(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 202111183424.2 (22)申请日 2021.10.1 1 (71)申请人 南京恒星自动化设备有限公司 地址 210022 江苏省南京市秦淮区大明路 15号 (72)发明人 戴明　应福业　李寿阳　刑挺　 范增盛　 (74)专利代理 机构 南京禾易知识产权代理有限 公司 32320 代理人 詹庆铷 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/04(2020.01) (54)发明名称 基于深度学习LSTM的铁路供电设备状态异 常报警的实现方法 (57)摘要 本发明提供一种基于深度学习LSTM的铁路 供电设备状态异常报警的实现方法， 包括第一 步， 预设供电设备检测传感器， 并建立时间序列， 得到在时间序列下的各个时间步所对应的针对 此供电设备的实验数据集； 第二步， 对实验数据 进行去杂乱化， 以得到有利于演化特征的训练数 据； 第三步， 构建LSTM网络模型， 并以训练数据作 为训特征信息输入至LSTM网络模型同时进行训 练， 得到训练模型； 第四步， 对训练模型进行模型 预测， 衡量模型预测值偏差， 并基于直方图对预 测结果进行可视化。 通过将长短时记忆网络采用 深层网络架构， 达到可从变压器的多种传感器信 息中自动识别故障特征并预测故障的演化趋势， 为实现变 压器智能化 运维提供技 术保障。 权利要求书2页 说明书6页 附图3页 CN 113901720 A 2022.01.07 CN 113901720 A 1.一种基于深度学习LSTM的铁路供电设备状态异常报警的实现方法， 其特征在于： 包 括以下步骤： 第一步， 预设供电设备检测传感器， 并建立 时间序列， 得到在时间序列下的各个时间步 所对应的针对此 供电设备的实验数据集， 用于进行实验数据演化特 征， 获取训练样本； 第二步， 实验数据 预处理， 对所述实验数据进行去杂乱化， 以得到有利于演化特征的训 练数据； 第三步， 构建LSTM网络模型， 并以所述训练数据作为训特征信息输入至LSTM网络模型 同时进行训练， 得到训练模型； 第四步， 对所述训练模型进行模型预测， 衡量模型预测值偏差， 并基于直方图对预测结 果进行可视化。 2.根据权利要求1所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现 方法， 其特征在于： 第一步中， 实验数据集在被进行演化特征之前， 还需要对其进行划分处 理， 其具体实施方式为： 将由供电设备检测传感器获取的实验数据集划分为训练子集、 测试子集以及RUL子集， 其中， 训练子集和测试子集均包括供电设备的ID身份信息、 供电设备在时间序列下的对应时 间步中的位置信息、 供电设备的操作设定信息以及供电设备检测传感器数据信息； RUL子集包括测试子集的真实剩余寿命， 用于与测试子集测试 结果进行对比。 3.根据权利要求1或2所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的 实现方法， 其特 征在于： 第二 步中， 对实验数据进行去杂乱化的步骤 包括： S2‑1， 删除常量值特征， 将基于时间序列且在所有时间步中保持不变的供电设备检测 传感器数据信息进行删除， 用于删除对供电设备剩余寿命无影响的数据； S2‑2， 特征缩放训练数据， 基于z ‑score标准化方法， 压缩实验数据集中差异很大的特 征值至较小的区间， 用于加快训练模型收敛； S2‑3， 裁剪响应， 以设定阈值对响应进行裁 剪， 用于加快训练模型的训练学习； S2‑4， 填充数据， 基于各序列长度对训练数据进行排序， 并选择最优小批量大小进行平 均划分， 减少划分后的训练数据的填充量， 稳定训练加快训练模型的收敛。 4.根据权利要求1所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现 方法， 其特 征在于： 第三 步中， LSTM网络包括： 两个LSTM层， 其中， 第一个LSTM层包含200个隐藏神 经单元， 第二个LSTM层包含50隐藏 神经单元； 丢弃率均设置为0.5的两个Dropout层， 其中， 第一Dropout层包含200个隐藏神经单元， 第二个Dropout层包 含50个隐藏神经 单元； 包含50个隐藏神经 单元的第一全连接层以及包 含1个隐藏神经 单元的第二全连接层。 5.根据权利要求1所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现 方法， 其特征在于： 第三步中， 所述训练模 型的构建是采用LSTM神经网络并基于Matlab中的 DeepLearning工具箱平台所实现， 其中， 训练模型的训练参数设定为： 基于Adam优化算法优 化学习模型， 且设定学习率0.01、 训练次数6 0、 梯度阈值1、 最大迭代次数6 0。 6.根据权利要求1所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现权　利　要　求　书 1/2 页 2 CN 113901720 A 2方法， 其特征在于： 第四步中， 对所述训练模型进 行模型预测的处理方式是基于均方根差评 价指标实现， 其计算公式为： 式中， yi代表真实值， 代表预测值。 7.根据权利要求6所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现 方法， 其特征在于： 在 对所述训练模 型进行模型预测时， 指 定小批量大小为 1， 用于防止函数 自动填充训练数据。 8.根据权利要求1所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现 方法， 其特 征在于： 基于直方图对预测结果进行 可视化的具体实施方式为： 首先， 基于训练模型对测试子集中随机时间序列 下的每个时间步中的特征值进行供电 设备的寿命预测， 且在预测时实时更新网络状态， 其中， 预测的最后一个特征值为测试子集 中停止的时间步所对应的供电设备寿命； 其次， 将所述训练模型 预测出的供电设备剩余寿命进行对比； 最后， 基于直方图可视化预测出均方根差误差 。 9.根据权利要求3所述的一种基于深度学习LSTM的铁路供电设备状态异常报警的实现 方法， 其特征在于： 在S2 ‑2中， 基于z ‑score标准化方法， 特征缩放训练数据的具体计算公 式 为： 式中， 其中x为原 始特征值， x′为规范化后的特 征值， 其中， 特征缩放训练数据的特 征范围缩小为[0， 1]之间。权　利　要　求　书 2/2 页 3 CN 113901720 A 3