基于时域反射法（TDR）与格拉姆角场（GAF）编码及残差神经网络的线路网络故障诊断

《Machines》：Wiring Network Fault Diagnosis Based on Time-Domain Reflectometry and Gramian Angular Field Encoding with Residual Neural Networks

　　

本文介绍了一种新颖的线路网络故障诊断框架，该框架集成了时域反射法（TDR）、格拉姆角场（GAF）表示和深度残差神经网络。所提出的方法将TDR响应转换为GAF图像，残差神经网络直接利用这些图像从复杂的反射测量信号中实现稳健的特征提取。为支持监督学习，研究人员采用正向建模策略，在广泛的故障场景下生成具有代表性的TDR响应。该框架旨在提供实时的故障检测、定位和表征，在复杂拓扑结构（如YY形网络）上展现出高效性。数值结果表明，该方法对硬故障具有高诊断性能，总体精度和宏平均灵敏度超过99%，从而突出了所提出方法的有效性和可靠性。

**论文解读：基于TDR与GAF编码及残差神经网络的线路网络故障诊断**

**研究背景与动机**

在航空航天、汽车和核工业等关键领域，线路缺陷是重大的安全隐患。电缆在长期使用中会因老化、机械应力和环境影响出现绝缘退化、脆化或结构损伤，最终导致系统严重失效。例如，现代飞机的机载线路总长可达400公里，极大地增加了机械磨损、环境应力和老化效应的影响，使故障检测尤为困难。历史上，1996年环球航空800号航班和1998年瑞士航空111号航班的灾难性事故，均与未被检测到的线路缺陷有关，凸显了开发能够准确、及时检测、定位和表征线路故障的稳健诊断技术的紧迫性。

线路故障通常分为硬故障（如开路、短路）和软故障（局部阻抗变化）。硬故障会导致网络性能突然显著下降；软故障虽初始微弱，但可能逐渐恶化演变为硬故障。现有诊断技术分为非反射测量法和反射测量法，其中时域反射法（TDR）因操作简单、速度快、精度高而被广泛采用。然而，单独使用TDR在处理复杂网络时存在局限——微弱的阻抗变化和复杂的拓扑结构产生的反射模式难以通过人工或直接分析解读。为此，研究人员发展了迭代优化方法和机器学习方法。迭代优化方法（如遗传算法、粒子群优化）计算密集且需精细调参，难以实时部署；传统机器学习方法（如支持向量机、1D-CNN）依赖手工特征提取，需要大量领域知识，且在处理高维TDR信号时存在可扩展性和性能瓶颈。虽然已有研究将格拉姆角场（GAF）与残差神经网络（ResNet）结合用于其他领域，但该组合在TDR诊断中的潜力尚未被探索。TDR信号具有独特的物理特性（如复杂空间反射回波、阻抗失配、距离相关衰减），传统一维分析难以捕捉重叠回波间的长程相关性。为此，本研究提出一种将一维TDR信号转换为二维GAF表示，再利用残差神经网络进行诊断的原创框架，旨在实现全自动特征学习、对结构复杂性的鲁棒性以及强数值验证。该研究发表于《Machines》期刊。

**主要关键技术与方法**

1. **正向建模（Forward Modeling）**：采用有限差分时域（FDTD）数值方法模拟线路网络的电磁行为，将传输线离散化为均匀RLCG等效电路段，求解多导体电报方程，生成多种故障场景下的TDR响应。模型在无损假设下运行（适用于短电缆），并通过与实验信号对比验证准确性。

2. **格拉姆角差场（GADF）编码**：将一维TDR信号归一化至[0,1]区间后转换为极坐标，计算角度差的正弦值构建格拉姆角差场（GADF）矩阵。GADF能突出信号中的局部变化和极性翻转，适用于捕捉反射峰的特征，生成尺寸可调整至224×224×3的图像。

3. **残差神经网络（ResNet-50）**：采用预训练的ResNet-50架构，通过残差跳跃连接缓解深度网络中的梯度消失问题。针对分类任务，保留全局平均池化和全连接层及Softmax激活；针对回归任务，用展平层替代全局平均池化以保留时空细节，输出连续标量预测。模型在离线阶段使用GADF图像训练，在线阶段实现实时推理。

**研究结果与分析**

**5.1 离线训练与性能评估：基于TDR响应生成的GAF图像**

研究人员针对YY形线路网络（含5个分支，总长约7.25 m）构建了包含单硬故障和双硬故障的数据集，共18个故障类别（如L1_open、L23_short等），每个类别包含不同物理位置的GADF图像。数据集按80%训练、20%验证划分。ResNet-50分类模型经网格搜索优化超参数后，训练和验证精度曲线紧密重合，最终分类准确率达99.2%。验证混淆矩阵显示近乎完美的分类性能。与TDR–1D-CNN和TDR–BiLSTM的对比表明，所提方法在所有指标（总体精度、宏平均灵敏度、宏平均F1分数）上均显著优于基线方法。对于回归任务，多输出ResNet-50模型估计故障位置，验证集上各类的均方根误差（RMSE）较低（如L1_open为0.134 m，L23_open为0.108 m）。在添加高斯噪声（信噪比SNR=40、30、20 dB）的鲁棒性测试中，分类精度仍分别达到98.5%、97.2%和93.1%，证明方法对实际噪声环境具有良好耐受性。

**5.2 在线阶段：待测线路网络的诊断**

对实验搭建的YY形网络，使用Agilent E5071C矢量网络分析仪在频域（100 kHz–4.5 GHz）进行测量，通过IFFT转换为TDR时域迹线。对比健康与故障网络的TDR响应，计算RMSE超过预设阈值（0.0224）确认故障存在。在线诊断流程使用离线训练的ResNet-50分类模型预测出“L25_open”类别（置信度96.9%），表明分支L₂和L₅存在开路故障。多输出回归模型估计故障位置为L₂上0.37 m、L₅上0.38 m。硬件性能测试显示，模型内存占用88.08 MB，CPU和GPU平均推理时间分别为44.5 ms和30.4 ms，表明具备实时部署潜力。

**讨论与结论**

本研究提出了一种集成TDR、GADF表示和ResNet-50的故障诊断框架，通过将TDR信号转换为GADF图像直接输入深度残差网络，实现了有效的自动特征学习。正向建模策略生成多样化的训练数据，分类与回归模型联合构成统一诊断方案。在YY形复杂拓扑上，该方法在硬故障诊断中达到超过99%的精度，优于近期深度学习基线。然而，当前框架仅针对硬故障，软故障的诊断是实际预测性维护中的主要挑战，也是未来研究方向。此外，验证仅基于单一网络拓扑和无损电缆；未来需扩展至含电阻性和介质损耗的电力电缆（在航空和汽车电气化中日益重要），并考虑电磁干扰等环境扰动，以及引入贝叶斯神经网络以实现不确定性感知。

**研究结论原文翻译**：本文提出了一种故障诊断框架，该框架集成了TDR、GADF表示和ResNet-50架构，以提高线路网络故障诊断的准确性和可靠性。所提出方法的原创性在于将TDR衍生的GADF图像直接集成到深度残差神经网络中，从而能够从复杂信号模式中实现有效的特征学习。为支持该框架，研究人员采用正向建模策略在广泛的故障条件下生成具有代表性的TDR响应。随后，将这些响应转换为GADF图像，并用于训练和验证ResNet-50分类与回归模型，形成统一的诊断方案。由于其稳健的架构设计和丰富的信号表示，所提出的TDR–GADF–ResNet-50方法即使在复杂线路拓扑中也能实现准确的故障检测、精确定位和可靠的故障表征。在特定YY形网络配置上进行的对比分析表明，所提方法比近期深度学习基线获得了更高的诊断精度。然而，该框架当前的一个局限性是适用范围仅限于硬故障。虽然诊断这些严重失效模式对安全关键系统至关重要，但软故障对预测性维护构成了重大实际挑战。解决这一局限性是当前正在研究的方向。未来的研究将侧重于将所提方法扩展到线路网络中软故障的诊断。除故障类型外，当前的验证仅在单一网络拓扑和无损电缆上进行。在航空和汽车电气化背景下重要性日益增加的电力电缆，涉及不可忽略的电阻性和介质损耗，而当前正向模型未考虑这些因素。将框架扩展到需要损耗建模的该类电缆目前正在研究中。进一步的研究还将考察电磁干扰等环境扰动的影响，并探索将不确定性感知的贝叶斯神经网络框架与残差架构相结合。