[发明专利]一种吊弦缺陷趋势预测的方法

权利要求书

1.一种吊弦缺陷趋势预测的方法，其特征在于，包括：

S100.获取现场吊弦各项缺陷数据；

S200.对吊弦各项缺陷数据进行预处理；

S300.将预处理后的吊弦各项缺陷数据作为训练数据，采用Adam优化算法对用于吊弦缺陷趋势预测的LSTM网络进行训练，得到吊弦缺陷趋势预测最优模型；

S400.实时采集吊弦缺陷数据，利用吊弦缺陷趋势预测最优模型对吊弦缺陷趋势进行预测。

2.如权利要求1所述的一种吊弦缺陷趋势预测的方法，其特征在于，S100中，获取现场吊弦各项缺陷数据的具体方法为：基于高速铁路牵引供电安全检测监测系统获取现场吊弦缺各项陷数据，对各项指标数据进行采样汇总，以月份为采样周期对吊弦各项缺陷数据进行上卷，使其成为时间序列。

3.如权利要求1所述的一种吊弦缺陷趋势预测的方法，其特征在于，S200中，对吊弦各项缺陷数据进行预处理包括缺失值补全和标准化处理。

4.如权利要求3所述的一种吊弦缺陷趋势预测的方法，其特征在于，对吊弦各项缺陷数据进行缺失值补全，具体为：对以月份为采样周期的时间序列进行缺失值检测，对前后时间间隔不大的缺失数据采用均值补全的方法进行处理，如以下公式所示：

式中：x_b为b月份的时序缺失值；x_b+i、x_b-i分别为b+i、b-i月份的有效数据。

5.如权利要求3所述的一种吊弦缺陷趋势预测的方法，其特征在于，对吊弦各项缺陷数据进行标准化处理，具体为：采用最小-最大归一化方法将数据归一化到区间[0,1]，如以下公式所示：

式中：X_max、X_min分别为时间序列的最大值、最小值；X为原始值；X_norm为标准化后的值。

6.如权利要求1所述的一种吊弦缺陷趋势预测的方法，其特征在于，LSTM网络模型包括输入层、隐藏层、网络训练以及网络训练以及网络预测5个功能模块：输入层负责对原始故障时间序列进行初步处理以满足网络输入要求；隐藏层采用LSTM细胞搭建单层循环神经网络；输出层提供预测结果；网络训练采用Adam优化算法；网络预测采用迭代的方法逐点预测。

7.如权利要求6所述的一种吊弦缺陷趋势预测的方法，其特征在于，LSTM网络模型训练过程为：

S301.初始化网络参数；

S302.将训练参数输入网络，计算网络输出；

S303.计算损失函数；

S304.计算网络函数对损失函数在层级和时间2个方向上的梯度；

S305.对当前模型性能进行判断，如果当前模型性能超过前面最优模型性能，则保存当前模型为最优模型；如果如果当前模型性能未超过前面最优模型性能，则对网络参数进行调整，重复执行S303-S305。

8.如权利要求7所述的一种吊弦缺陷趋势预测的方法，其特征在于，采用单项缺陷数据所有样本APE的平均值作为损失函数衡量预测模型的整体性能，如公式如下所示：

式中：N为训练样本总数；为预测所得缺陷数据；M_i为实际缺陷数据。