复杂载流条件下受电弓-接触网系统动态摩擦系数预测的物理信息深度学习

《Lubricants》：Physics-Informed Deep Learning for Dynamic Friction Coefficient Prediction in the Pantograph–Catenary System Under Complex Current-Carrying Conditions

　　

受电弓-接触网系统是高速列车能量收集的关键路径，其界面状态直接影响受流质量和运行安全。由于多因素耦合效应，界面处的摩擦系数表现出显著的非线性、时变性和随机波动，对摩擦行为预测提出了重大挑战。为了提高复杂载流条件下摩擦系数模型的预测精度和泛化能力，研究人员提出了一种由物理信息麻雀搜索算法（SSA）优化的卷积神经网络-长短期记忆网络（CNN-LSTM）模型，即物理信息麻雀搜索算法-卷积神经网络-长短期记忆网络（PISSA-CNN-LSTM）。基于载流摩擦试验，分析了电流、接触载荷和滑动速度对摩擦系数动态演变的影响。与运行条件相关的物理规律被进一步纳入基于SSA的超参数优化过程中，实现了在物理约束下的定向优化。结果表明，PISSA-CNN-LSTM在预测精度、收敛速度和优化效率方面均优于CNN-LSTM和SSA-CNN-LSTM。测试集的决定系数（R2）达到0.9904，且与SSA-CNN-LSTM相比，优化时间减少了49.38%。该项研究为预测复杂载流条件下受电弓-接触网界面摩擦行为提供了一种更准确、稳健且具可解释性的建模方法。

受电弓-接触网系统是高速列车通过滑动电接触传输电能并获取电力的关键途径。在服役过程中，受电弓碳滑板与铜接触线组成的C/Cu摩擦副受工况与环境因素影响不可避免地产生磨损，这不仅是机械材料损失过程，更是涉及电-热-力多物理场耦合的复杂界面演化过程。随着列车运行速度的进一步提升，多物理场耦合效应加剧，异常磨损和持续燃弧将更频繁发生，导致界面状态演变呈现强烈的非线性、时变性和随机性。为获取摩擦学数据通常需进行大量重复试验，而复杂载流工况下试验耗时费且工况覆盖有限，难以高效支持界面行为评估。现有摩擦行为模型多聚焦于滑板磨损量预测，该指标反映长期损伤积累，难以表征实时界面接触状态变化。由于动态摩擦系数作为反映摩擦学状态的高敏感指标，可快速响应材料软化及损伤等变化，因此开展复杂载流运行工况下受电弓系统动态滑动摩擦系数预测具有显著工程意义。动态摩擦系数演变具有非线性、时间依赖和多工况耦合特征，传统方法难以兼顾局部特征提取与长期动态关联建模。虽然CNN-LSTM模型结合了局部特征提取与长期依赖关系建模并应用于复杂摩擦系数预测，但模型对超参数高度敏感，人工调参难以兼顾精度与泛化能力。为提升优化效率，研究者引入麻雀搜索算法（SSA，受麻雀觅食和反捕食行为启发的群体智能优化算法）实现超参数自动寻优，该算法具备强全局搜索和快速收敛能力，但本质上仍遵循纯数据驱动范式，强依赖数据且未充分利用载流摩擦过程的物理信息，容易导致搜索盲目和适应性受限。为突破这些瓶颈，研究人员开展了此项研究，提出融合物理先验与数据驱动模型的PISSA-CNN-LSTM模型以实现动态摩擦系数的高精度预测，该成果发表在《Lubricants》期刊，为提升受电弓界面摩擦行为预测的物理一致性、精度和泛化能力提供了统一框架。

研究人员为开展研究用到的主要关键技术方法包括：基于环块载流摩擦模拟试验平台获取实测数据样本，选取电流、接触载荷和滑动速度为实验变量进行测试并同步采集动态法向力与切向摩擦力计算摩擦系数；构建了一维卷积神经网络-长短期记忆网络（CNN-LSTM，结合卷积层提取局部波动特征与长短期记忆网络建模长期时间依赖关系的混合预测模型）框架处理时间序列信号；引入麻雀搜索算法（SSA）自适应优化网络超参数以预测误差作为适应度函数；实施物理信息搜索空间重构策略，将工况参数映射至超参数搜索边界通过动态调整边界结合边界修正算子实现物理约束下的定向优化。

摩擦特性分析结果
通过环块载流摩擦试验研究不同工况对受电弓界面动态摩擦系数的影响。结果表明，当电流增加时，接触闪点温度加剧，促进铜微凸体热软化与塑性变形，降低局部剪切强度，导致平均摩擦系数单调下降，同时载流接触微凸体形成与断裂更剧烈、电弧频率增加，使得摩擦系数波动幅度显著增大。当接触载荷增加时，界面机械接触稳定性增强，离线率降低抑制了界面电弧，且促进微凸体塑性变形与石墨脱落转移形成润滑颗粒，使得摩擦系数及其波动均下降并提升运行稳定性。当滑动速度增加时，机械摩擦相互作用增强导致严重机械磨损，受电弓产生的高频振动与冲击甚至导致滑板开裂脱落，最终增加摩擦系数及其波动强度。

模型预测性能对比与分析结果
通过对比基线CNN-LSTM、SSA-CNN-LSTM及PISSA-CNN-LSTM模型预测结果发现，基线模型难以捕捉时间序列信号复杂的突变特征R²为0.6753。引入SSA优化后R²提升至0.9899各项误差指标大幅下降。而PISSA-CNN-LSTM在整体指标上进一步将R²提升至0.9904，且在高动态突变区域的预测曲线与实测值贴合度更高，预测稳定性与鲁棒性增强。该结论表明物理约束的引入有效弥补了预测模型对高频突变特征捕捉能力的不足。

超参数优化与收敛效率分析结果
对比两种优化方法获取的最优超参数表明，两者均确定单层LSTM结构以平衡时序依赖并避免过拟合，但PISSA-CNN-LSTM获得了更多的隐藏单元和更大的批量大小，这与高电流高滑动速度工况下对模型表征能力及梯度估计稳定性的物理需求相一致。收敛特性测试表明PISSA-CNN-LSTM在第10次iteration即达到最优适应度，而SSA-CNN-LSTM在第15次后停滞易陷局部最优。PISSA优化平均耗时246.94 s，较SSA-CNN-LSTM的487.92 s效率提升了49.38%。这表明物理信息约束能引导算法瞄准更合理的超参数组合，同时缩小无效搜索区域提升搜索定向性。

鲁棒性与统计显著性分析结果
由于群体智能算法具随机性，研究利用最优超参数组合进行了100次独立重复试验。PISSA-CNN-LSTM的均方根误差（RMSE，用于衡量预测值与实测值偏差的指标）分布更低且变异性更小，其平均RMSE为3.9741 × 10^?4低于对比模型的4.1842 × 10^?4。通过Wilcoxon秩和检验得到p值为3.6647 × 10^?4，拒绝无显著差异的原假设，证明PISSA-CNN-LSTM预测性能的提升具统计学显著意义。

针对受电弓碳滑板在载流运行工况下摩擦系数动态预测问题，研究人员提出了基于物理信息麻雀搜索优化机制的PISSA-CNN-LSTM模型，主要研究结论如下：载流工况下摩擦系数序列表现出强烈非线性与非平稳性，增加电流使摩擦系数均值降低但波动加剧，增加接触载荷使均值与波动幅度均降低，增加滑动速度则使两者均增加，这为构建物理信息搜索空间提供了物理基础。PISSA-CNN-LSTM通过将物理工况约束映射至超参数搜索边界取代黑盒盲搜，相比普通SSA优化模型搜索时间缩短49.38%。测试集预测指标R²达0.9904且各项误差最小，同时在100次重复试验中展现出更高的统计显著性与鲁棒性。获得的最优超参数组合包含更多隐藏单元、更大批处理量及更高正则化系数，这符合高载流高滑动速度工况需更高模型容量的物理机理分析。