卷积核对振动加速度信号的差异性反馈和平均反馈，并将两个特征描述进行组合；最后通过全连接层融合振动加速度信号的特征，得到每个信号的注意力权重系数；