[发明专利]一种基于LSTM和注意力机制的道岔故障检测方法

权利要求书

1.一种基于LSTM和注意力机制的道岔故障检测方法，其特征在于包括：

步骤1：构建故障样本集；

步骤2：基于LSTM和注意力机制的道岔故障检测模型构建；

步骤3：基于LSTM和注意力机制的道岔故障检测模型的训练及评估；

其中步骤2具体包括：

对每条电流信号样本进行有重叠的连续采样并分段；

构建包含忘记门单元、输入门单元和输出门单元的LSTM特征提取层；

构建注意力机制网络层，得到各采样片段的贡献度；

将网络输出线性化，得到最终预测值。

2.根据权利要求1所述的一种基于LSTM和注意力机制的道岔故障检测方法，所述步骤1具体包括：

1-1、分别采集电动转辙机在正常以及不同故障状态下三相电流中A相的电流信号；

1-2、在每种状态下，以A相的电流信号作为一组数据进行连续采样，获得设定数量的信号片段；

1-3、将正常以及不同故障状态下的样本信号合并，构建信号样本集。

3.根据权利要求1所述的一种基于LSTM和注意力机制的道岔故障检测方法，所述步骤2具体包括：

2-1、将信号样本集中每个电流信号进行重复采样和分段；

2-2、构建LSTM的特征提取层：

a)将采样片段输入到忘记门单元，来控制上一个状态中哪些信息需要保留；

b)将采样片段输入到输入门单元，来决定更新哪些信息，利用隐节点输出和当前输入通过一个tanh层得到候选状态信息；

c)通过忘记门单元选择忘记上一状态信息的一部分，通过输入门单元选择添加候选状态信息的一部分，从而得到新的状态信息；

d)将前一个隐节点输出和当前输入通过一个输出门单元，来判断输出哪些状态特征，新的状态信息经过一个tanh层与输出门单元得到的判断条件相乘，得到了特征提取层的输出；

2-3构建注意力机制网络层：

a)将LSTM的输出作为输入到注意力机制网络计算注意力得分，加权求和后得到输出；

b)将第一层注意力机制网络的输出输入到第二层注意力机制网络中，得到每条采样片段的贡献度；

c)将每采样片段与贡献度加权，得到第二个注意力机制网络的输出；

2-4、将第二个注意力机制网络层输出进行线性化，得到最终预测值。

4.根据权利要求1所述的一种基于LSTM和注意力机制的道岔故障检测方法，所述步骤3具体包括：

4-1、将样本集按照给定比例分为训练集、验证集和测试集；设定模型参数，获取最优模型，然后将测试集输入到训练好的模型中，从而获取测试样本的故障类别标签，将得到的结果与SVM和KNN得到的结果进行比较；

4-2、优化过程中优化算法选用Adam算法；

4-3、对模型的评估选用交叉熵作为损失函数。