用于低压电器触头弧参数高效预测的混合GB-PINN(Gaussian Mixture-enhanced Bayesian-optimized Physics-Informed Neural Network)框架

《Energies》：A Hybrid GB-PINN Framework for Efficient Prediction of Arc Parameters in Low-Voltage Electrical Contacts

　　

摘要：低压电器触头是配电系统、可再生能源装置及工业自动化设备的核心部件。触头分合过程中产生的电弧是导致触头烧蚀、材料转移及设备故障的主要原因，对系统可靠性与运行安全构成重大威胁。电弧参数（弧持续时间、弧能量）的准确预测面临两方面挑战：可用数据的高分散性削弱了经验模型的可靠性，而纯数据驱动方法易产生违背物理规律的结果。为此，研究人员提出了一种高斯混合模型增强的贝叶斯优化物理信息神经网络（Gaussian Mixture-enhanced Bayesian-optimized Physics-Informed Neural Network，GB-PINN）。本文作出三项核心贡献：（1）高保真磁流体动力学（Magnetohydrodynamic，MHD）仿真基础：建立了触头电弧的多物理场耦合MHD模型，经实验验证，弧持续时间相对误差仅1.63％、弧能量相对误差仅1.82％；通过变化关键触头参数生成了多变量仿真数据集。（2）基于高斯混合模型（Gaussian Mixture Model，GMM）的数据增强：利用GMM对实测与仿真数据建模并采样，在保持物理一致性的前提下扩充数据集。（3）BOHB优化的PINN预测：采用贝叶斯优化与超带（Bayesian Optimization and Hyperband，BOHB）算法优化物理信息神经网络（Physics-Informed Neural Network，PINN）超参数，提升训练效率与预测精度。实验结果表明，所提GB-PINN在预测弧持续时间及弧能量方面性能优越——平均绝对误差（Mean Absolute Error，MAE）分别为0.079 ms和0.624 mJ，均方根误差（Root Mean Square Error，RMSE）分别为0.099 ms和0.774 mJ，决定系数（R2）分别为0.980和0.979，显著优于灰色模型GM(1,N)、长短期记忆网络（Long Short-Term Memory，LSTM）及Transformer模型。作为一种物理信息嵌入的数据驱动工具，GB-PINN可实现高精度电弧预测，为电器触头设计提供可靠支撑。

论文解读：《A Hybrid GB-PINN Framework for Efficient Prediction of Arc Parameters in Low-Voltage Electrical Contacts》

一、研究背景与意义

低压电器触头广泛应用于配电、新能源及工业自动化领域，其分合过程中产生的低压直流电弧是一种持续气体放电现象，弧心温度可逾10 000 ℃，会引起触头材料烧蚀、转移甚至熔焊，直接降低电器寿命与系统可靠性。传统磁流体动力学（Magnetohydrodynamic，MHD）多物理场耦合仿真虽能描述电弧行为，但计算昂贵、耗时且收敛困难，难以满足快速预测需求；而纯数据驱动模型（如浅层人工神经网络ANN、长短期记忆网络LSTM/门控循环单元GRU、卷积神经网络CNN）依赖大量标注数据，且未嵌入物理约束，外推时易给出违背能量守恒等物理规律的不合理预测。物理信息神经网络（Physics-Informed Neural Network，PINN）通过在损失函数中引入控制方程残差作为软约束，可在小样本下兼顾数据拟合与物理合理性，但在电弧预测中仍缺乏高效超参数寻优策略与针对性的小样本数据增强手段。该研究提出融合高斯混合模型（Gaussian Mixture Model，GMM）数据增强与贝叶斯优化和超带（Bayesian Optimization and Hyperband，BOHB）超参数优化的GB-PINN框架，发表于《Energies》。研究人员首先建立并实验验证MHD电弧模型以生成基础数据集，继而用GMM进行统计建模与蒙特卡洛抽样扩充样本，构建以Mayr方程为物理损失的PINN并用BOHB自动搜索最优超参数，最终实现弧持续时间（arc duration）与弧能量（arc energy）的高精度预测，并通过消融实验与分布外推（out-of-distribution）测试验证框架有效性。

二、主要关键技术方法

研究人员以36 V/10 A低压直流断路器触头为对象，搭建实验平台获取50组实测电流、电压及弧参数，并在COMSOL Multiphysics 6.2中建立经实验验证的二维MHD多物理场（电流场、层流Navier–Stokes方程、磁场Maxwell方程组、流体传热及能量守恒）耦合模型，变动动/静触头直径[4–6 mm]、高度[1–3 mm]、开距[0.1–0.5 mm]及分断时间[2–4 ms]生成950组仿真样本，合计1000组并按7∶2∶1划分为训练/验证/测试集。数据增强阶段以GMM（10个高斯分量，期望最大化EM算法估计参数）拟合联合分布并蒙特卡洛采样至10 000条，经最大–最小归一化后输入PINN。PINN以多层感知机（Multilayer Perceptron，MLP）为基底，输出为电弧电导G(t)，物理损失项为Mayr方程关于G(t)的残差均方（配点集上计算），数据损失为MAE，边界损失为起弧/熄弧时刻G=0.01 S处预测与物理边界的MSE，总损失为三者加权和。超参数（网络层数/宽度、学习率、dropout率、各损失权重及配点数）由BOHB在定义搜索空间内自动优化（评估100组配置），以Adam最小化总损失函数训练网络，最终以MAE、RMSE及R²评价，并与GM(1,N)、LSTM、Transformer及去除GMM或BOHB的消融版本对比。

三、研究结果

2. Construction and Validation of the Arc Simulation Model（电弧仿真模型的建立与验证）

研究人员基于MHD理论引入局部热平衡（Local Thermodynamic Equilibrium，LTE）假设、忽略引弧金属相及视电弧为不可压缩牛顿流体层流，列出电流守恒、Navier–Stokes层流、磁场?×H=J、流体传热与能量守恒方程，在COMSOL中建立触头电弧耦合模型。仿真得到0.5–3.0 ms六个时刻温度场云图，显示电弧从初始根部高温集中区经电磁力与热对流向下游扩展、扩散至最终因阻抗增大能量耗散而衰减的完整演变过程。实验采用同步采集高速摄像与电压/电流传感器，观测到与仿真一致的三阶段（引弧—拉伸—衰减）形态。仿真与实验的电压、电流波形吻合良好，触头电压与回路电流相对误差分别为2.78％和5.69％；12种典型工况（各重复5次）下弧持续时间平均相对误差2.21％、弧能量2.38％，证明MHD模型可高保真复现实际电弧动态，所生成的参数化仿真样本具物理可靠性，可作为后续神经网络训练数据基础。

3. Establishment of the GB-PINN Model（GB-PINN模型的建立）

3.1 研究人员选用适用于低压小电流电弧的Mayr方程描述电弧电导瞬态演化，将Mayr方程残差的均方定义为物理信息损失L_phy，以电弧电导G(t)为网络输出量，由G(t)>0.01 S判定起弧、G(t)<0.01 S判定熄弧得弧持续时间，对P=U²·G(t)在弧期间积分得弧能量。数据匹配损失L_data取MAE，边界损失L_boundary约束起/熄弧时刻G值，总损失L_total=λ₁L_data+λ₂L_phy+λ₃L_boundary，通过Adam优化求最小损失下的网络参数。

3.3 研究人员采用BOHB（结合贝叶斯优化代理模型与Hyperband多保真度成功/失败早停机制）替代手工调参或纯贝叶斯优化。在设定搜索空间内评估100组超参数组合，BOHB较标准BO将100组优化耗时从约8 h缩至90 min且精度相当（弧持续时间RMSE分别0.082与0.086，弧能量RMSE分别0.958与0.932），获得兼顾低拟合误差与低物理残差的最优权重与网络结构。

3.4 针对小样本组合爆炸问题，研究人员以GMM对700组训练数据（含50组实测+650组仿真）进行概率密度估计并蒙特卡洛采样至10 000条，对比单用原始数据、单高斯分布增广与GMM增广三种情形——测试集绝对误差直方图表明GMM增广下误差最集中于零附近，证实GMM能更好捕捉实测与仿真数据的复杂多维分布，显著提升PINN训练充分性与估计精度。整体形成"MHD参数化仿真→GMM统计建模与采样→BOHB优化PINN（含Mayr物理损失）→指标验证迭代"闭环流程。

4. Projected Results and Analysis（预测结果与分析）

4.1 在相同GMM预处理与硬件环境下，GB-PINN与GM(1,N)、LSTM、Transformer对比：弧持续时间MAE=0.07870 ms、RMSE=0.09929 ms、R²=0.97953；弧能量MAE=0.62432 mJ、RMSE=0.77381 mJ、R²=0.97914。各项指标均最优，MAE与RMSE较次优之GMM-Transformer分别降低约50％（弧持续时间）与58％（弧能量）。在四维度各向外扩30％的分布外（out-of-distribution）测试集上，弧持续时间MAE=0.109 ms、RMSE=0.134 ms、R²=0.894；弧能量MAE=0.891 mJ、RMSE=1.042 mJ、R²=0.893，表明物理损失项使模型学到电弧内在物理规律而非仅记忆训练分布，具良好外推能力。

4.2 消融实验：完整GB-PINN相较仅用基础PINN（无GMM无BOHB），弧持续时间MAE与RMSE分别降低69.3％和67.2％，弧能量MAE与RMSE分别降低68.2％和69.1％；去除BOHB或GMM任一组建均使误差上升、R²下降，证实GMM数据增强与BOHB超参数优化二者对框架性能均有实质贡献。

四、讨论与结论（翻译并总结）

研究人员指出，本文提出的混合GB-PINN框架通过已验证MHD模型生成参数化数据集，GMM采样克服小样本分散性问题，BOHB高效优化PINN超参数，Mayr方程嵌入保证预测符合能量守恒。仅需1000组基样本即实现弧持续时间MAE=0.07870 ms（RMSE=0.09929 ms，R²=0.97953）及弧能量MAE=0.62432 mJ（RMSE=0.77381 mJ，R²=0.97914）。该框架为模块化、可迁移通用预测工具——更换触头材料时可更新MHD物性并少量微调预训练网络；更高电流下可微改或替换物理损失项（Mayr→Cassie方程残差）而无须全量重训。研究结论三点归纳如下：（1）经实验验证的MHD模型准确复现动态燃弧过程，仿真与实验指标高度吻合，为深度学习提供可靠数据基础；（2）PINN嵌入物理定律确保预测符合物理规律，GMM与BOHB协同解决数据稀缺与计算成本问题，形成高效精确框架；（3）集成GB-PINN可作为实用数字化工具，在不同工况下快速准确预测电弧参数，减少昂贵样机试制并缩短研发周期。未来工作将在不同触头材料及最高630 A额定电流条件下进一步验证框架普适性。