受电弓电弧事件运行模式分类的机器学习比较研究:面向3 kV直流铁路状态监测的防泄漏框架

《Infrastructures》:Comparative Machine Learning for Operating-Mode Classification of Pantograph-Arc Events in Railway Condition Monitoring

【字体: 大 中 小 】 时间:2026年09月21日 来源:Infrastructures 3.6

编辑推荐:

  在电气化铁路系统中,受电弓电弧行为受车辆运行状态影响,因为牵引、惰行、再生制动和电阻制动在架空供电、受电弓、车载滤波器、牵引变流器和制动电路之间产生不同的电气相互作用。区分这些状态对于状态监测系统至关重要,这类系统必须将运行状态变化与电弧相关扰动分开。本研究开

  
在电气化铁路系统中,受电弓电弧行为受车辆运行状态影响,因为牵引、惰行、再生制动和电阻制动在架空供电、受电弓、车载滤波器、牵引变流器和制动电路之间产生不同的电气相互作用。区分这些状态对于状态监测系统至关重要,这类系统必须将运行状态变化与电弧相关扰动分开。本研究开发并评估了一种防泄漏(leakage-safe)框架,用于将受电弓电弧运行模式分类为制动或牵引/惰行,使用从Trenitalia E464机车采集的13个独立3 kV直流(DC)记录。其中7个记录代表制动,6个代表源数据集的复合牵引/惰行类别。每个记录贡献7个等权重的200 ms电弧中心窗口,产生91个分析窗口,同时保持完整记录作为独立单元。主要分析使用受电弓电压(Vp)、受电弓电流(Ip)和滤波电压(Vf);排除制动变阻器电流(Ir)以防止直接的操作模式捷径。在嵌套留一记录验证下比较了四种工程特征分类器和两种时序网络。所选径向基函数支持向量机(RBF-SVM)实现了事件级平衡准确率0.9167,宏F1分数(Macro-F1)0.9212,马修斯相关系数(MCC)0.8539,受试者工作特征曲线下面积(ROC-AUC)1.0000,以及Brier分数0.0267。一项留出记录扰动分析确定电压偏度、电流分布和符号能量描述符为定量贡献因素,支持分布式多变量解释。在匹配的敏感性运行中,移除滤波电压使Brier损失降低0.0059,但95%自助法区间跨越零(?0.0004至0.0169;精确配对p=0.3796),因此明显的完美分类并不能确定通道可省略性。这些结果支持运行状态感知的状态监测,同时强调样本量小、缺乏同步力或相机验证,以及在实际使用前需要外部验证。
**研究背景与问题**

电气化铁路依靠受电弓从接触网持续取流,受电弓与接触线之间的接触质量由机械和电气条件共同决定。当电流流过时发生接触中断会产生电弧,表现为受电弓电压电流快速变化、车载滤波器扰动和瞬时功率波动。车辆运行状态(牵引、惰行、再生制动、电阻制动)会改变电流方向和电路响应,因此电弧的电气表现与运行状态耦合。状态监测系统需要区分正常运行状态变化与电弧相关扰动。然而,现有研究多聚焦电弧检测或瞬态表征,对已识别电弧候选事件周围运行模式的分类研究不足,且常忽视数据泄漏问题——同一事件产生的相邻或重叠窗口若被随机划分到训练和测试集,会高估模型性能。此外,制动变阻器电流等直接反映制动状态的信号若作为输入,会形成捷径,造成泛化假象。因此,研究人员旨在开发一种防泄漏框架,仅使用常用通道(受电弓电压Vp、受电弓电流Ip、滤波电压Vf)对电弧事件运行模式(制动对牵引/惰行)进行分类,并进行定量解释。

**研究内容与结论意义**

研究人员使用Trenitalia E464机车采集的13个独立3 kV直流记录,其中7个制动、6个牵引/惰行。每个记录等权重贡献7个200 ms电弧中心窗口,共91个窗口,但以完整记录为独立单元。比较了四种工程特征分类器(RBF-SVM、随机森林、XGBoost、多层感知机)和两种时序网络(1D卷积神经网络和残差膨胀时序卷积网络),在嵌套留一记录验证下评估。所选RBF-SVM达到事件级平衡准确率0.9167、Macro-F1 0.9212、MCC 0.8539、ROC-AUC 1.0000。扰动分析识别出电压偏度、电流分布和符号能量等贡献特征。结果支持运行状态感知的状态监测,但强调样本量小、缺乏同步力/相机验证,需外部验证。

**关键技术方法**

研究人员使用公开的3 kV直流受电弓电弧数据集,来自Trenitalia E464机车13个独立记录(7制动、6牵引/惰行)。采用等事件电弧中心窗口策略,每记录7个200 ms窗口,共91个,但以完整记录为独立单元。主要输入为Vp、Ip、Vf,排除Ir。工程特征包括幅度分布、波形形态、频谱、小波和物理信息描述符;时序模型为1D卷积神经网络(1D-CNN)和时序卷积网络(TCN)。嵌套留一记录验证确保预处理、特征选择、超参数优化和阈值选择均只用训练折数据;统计采用事件级中位数池化、分层事件自助法、精确标签置换检验和Friedman检验。特征重要性通过扰动每折所选特征并计算Brier损失变化得到。

**研究结果**

**3.1 事件级电气波形特征**
通过可视化各独立记录的候选电弧区间,发现制动和牵引/惰行事件在电压电流波形上均存在幅值、极性、瞬态尖锐度、振荡和恢复形状的差异,说明需要多通道多域联合表征。

**3.2 嵌套事件级模型比较**
在嵌套留一记录验证下,RBF-SVM、随机森林和1D-CNN均达到平衡准确率0.9167和Macro-F1 0.9212,RBF-SVM被选为最终模型。所有7个制动记录和5个牵引/惰行记录被正确分类,唯一错误为TI_T_6。ROC-AUC为1.0000,但置信区间较宽,反映独立记录数有限。

**3.3 电气特征差异**
记录级分析发现牵引/惰行中Ip 0–50 Hz频带功率比更高,制动中Ip和Vf 50–250 Hz比更高,与功率流方向变化和电路响应一致。但868个特征均未通过Holm校正,单变量差异仅具探索性。

**3.4 通道、特征域和Ir敏感性**
通道移除测试显示,移除Vf时看似达到完美分类,但匹配概率再分析显示Brier损失改善不显著(p=0.3796),且仅一个事件越过阈值,不能证明Vf可省略。频率域限制性能下降;包含Ir得到完美分类,但属捷径,故排除。

**3.5 定量RBF-SVM特征重要性**
扰动分析显示100 ms Vp偏度是最强贡献者,其次为Ip 25%分位数等;多个特征协同贡献,支持非线性多变量决策边界,而非单一特征捷径。

**3.6 统计比较**
Friedman检验比较六种分类器的Brier损失,p=0.0043;精确标签置换检验得到p=0.0047,表明观察到的性能结构不太可能由随机标签产生,但仅反映样本内结构。

**3.7 探索性单次与重复电弧任务**
该任务为假设生成性质,使用相同13个记录且无外部表型验证。随机森林ROC-AUC最高0.6905,平衡准确率仅0.6071,区分较弱,不支持操作使用,需前瞻性标注研究。

**总结讨论与结论**

讨论部分指出,制动与牵引/惰行电弧候选事件在Vp、Ip、Vf上可区分,但电气特征应视为接触力学与牵引电路动态耦合的表现,而非电弧成因的直接证据。工程特征与时序模型均能捕获运行状态信息,但由于独立记录数少,高容量TCN未显示优势。泄漏控制保证了评估真实性,但有效样本量仅13,性能估计对单个事件敏感。限制包括单一机车/系统、无同步力/相机验证、牵引/惰行类别中仅一个明确惰行记录、无特征通过多重校正等。未来需在更多车辆、接触网几何、季节和直流系统上采集符合标准(IEC 62846:2016、EN 50317:2025)的多模态数据,并加入接触力和高速/紫外相机验证。

结论:本研究开发了一个防泄漏框架,用于对3 kV直流铁路系统中受电弓电弧候选事件相关的运行模式进行分类。在13个独立记录中,所选RBF-SVM在嵌套留一记录验证下,使用Vp、Ip、Vf实现了平衡准确率0.9167、Macro-F1 0.9212、MCC 0.8539和ROC-AUC 1.0000。留出记录扰动重要性识别出电压偏度、电流分布和符号能量特征为互补贡献因素,与非线性多变量边界一致,尽管没有Holm显著的单变量特征。看似完美的无Vf结果依赖于一个事件的分类改变,并未产生显著的匹配Brier改善。因此,电气信号提供了有用的运行上下文,但应被理解为接触力学和牵引电路动态耦合的表现,而非电弧成因的唯一证据。由于有效样本量为来自单一机车/系统的13个事件,且缺乏同步力、相机和外部验证,该框架是实验性的而非可部署的。未来应在集成到安全关键状态监测之前,获取跨车辆和网络的更大、更平衡、符合标准的多模态数据集。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号