随着我国铁路运营里程的不断增长,动车组拥有量的快速增大,受电弓动态性能参数的检测也受到越来越多的关注。列车的安全运行离不开受电弓的正常工作,但是现实铁路环境中,可能存在许多不确定因素影响受电弓接触状况,比如受到飞行物撞击导致受电弓的形态结构产生变化、弓网之间产生较大的燃弧造成弓网离线、受电弓悬挂异物导致弓网之间接触存在障碍等等,有些情况甚至可能造成列车停止运行。现实环境中,很难人为的进行不间断地对受电弓的状况进行检测,因此,对动车组受电弓进行智能检测系统的研究具有重要的研究价值和广泛的应用前景。本文分析了受电弓与接触网运行质量的重要指标,研究了受电弓动态性能检测方法,在此基础之上,设计出一整套受电弓动态性能智能检测系统,实现了在动车组高速运行过程中,实时监控受电弓状态并智能识别受电弓状态是否正常,为列车的安全稳定运行提供有力的保障。论文主要致力于对受电弓进行异常状态检测的研究,通过详细介绍系统的硬件及软件系统组成,了解本文的研究重点和难点;然后对燃弧检测、受电弓异常检测和磨耗测量进行了进一步的分析;最后基于深度学习的方法,对燃弧检测、受电弓异常检测和磨耗测量进行了实验和分析。本文主要工作如下:1.研究了目前铁路建设及以后铁路建设的发展规划,通过国内外研究现状,了解到受电弓状态检测的重要性。受电弓和接触网状态的好坏直接关系到铁路运营的安全,动车组受电弓智能检测系统通过车顶安装的数据采集模块和车内安装的智能分析主机共同对受电弓的状态进行实时的检测,对故障进行实时报警,报警结果输出到动车组车内监控屏。2.阐述了受电弓智能检测系统的工作原理,介绍了由受电弓智能检测系统组成的智能分析系统的硬件和软件组成。在已有研究的基础上,分析了一些传统算法,对燃弧和受电弓异常进行检测,测量碳滑板磨耗等。3.为了弥补一些传统算法存在的不足,研究了基于深度学习的算法对受电弓进行智能检测。对于一些常见的问题,使用了一些比较经典的算法,对于受电弓的异常检测,创新地提出了Res-DFR,能够实现受电弓的异常判断并且通过热力图能够实现异常区域的确定。构建了燃弧检测、受电弓异常检测和磨耗测量的数据集。实验使用Py Torch深度学习框架,利用大量数据,经过对比和现场视频的验证,采用基于深度学习的方法进行燃弧检测、受电弓异常检测和磨耗测量,能够实现受电弓实时状态监测,检测出异常状态,实验准确率高,误报率低,为动车组受电弓智能检测系统的早日完善和日常应用奠定了基础。