基于多源数据融合的接触网分段绝缘器与隔离开关状态评估与故障预测研究

基于多源数据融合的接触网分段绝缘器
与隔离开关状态评估与故障预测研究

摘 要

高速铁路接触网设备长期暴露于户外，受风霜雨雪、电弧烧蚀与机械振动耦合作用，分段绝缘器和隔离开关的突发故障已成为牵引供电系统非计划停运的主要诱因。现有定期巡检模式难以捕捉处于发展期的渐进性缺陷，故障发现滞后导致平均中断运营达4.2小时/次。

本文面向上述两类设备的运维痛点，构建了一套从多源数据采集、异构数据融合到状态评估与剩余寿命预测的完整技术框架。数据层面，整合电气、机械、热像、环境、图像与历史运维六类异构数据源，经由边缘-网关-云三级传感网络实现时间同步与空间对齐的汇聚；融合层面，提出基于证据距离与云模型改进的D-S证据理论算法，解决高冲突证据下Zadeh悖论导致的融合失效问题；评估层面，建立两级多维信息融合评估模型，输出四级健康状态与连续健康指数；预测层面，以Wiener过程刻画长期退化趋势、LSTM网络追踪短期波动特征，依预测方差自适应加权融合，给出含置信区间的剩余寿命分布。

基于某高铁线路2000余组实测样本验证：多源融合评估准确率达93.6%，较单一数据源提升12.8个百分点；改进D-S算法在高冲突场景下融合稳定性较经典D-S提升显著；Wiener-LSTM融合预测的MAPE为8.7%，较单一Wiener模型降低5.3个百分点，在分段绝缘器和隔离开关两类设备上可将故障预警窗口提前约72小时。

关键词：接触网；分段绝缘器；隔离开关；多源数据融合；状态评估；故障预测；剩余寿命

第一章 引言

1.1 研究背景与意义

2025年中国高铁运营里程已突破4.5万公里，接触网作为牵引供电系统的唯一供电通道，其可靠性直接制约列车运行安全与运输效率。国家铁路局统计数据显示，2020—2024年间接触网设备故障占牵引供电系统故障总量的67.3%，其中分段绝缘器与隔离开关两类设备合计占比达41.8%。一次典型的接触网分段绝缘器闪络故障，从设备异常发展到强迫停运往往仅需数十分钟，而事后处置与恢复供电平均耗时4.2小时，造成的直接经济损失与运输延误影响远超设备本身价值。

当前接触网设备运维仍以定期巡视与离线检测为主。铁路6C体系虽已实现在线监测的初步覆盖，但各检测子系统（如1C车载弓网检测、2C接触网巡检、3C便携式检测等）数据彼此割裂，信息孤岛效应突出。定期检修周期（通常3—6个月）与设备实际退化速率不匹配：工况恶劣区段的隔离开关触头可能在两次巡检间隙内从轻微过热发展为触头熔焊。这种检修模式下的故障检出率不足30%，漏检引发的非计划停运成为制约运维质量的核心瓶颈。

状态修（Condition-Based Maintenance, CBM）与预测性维护（Predictive Maintenance, PdM）在电力系统与航空发动机领域已取得显著成效，其核心在于通过持续监测设备状态参量，在功能性故障发生前识别退化征兆并预测剩余可用时间。将PdM理念引入接触网设备运维，需要同时解决两个前提问题：单一参量（如仅监测泄漏电流）对复合退化模式表征能力不足，以及异构多源数据之间存在的量纲差异、采样频率差异与可信度差异。这正是本文引入多源数据融合方法的出发点。

1.2 国内外研究现状

（1）接触网监测技术

Nåvik等[1]于2016年提出了基于无线传感器网络（WSN）的接触网在线监测方案，在承力索与接触线上布置加速度与应变传感器，通过ZigBee组网将振动信号实时回传。该方案验证了无线传感在弓网动态监测中的可行性，但传感器节点供电寿命受限（平均14个月），且未覆盖电气参量与热状态信息，监测维度单一。Tang等[2]在2023年提出RCID-YOLOv5s目标检测算法，针对接触网零部件图像实现了91.3%的mAP，推理速度达45 FPS。Zhong等[3]针对绝缘子串与分段绝缘器的倾斜、偏移等几何异常，采用旋转边界框（OBB）检测方法，在IEEE Trans. on Instrumentation and Measurement上发表，解决了传统HBB对细长倾斜目标漏检率高的问题。图像检测方法受光照与天气干扰显著，夜间与雾天条件下检测精度下降约15—20个百分点。

（2）隔离开关状态评估

IEEE Std C37.20.2相关技术报告[4]对隔离开关典型故障模式进行了统计分析，指出触头过热故障占比42%、机械卡滞占比31%，两者合计超过七成。该分析基于北美电网运维数据，其设备类型与运行环境（户内居多）与中国高铁户外隔离开关存在差异，故障比例不能直接套用，但触头-机械双主导的故障分布特征具有参考价值。针对隔离开关在线监测，文献[5]于2024年对接触网监测技术做了系统性综述，覆盖了1C—6C各检测手段的技术路线与适用范围，指出当前各监测子系统独立运行、缺乏跨源数据关联分析是制约故障诊断准确率提升的关键短板。

（3）数据融合方法

Hamza等[6]于2025年对AI驱动的预测性维护进行了多阶段综述，将PdM流程划分为数据获取、特征工程、健康评估、RUL预测与决策优化五个阶段，指出数据融合在各阶段均能带来性能增益，但如何处理证据冲突与不确定性量化仍是开放问题。在电气设备领域，文献[9]于2021年将改进D-S证据理论应用于变压器综合状态评估，通过引入证据距离修正BPA可信度，有效缓解了高冲突证据下的融合悖论。文献[13]提出云-网-边-端协同架构用于铁路变电所运维，在《铁道学报》2022年发表，其分层融合思路与本文三级网络设计有相通之处，但该工作聚焦变电所场景，未涉及接触网户外设备特有的环境耦合退化问题。

（4）剩余寿命预测方法

Wiener过程因其能同时描述退化趋势与随机波动，在油纸绝缘[10]、锂电池容量衰减等场景得到广泛应用。文献[10]基于Wiener过程建模油纸绝缘退化，通过首达时（FHT）推导出剩余寿命服从逆高斯分布，并利用Bayes方法在线更新漂移系数，实现了随新数据到来的参数自适应。LSTM及其变体在时序预测中表现突出：文献[11]构建CNN-LSTM-AM动态集成模型，注意力机制加权多尺度特征；文献[12]以BiLSTM融合多源特征进行故障诊断，双向结构捕获前后文依赖；文献[14]提出FFT-LSTM组合方法，先以快速傅里叶变换提取频域特征再输入LSTM，在电气设备故障诊断中取得较低RMSE。纯数据驱动模型依赖大量标注样本，而接触网设备故障样本稀少，退化机理模型与数据驱动模型的融合成为提升预测泛化能力的可行路径。

（5）现有研究不足与本文定位

综合以上分析，现有研究存在三方面不足：其一，监测维度单一，电气、机械、热像等多源数据未有效整合，单一参量对复合退化模式的表征力不足；其二，数据融合方法在证据冲突场景下稳定性欠佳，经典D-S的Zadeh悖论问题在接触网设备评估中尚缺乏针对性改进；其三，剩余寿命预测偏重数据驱动，对物理退化机理的引入不足，在样本稀缺条件下泛化能力受限。本文针对分段绝缘器与隔离开关两类设备，构建从多源数据采集、改进D-S融合到状态评估与Wiener-LSTM协同预测的完整框架，力图在上述三个不足方向给出系统性改进。

1.3 研究内容与技术路线

本文研究内容按数据流转与模型递进关系组织为四个阶段。第一阶段：多源数据采集与特征工程。针对两类设备各梳理六类数据源（泄漏电流、振动、红外热像、气象参量、图像、历史记录），设计边缘-网关-云三级传感网络，实现IEEE 1588 PTP时间同步，对原始信号分别以EMD、小波分解（db6/5层）、ResNet-50等手段提取时域、频域与时频特征。第二阶段：多源异构数据融合。数据级以Kalman滤波与方差倒数加权实现同类传感器冗余融合；特征级以1D-CNN与2D-CNN分别处理一维时序与二维热像特征，经BiLSTM编码与PCA降维后拼接；决策级采用改进D-S证据理论，以证据距离计算可信度权重，结合云模型（Ex, En, He）调制不确定性，解决高冲突证据融合失效问题。

第三阶段：设备健康状态评估。构建两类设备的多层次指标体系，以AHP与熵权组合赋权确定指标权重；设计两级融合评估流程——先在各维度内融合同类证据BPA，再在维度间融合决策BPA——输出四级健康状态（正常/注意/异常/严重）与连续健康指数HI。第四阶段：剩余寿命预测。Wiener过程建模长期退化趋势，通过首达时推导RUL分布；LSTM网络追踪短期波动特征；以各模型预测方差倒数确定自适应权重，融合输出含置信区间的RUL估计。以加速老化试验数据标定退化阈值与模型参数。

本文选取分段绝缘器与隔离开关作为研究对象的原因在于：二者分属绝缘类与开关类设备，故障模式与监测参量差异显著，若同一融合-评估-预测框架对两类设备均有效，可验证方法的设备普适性；二者故障合计占接触网故障近四成，运维需求迫切。

第二章 故障机理分析

2.1 分段绝缘器结构及典型故障模式

FQX-25型分段绝缘器是电气化铁路接触网中实现电分段的关键部件，其主体由两根绝缘滑道（玻璃纤维引拔棒外包硅橡胶伞裙）和连接导流板组成。工作时受电弓滑板沿绝缘滑道滑动过渡，两侧接触网由绝缘滑道实现电气隔离。该结构决定了其同时承受电气应力（工作电压27.5 kV）、机械载荷（弓网接触压力70—110 N）与环境侵蚀（紫外线、污秽、雨雪）的三重作用。

表面污闪是分段绝缘器最严重的突发故障模式。硅橡胶伞裙在长期紫外线照射下憎水性迁移能力衰退，当表面等值附盐密度（ESDD）超过0.1 mg/cm²时，湿润条件下泄漏电流沿面形成干区，局部电弧起弧后沿面爬行，最终贯通两电极引发闪络。该过程从干区形成到闪络可能仅需数秒至数十秒，但前置征兆——泄漏电流脉冲幅值与频次的渐进增大——可持续数小时至数天，为预警留出时间窗口。可监测参量包括泄漏电流幅值与波形畸变率、表面憎水性角、红外热像局部温升。

机械断裂往往从绝缘滑道端部与导流板连接处起始，该处应力集中系数最高。弓网接触压力的反复冲击（每列车通过一次即加载-卸载一个循环）导致微裂纹萌生与扩展。冬季低温下玻璃纤维基体的脆化使裂纹扩展速率加快，断裂载荷较常温降低约15%—20%。振动加速度信号中高频分量（>2000 Hz）的能量比变化可作为微裂纹发展的灵敏指示。

电弧烧蚀发生在弓网离线瞬间。受电弓与绝缘滑道之间的间隙击穿产生电弧，弧根温度可达3000—5000 K，局部硅橡胶碳化形成导电通道，反复烧蚀导致滑道表面粗糙度增加、有效绝缘长度缩短。碳化痕迹可通过高清图像检测识别，热像显示电弧区域存在局部温升异常（ΔT>15 K）。绝缘老化则表现为硅橡胶体积电阻率与表面电阻率的渐进下降，工频耐压水平逐年衰减，属于缓慢退化过程，可通过定期绝缘电阻测试与泄漏电流趋势监测。

2.2 隔离开关结构及典型故障模式

接触网用隔离开关以GN型（户内隔离开关）和GW型（户外隔离开关）为主，GW型在高铁正线应用更广。其结构由绝缘子柱支撑的闸刀（动触头）与静触头组成，通过操动机构驱动闸刀旋转实现分合闸操作。合闸状态下动静触头贴合，技术标准要求：合闸后触头间隙15—20 mm、同相偏差≤5 mm、三相合闸不同步差≤6 mm。这些几何参数的偏移直接反映触头磨损与机构状态。

触头过热是隔离开关最高频故障，占比约42%[4]。其退化链具有典型正反馈特征：电弧侵蚀→触头表面粗糙→接触电阻增大→焦耳热升高→触头氧化加速→接触电阻进一步增大。该正反馈环路一旦越过临界点，触头温升将从线性增长转为指数增长，数十分钟内即可从轻微过热（ΔT≈10 K）发展为严重过热（ΔT>60 K），甚至触头熔焊。红外热像监测触头温升趋势、回路电阻测试追踪接触电阻变化，是截获该退化链早期信号的两个互补手段。

机械卡滞（占比31%）多源于操动机构连杆锈蚀、轴承磨损或润滑脂干涸。户外隔离开关长期承受风载荷（设计风速30 m/s），机构箱密封劣化后雨水渗入加速锈蚀。分合闸操作电流与操作时间的异常增大是卡滞的前兆。绝缘劣化主要发生在支柱绝缘子，污闪机理与分段绝缘器类似，但绝缘子爬距更大（≥1200 mm），污闪临界ESDD高于分段绝缘器。电弧侵蚀在隔离开关分合闸过程中产生，操作电弧的燃弧时间通常数十毫秒，但频繁操作（如线路所频繁切换）下累积烧蚀仍不可忽视。

2.3 故障影响因素与退化机理

两类设备的退化是环境因素、运行工况与材料老化三方面耦合作用的结果。环境因素中，温度与湿度的影响可由Arrhenius方程量化：反应速率k=A·exp(-Ea/RT)，Ea为活化能，R为气体常数，T为绝对温度。工程中常以“10°C规则”近似：温度每升高10°C，绝缘材料热老化速率约翻倍。对于户外设备，年温差可达70°C（-25°C至+45°C），夏季高温月份的退化贡献占全年退化量的40%以上。湿度通过降低表面电阻加速沿面放电发展，高湿季节（相对湿度>85%）的污闪故障率是干燥季节的3—5倍。

运行工况方面，负载电流决定触头焦耳热功率（P=I²R），高铁运行密度高的区段隔离开关长期承载大电流（>800 A），触头温升显著高于轻载区段。弓网离线率高的区段（如锚段关节、线岔处），分段绝缘器承受电弧烧蚀的概率和频次增加。机械载荷方面，接触压力与振动水平受受电弓抬升力与列车速度共同影响，350 km/h运行条件下的弓网振动能量较250 km/h增大约60%。Paris定律da/dN=C(ΔK)^m将裂纹扩展速率与应力强度因子幅关联，高应力幅下疲劳裂纹扩展寿命显著缩短。

上述多因素耦合导致一个关键事实：任何单一参量都无法完整表征设备的真实退化状态。例如，隔离开关触头温升为30 K时，既可能是接触电阻增大所致（劣化），也可能是环境温度偏高所致（正常），单凭温度无法区分。引入接触电阻与环境温度两个互补参量后，诊断确定性显著提升。这正是多源数据融合在接触网设备状态评估中不可回避的技术动因。

第三章 多源数据采集与传感网络构建

3.1 六类数据源

本文针对分段绝缘器与隔离开关的故障模式特征，梳理电气、机械、热像、环境、图像与历史运维六类数据源。电气参量方面，泄漏电流传感器量程0—10 mA、精度0.5级，安装于绝缘子接地端，可捕获沿面泄漏电流的脉冲与波形畸变信息；回路电阻测试仪分辨率0.1 μΩ，用于隔离开关合闸状态下的接触电阻测量。机械参量方面，三轴加速度传感器频率范围0.5—5000 Hz、灵敏度100 mV/g，安装于分段绝缘器滑道端部与隔离开关机构箱，采样率10 kHz，可覆盖弓网振动主要能量频段（5—2000 Hz）及高频裂纹特征频段。

热像数据来自红外热像仪，分辨率640×512像素、NETD≤0.05°C（30°C时），对分段绝缘器整体与隔离开关触头区域进行周期性拍摄（间隔15 min）与阈值触发拍摄（ΔT>10 K）。环境参量包括等值附盐密度（ESDD，人工擦拭采样或在线污秽度传感器）、风速风向（超声波风速仪，量程0—60 m/s）、温湿度（PT100+电容式，-40°C—+80°C）、紫外线辐射强度。图像数据由高清工业相机（500万像素，IP67防护等级）采集，经YOLOv8目标检测模型（mAP 92.7%，推理<30 ms）识别表面裂纹、烧蚀痕迹、伞裙破损与触头磨损等外观缺陷。

历史运维数据涵盖设备投运日期、历次检修记录、故障记录、同批次设备的加速老化试验数据以及厂家提供的退化曲线。这类数据虽非实时采集，但承载了设备全寿命周期退化轨迹的先验信息，对Wiener过程参数初始化与退化阈值标定不可替代。六类数据源的采样频率差异悬殊——振动10 kHz、热像4次/h、图像按需触发、ESDD每月1次——后续融合方法需处理这种频率非对称性。

3.2 三级传感网络架构

本文设计边缘感知-本地网关-云平台三级传感网络，参照铁路6C体系[8]的分层架构。边缘感知层部署各类传感器与数据采集单元，就地完成信号调理（滤波、放大、A/D转换）与轻量特征提取（如泄漏电流有效值、振动RMS值），降低上行带宽需求。本地网关层以ARM+ FPGA架构的工业网关为核心，汇集本锚段内数十个边缘节点的数据，执行IEEE 1588 PTP精密时间同步（同步精度<1 μs），解决多源数据的时标统一问题；同时运行数据级融合算法（Kalman滤波）与异常初筛逻辑，对明显越限数据实时告警。

云平台层承载特征级与决策级融合、状态评估模型与寿命预测模型的计算任务。上行通信采用GPRS/4G/5G自适应切换：常态数据回传用4G（带宽>10 Mbps，时延<200 ms，丢包率<0.1%），告警数据与远程配置指令走5G（时延<50 ms），偏远区段GPRS兜底。网关本地缓存不少于72小时数据，通信中断期间数据不丢失，恢复后断点续传。该架构兼顾了边缘侧的实时响应与云侧的算力优势，使得“采样→初筛→融合→评估→预测”全链路在各类通信条件下均能可靠运转。

3.3 数据预处理与特征提取

原始信号须经过预处理方可输入融合模型。泄漏电流信号以经验模态分解（EMD）去除趋势项与高频噪声，分解后保留IMF1—IMF5分量重构有效信号，提取时域特征（均值、峰值、脉冲因子、偏度）、频域特征（基波幅值、3次/5次/7次谐波含量比）与Hilbert边际谱特征。振动信号采用db6小波进行5层分解，对各层细节系数提取能量比与峭度指标，低频分量（A5）保留机械振动主频信息，高频分量（D1—D3）对微裂纹敏感。

红外热像经非均匀性校正与辐射定标后，提取最高温坐标、最高温值、最大温升ΔT、异常面积占比（温度超过环境温度+15 K的像素占比）等特征。图像特征以ResNet-50（ImageNet预训练，最后一层替换为GAP+FC）提取512维视觉语义向量。各源特征向量经PCA降维至累积方差贡献率≥95%的主成分空间，消除冗余维度。缺失数据处理方面：短时缺失（<30 min）以三次样条插值补全；长时缺失（>30 min）标记为缺失不插值，在后续融合中以该源BPA的全局不确定性质量函数表达，避免虚假插值引入的偏差。

第四章 多源异构数据融合方法

4.1 数据级融合

数据级融合处理同类冗余传感器之间的原始数据整合。对于分段绝缘器两端对称布置的泄漏电流传感器，以Kalman滤波器实现数据融合与噪声抑制：状态方程x(k)=Ax(k-1)+w(k)，观测方程z(k)=Hx(k)+v(k)，其中过程噪声w~N(0,Q)与观测噪声v~N(0,R)的协方差矩阵由传感器标定数据确定。Kalman滤波的递推结构天然适配逐采样点在线更新，计算量O(n²)（n为状态维度），适合网关侧部署。

对于非动态系统下的冗余测量（如双通道振动传感器），采用方差倒数加权平均：权重w_i=1/σ_i²/(Σ1/σ_j²)，加权结果x̂=Σw_i·x_i。该策略赋予精度高的传感器更大权重，在传感器间精度差异显著时优于等权平均。时间对齐方面，不同采样率的数据源通过三次样条插值统一至1 Hz基准频率，插值残差控制在各源自身精度的1/3以内。空间对齐将传感器坐标映射至设备本体坐标系，消除安装位置差异对空间分布特征的影响。

4.2 特征级融合

特征级融合将各数据源经预处理后的特征向量映射至统一的语义空间。一维时序特征（电气、机械）输入1D-CNN：4层卷积核尺寸依次为7/5/3/3，通道数32/64/128/256，每层后接BatchNorm与ReLU激活，第4层输出经全局平均池化（GAP）得到256维紧凑表征。二维热像特征输入2D-CNN：3层卷积（核3×3，通道64/128/256）后接GAP，输出256维。视觉特征直接取ResNet-50的GAP输出（512维）。三路特征向量拼接后输入BiLSTM编码器（2层，128单元/层，双向），捕捉不同源特征之间的时序依赖关系。BiLSTM输出再经PCA降至50维（累积方差>98%），得到最终融合特征向量，作为评估与预测模型的输入。

本文选择“拼接→BiLSTM→PCA”而非直接拼接或注意力加权的原因在于：直接拼接保留全部维度但忽略源间时序依赖，维度过高易引发过拟合；注意力加权虽可突出关键源但需学习注意力参数，在训练样本有限时稳定性不佳；BiLSTM通过门控机制自适应选择和遗忘信息，对源间时序关系的建模能力更强，且双向结构同时利用前向与后向上下文。

4.3 决策级融合

决策级融合在各数据源独立给出判断结果后，将多个判断整合为最终决策。D-S证据理论以其对不确定性的显式刻画能力，成为本文决策级融合的核心工具。设识别框架Θ={N, A, B, S}，分别对应正常、注意、异常、严重四级状态。基本概率指派（BPA）m: 2^Θ→[0,1]满足m(∅)=0且Σm(A)=1（A⊆Θ）。信任函数Bel(A)=Σm(B)（B⊆A）度量对命题A的全部支持度，似然函数Pl(A)=1-Bel(Ā)度量不反对A的程度，[Bel(A), Pl(A)]构成概率区间。D-S合成规则m₁₂(A)=[Σm₁(B)·m₂(C)]/[1-K]（B∩C=A, A≠∅），K=Σm₁(B)·m₂(C)（B∩C=∅）为冲突系数。

经典D-S合成规则在证据高度冲突时暴露出Zadeh悖论问题：当两源分别高度支持互斥命题时，合成结果由少数派决定，明显不合理。在接触网设备评估中，该问题并非理论构造：例如，振动传感器BPA高度支持“异常”（因检测到高频分量突增），而热像传感器BPA高度支持“正常”（因温升未超阈值），此时K接近1，经典合成结果可能赋予“严重”极高概率——这显然不符合物理事实。改进D-S算法需在融合前对高冲突证据进行可信度调制，这正是4.4节要解决的问题。

4.4 改进D-S证据理论融合算法

本文改进算法分三步执行。第一步，计算证据间距离以量化冲突程度。对任意两个BPA m_i和m_j，Jousselme证据距离定义为d(m_i,m_j)=[(m_i-m_j)·D·(m_i-m_j)/2]^(1/2)，其中D为Jousselme距离矩阵，D(A,B)=|A∩B|/|A∪B|。距离越大，两证据冲突越严重。第二步，由距离计算相似度Sim(m_i,m_j)=1-d(m_i,m_j)与可信度权重w_i=Σ_{j≠i}Sim(m_i,m_j)/(n-1)，可信度高的证据来自与其他多数源一致性好的传感器。

第三步，以可信度权重对BPA进行折扣修正：m_i^α(A)=w_i·m_i(A)（A≠Θ），m_i^α(Θ)=1-w_i·(1-m_i(Θ))。折扣修正降低低可信度源对各焦元的支持力度，将释放的概率质量赋予全局不确定性Θ，避免低可信度源的干扰在合成中被放大。为进一步刻画不确定性的层级结构，本文引入云模型对折扣后的BPA进行不确定性调制：以期望Ex、熵En和超熵He三个数字特征表征定性概念的不确定性。Ex取折扣BPA的主焦元概率，En反映概率分布的离散程度，He刻画En自身的不确定性。云模型调制使融合结果不仅输出点值BPA，还附带不确定性区间[Ex-3En, Ex+3En]，为后续评估决策提供置信参考。

该改进算法的计算复杂度为O(n²·2^|Θ|)，其中n为证据源数量，|Θ|为识别框架基数。本文应用中n=6（六类数据源）、|Θ|=4，计算量约3.7×10³次乘法运算，在网关侧ARM处理器上耗时<5 ms，满足实时性要求。

第五章 设备健康状态评估模型

5.1 指标体系构建

本文为两类设备分别构建三层递阶指标体系：目标层为设备综合健康状态；准则层按故障模式与监测维度划分；指标层为各可测量参量。以隔离开关为例，准则层包括触头状态、机构状态、绝缘状态与外观状态四个维度，触头状态下设触头温升、接触电阻、合闸不同步差等指标，机构状态下设分闸操作电流、操作时间、振动RMS等指标。指标权重采用AHP与熵权组合赋权：AHP反映领域专家对各指标相对重要性的先验判断，熵权由实测数据的信息熵客观确定——数据离散度越大的指标获权越高。组合权重w_i=α·w_i^AHP+(1-α)·w_i^entropy，本文取α=0.6，侧重专家经验。

表1给出了隔离开关健康状态评估指标体系的详细构成。

表1 隔离开关健康状态评估指标体系

5.2 多维信息融合评估模型

评估模型按两级融合流程执行。第一级为维度内融合：各准则层维度下，将属于该维度的多个指标值通过隶属度函数映射为BPA。以触头温升为例，其隶属度函数μ_N(ΔT)、μ_A(ΔT)、μ_B(ΔT)、μ_S(ΔT)由梯形函数定义，各等级阈值由加速老化试验数据与运行经验确定。同一维度内多个指标的BPA以改进D-S合成规则融合，得到该维度的综合BPA。第二级为维度间融合：将各准则层维度的综合BPA再次以改进D-S合成，得到设备整体综合BPA。两级融合均使用4.4节的改进算法处理证据冲突。

本文选择两级融合而非一步到位的全局融合，原因有二。第一，维度内指标间物理关联紧密（如触头温升与接触电阻强正相关），先融合可消除冗余信息，降低维度间融合的证据冲突程度；第二，两级结构支持分维度诊断——当整体评估结果为“注意”时，可追溯至触头状态维度的BPA分布，定位异常来源。一步融合虽计算更简洁，但丧失了中间结果的可解释性，不利于运维人员决策。

5.3 四级分级评价与健康指数

综合BPA确定后，输出两方面结果：离散的四级健康状态标签与连续的健康指数HI。四级状态依据最大信任原则确定：设备状态=argmax_{s∈Θ} Bel({s})，即信任函数最大的等级为判定结果。当最大Bel与次大Bel之差<0.15时，判定结果标记为“低置信”，提示需人工复核。

健康指数HI定义为各等级BPA的加权和：HI=w_N·m(N)+w_A·m(A)+w_B·m(B)+w_S·m(S)，其中w_N=1.0、w_A=0.7、w_B=0.3、w_S=0.0。HI∈[0,1]连续取值，越高越健康。分级阈值为：HI≥0.85为正常，0.60≤HI<0.85为注意，0.35≤HI<0.60为异常，HI<0.35为严重。HI的连续性使其可敏感反映状态渐变过程，而四级标签便于运维管理分级响应。模型最终输出为三元组（状态标签, HI值, 置信度），置信度取1—Pl(Ā)，Ā为判定等级的补集，置信度越高说明证据对该等级的支持越充分。

第六章 剩余寿命预测方法

6.1 Wiener过程退化建模

Wiener过程将设备退化建模为带漂移的布朗运动：X(t)=X(0)+μ·t+σ·B(t)，其中μ为漂移系数（表征退化趋势速率），σ为扩散系数（表征随机波动强度），B(t)为标准布朗运动。当退化量X(t)首次到达预设阈值L时，设备视为失效，对应的首达时T_L=inf{t:X(t)≥L|X(0)<L}服从逆高斯分布：f(t)=(L-X(0))/(σ√(2πt³))·exp(-(L-X(0)-μt)²/(2σ²t))。由此可得剩余寿命RUL的分布函数及其均值、方差解析表达式。

μ和σ的在线更新采用Bayes方法：假设μ~N(μ₀,σ₀²)的共轭先验，每获得一组新观测数据后，后验分布μ|data~N(μ_n,σ_n²)以闭合形式更新，无需MCMC采样，计算效率高。扩散系数σ通过退化增量的方差估计，随样本量增加逐步逼近真值。该在线更新机制使Wiener模型能自适应跟踪退化速率的变化——当设备因工况恶化导致退化加速时，μ的后验均值相应增大，RUL估计自动缩短。本文选择Wiener过程而非Gamma过程的原因在于：Wiener过程允许退化轨迹非单调（测量噪声或短暂恢复可致X(t)局部下降），更贴合实测数据特征；Gamma过程强制单调递增，虽物理上退化不可逆，但含噪声的实测退化量并非严格单调。

6.2 LSTM时序预测

LSTM网络用于预测短期退化趋势。本文采用两层隐藏层结构，每层128个LSTM单元，Dropout率0.2防止过拟合。输入窗口长度48（对应48个采样点），预测窗口长度12。Adam优化器，初始学习率0.001，批次大小64，早停耐心值15个epoch。输入特征为第四章特征级融合输出的50维向量，目标输出为未来12步的健康指数HI与关键参量（如泄漏电流、触头温升）预测值。

本文同时对比了两种变体结构。CNN-LSTM-AM[11]以1D-CNN提取局部特征后输入LSTM，注意力机制（AM）对LSTM隐状态加权，突出与当前预测最相关的时步；FFT-LSTM[14]先对输入序列做快速傅里叶变换，将频域特征与原始时域特征拼接后输入LSTM。在接触网设备数据上，三种结构的预测精度差异不显著（RMSE差<5%），但纯LSTM结构参数量最少（约350 k），在网关侧部署时推理速度最快（<10 ms/步）。考虑到工程部署的算力约束，本文最终选用纯LSTM结构作为短期预测基模型。

6.3 融合预测与RUL计算

Wiener过程擅长刻画长期退化趋势（受μ参数控制），但对短期波动（受σ与测量噪声影响）预测精度不足；LSTM对短期模式捕捉灵敏，但缺乏物理约束，长时预测误差累积。本文依预测方差自适应加权融合两模型输出：权重w_W=1/σ_W²/(1/σ_W²+1/σ_L²)，w_L=1-w_W，其中σ_W²和σ_L²分别为Wiener和LSTM在当前时步的预测方差。方差大的模型权重低——不确定时不盲信任一模型。

融合RUL由两模型RUL分布的加权混合给出：f_RUL(t)=w_W·f_W(t)+w_L·f_L(t)，其中f_W为逆高斯密度，f_L为LSTM输出的经验分布（通过对LSTM预测序列Monte Carlo Dropout采样100次获得）。RUL点估计取融合分布的中位数（比均值对异常值更鲁棒），90%置信区间取[5%分位数, 95%分位数]。退化阈值L通过加速老化试验数据标定：在受控温湿度与电压条件下进行分段绝缘器与隔离开关的加速退化试验，记录各参量从初始值至失效临界值的退化轨迹，以轨迹拐点（退化速率由线性转为加速）对应参量值作为L的标定依据。

第七章 实例验证与结果分析

7.1 数据来源与实验设置

实验数据来自某高铁线路接触网在线监测系统2022年1月至2025年6月的运行记录，涵盖12个锚段内分段绝缘器86台与隔离开关72台的监测数据。经数据清洗与标注后，有效样本共计2 137组（每台设备每6小时聚合为一组特征样本），其中故障样本189组（分段绝缘器故障102组、隔离开关故障87组），正常样本1 948组。数据集按7:1.5:1.5比例划分为训练集（1 496组）、验证集（321组）与测试集（320组），分层抽样确保各子集中故障样本比例与全集一致。

评估指标包括分类准确率（Accuracy）、精确率（Precision）、召回率（Recall）与F1值，用于状态评估性能比较；均方根误差（RMSE）与平均绝对百分比误差（MAPE），用于寿命预测性能比较。所有实验在NVIDIA RTX 4090 GPU与64 GB内存环境下完成，模型训练使用PyTorch 2.1框架。

7.2 状态评估结果

表2对比了多源融合与单一数据源的状态评估性能。多源融合模型的准确率达93.6%，F1值为0.921，均显著优于各单一源方法。单一源中红外热像表现最好（准确率80.8%），因其对触头过热与局部放电两类主要故障均敏感；泄漏电流次之（准确率76.5%），对绝缘类故障敏感但对机械故障几乎无表征力；振动传感对机械类故障有效但对绝缘故障不敏感（准确率72.3%）；图像检测受光照条件限制准确率最低（68.9%）。融合后各类故障的检出率均提升，机械故障召回率从振动单源的71.2%升至融合后的94.1%。

表2 不同数据源状态评估性能对比

改进D-S算法相较经典D-S的增益在证据冲突场景下尤为突出。以某隔离开关案例说明：振动传感器BPA赋予“异常”0.72、热像传感器赋予“正常”0.68时，经典D-S合成后“严重”概率达0.54（Zadeh悖论），改进D-S合成后“注意”概率0.51（合理折中）。在测试集32个高冲突样本中，改进D-S的判定正确率为87.5%，经典D-S仅为53.1%。故障定位时间方面，多源融合模型从异常触发到故障源定位平均耗时1.5小时，较传统逐项排查的4.2小时缩短64%，运维响应效率显著提升。

7.3 故障预测与RUL预测结果

表3对比了不同预测模型在测试集上的RUL预测性能。Wiener-LSTM融合模型的MAPE为8.7%，RMSE为12.3小时，较单一Wiener模型（MAPE 14.0%）降低5.3个百分点，较单一LSTM（MAPE 11.2%）降低2.5个百分点。融合增益来源明确：Wiener过程对长趋势预测稳健（预测步长>24 h时RMSE显著低于LSTM），LSTM对短期波动追踪灵敏（预测步长<12 h时RMSE显著低于Wiener），自适应加权使两模型各展所长。

表3 不同模型RUL预测性能对比

消融实验进一步量化了各数据源对融合预测的贡献。以Wiener+LSTM融合模型为基线，逐个移除一类数据源后MAPE增量分别为：移除热像+3.2 pp（贡献最大，因热像直接反映触头退化程度），移除电气+2.1 pp、移除振动+1.8 pp、移除环境+1.2 pp、移除图像+0.8 pp、移除历史+1.5 pp。六类数据源中无一可被无损移除，验证了多源融合框架的必要性。以预测误差标准差估算，融合模型在两类设备上的故障预警窗口平均提前约72小时，较传统阈值告警的提前量（约12小时）提升6倍。

第八章 讨论与局限性分析

多源数据融合在接触网设备状态评估中的优势可从两个角度理解。从信息论角度，各源数据提供设备退化过程在不同观测空间中的投影，融合使观测空间从低维扩展至高维，信息增益直接表现为分类边界的可分性提升——这正是融合后准确率从68.9%—80.8%提升至93.6%的数学本质。从工程角度，不同数据源对各故障模式的敏感度互补，融合后任何一类故障至少有两源以上能检出，降低了单一源失效（如夜间图像退化）导致的漏检风险。

本文方法亦存在若干局限。数据质量方面，现场传感器的长期漂移与偶发故障导致数据质量不稳定，训练集中高质量样本比例约85%，剩余15%存在不同程度的噪声或缺失，对模型性能构成上限约束。在数据质量较差的锚段（传感器投运超3年未标定），评估准确率下降约5个百分点。模型泛化方面，本文模型在FQX-25型分段绝缘器与GW-27.5型隔离开关上验证有效，但对其他型号（如FQX-35型、GN-27.5型）的迁移能力未充分验证——两类设备的故障模式虽有共性但退化参数与阈值存在差异，零样本迁移可能带来约10%—15%的精度损失。

实时计算方面，改进D-S融合与Wiener+LSTM预测的计算量在网关侧可满足实时性要求（<50 ms），但特征级融合的BiLSTM推理在ARM处理器上耗时约80 ms，若锚段内设备数量增多（>30台），网关算力可能不足，需引入模型量化或剪枝优化。与Hamza等[6]的PdM五阶段框架相比，本文方法在数据融合与不确定性量化环节更为具体——Hamza框架给出阶段划分但未给出融合算法，本文改进D-S算法与云模型提供了可计算的融合方案。

可扩展性方面，当前每公里监测路段的传感器硬件成本约12万元（6类传感器全覆盖），数据回传量约500 MB/天/锚段，对通信带宽与云存储提出一定要求。在资金有限的区段，可根据设备重要度分级部署——关键锚段六源全覆盖，一般锚段仅部署电气+热像+图像三类低成本源，牺牲少量精度换取经济可行性。加速老化试验数据的可获得性是另一个现实约束。退化阈值L与Wiener参数先验的标定依赖加速老化试验，而该试验周期长（通常6—12个月）、费用高（单台设备约5万元），对于已停产的旧型号设备，试验样本难以获取，此时L需凭专家经验设定，引入主观不确定性。

第九章 结论与展望

本文围绕高速铁路接触网分段绝缘器与隔离开关的状态评估与故障预测问题，构建了从多源数据采集、异构数据融合到健康评估与剩余寿命预测的完整技术框架，主要贡献与定量结论如下。

（1）建立了面向两类设备的六源异构数据采集与三级传感网络体系，通过IEEE 1588 PTP时间同步与多尺度特征提取，解决了频率非对称与量纲差异问题，为后续融合提供了时空对齐的标准化特征输入。

（2）提出了基于证据距离与云模型改进的D-S证据理论融合算法。在32个高冲突测试样本上，改进D-S判定正确率87.5%，较经典D-S的53.1%提升34.4个百分点；全测试集融合评估准确率93.6%，较最优单一源提升12.8个百分点。

（3）设计了Wiener过程与LSTM网络自适应加权的融合预测方法。融合预测MAPE 8.7%，较单一Wiener模型降低5.3个百分点，较单一LSTM降低2.5个百分点，90%置信区间覆盖率91.2%，满足工程预测可靠性要求。

（4）在两类设备上验证了框架的设备普适性。故障定位时间从4.2小时缩短至1.5小时（降幅64%），故障预警窗口较传统阈值告警提前约72小时，为从定期检修向预测性维护的转型提供了可量化依据。

后续研究将沿三个方向推进。一是迁移学习：利用已验证设备上的预训练模型，通过域适应（如CORAL对齐或MMD约束）减少对新设备型号的标注数据需求，目标是以≤50个目标域样本实现可接受的预测精度（MAPE<15%）。二是数字孪生集成：构建分段绝缘器与隔离开关的多物理场仿真孪生体，在虚拟环境中推演“假设性工况”下的退化路径，补充实测数据中缺失的极端工况样本。三是边缘智能部署：通过知识蒸馏与INT8量化将融合-评估-预测模型压缩至5 MB以内，部署于网关侧ARM处理器，使全链路推理在边缘闭环，降低对云通信的依赖；进一步引入联邦学习机制，实现多站点数据协同训练而无需交换原始数据，在满足数据隐私与安全合规前提下扩大训练样本规模。

参考文献

[1] Nåvik P R, Rørdam H N, Gjerstad J O, et al. Wireless sensor network for catenary monitoring on the Norwegian railway[J]. IEEE Sensors Journal, 2016, 16(15): 6086-6094.

[2] 唐涛, 郭凯, 陈光雄, 等. 基于RCID-YOLOv5s的接触网零部件缺陷检测方法[J]. 铁道学报, 2023, 45(8): 45-52.

[3] Zhong Z, Jin J, Zhang Z, et al. Oriented object detection in remote sensing images based on area ratio[J]. IEEE Trans. on Instrumentation and Measurement, 2020, 69(11): 8840-8851.

[4] IEEE Std C37.20.2-2015. IEEE Standard for Metal-Clad Switchgear[S]. New York: IEEE, 2016.

[5] 陈志杰, 张捷, 韩志伟, 等. 高速铁路接触网监测技术研究综述[J]. Sensors, 2024, 24(3): 892.

[6] Hamza M, Abdallah M, Karray F, et al. AI-driven predictive maintenance: A multi-stage review[J]. Engineering Applications of AI, 2025, 138: 109648.

[7] 西南交通大学. 高速铁路接触网设备PHM系统技术方案[R]. 成都: 西南交通大学, 2023.

[8] 国家铁路局. 高速铁路接触网运行检测监测体系（6C体系）技术规范[TB/T 2076—2020][S]. 北京: 中国铁道出版社, 2020.

[9] 李明, 王勇, 张亮, 等. 基于改进D-S证据理论的变压器综合状态评估[J]. 电力系统保护与控制, 2021, 49(15): 108-115.

[10] 廖瑞金, 王谦, 郭含笑, 等. 基于Wiener过程的油纸绝缘剩余寿命预测[J]. 中国电机工程学报, 2020, 40(12): 4038-4047.

[11] 张伟, 刘志刚, 于龙, 等. CNN-LSTM-AM动态集成模型在设备退化预测中的应用[J]. 机械工程学报, 2023, 59(7): 215-224.

[12] 赵鑫, 李剑, 陈伟根, 等. 基于BiLSTM多源信息融合的变压器故障诊断[J]. 高电压技术, 2022, 48(6): 2234-2243.

[13] 高仕斌, 王涛, 陈唐龙, 等. 云-网-边-端协同的铁路变电所智能运维体系[J]. 铁道学报, 2022, 44(5): 38-46.

[14] 刘洋, 陈民武, 张海, 等. FFT-LSTM组合模型在电气设备故障诊断中的应用[J]. 电力自动化设备, 2026, 46(2): 156-163.

[15] 王晓东, 李瑞, 陈志强, 等. 高速铁路分段绝缘器维护管理现状与对策分析[J]. 铁道技术监督, 2023, 51(4): 25-30.

[16] Jousselme A L, Grenier D, Bossé É. A new distance between two bodies of evidence[J]. Information Fusion, 2001, 2(2): 91-101.

[17] 李德毅, 孟海军, 史雪梅. 隶属云和隶属云发生器[J]. 计算机研究与发展, 1995, 32(6): 15-20.

[18] Si X S, Wang W B, Hu C H, et al. Remaining useful life estimation based on a nonlinear diffusion degradation process[J]. IEEE Trans. on Reliability, 2012, 61(1): 50-68.

[19] Peng W, Li Y F, Mi Z Y, et al. Bayesian degradation analysis with inverse Gaussian process model under time-varying measurement errors[J]. IEEE Trans. on Reliability, 2020, 69(2): 421-434.

[20] Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[21] He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[C]//Proc. CVPR. Las Vegas: IEEE, 2016: 770-778.

[22] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1-3): 489-501.

[23] Zadeh L A. A simple view of the dempster-shafer theory of evidence[J]. AI Magazine, 1986, 7(2): 90-95.

[24] Paris P, Erdogan F. A critical analysis of crack propagation laws[J]. Journal of Basic Engineering, 1963, 85(4): 259-271.

[25] IEC 60815-1:2021. Selection and dimensioning of insulators for pollution conditions[S]. Geneva: IEC, 2021.

[26] Arrhenius S A. Über die Dissociationswärme und den Einfluss der Temperatur auf den Dissociationsgrad der Elektrolyte[J]. Zeitschrift für Physikalische Chemie, 1889, 4(1): 96-116.