(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111496409.3 (22)申请日 2021.12.09 (71)申请人 四川艾德 瑞电气有限公司 地址 610037 四川省成 都市金牛区金凤 凰 大道666号中铁轨道交通高科技产业 园 申请人 成都迪威思拓科技有限公司 (72)发明人 尹磊　李朝阳　冉惟可　贺毅　 肖琨　王志强　杨佳　李路　 邓云川　唐伟　陈科　刘涛　高保　 王尧　代文平　何成太　余沿沿　 朱明凯　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 113/04(2020.01) G06F 119/08(2020.01) (54)发明名称 基于自回归及深度学习模型判 断接触网异 常的方法 (57)摘要 基于自回归及深度学习模型判 断接触网异 常的方法， 包括6个步骤。 本发明采用经验理论公 式、 传统预测方法、 深度学习方法这三种不同的 预测方法进行数据预测， 再用实测数据与三种预 测方法所获得的预测数据分别绘制曲线， 再将所 得B值的预测曲线与实测曲线进行拟合对比。 当 实测曲线与预测曲线的拟合度低于某 一阈值时， 即判断接触网存在异常、 反之正常。 本发明不需 要人为巡检， 综合利用理论公式、 差分整合移动 平均自回归模 型、 卷积神经网络深度学习模型各 自的优势， 对接触网补偿 装置B值进行预测， 能在 接触网存在异常时第一时间了解到具体情况， 从 而为制定相关措施， 保证铁 路安全运行起到了有 利技术支撑。 基于上述， 本发明具有好的应用前 景。 权利要求书2页 说明书5页 附图1页 CN 114218856 A 2022.03.22 CN 114218856 A 1.基于自回归及深度学习模型判断接触网异常的方法， 其特征在于包括以下步骤： 步 骤1： 建立接触网补偿装置B值理论 公式计算模 型， 通过计算 获取一个周期内的B值时间序列 数据； 步骤2： 建立差分自回归移动平均预测模型， 通过该模型获取步骤1相同周期内的B值 时间序列数据； 步骤3： 建立卷积神经网络预测模 型， 通过该深度学习模 型获取步骤1相同周 期内的B值时间序列数据； 步骤4： 通过实际测量， 得到步骤1的相同周期内的B值实际数据； 步骤5： 通过步骤1到步骤4得到的四组独立的B值时间序列数据， 分别是步骤1得到的理论 公 式计算所得的B值数据， 步骤2和步骤3得到的预测B值数据， 步骤4得到的实际测量的B值数 据， 对4组离散的B值数据分别建立数学模型， 并将四组数据连接形成4条独立的拟合曲线； 步骤6： 对步骤5形成的4条独立B值拟合曲线进行拟合度判定， 判断实际B值曲线与预测B值 曲线的拟合度是否低于某一阈值， 如果是， 则判断接触网异常， 如果否， 则判断接触网正常。 2.根据权利要求1所述的基于自回归及深度学习模型判断接触网异常的方法， 其特征 在于， 步骤1中包括如下分步骤， （1） ： 测量及获取相关参数， 所需参数包括以下数据， 设计所 采取的最高温度、 设计的接触网补偿装置的最小B值、 某 时间点的环境温度、 补偿滑轮的传 动比、 补偿装置到中心锚 结的距离、 接触线或承力索的线膨胀系数； （2） ： 计算接触网补偿装 置B值； （3） ： 以某一时间点的环境 温度作为初始状态， 每隔一段固定时间测量一次环 境温度 的数据； （4） ： 逐个计算获得时间序列的理论B值数据； （5） ： 数据清洗； （6） ： 绘制理论B值数据 与时间序列的散点图。 3.根据权利要求2所述的基于自回归及深度学习模型判断接触网异常的方法， 其特征 在于， 步骤1的 （2） 中， 采用的理论公式为： Bx=Bmin+n*L*α * （tmax ‑tx） ， 式中， tmax是设计所采 取的最高温度， Bmin是设计的接触网补偿装置的最小B值， tx是某时间点的环境温度， n是补偿 滑轮的传动比， L是补偿装置 到中心锚结的距离， α 是接触线或承力索的线膨胀系数。 4.根据权利要求1所述的基于自回归及深度学习模型判断接触网异常的方法， 其特征 在于， 步骤2中包括如下分步骤， （1） ： 建立差分自回归移动平均ARIMA预测 模型； （2）  B值历 史数据准备； （3） ： 对步骤 （2） 中准备的B值历史数据进行平稳化处理； （4） ： 对步骤 （3） 中经过 平稳化处理的B值时间序列数据进行单位根检验， 判断序列是否存在单位根， 如果否， 则平 稳性判断通过， 跳转到步骤 （5） ， 如果是， 则平稳性判断不通过， 跳转回到步骤 （3） ； （5） ： 对历 史B值数据分割， 具体按照训练集和测试集占比75%和25%的分配比例进行分配； （6） ： 对 （1） 模型中的参数求得p， q的值； （7） ： 基于步骤 （6） 的数据， 对模型进行评估； （8） ： 根据 （7） 的 RMSE均方根误差指标对模 型误差进行评估， 得到相应的经过校验评估的ARIMA模 型； （9） ： 利 用步骤1中 （3） 中的时间序列， 获得基于ARIMA模型的时间序列的预测B值数据； （10） ： 利用步 骤 （9） 得到的预测B值数据， 重复进行步骤1中 （5） 和步骤1 （6） 的工作， 绘制ARIMA模 型的预测 B值数据与时间序列的散点图。 5.根据权利要求1所述的基于自回归及深度学习模型判断接触网异常的方法， 其特征 在于， 步骤3中包括如下分步骤， （1） ： 建立卷积神经网络CNN预测 模型； （2） ： B值影响因素的 选择； （3） ： 对步骤 （2） 中的影 响因子数据进行标准化处理； （4） ： 确定模型原则； （5） ： 基于 （4） 的模型原则， 将包含特征变量及B值 目标数据的数据集按照时间顺序划分为训练集与测试 集， 其量值分别占数据总集的70%与30%； （6） ： 设置训练及测试集输入步长； （7） ： 完成模 型训 练； （8） ： 根据模 型 （7） 所得的数据， 重复进行步骤1 中 （5） 和步骤1 中 （6） 的工作， 绘制CNN模型 的预测B值数据与时间序列的散点图。权　利　要　求　书 1/2 页 2 CN 114218856 A 26.根据权利要求1所述的基于自回归及深度学习模型判断接触网异常的方法， 其特征 在于， 步骤4中包括如下分步骤， （1） ： 获得步骤1的相同周期内的一组时间序列B值实际数 据： （2） ： 绘制实际测量B值数据与时间序列的散点图。 7.根据权利要求1所述的基于自回归及深度学习模型判断接触网异常的方法， 其特征 在于， 步骤5中包括如下分步骤， （1） ： 绘制拟合曲线1； （2） ： 绘制拟合曲线2； （3） ： 绘制成拟合 曲线3； （4） 绘制拟合曲线5； （5） ： 将步骤 （1） 到步骤 （4） 得到的条独立的拟合曲线汇总到同一 坐标系中。 8.根据权利要求1所述的基于自回归及深度学习模型判断接触网异常的方法， 其特征 在于， 步骤6中包括如下分步骤， （1） ：  将步骤5.中 （5） 得到的4条同一坐标系中的拟合曲线 进行拟合度判定； （2） ： 建立拟合度判定模 型； （3） ： 确定均方根误差公 式； （4） ： 判断拟合曲线 1、 拟合曲线2、 拟合曲线3这3条预测曲线自身的拟合度， RMSE值越小， 说明了两条 曲线的偏 差越小， 即误差的实际情况越好； （5） ： 将拟合曲线4与拟合曲线1、 拟合曲线2、 拟合曲线3采 用步骤 （3） 的数据， 逐一进行拟合度判定， 判断接触网是否存在异常。权　利　要　求　书 2/2 页 3 CN 114218856 A 3