[发明专利]一种基于循环神经网络的接触网性能退化预测方法

权利要求书

1.一种基于循环神经网络的接触网性能退化预测方法，其特征在于，包括以下步骤：

S1. 输入弓网检测数据：弓网检测数据包括但不限于接触网接触几何参数中的导高、拉出值、压力、硬点和接触线磨耗；

S2. 数据预处理：对弓网检测数据预处理，预处理方法包括但不限于滤波和数据归一化；

S3. 数据特征提取：提取方法采用希尔伯特-黄变换分析法，它包括经验模态分解法和希尔伯特谱分析；具体的，先采用经验模态分解法，对弓网检测数据进行分解，再计算本征模态函数分量数据相关性，以获得更加明确的特征信息，把所有的特征归一化后串在一起，构成循环神经网络的一个N维向量的神经元输入；

S4. 循环神经网络的训练和预测：根据神经元输入数据，采用长短期记忆网络进行训练，发现弓网检测数据的规律，并以此预测接触网性能退化趋势；

步骤S3包括以下子步骤：

S31. 对输入原始信号X[t]，首先找出所有极值点，然后用三次样条函数对所有的极大值点进行插值，拟合出X[t]的上包络线；同理，拟合出X[t]的下包络线；

S32. 根据上、下包络线计算均值线：

M[t] = 0.5(-)；

S33. 计算原始信号的偏差：

H[t] = X[t]-M[t]；

S34. 把H[t]当成原始信号X[t]，重复步骤S31、S32和S33，计算K次，如果H[t]满足公式：

，取值0.2-0.3，

则把H[t]作为本征模态函数分量；

S35. 取前5个本征模态函数分量作为数据特征一部分，结合原始数据的均值和方差一起串成一个组合特征F=[IMF₁，IMF₂，IMF₃，IMF₄，IMF₅，mean，var]。

2.根据权利要求1所述的一种基于循环神经网络的接触网性能退化预测方法，其特征在于，在步骤S4中，所述长短期记忆网络的训练采用基于时间的反向传播算法。

3.根据权利要求1所述的一种基于循环神经网络的接触网性能退化预测方法，其特征在于，在步骤S4中，所述长短期记忆网络包括输入层、中间层和输出层，其中输入层为3*7，中间层为120，输出层为2。