1.一种智能列车外部受电装置的非侵入式实时动态监测方法，其特征在于，包括以下步骤：步骤1，获取原始数据向量；

采集受电弓的原始电流信号并进行预处理得到预处理电流信号，从预处理电流信号中提取多个预处理电流信号片段得到受电弓的多个原始数据向量；其中，已知每个原始数据向量所对应的受电弓故障类型；

步骤2，构建正负样本子集；

步骤2.1，对原始数据向量进行小波包分解重构，提取每个子频带的小波能量信息和小波包奇异值并作为特征量，再利用所有特征量构建特征向量；

步骤2.2，将每个原始数据向量所对应的特征向量均作为训练样本，所有训练样本构成训练集；

步骤2.3，根据受电弓故障类型是否为“无故障”，对每个训练样本进行0和1分类标记，再按分类标记的不同将训练集划分为正样本子集和负样本子集；

步骤3，训练获得故障识别预判模型；

以特征向量和相应的分类标记分别作为输入和输出数据，训练SVM模型，得到故障识别预判模型；

步骤4，训练获得故障识别模型；

以原始数据向量和相应的故障类型分别作为输入和输出数据，训练LSTM网络，得到故障识别模型；

步骤5，对受电弓进行实时动态监测；

步骤5.1，采集受电弓的实时电流信号，并进行预处理得到原始数据向量，再按步骤2获取特征向量；

步骤5.2，将步骤5.1得到的特征向量输入至步骤3得到的故障识别预判断模型，得到受电弓是否故障，若受电弓为有故障，则执行步骤5.3，否则执行步骤5.1；

步骤5.3，将步骤5.1得到的原始数据向量输入至步骤4得到的故障识别模型，得到受电弓的故障类型。

2.根据权利要求1所述的方法，其特征在于，步骤2.1中，对原始数据向量进行N层小波包分解重构，得到2N个小波能量信息和2N个小波包奇异值，在步骤3之前还包括步骤2.4，基于ReliefF算法选择特征量并构建最终的特征向量，具体过程为：步骤D1，由2N个小波能量信息构建小波能量特征向量 由2N个小波包奇异值构建奇异值特征向量 再将小波能量特征向量和奇异值特征向量组合得到特征向量

步骤D2，初始化权值向量 所述权值向量W中的2N个元素分别为特征向量P中的2N个特征量的权值；

步骤D3，从训练集中随机抽取一个训练样本R，从分类标记相同的样本子集中选择k个最邻近样本R1，从分类标记不同的样本子集中选择k个最邻近样本R2；

步骤D4，遍历k个最邻近样本R1和k个最邻近样本R2，按照以下公式更新权值向量W：其中，diff(a,R1,R2)表示样本R1、R2于第a个特征量处的差，计算方法如下步骤D5，重复步骤D3-D4，重复次数为Nc，最终得到权值向量W，执行步骤D6；

步骤D6，对权值向量W按降序排序，得到对应的特征量排列顺序，并选取前面的s维特征量构成最终的特征向量

3.根据权利要求2所述的方法，其特征在于，N＝3。

4.根据权利要求1所述的方法，其特征在于，子频带的小波能量信息是指子频带在原始数据向量中的能量比重，计算公式为：其中，ei表示第i个子频带的小波能量信息，Ei表示第i个子频带的小波能量，Esum表示所有子频带的小波能量之和，Di表示第i个子频带的重构时域信号，qi,d表示第i个子频带所对应的小波系数，Nt表示原始数据向量的维度；

子频带的小波包奇异值的计算方法为：

由2N个子频带的小波系数构成2N×Nt的矩阵L，且矩阵L的秩为r，并存在标准正交矩阵U、标准正交矩阵V及对角矩阵D满足以下公式：Θr×r＝diag(σ1,σ2,…,σr)，

r＝min(2N,Nt)＝2N，

其中，通过公式 求取矩阵U*的2N个特征值，将矩阵U*展开即可得到矩阵U；通过公式 求取矩阵V*的Nt个特征值，将其展开即可得到矩阵V；根据得到的矩阵U、矩阵V以及上述公式，计算得到所有子频带的小波包奇异值{σ1,σ2,σ3,...,σr}。

5.根据权利要求1所述的方法，其特征在于，采用高斯核函数作为SVM模型的核函数，采用K折交叉验证的方式对高斯核参数σ以及惩罚因子c进行参数优化设置，具体的参数优化设置过程为：将训练集均分为K组子集，滚动将其中K-1组作为训练子集，剩余1组子集作为测试子集，对SVM模型进行训练和测试，得到K个测试准确率，取K个测试准确率的平均值作为SVM模型的参数评价指标；

设置高斯核参数σ和惩罚因子c的取值范围以及迭代步长；交叉遍历高斯核参数σ和惩罚因子c的所有取值组合，设置SVM模型，并计算当前SVM模型的参数评价指标值，再从中选取最大值所对应的高斯核参数σ和惩罚因子c的取值组合，作为SVM模型的最优参数组合。

6.根据权利要求1所述的方法，其特征在于，采用Adam梯度下降算法对LSTM网络进行训练，采用交叉熵函数作为训练的最小优化指标，其中交叉熵函数为：其中，pi(x)表示第i个原始数据向量在LSTM网络的期望输出，qi(x)表示第i个原始数据向量在LSTM网络的真实输出，Nout表示LSTM网络输出层的神经元数量。

7.根据权利要求1所述的方法，其特征在于，受电弓的故障类型包括：受电弓碳滑板过热、碳滑板裂纹、弓网接触压力异常、网线故障、供电异常、无故障，每种故障类型与LSTM网络输出层的1个神经元对应。

8.根据权利要求1所述的方法，其特征在于，采集受电弓的原始电流信号并进行预处理得到预处理电流信号的具体过程为：首先，采用通信波特率为9600Hz的ADC采集模块，采集受电弓的原始电流信号；

然后，通过求取原始电流信号在固定窗口长度内的电流有效值，将9600Hz的原始电流信号处理为基频信号频率50Hz的预处理电流信号。

9.根据权利要求1所述的方法，其特征在于，从预处理电流信号中提取多个预处理电流信号片段得到受电弓的多个原始数据向量的具体过程为：采用滑动窗的方式，以80个周期基频信号长度为滑动窗步长，以100个周期基频信号长度为滑动窗宽度，从预处理电流信号截取预处理电流信号片段作为原始数据向量。