物理引导的多模态学习用于基于激光诱导等离子体的开关柜真空度鲁棒评估

《Optics & Laser Technology》：Physics-guided multimodal learning for robust vacuum-level assessment of switchgear using laser-induced plasma

　　

- 物理引导的多模态学习评估开关柜真空水平。
- 光谱Mamba与可变形图像分支融合等离子体信号。
- 物理启发的正则化器引导压力相关的潜在学习。

**引言**

真空开关柜凭借其优异的灭弧能力、环保特性、低维护需求以及对频繁开关操作的适应性，已成为中高压开关设备的重要发展方向。因此，它在现代电力系统的绿色低碳转型中展现出广阔的应用前景。真空灭弧室内部的真空水平是决定介电恢复能力、开断性能和运行可靠性的关键参数。一旦真空水平恶化，灭弧能力和介电强度可能显著减弱，从而可能导致绝缘失效甚至严重的运行事故。因此，开发非接触且高灵敏度的真空度监测技术长期以来一直是该领域亟待解决的关键问题。本课题组及其他研究人员的先研究表明，工频耐压试验、磁控管放电法和X射线技术等方法已在工程实践中得到应用，但它们普遍存在离线运行、实时性不足、流程复杂以及对设备运行条件产生干扰等缺陷。这些局限性使得上述方法难以满足真空开关在带电运行条件下长期状态感知的需求。

随着光学诊断技术的快速发展，激光诱导击穿光谱（LIBS）凭借其非接触测量、响应迅速、支持灵活远程部署以及能够同时采集光谱和等离子体图像等多源信息等优势，已成为真空开关在线真空度检测的一种极具前景的方法。先前的研究表明，关键等离子体特征——包括特征谱线强度、等离子体羽流形态和积分辐射强度——与环境压力之间存在强相关性，从而实现了对真空灭弧室内残余气体压力的表征与预测。沿此方向，本课题组逐步建立了一个涵盖等离子体图像检测、特征谱线分析以及基于机器学习的压力预测的系统性研究框架。特别是，提出了一种低压等离子体成像表征方法，并进一步将随机森林、光谱-图像融合及集成学习等先进算法引入真空度预测任务，持续提升了识别准确率与鲁棒性。

然而，现有的基于LIBS的真空度检测方法在高真空区域仍表现出明显的局限性，难以实现真空水平的精确表征与可靠区分。一方面，传统方法主要依赖单模态信息，仅从光谱数据或等离子体图像中提取局部特征，这不足以全面捕捉等离子体在不同压力条件下耦合演化的行为。另一方面，在低压环境中，等离子体羽流变得越来越弥散，边界模糊、形态不规则且膨胀不对称，同时伴随谱线强度减弱和类间差异缩小。因此，基于局部特征或经验参数的方法难以稳定地区分不同的真空状态。在此条件下，传统模型容易对训练数据产生过拟合，在处理有限样本、强噪声干扰或外推至未见压力区间时往往出现显著的性能下降，从而限制了其在真空度检测中的实际应用。

从智能诊断的角度来看，面向复杂工业场景的模型正从基于手工特征的浅层分类器向深度多模态融合网络演进。在基于LIBS的真空度检测中，多模态建模可以联合利用光谱域与图像域中的互补信息，更全面地表征不同压力下等离子体状态的变化，从而在一定程度上提升识别性能。然而，纯粹的数据驱动多模态融合方法仍然存在固有的黑箱特性，难以解释不同真空条件下底层的等离子体演化机制。因此，有必要进一步引入物理引导的学习策略，通过将等离子体演化相关的物理意义约束嵌入模型中——无论是通过潜在变量还是损失函数。这种方法可以有效缩小模型的假设空间，并确保预测结果与真空度变化的底层物理机制更加一致。

近期关于真空开关柜诊断之外多模态激光诱导等离子体的研究进一步印证了这一趋势。Ye等人提出了一种用于工业烟雾监测的物理感知自适应门控融合网络，其中激光诱导声信号与LIBS光谱相融合，以增强气溶胶场景下的鲁棒性。Deng等人将LIBS与激光诱导等离子体声信号相结合，用于非接触式湿度识别，展示了光谱发射与声学特征在环境感知中的互补价值。这些研究表明，当不同模态反映等离子体-环境相互作用的不同方面时，多模态激光诱导等离子体感知可以提高诊断的鲁棒性。在方法论上，这些研究主要通过自适应门控或特征级融合来提升鲁棒性，而PMD-Net则额外将任务特定的电离-激发趋势和羽流膨胀趋势作为模态特定的潜在正则化项纳入优化过程。这促使我们提出了一种光谱-图像框架，在该框架中，多模态融合进一步通过任务特定的等离子体演化先验进行正则化。

基于上述分析，本文提出了一种物理引导的Mamba-可变形网络（PMD-Net），该网络融合光谱序列与等离子体图像，用于真空开关低压真空水平的监测。本工作的主要贡献总结如下：

我们设计了一种双流架构，通过连续时间状态空间模型（Mamba）处理原始一维光谱序列，以捕捉长程光谱电离-激发依赖关系；同时，利用形态感知可变形卷积网络（DCN）跟踪二维等离子体羽流的不规则边界扩散。随后，采用跨模态注意力机制将光谱特征与羽流形态特征进行对齐。

为了在模型优化中引入物理引导，我们构建了一个简化的Saha-Boltzmann启发的电离-激发正则化项和一个流体力学启发的羽流膨胀正则化项。这些项将电子温度相关和等效半径相关的潜在变量约束在压力依赖趋势上，从而降低了严重跨量级误分类的风险。

在一个10类压力数据集（10??至10? Pa）上的广泛评估表明，PMD-Net取得了97.83%的宏准确率。在严格的留一压力交叉验证下，PMD-Net将外推平均绝对误差距离保持在1.45以下，而纯数据驱动模型则表现出明显更大的误差（MAE接近3.0），表明其对省略压力级别的泛化能力有所提升。

**章节片段**

**共轴激光诱导等离子体平台**

数据采集系统是一种具有共轴激励与信号采集功能的激光诱导等离子体检测平台，如图2所示。该系统由脉冲激光激励单元、真空模拟单元、等离子体图像与光谱采集单元以及同步与数据处理模块组成。与具有独立激励和采集路径的传统LIBS系统不同，共轴布局在很大程度上使激光路径与等离子体辐射采集路径重叠，减少了空间……

**PMD-Net的总体架构**

本文提出的PMD-Net建立了一个从多模态激光诱导等离子体数据到对应压力水平的端到端物理引导映射。整体架构如图3所示，由三个阶段组成：多模态特征提取网络、跨模态融合网络和物理引导优化阶段。

首先，模型并行处理两模态原始激光诱导等离子体数据。具体而言，一维光谱序列被输入光谱分支网络，而二维……

**PMD-Net的性能**

为了定量评估本文提出的PMD-Net在整个真空压力范围内的分类性能，采用准确率（Acc）和宏准确率（MacA）作为主要评估指标。除第4.4.3节中的留一压力交叉验证评估外，所有标准分类结果均通过第2.3节所述的10折交叉验证方案获得。图4中的混淆矩阵由汇总十折的折外预测结果构建……

**结论**

真空开关的真空度评估受到复杂非线性等离子体动力学和固有的黑箱模型局限性的阻碍。为应对这一挑战，我们提出了PMD-Net，该网络将简化的物理启发的趋势正则化引入多模态光谱-图像学习。

PMD-Net达到了97.83%的宏准确率，并且在低至10?? Pa的极端真空边界条件下仍保持了81.67%的鲁棒准确率。此外，它将所有观测到的预测误差保持在……

**CRediT作者贡献声明**

Haichen Luo：撰写——审阅与编辑，撰写——初稿，方法论，概念化。Jiaqi Liu：撰写——审阅与编辑，撰写——初稿，软件。Dexu Guo：可视化，调研。Wei Ke：监督，资源，经费获取，概念化。Huan Yuan：撰写——审阅与编辑，监督，资源，经费获取。Jifeng Chu：项目管理。Aijun Yang：形式分析。Xiaohua Wang：项目管理。Mingzhe Rong：形式……

**利益冲突声明**

作者声明他们不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

Haichen Luo | Jiaqi Liu | Dexu Guo | Wei Ke | Huan Yuan | Jifeng Chu | Aijun Yang | Xiaohua Wang | Mingzhe Rong | Dongzhi Zhang | Xilin Wang