Исследование оценки технического состояния и прогнозирования отказов секционных изоляторов и разъединителей контактной сети на основе комплексирования данных из нескольких источников

Исследование оценки технического состояния секционных изоляторов
и разъединителей контактной сети на основе комплексирования данных из нескольких источников

Аннотация

Оборудование контактной сети высокоскоростных железных дорог длительное время эксплуатируется на открытом воздухе и подвергается совместному воздействию ветра, осадков, дуговой эрозии и механических колебаний. Внезапные отказы секционных изоляторов и разъединителей стали основной причиной незапланированных простоев системы тягового электроснабжения. Существующая модель периодических осмотров не позволяет выявлять постепенно развивающиеся дефекты, а запаздывание обнаружения отказов приводит к перерыву в эксплуатации средней продолжительностью 4.2 ч на один случай.

Настоящая работа ориентирована на указанные проблемные точки эксплуатации двух классов оборудования и формирует завершённую техническую концепцию — от сбора данных из нескольких источников и комплексирования разнородных данных до оценки технического состояния и прогнозирования остаточного ресурса. На уровне данных объединяются шесть разнородных источников — электрические, механические, тепловизионные, климатические, видео- и архивные данные об эксплуатации, — сбор которых выполняется трёхуровневой сенсорной сетью «периферия — шлюз — облако» с временной синхронизацией и пространственным согласованием. На уровне комплексирования предложен усовершенствованный алгоритм теории свидетельств Демпстера — Шефера на основе расстояния между свидетельствами и облачной модели, устраняющий отказ комплексирования, обусловленный парадоксом Заде при сильно конфликтующих свидетельствах. На уровне оценки построена двухуровневая модель многофакторного комплексирования информации, выдающая четырёхуровневое состояние работоспособности и непрерывный индекс технического состояния. На уровне прогнозирования долговременная тенденция деградации описывается процессом Винера, краткосрочные флуктуации отслеживаются сетью LSTM, а адаптивное взвешивание выполняется по обратной величине дисперсии прогноза, что даёт распределение остаточного ресурса с доверительным интервалом.

Проверка выполнена на более чем 2000 натурных выборках, полученных на одной из линий высокоскоростной железной дороги: точность оценки при многоисточниковом комплексировании достигает 93.6 %, что на 12.8 процентного пункта выше, чем при использовании единственного источника данных; устойчивость комплексирования усовершенствованного алгоритма D-S в условиях сильного конфликта свидетельств существенно превосходит классический D-S; MAPE комбинированного прогноза Wiener–LSTM составляет 8.7 %, что на 5.3 процентного пункта ниже, чем у одиночной модели Винера, а для обоих классов оборудования — секционных изоляторов и разъединителей — окно предупреждения об отказе удаётся сместить примерно на 72 ч раньше.

Ключевые слова: контактная сеть; секционный изолятор; разъединитель; комплексирование данных из нескольких источников; оценка технического состояния; прогнозирование отказов; остаточный ресурс

Глава 1. Введение

1.1 Предпосылки и значимость исследования

К 2025 г. протяжённость высокоскоростных железных дорог Китая превысила 45 тыс. км. Контактная сеть является единственным каналом передачи электроэнергии системы тягового электроснабжения, и её надёжность напрямую определяет безопасность движения поездов и эффективность перевозок. По статистическим данным Государственного управления железных дорог, в 2020—2024 гг. отказы оборудования контактной сети составили 67.3 % общего числа отказов системы тягового электроснабжения, причём на два класса оборудования — секционные изоляторы и разъединители — в сумме пришлось 41.8 %. Типичный отказ в виде перекрытия секционного изолятора контактной сети развивается от отклонения параметров до вынужденного перерыва в движении зачастую всего за несколько десятков минут, тогда как устранение последствий и восстановление электроснабжения занимает в среднем 4.2 ч, а прямой экономический ущерб и задержки перевозок многократно превышают стоимость самого оборудования.

В настоящее время техническое обслуживание оборудования контактной сети по-прежнему основано преимущественно на периодических осмотрах и автономном контроле. Хотя система 6C железных дорог уже обеспечила начальный охват онлайн-мониторинга, данные отдельных подсистем контроля (например, 1C — бортовой контроль взаимодействия токоприёмника и контактной сети, 2C — обход контактной сети, 3C — переносной контроль и др.) разобщены между собой, а эффект информационных островов выражен отчётливо. Периодичность планового ремонта (как правило, 3—6 мес.) не соответствует фактической скорости деградации оборудования: контакты разъединителя на участках с тяжёлыми условиями эксплуатации могут в интервале между двумя осмотрами пройти путь от незначительного перегрева до сваривания контактов. Коэффициент обнаружения отказов при такой модели обслуживания не превышает 30 %, и незапланированные простои, вызванные пропущенными дефектами, становятся ключевым ограничением качества эксплуатации.

Обслуживание по состоянию (Condition-Based Maintenance, CBM) и прогнозное обслуживание (Predictive Maintenance, PdM) уже показали заметную эффективность в электроэнергетических системах и в области авиационных двигателей; их суть состоит в непрерывном контроле параметров состояния оборудования, выявлении признаков деградации до возникновения функционального отказа и прогнозировании оставшегося времени безотказной работы. Перенос концепции PdM в эксплуатацию оборудования контактной сети требует одновременного решения двух исходных задач: недостаточной представительности единичного параметра (например, при контроле только тока утечки) по отношению к сложным моделям деградации, а также различий в размерности, частоте дискретизации и достоверности между разнородными данными из нескольких источников. Именно это и определило выбор метода комплексирования данных из нескольких источников в качестве отправной точки настоящей работы.

1.2 Состояние исследований в стране и за рубежом

(1) Технологии мониторинга контактной сети

Nåvik и др. [1] в 2016 г. предложили схему онлайн-мониторинга контактной сети на основе беспроводной сенсорной сети (WSN): на несущем тросе и контактном проводе размещаются датчики ускорения и деформации, а сигналы вибрации передаются в реальном времени по сети ZigBee. Схема подтвердила работоспособность беспроводного контроля динамики взаимодействия токоприёмника и контактной сети, однако срок службы питания сенсорных узлов ограничен (в среднем 14 мес.), а электрические параметры и тепловое состояние не охвачены, то есть размерность мониторинга остаётся узкой. Tang и др. [2] в 2023 г. предложили алгоритм обнаружения объектов RCID-YOLOv5s, достигнув mAP 91.3 % на изображениях элементов контактной сети при скорости вывода 45 FPS. Zhong и др. [3] для геометрических аномалий — наклона и смещения гирлянд изоляторов и секционных изоляторов — применили метод обнаружения с ориентированными ограничивающими рамками (OBB); работа опубликована в IEEE Trans. on Instrumentation and Measurement и решает проблему высокого пропуска протяжённых наклонных объектов, свойственного классическим HBB. Методы обнаружения по изображениям существенно зависят от освещённости и погодных условий: ночью и в тумане точность обнаружения снижается примерно на 15—20 процентных пунктов.

(2) Оценка технического состояния разъединителей

В техническом отчёте, связанном с IEEE Std C37.20.2 [4], выполнена статистическая обработка типовых отказов разъединителей: на перегрев контактов приходится 42 %, на механическое заклинивание — 31 %, то есть в сумме более 70 %. Анализ основан на данных эксплуатации энергосистем Северной Америки, а типы оборудования и условия эксплуатации (преимущественно внутренней установки) отличаются от условий наружных разъединителей высокоскоростных железных дорог Китая, поэтому доли отказов нельзя переносить напрямую; однако распределение отказов с доминированием контактного и механического факторов представляет ценность. Что касается онлайн-мониторинга разъединителей, в работе [5] (2024 г.) выполнен систематический обзор технологий мониторинга контактной сети, охватывающий технические подходы и области применения средств контроля 1C—6C; отмечено, что независимое функционирование подсистем мониторинга и отсутствие межканального корреляционного анализа данных являются ключевым недостатком, ограничивающим повышение точности диагностики отказов.

(3) Методы комплексирования данных

Hamza и др. [6] в 2025 г. выполнили многоэтапный обзор прогнозного обслуживания на основе искусственного интеллекта, разделив процесс PdM на пять этапов: получение данных, формирование признаков, оценка состояния, прогнозирование остаточного ресурса (RUL) и оптимизация решений; отмечено, что комплексирование данных даёт прирост показателей на каждом из этапов, однако обработка конфликтов свидетельств и количественная оценка неопределённости остаются открытой проблемой. В области электротехнического оборудования в работе [9] (2021 г.) усовершенствованная теория свидетельств Демпстера — Шефера применена к комплексной оценке состояния трансформаторов: введением расстояния между свидетельствами скорректирована достоверность BPA, что позволило эффективно ослабить парадокс комплексирования при сильно конфликтующих свидетельствах. В работе [13], опубликованной в журнале «Journal of the China Railway Society» в 2022 г., предложена архитектура взаимодействия «облако — сеть — периферия — оконечное устройство» для эксплуатации железнодорожных подстанций; иерархический подход к комплексированию близок к трёхуровневой сетевой схеме настоящей работы, однако указанная работа сосредоточена на подстанциях и не рассматривает специфичную для наружного оборудования контактной сети проблему деградации под совместным воздействием среды.

(4) Методы прогнозирования остаточного ресурса

Процесс Винера благодаря способности одновременно описывать тенденцию деградации и случайные флуктуации широко применяется для бумажно-масляной изоляции [10], деградации ёмкости литиевых аккумуляторов и в аналогичных задачах. В работе [10] на основе процесса Винера построена модель деградации бумажно-масляной изоляции: из распределения времени первого достижения (FHT) выведено, что остаточный ресурс подчиняется обратному гауссовскому распределению, а коэффициент сноса обновляется онлайн по методу Байеса, что обеспечивает адаптацию параметров по мере поступления новых данных. LSTM и его варианты показывают высокие результаты в прогнозировании временных рядов: в работе [11] построена динамическая ансамблевая модель CNN–LSTM–AM, в которой механизм внимания взвешивает многомасштабные признаки; в работе [12] диагностика отказов выполнена методом BiLSTM с комплексированием разнородных признаков, причём двунаправленная структура учитывает зависимости в обоих направлениях контекста; в работе [14] предложен комбинированный метод FFT–LSTM, в котором сначала быстрое преобразование Фурье выделяет частотные признаки, а затем они подаются на вход LSTM, что обеспечило низкую RMSE при диагностике отказов электротехнического оборудования. Чисто data-driven модели требуют большого объёма размеченных выборок, тогда как выборки отказов оборудования контактной сети малочисленны, поэтому комплексирование модели физического механизма деградации с data-driven моделью становится практически реализуемым путём повышения обобщающей способности прогноза.

(5) Недостатки существующих исследований и позиционирование настоящей работы

Обобщая изложенное, можно выделить три недостатка существующих исследований. Во-первых, размерность мониторинга узка: электрические, механические, тепловизионные и другие разнородные данные не объединены эффективно, а представительность единичного параметра по отношению к сложным моделям деградации недостаточна. Во-вторых, методы комплексирования данных обладают недостаточной устойчивостью в условиях конфликта свидетельств: проблема парадокса Заде, присущая классической теории D-S, до сих пор не имеет целенаправленного решения применительно к оценке оборудования контактной сети. В-третьих, прогнозирование остаточного ресурса смещено в сторону data-driven подхода, вклад физического механизма деградации учитывается недостаточно, что ограничивает обобщающую способность в условиях дефицита выборок. В настоящей работе для двух классов оборудования — секционных изоляторов и разъединителей — построена завершённая концепция, охватывающая сбор данных из нескольких источников, усовершенствованное комплексирование по методу D-S, оценку технического состояния и совместное прогнозирование Wiener–LSTM, что позволяет системно устранить указанные три недостатка.

1.3 Содержание исследования и техническая схема

Содержание настоящей работы организовано в четыре этапа в соответствии с движением данных и последовательным развитием моделей. Первый этап — сбор данных из нескольких источников и формирование признаков. Для каждого из двух классов оборудования выделены шесть типов источников данных (ток утечки, вибрация, инфракрасное тепловизионное изображение, метеорологические параметры, изображения, архивные записи), спроектирована трёхуровневая сенсорная сеть «периферия — шлюз — облако» с синхронизацией времени по IEEE 1588 PTP, а из исходных сигналов методами EMD, вейвлет-разложения (db6/5 уровней) и ResNet-50 извлекаются временные, частотные и частотно-временные признаки. Второй этап — комплексирование разнородных данных из нескольких источников. На уровне данных резервирующее комплексирование однотипных датчиков выполняется фильтром Калмана и обратно-дисперсионным взвешиванием; на уровне признаков одномерные временные ряды и двумерные тепловизионные признаки обрабатываются соответственно 1D-CNN и 2D-CNN, а после кодирования BiLSTM и снижения размерности методом PCA признаки объединяются конкатенацией; на уровне решений применяется усовершенствованная теория свидетельств Демпстера — Шефера, в которой веса достоверности вычисляются по расстоянию между свидетельствами, а неопределённость модулируется облачной моделью (Ex, En, He), что устраняет отказ комплексирования при сильно конфликтующих свидетельствах.

Третий этап — оценка состояния работоспособности оборудования. Построена многоуровневая система показателей для двух классов оборудования, веса показателей определены комбинированным методом AHP и энтропийного взвешивания; предусмотрена двухуровневая схема комплексирования при оценке: сначала в пределах каждого измерения комплексируются BPA однотипных свидетельств, затем между измерениями комплексируются BPA решений, — на выходе формируются четырёхуровневое состояние работоспособности (норма / внимание / отклонение / серьёзное состояние) и непрерывный индекс технического состояния HI. Четвёртый этап — прогнозирование остаточного ресурса. Процесс Винера моделирует долговременную тенденцию деградации, а распределение RUL выводится из времени первого достижения; сеть LSTM отслеживает краткосрочные флуктуации; адаптивные веса определяются по обратной величине дисперсии прогноза каждой из моделей, и на выходе формируется оценка RUL с доверительным интервалом. Пороговые значения деградации и параметры моделей калибруются по данным ускоренных испытаний на старение.

Выбор секционных изоляторов и разъединителей в качестве объектов исследования обусловлен тем, что они относятся соответственно к изоляционному и коммутационному классам оборудования и существенно различаются по моделям отказов и контролируемым параметрам: если единая концепция «комплексирование — оценка — прогнозирование» окажется работоспособной для обоих классов, это подтвердит универсальность метода по отношению к разным видам оборудования; кроме того, отказы этих двух классов в сумме составляют почти 40 % отказов контактной сети, то есть потребность в их обслуживании наиболее остра.

Глава 2. Анализ механизмов отказов

2.1 Конструкция секционного изолятора и характерные виды отказов

Секционный изолятор типа FQX-25 представляет собой ключевой элемент контактной сети электрифицированных железных дорог, обеспечивающий электрическое секционирование. Его основа состоит из двух изолирующих полозов (стеклопластиковые стержни, полученные методом пултрузии, с наружной силиконовой оболочкой и юбками) и соединительных токоотводящих пластин. При проходе поезда полоз токоприёмника скользит по изолирующим направляющим, а участки контактной сети по обе стороны оказываются электрически разделёнными. Такая конструкция предопределяет одновременное воздействие на изолятор трёх групп факторов: электрических нагрузок (рабочее напряжение 27.5 kV), механических нагрузок (контактное давление токоприёмника 70—110 N) и внешней среды (ультрафиолетовое излучение, загрязнение, дождь и снег).

Перекрытие по загрязнённой поверхности — наиболее опасный вид внезапного отказа секционного изолятора. Под длительным воздействием ультрафиолета способность силиконовой оболочки к миграции гидрофобности снижается; когда эквивалентная плотность осаждённой соли (ESDD) на поверхности превышает 0.1 mg/cm², ток утечки во влажных условиях формирует вдоль поверхности сухие зоны, локальные дуги зажигаются и перемещаются по поверхности, пока не перекроют оба электрода и не вызовут перекрытия. От образования сухой зоны до перекрытия может пройти всего от нескольких секунд до десятков секунд, однако предвестники — постепенный рост амплитуды и частоты импульсов тока утечки — сохраняются от нескольких часов до нескольких суток, что и оставляет временное окно для предупреждения. К контролируемым параметрам относятся амплитуда тока утечки и коэффициент искажения формы его кривой, краевой угол гидрофобности поверхности и локальный нагрев по данным инфракрасной термографии.

Механическое разрушение, как правило, зарождается в зоне соединения торца изолирующего полоза с токоотводящей пластиной, где коэффициент концентрации напряжений максимален. Многократные ударные воздействия контактного давления токоприёмника (один цикл нагружения и разгружения при проходе каждого поезда) приводят к зарождению и развитию микротрещин. При низких зимних температурах охрупчивание стеклопластиковой матрицы ускоряет рост трещин, и разрушающая нагрузка снижается примерно на 15—20 % по сравнению с нормальной температурой. Изменение доли энергии высокочастотных составляющих (>2000 Hz) в сигнале виброускорения может служить чувствительным индикатором развития микротрещин.

Дуговое обгорание происходит в момент отрыва токоприёмника от контактного провода. Пробой промежутка между токоприёмником и изолирующим полозом порождает дугу, температура корня которой достигает 3000—5000 K; локальное обугливание силиконовой резины образует проводящий канал, а многократное обгорание повышает шероховатость поверхности полоза и сокращает эффективную длину изоляции. Следы обугливания выявляются по изображениям высокого разрешения, а термограмма фиксирует аномальный локальный нагрев в зоне дуги (ΔT>15 K). Старение изоляции проявляется постепенным снижением объёмного и поверхностного удельного сопротивления силиконовой резины и из года в год падающим уровнем испытательного напряжения промышленной частоты; это медленный процесс деградации, который отслеживается периодическими измерениями сопротивления изоляции и мониторингом тренда тока утечки.

2.2 Конструкция разъединителя и характерные виды отказов

В контактной сети применяются преимущественно разъединители типа GN (для внутренней установки) и типа GW (для наружной установки), причём тип GW шире используется на главных путях высокоскоростных железных дорог. Конструктивно разъединитель состоит из ножа (подвижного контакта) и неподвижного контакта, опирающихся на опорные изоляторы, а включение и отключение выполняются поворотом ножа приводным механизмом. Во включённом положении подвижный и неподвижный контакты прилегают друг к другу; технические нормы требуют, чтобы после включения зазор в контактах составлял 15—20 mm, отклонение в пределах одной фазы было не более 5 mm, а неодновременность включения трёх фаз — не более 6 mm. Смещение этих геометрических параметров прямо отражает износ контактов и состояние механизма.

Перегрев контактов — наиболее часто встречающийся отказ разъединителя, на него приходится около 42 % [4]. Цепочка его деградации обладает характерной положительной обратной связью: эрозия под действием дуги → рост шероховатости поверхности контактов → увеличение переходного сопротивления → повышение джоулева тепловыделения → ускоренное окисление контактов → дальнейший рост переходного сопротивления. Как только этот контур положительной обратной связи переходит критическую точку, температура контактов сменяет линейный рост на экспоненциальный и в течение десятков минут проходит путь от слабого перегрева (ΔT≈10 K) до тяжёлого (ΔT>60 K) вплоть до сваривания контактов. Инфракрасный контроль тренда температуры контактов и измерение сопротивления токовой петли — два взаимодополняющих средства раннего обнаружения этой цепочки деградации.

Механическое заклинивание (31 %) чаще всего вызывается коррозией тяг приводного механизма, износом подшипников или высыханием смазки. Разъединители наружной установки постоянно воспринимают ветровую нагрузку (расчётная скорость ветра 30 m/s), а после ухудшения герметичности шкафа привода проникшая дождевая вода ускоряет коррозию. Аномальный рост тока и времени операции включения-отключения служит предвестником заклинивания. Ухудшение изоляции затрагивает главным образом опорные стержневые изоляторы, у которых механизм перекрытия по загрязнённой поверхности аналогичен секционному изолятору, однако длина пути утечки больше (≥1200 mm), поэтому пороговое значение ESDD для перекрытия выше, чем у секционного изолятора. Эрозия под действием дуги возникает в процессе включения и отключения разъединителя; время горения коммутационной дуги обычно составляет десятки миллисекунд, однако при частых операциях (например, при частых переключениях на линейном посту) накопленное обгорание всё же нельзя не учитывать.

2.3 Факторы, влияющие на отказы, и механизмы деградации

Деградация оборудования обоих типов является результатом совместного действия трёх групп факторов: параметров окружающей среды, режимов работы и старения материалов. Среди факторов окружающей среды влияние температуры и влажности описывается уравнением Аррениуса: скорость реакции k=A·exp(-Ea/RT), где Ea — энергия активации, R — универсальная газовая постоянная, T — абсолютная температура. В инженерной практике часто используют приближение «правила 10 °C»: при повышении температуры на каждые 10 °C скорость термического старения изоляционных материалов примерно удваивается. Для оборудования наружной установки годовой перепад температур достигает 70 °C (от -25 °C до +45 °C), причём на жаркие летние месяцы приходится более 40 % годового объёма деградации. Влажность, снижая поверхностное сопротивление, ускоряет развитие разряда вдоль поверхности: в сезон высокой влажности (относительная влажность >85 %) частота перекрытий по загрязнённой поверхности в 3—5 раз выше, чем в сухой сезон.

Что касается режимов работы, ток нагрузки определяет мощность джоулева тепловыделения в контактах (P=I²R): на участках с высокой интенсивностью движения высокоскоростных поездов разъединители длительно несут большой ток (>800 A), и температура их контактов заметно выше, чем на слабозагруженных участках. На участках с высокой долей отрывов токоприёмника (например, в сопряжениях анкерных участков, на воздушных стрелках) вероятность и частота дугового обгорания секционного изолятора возрастают. В части механических нагрузок контактное давление и уровень вибрации определяются совместным действием подъёмного усилия токоприёмника и скорости поезда: при скорости 350 km/h энергия колебаний системы «токоприёмник — контактная сеть» примерно на 60 % больше, чем при 250 km/h. Закон Париса da/dN=C(ΔK)^m связывает скорость роста трещины с размахом коэффициента интенсивности напряжений; при большом размахе напряжений ресурс до разрушения по механизму роста усталостной трещины существенно сокращается.

Совместное действие перечисленных факторов приводит к важному выводу: ни один отдельно взятый параметр не способен полностью охарактеризовать фактическое состояние деградации оборудования. Так, повышение температуры контактов разъединителя на 30 K может быть вызвано как ростом переходного сопротивления (деградация), так и повышенной температурой окружающей среды (норма). Только по температуре различить эти случаи невозможно. При введении двух взаимодополняющих параметров — переходного сопротивления и температуры окружающей среды — достоверность диагноза заметно возрастает. Именно в этом заключается техническая предпосылка, делающая комплексирование разнородных данных неизбежным при оценке технического состояния оборудования контактной сети.

Глава 3. Сбор данных из разнородных источников и построение сенсорной сети

3.1 Шесть классов источников данных

В настоящей работе с учётом особенностей видов отказов секционного изолятора и разъединителя систематизированы шесть классов источников данных: электрические, механические, термографические, климатические, данные изображений, а также исторические данные эксплуатации и обслуживания. В части электрических параметров датчик тока утечки с диапазоном 0—10 mA и классом точности 0.5 устанавливается на заземлённом выводе изолятора и позволяет регистрировать импульсы и искажения формы кривой тока утечки вдоль поверхности; измеритель сопротивления токовой петли с разрешением 0.1 μΩ служит для измерения переходного сопротивления разъединителя во включённом положении. В части механических параметров трёхосевой датчик ускорения с диапазоном частот 0.5—5000 Hz и чувствительностью 100 mV/g устанавливается на торце полоза секционного изолятора и на шкафу привода разъединителя; частота дискретизации 10 kHz охватывает основной энергетический диапазон колебаний системы «токоприёмник — контактная сеть» (5—2000 Hz), а также высокочастотный диапазон признаков трещин.

Термографические данные поступают от инфракрасного тепловизора с разрешением 640×512 пикселей и NETD≤0.05 °C (при 30 °C); съёмка секционного изолятора в целом и зоны контактов разъединителя выполняется периодически (с интервалом 15 min) и по пороговому триггеру (ΔT>10 K). К климатическим параметрам относятся эквивалентная плотность осаждённой соли (ESDD, определяемая отбором проб протиранием или онлайн-датчиком загрязнённости), скорость и направление ветра (ультразвуковой анемометр, диапазон 0—60 m/s), температура и влажность (PT100 + ёмкостный датчик, от -40 °C до +80 °C), интенсивность ультрафиолетового излучения. Данные изображений получают промышленной камерой высокого разрешения (5 Мп, степень защиты IP67), а модель обнаружения объектов YOLOv8 (mAP 92.7 %, вывод <30 ms) распознаёт такие внешние дефекты, как трещины поверхности, следы обгорания, повреждение юбок и износ контактов.

Исторические данные эксплуатации и обслуживания охватывают дату ввода оборудования в эксплуатацию, все записи о ремонтах и отказах, результаты ускоренных испытаний на старение оборудования той же партии, а также кривые деградации, предоставленные изготовителем. Хотя эти данные не собираются в реальном времени, они несут априорную информацию о траектории деградации оборудования за весь жизненный цикл и незаменимы для инициализации параметров процесса Винера и калибровки порогов деградации. Частоты дискретизации шести классов источников различаются на порядки: вибрация — 10 kHz, термография — 4 снимка в час, изображения — по триггеру, ESDD — один раз в месяц; последующие методы комплексирования должны учитывать такую асимметрию частот.

3.2 Трёхуровневая архитектура сенсорной сети

В настоящей работе предложена трёхуровневая сенсорная сеть «периферийное восприятие — локальный шлюз — облачная платформа», построенная по многоуровневой архитектуре железнодорожной системы 6C [8]. На уровне периферийного восприятия размещаются датчики и блоки сбора данных, которые выполняют на месте обработку сигналов (фильтрацию, усиление, аналого-цифровое преобразование) и извлечение простых признаков (например, действующего значения тока утечки и СКЗ вибрации), снижая тем самым требования к полосе пропускания восходящего канала. Ядром уровня локального шлюза служит промышленный шлюз на базе архитектуры ARM+FPGA, который объединяет данные нескольких десятков периферийных узлов в пределах анкерного участка и обеспечивает прецизионную синхронизацию времени по IEEE 1588 PTP (точность синхронизации <1 μs), решая задачу единой временной привязки разнородных данных; одновременно на нём работают алгоритм комплексирования на уровне данных (фильтр Калмана) и логика первичного отсева аномалий с оповещением в реальном времени при явном выходе значений за допустимые пределы.

Уровень облачной платформы обеспечивает вычисления по комплексированию на уровне признаков и на уровне решений, а также работу моделей оценки технического состояния и прогнозирования ресурса. В восходящем канале применяется адаптивное переключение GPRS/4G/5G: обычная передача данных идёт по 4G (пропускная способность >10 Mbps, задержка <200 ms, доля потерь пакетов <0.1 %), аварийные сообщения и команды удалённой конфигурации передаются по 5G (задержка <50 ms), на удалённых участках резервным каналом служит GPRS. Шлюз хранит в локальном кэше данные не менее чем за 72 часа, поэтому при перерыве связи данные не теряются, а после её восстановления передача продолжается с точки прерывания. Такая архитектура сочетает быстродействие периферийной части с вычислительными возможностями облака, благодаря чему вся цепочка «измерение → первичный отсев → комплексирование → оценка → прогноз» надёжно работает в любых условиях связи.

3.3 Предварительная обработка данных и извлечение признаков

Прежде чем подавать исходные сигналы на вход модели комплексирования, их необходимо подвергнуть предварительной обработке. Сигнал тока утечки обрабатывается эмпирической модальной декомпозицией (EMD) для удаления тренда и высокочастотного шума; после декомпозиции компоненты IMF1—IMF5 сохраняются для реконструкции полезного сигнала, затем извлекаются признаки во временной области (среднее значение, пиковое значение, коэффициент импульсности, асимметрия), в частотной области (амплитуда основной гармоники, относительное содержание 3-й, 5-й и 7-й гармоник) и признаки маргинального спектра Гильберта. Сигнал вибрации раскладывается на 5 уровней вейвлетом db6; для детализирующих коэффициентов каждого уровня вычисляются относительная энергия и эксцесс, причём низкочастотная составляющая (A5) сохраняет информацию об основной частоте механических колебаний, а высокочастотные составляющие (D1—D3) чувствительны к микротрещинам.

После неоднородной коррекции и радиометрической калибровки тепловизионных изображений из них извлекаются такие признаки, как координаты максимума температуры, максимальное значение температуры, максимальное превышение температуры ΔT и доля площади аномалии (доля пикселей, температура которых превышает температуру окружающей среды на +15 K). Признаки изображений извлекаются сетью ResNet-50 (предварительное обучение на ImageNet, последний слой заменён на GAP+FC) в виде 512-мерного визуально-семантического вектора. Векторы признаков отдельных источников методом PCA редуцируются в пространство главных компонент с накопленной долей объяснённой дисперсии ≥95 %, что устраняет избыточные размерности. В части обработки пропущенных данных: кратковременные пропуски (<30 min) восполняются кубической сплайн-интерполяцией; длительные пропуски (>30 min) помечаются как пропущенные и не интерполируются, а при последующем комплексировании выражаются через функцию массы глобальной неопределённости BPA данного источника, что позволяет избежать смещения, вносимого ложной интерполяцией.

Глава 4. Методы комплексирования разнородных данных из множества источников

4.1 Комплексирование на уровне данных

Комплексирование на уровне данных обеспечивает объединение исходных данных однотипных резервированных датчиков. Для датчиков тока утечки, установленных симметрично на обоих концах секционного изолятора, комплексирование данных и подавление шума реализуются фильтром Калмана: уравнение состояния x(k)=Ax(k-1)+w(k), уравнение наблюдения z(k)=Hx(k)+v(k), где ковариационные матрицы шума процесса w~N(0,Q) и шума наблюдения v~N(0,R) определяются по данным калибровки датчиков. Рекуррентная структура фильтра Калмана естественно приспособлена к обновлению в реальном времени по каждой точке выборки, объём вычислений составляет O(n²) (n — размерность состояния), что делает его пригодным для реализации на стороне шлюза.

Для резервированных измерений в нединамических системах (например, двухканальных вибродатчиков) применяется взвешенное усреднение с весами, обратными дисперсии: вес w_i=1/σ_i²/(Σ1/σ_j²), взвешенный результат x̂=Σw_i·x_i. Такая стратегия придаёт больший вес более точным датчикам и при существенном различии точности между датчиками превосходит равновесное усреднение. В части временной синхронизации источники с различной частотой дискретизации кубической сплайн-интерполяцией приводятся к единой базовой частоте 1 Hz, при этом остаточная погрешность интерполяции удерживается в пределах 1/3 собственной точности каждого источника. Пространственная синхронизация заключается в отображении координат датчиков в систему координат самого оборудования, что устраняет влияние различий в местах установки на признаки пространственного распределения.

4.2 Комплексирование на уровне признаков

Комплексирование на уровне признаков заключается в отображении векторов признаков, полученных после предварительной обработки каждого источника данных, в единое семантическое пространство. Одномерные временные признаки (электрические и механические) подаются на вход 1D-CNN: размеры ядер четырёх свёрточных слоёв последовательно равны 7/5/3/3, число каналов — 32/64/128/256, после каждого слоя следуют BatchNorm и активация ReLU, а выход четвёртого слоя после глобального усредняющего пулинга (GAP) даёт компактное представление размерности 256. Двумерные тепловизионные признаки подаются на вход 2D-CNN: три свёрточных слоя (ядро 3×3, каналы 64/128/256), затем GAP, выход — 256 измерений. Визуальные признаки берутся непосредственно с выхода GAP сети ResNet-50 (512 измерений). После конкатенации три вектора признаков подаются на вход кодировщика BiLSTM (2 слоя, 128 юнитов на слой, двунаправленный), который улавливает временные зависимости между признаками разных источников. Выход BiLSTM затем методом PCA редуцируется до 50 измерений (накопленная дисперсия >98 %), образуя итоговый вектор слитых признаков, который служит входом моделей оценки и прогнозирования.

Выбор схемы «конкатенация → BiLSTM → PCA» вместо непосредственной конкатенации или взвешивания вниманием обусловлен следующим: непосредственная конкатенация сохраняет все размерности, но игнорирует временные зависимости между источниками, а избыточно высокая размерность провоцирует переобучение; взвешивание вниманием хотя и позволяет выделить ключевые источники, требует обучения параметров внимания и при ограниченном объёме обучающей выборки недостаточно устойчиво; BiLSTM благодаря механизму гейтирования адаптивно отбирает и забывает информацию, обладает более сильной способностью моделировать временные связи между источниками, а двунаправленная структура использует одновременно прямой и обратный контекст.

4.3 Комплексирование на уровне решений

При комплексировании на уровне решений каждый источник данных независимо выдаёт результат суждения, после чего несколько суждений объединяются в итоговое решение. Теория свидетельств Демпстера–Шейфера благодаря способности явно описывать неопределённость стала основным инструментом комплексирования на уровне решений в настоящей работе. Пусть рамка распознавания Θ={N, A, B, S} соответствует четырём уровням состояния: нормальному, вниманию, аномальному и серьёзному. Базовая функция правдоподобия (BPA) m: 2^Θ→[0,1] удовлетворяет условиям m(∅)=0 и Σm(A)=1 (A⊆Θ). Функция доверия Bel(A)=Σm(B) (B⊆A) измеряет полную степень поддержки суждения A, функция правдоподобия Pl(A)=1-Bel(Ā) — степень отсутствия возражений против A, а [Bel(A), Pl(A)] образует интервал вероятности. Правило комбинирования Демпстера–Шейфера m₁₂(A)=[Σm₁(B)·m₂(C)]/[1-K] (B∩C=A, A≠∅), где K=Σm₁(B)·m₂(C) (B∩C=∅) — коэффициент конфликта.

Классическое правило комбинирования Демпстера–Шейфера при высокой конфликтности свидетельств обнаруживает проблему парадокса Заде: когда два источника в высокой степени поддерживают взаимно исключающие суждения, результат комбинирования определяется меньшинством, что явно нерационально. При оценке оборудования контактной сети эта проблема не является теоретической конструкцией: например, BPA вибродатчика в высокой степени поддерживает состояние «аномальное» (из-за обнаруженного скачка высокочастотной составляющей), тогда как BPA тепловизионного датчика в высокой степени поддерживает состояние «нормальное» (поскольку превышение температуры не вышло за порог); в этом случае K близко к 1, и классический результат комбинирования может приписать состоянию «серьёзное» чрезвычайно высокую вероятность, что очевидно не соответствует физической картине. Усовершенствованный алгоритм Демпстера–Шейфера требует до комплексирования скорректировать достоверность сильно конфликтующих свидетельств, и именно эта задача решается в разделе 4.4.

4.4 Усовершенствованный алгоритм комплексирования на основе теории свидетельств Демпстера–Шейфера

Предлагаемый усовершенствованный алгоритм выполняется в три этапа. На первом этапе вычисляется расстояние между свидетельствами для количественной оценки степени конфликта. Для любых двух BPA m_i и m_j расстояние Жуссельма определяется как d(m_i,m_j)=[(m_i-m_j)·D·(m_i-m_j)/2]^(1/2), где D — матрица расстояний Жуссельма, D(A,B)=|A∩B|/|A∪B|. Чем больше расстояние, тем сильнее конфликт двух свидетельств. На втором этапе по расстоянию вычисляются сходство Sim(m_i,m_j)=1-d(m_i,m_j) и вес достоверности w_i=Σ_{j≠i}Sim(m_i,m_j)/(n-1); свидетельство с высокой достоверностью поступает от датчика, хорошо согласующегося с большинством других источников.

На третьем этапе выполняется дисконтная коррекция BPA по весам достоверности: m_i^α(A)=w_i·m_i(A) (A≠Θ), m_i^α(Θ)=1-w_i·(1-m_i(Θ)). Дисконтная коррекция снижает степень поддержки фокальных элементов источником с низкой достоверностью и передаёт высвобождающуюся массу вероятности глобальной неопределённости Θ, предотвращая усиление помех от низкодостоверных источников при комбинировании. Для дальнейшего описания иерархической структуры неопределённости в настоящей работе вводится облачная модель, модулирующая неопределённость дисконтированной BPA: неопределённость качественного понятия характеризуется тремя числовыми признаками — математическим ожиданием Ex, энтропией En и гиперэнтропией He. В качестве Ex принимается вероятность главного фокального элемента дисконтированной BPA, En отражает разброс распределения вероятностей, He описывает неопределённость самой En. Модуляция облачной моделью позволяет выдавать в результате комплексирования не только точечное значение BPA, но и интервал неопределённости [Ex-3En, Ex+3En], служащий ориентиром достоверности для последующих оценочных решений.

Вычислительная сложность усовершенствованного алгоритма составляет O(n²·2^|Θ|), где n — число источников свидетельств, |Θ| — мощность рамки распознавания. В рассматриваемом применении n=6 (шесть классов источников данных), |Θ|=4, объём вычислений — около 3.7×10³ операций умножения, что на ARM-процессоре шлюза занимает <5 ms и удовлетворяет требованиям реального времени.

Глава 5. Модель оценки технического состояния оборудования

5.1 Построение системы показателей

В настоящей работе для двух классов оборудования построены трёхуровневые иерархические системы показателей: целевой уровень — обобщённое техническое состояние оборудования; уровень критериев — разбиение по видам отказов и контролируемым измерениям; уровень показателей — отдельные измеряемые параметры. На примере разъединителя уровень критериев включает четыре аспекта: состояние контактов, состояние механизма, состояние изоляции и внешнее состояние. В группе состояния контактов задаются такие показатели, как превышение температуры контактов, переходное сопротивление контактов и неодновременность включения; в группе состояния механизма — ток операции отключения, время операции, СКЗ вибрации. Веса показателей определяются комбинированным методом AHP и энтропийного взвешивания: AHP отражает априорные суждения экспертов о сравнительной важности показателей, а энтропийные веса объективно определяются по информационной энтропии измеренных данных — чем больше разброс данных, тем выше вес показателя. Комбинированный вес w_i=α·w_i^AHP+(1-α)·w_i^entropy, в настоящей работе принято α=0.6, что отдаёт приоритет экспертному опыту.

В таблице 1 приведён подробный состав системы показателей оценки технического состояния разъединителя.

Таблица 1. Система показателей оценки технического состояния разъединителя

5.2 Модель оценки на основе комплексирования многомерной информации

Модель оценки реализует двухуровневый процесс комплексирования. Первый уровень — комплексирование внутри измерения: в рамках каждого измерения уровня критериев значения нескольких относящихся к нему показателей отображаются в базовые вероятностные назначения (BPA) с помощью функций принадлежности. На примере превышения температуры контактов: функции принадлежности μ_N(ΔT), μ_A(ΔT), μ_B(ΔT), μ_S(ΔT) задаются трапецеидальными функциями, а пороговые значения каждого уровня определяются по данным ускоренных испытаний на старение и по опыту эксплуатации. Базовые вероятностные назначения нескольких показателей одного измерения объединяются по усовершенствованному правилу комбинирования Демпстера—Шейфера, в результате чего получается обобщённое BPA данного измерения. Второй уровень — комплексирование между измерениями: обобщённые BPA измерений уровня критериев вновь объединяются по усовершенствованному правилу Демпстера—Шейфера, что даёт обобщённое BPA оборудования в целом. На обоих уровнях для разрешения конфликта свидетельств применяется усовершенствованный алгоритм из раздела 4.4.

В настоящей работе выбрано двухуровневое комплексирование, а не однократное глобальное, по двум причинам. Во-первых, показатели внутри одного измерения тесно связаны физически (например, превышение температуры контактов и переходное сопротивление контактов имеют сильную положительную корреляцию), поэтому предварительное комплексирование устраняет избыточную информацию и снижает степень конфликта свидетельств при комплексировании между измерениями. Во-вторых, двухуровневая структура обеспечивает диагностику по отдельным измерениям: если итоговая оценка соответствует уровню «внимание», можно проследить распределение BPA в измерении состояния контактов и локализовать источник аномалии. Однократное комплексирование проще в расчётах, однако утрачивает интерпретируемость промежуточных результатов, что затрудняет принятие решений персоналом технического обслуживания.

5.3 Четырёхуровневая градационная оценка и индекс здоровья

После определения обобщённого BPA формируются результаты двух видов: дискретная метка одного из четырёх уровней состояния и непрерывный индекс здоровья HI. Уровень состояния устанавливается по принципу максимального доверия: состояние оборудования = argmax_{s∈Θ} Bel({s}), то есть в качестве результата принимается уровень с наибольшим значением функции доверия. Если разность между наибольшим и вторым по величине значениями Bel < 0.15, результат помечается как «низкая достоверность» и требует ручной проверки.

Индекс здоровья HI определяется как взвешенная сумма базовых вероятностных назначений по уровням: HI=w_N·m(N)+w_A·m(A)+w_B·m(B)+w_S·m(S), где w_N=1.0, w_A=0.7, w_B=0.3, w_S=0.0. Величина HI принимает непрерывные значения в диапазоне [0,1]: чем выше значение, тем лучше состояние. Пороговые значения градаций: HI ≥ 0.85 — норма, 0.60 ≤ HI < 0.85 — внимание, 0.35 ≤ HI < 0.60 — отклонение, HI < 0.35 — критическое состояние. Непрерывность HI позволяет чутко отражать постепенное изменение состояния, а четырёхуровневая метка удобна для организации дифференцированного реагирования при техническом обслуживании. Итоговый выход модели — триада (метка состояния, значение HI, достоверность), где достоверность принимается равной 1 − Pl(Ā), а Ā — дополнение установленного уровня; чем выше достоверность, тем полнее свидетельства поддерживают данный уровень.

Глава 6. Метод прогнозирования остаточного ресурса

6.1 Моделирование деградации на основе процесса Винера

В процессе Винера деградация оборудования моделируется как броуновское движение со сносом: X(t)=X(0)+μ·t+σ·B(t), где μ — коэффициент сноса (характеризует скорость тренда деградации), σ — коэффициент диффузии (характеризует интенсивность случайных флуктуаций), B(t) — стандартное броуновское движение. Когда величина деградации X(t) впервые достигает заданного порога L, оборудование считается отказавшим, а соответствующее время первого достижения T_L=inf{t:X(t)≥L|X(0)<L} подчиняется обратному гауссовскому распределению: f(t)=(L-X(0))/(σ√(2πt³))·exp(-(L-X(0)-μt)²/(2σ²t)). Отсюда получают функцию распределения остаточного ресурса RUL, а также аналитические выражения для его среднего значения и дисперсии.

Онлайн-обновление параметров μ и σ выполняется байесовским методом: при принятии сопряжённого априорного распределения μ~N(μ₀,σ₀²) после получения каждой новой группы наблюдений апостериорное распределение μ|data~N(μ_n,σ_n²) обновляется в замкнутой форме, без необходимости в MCMC-выборке, что обеспечивает высокую вычислительную эффективность. Коэффициент диффузии σ оценивается по дисперсии приращений деградации и по мере роста объёма выборки постепенно приближается к истинному значению. Такой механизм онлайн-обновления позволяет модели Винера адаптивно отслеживать изменение скорости деградации: когда из-за ухудшения условий эксплуатации деградация ускоряется, апостериорное среднее значение μ соответственно возрастает, а оценка RUL автоматически сокращается. Процесс Винера выбран в работе вместо гамма-процесса по следующей причине: процесс Винера допускает немонотонность траектории деградации (измерительный шум или кратковременное восстановление могут вызвать локальное снижение X(t)), что лучше соответствует особенностям фактических данных; гамма-процесс же требует строгого монотонного возрастания — физически деградация необратима, однако измеренная величина деградации, содержащая шум, строго монотонной не является.

6.2 Прогнозирование временных рядов методом LSTM

Сеть LSTM служит для прогнозирования краткосрочного тренда деградации. В работе принята структура из двух скрытых слоёв по 128 LSTM-ячеек в каждом, коэффициент Dropout 0.2 предотвращает переобучение. Длина входного окна — 48 (соответствует 48 точкам выборки), длина окна прогноза — 12. Использован оптимизатор Adam с начальной скоростью обучения 0.001, размер пакета 64, терпение ранней остановки 15 эпох. Входными признаками служит 50-мерный вектор, полученный при комплексировании на уровне признаков в главе 4; целевой выход — прогнозируемые на 12 шагов вперёд значения индекса технического состояния HI и ключевых параметров (например, тока утечки и превышения температуры контактов).

Одновременно в работе сопоставлены две вариантные структуры. В CNN-LSTM-AM[11] локальные признаки сначала извлекаются 1D-CNN и затем подаются на вход LSTM, а механизм внимания (AM) взвешивает скрытые состояния LSTM, выделяя временные шаги, наиболее значимые для текущего прогноза; в FFT-LSTM[14] входная последовательность сначала подвергается быстрому преобразованию Фурье, после чего частотные признаки объединяются с исходными временными и подаются на вход LSTM. На данных оборудования контактной сети различия в точности прогноза между тремя структурами незначимы (разница по RMSE <5 %), однако чистая структура LSTM имеет наименьшее число параметров (около 350 k) и обеспечивает наибольшую скорость вывода при развёртывании на стороне шлюза (<10 ms на шаг). С учётом ограничений вычислительных ресурсов при промышленном развёртывании в работе в качестве базовой модели краткосрочного прогноза окончательно выбрана чистая структура LSTM.

6.3 Комплексирование прогнозов и расчёт RUL

Процесс Винера хорошо описывает долговременный тренд деградации (он управляется параметром μ), но недостаточно точен в прогнозировании краткосрочных флуктуаций (на них влияют σ и измерительный шум); LSTM чувствителен к краткосрочным закономерностям, однако лишён физических ограничений, и при длительном прогнозе ошибка накапливается. В работе выходы двух моделей комплексируются с адаптивным взвешиванием по дисперсии прогноза: веса w_W=1/σ_W²/(1/σ_W²+1/σ_L²), w_L=1-w_W, где σ_W² и σ_L² — дисперсии прогноза процесса Винера и LSTM на текущем временном шаге соответственно. Чем больше дисперсия, тем ниже вес модели: при неопределённости мы не доверяем слепо ни одной из моделей.

Комплексная оценка RUL задаётся взвешенной смесью распределений RUL двух моделей: f_RUL(t)=w_W·f_W(t)+w_L·f_L(t), где f_W — плотность обратного гауссовского распределения, f_L — эмпирическое распределение выхода LSTM (полученное 100-кратной выборкой методом Monte Carlo Dropout по прогнозной последовательности LSTM). Точечная оценка RUL принимается равной медиане комплексного распределения (она устойчивее среднего значения к выбросам), а 90 % доверительный интервал — [5 % квантиль, 95 % квантиль]. Порог деградации L калибруется по данным ускоренных испытаний на старение: в контролируемых условиях по температуре, влажности и напряжению проводятся ускоренные испытания на деградацию секционных изоляторов и разъединителей, регистрируются траектории деградации каждого параметра от начального значения до критического значения отказа, и в качестве основы для калибровки L принимается значение параметра, соответствующее точке перегиба траектории (когда скорость деградации переходит от линейной к ускоряющейся).

Глава 7. Проверка на практических примерах и анализ результатов

7.1 Источники данных и постановка эксперимента

Экспериментальные данные взяты из записей эксплуатации системы онлайн-мониторинга контактной сети одной из высокоскоростных железных дорог за период с января 2022 г. по июнь 2025 г. и охватывают результаты мониторинга 86 секционных изоляторов и 72 разъединителей в 12 анкерных участках. После очистки и разметки данных общий объём пригодных выборок составил 2 137 групп (каждые 6 часов для каждого устройства агрегируются в одну группу признаков), в том числе 189 групп отказов (102 — отказы секционных изоляторов, 87 — отказы разъединителей) и 1 948 групп нормального состояния. Набор данных разделён в пропорции 7:1.5:1.5 на обучающую (1 496 групп), проверочную (321 группа) и тестовую (320 групп) выборки; стратифицированная выборка обеспечивает соответствие доли отказов в каждом подмножестве её доле во всей совокупности.

В качестве показателей оценки приняты точность классификации (Accuracy), точность (Precision), полнота (Recall) и F1-мера — для сравнения качества оценки технического состояния; среднеквадратичная ошибка (RMSE) и средняя абсолютная процентная ошибка (MAPE) — для сравнения качества прогнозирования ресурса. Все эксперименты выполнены на GPU NVIDIA RTX 4090 с 64 GB оперативной памяти, обучение моделей проводилось в среде фреймворка PyTorch 2.1.

7.2 Результаты оценки технического состояния

В таблице 2 сопоставлены показатели оценки технического состояния при комплексировании данных из нескольких источников и при использовании единственного источника. Точность модели с комплексированием достигает 93.6 %, F1-мера равна 0.921 — оба показателя заметно превосходят результаты всех одноисточниковых методов. Среди одноисточниковых методов лучший результат показывает инфракрасная термография (точность 80.8 %), поскольку она чувствительна к обоим основным видам отказов — перегреву контактов и частичным разрядам; следующим идёт контроль тока утечки (точность 76.5 %), чувствительный к отказам изоляционного характера, но практически не отражающий механические отказы; вибрационный контроль эффективен для механических отказов, но нечувствителен к изоляционным (точность 72.3 %); обнаружение по изображениям ограничено условиями освещённости и даёт наименьшую точность (68.9 %). После комплексирования обнаруживаемость отказов всех видов повысилась: полнота по механическим отказам выросла с 71.2 % при использовании только вибрации до 94.1 % после комплексирования.

Табл. 2. Сравнение показателей оценки технического состояния по различным источникам данных

Преимущество усовершенствованного алгоритма Демпстера–Шейфера (D-S) перед классическим особенно заметно в условиях конфликта свидетельств. Покажем это на примере одного разъединителя: когда вибрационный датчик присваивает базовому распределению вероятностей (BPA) значение 0.72 для состояния «аномально», а тепловизионный датчик — 0.68 для состояния «нормально», классическое правило D-S после синтеза даёт вероятность состояния «тяжёлое» 0.54 (парадокс Заде), тогда как усовершенствованное правило — вероятность состояния «внимание» 0.51 (разумный компромисс). Из 32 сильно конфликтующих образцов тестовой выборки усовершенствованный алгоритм D-S дал верное решение в 87.5 % случаев, классический — лишь в 53.1 %. Что касается времени локализации отказа, модель комплексирования данных из нескольких источников затрачивает в среднем 1.5 ч от момента фиксации аномалии до определения источника отказа, что на 64 % меньше 4.2 ч, требующихся при традиционном последовательном обследовании; оперативность реагирования службы эксплуатации существенно повышается.

7.3. Результаты прогнозирования отказов и остаточного ресурса (RUL)

В табл. 3 сопоставлены показатели прогнозирования остаточного ресурса (RUL) различных прогнозных моделей на тестовой выборке. Для комплексированной модели Wiener-LSTM средняя абсолютная процентная ошибка (MAPE) составляет 8.7 %, среднеквадратическая ошибка (RMSE) — 12.3 ч, что на 5.3 процентного пункта ниже, чем у одиночной модели Wiener (MAPE 14.0 %), и на 2.5 процентного пункта ниже, чем у одиночной модели LSTM (MAPE 11.2 %). Источник выигрыша от комплексирования очевиден: процесс Винера устойчив при прогнозировании долговременных тенденций (при шаге прогноза >24 ч значение RMSE заметно ниже, чем у LSTM), а LSTM чутко отслеживает краткосрочные колебания (при шаге прогноза <12 ч значение RMSE заметно ниже, чем у модели Винера); адаптивное взвешивание позволяет каждой модели проявить свои сильные стороны.

Табл. 3. Сравнение качества прогнозирования остаточного ресурса (RUL) различными моделями

Эксперименты по аблации (последовательному исключению компонентов) дополнительно количественно оценили вклад каждого источника данных в комплексированное прогнозирование. Приняв гибридную модель Винера и LSTM за базовую, последовательно исключали по одному классу источников данных; прирост MAPE составил: при исключении тепловизионных данных +3.2 п.п. (наибольший вклад, поскольку тепловизионные данные непосредственно отражают степень деградации контактных элементов), при исключении электрических данных +2.1 п.п., вибрационных +1.8 п.п., данных о параметрах окружающей среды +1.2 п.п., изображений +0.8 п.п., исторических данных +1.5 п.п. Ни один из шести классов источников данных не может быть исключён без потери информации, что подтверждает необходимость структуры комплексирования данных из нескольких источников. По оценке через среднеквадратическое отклонение ошибки прогноза, окно предупреждения об отказе для комплексированной модели на двух типах оборудования обеспечивает упреждение в среднем около 72 ч, что в 6 раз превышает упреждение традиционной пороговой сигнализации (около 12 ч).

Глава 8. Обсуждение и анализ ограничений

Преимущества комплексирования данных из нескольких источников при оценке технического состояния оборудования контактной сети можно рассмотреть с двух точек зрения. С точки зрения теории информации данные каждого источника представляют собой проекцию процесса деградации оборудования в различных пространствах наблюдений; комплексирование расширяет пространство наблюдений с низкой размерности до высокой, а информационный выигрыш непосредственно проявляется в повышении разделимости границ классификации — в этом и состоит математическая суть роста точности с 68.9—80.8 % до 93.6 % после комплексирования. С инженерной точки зрения чувствительность различных источников данных к отдельным видам отказов дополняет друг друга: после комплексирования любой вид отказа обнаруживается не менее чем двумя источниками, что снижает риск пропуска, обусловленного отказом одного источника (например, деградацией изображений в ночное время).

Предлагаемый метод также имеет ряд ограничений. В части качества данных долговременный дрейф и случайные отказы полевых датчиков приводят к нестабильности качества данных: доля высококачественных образцов в обучающей выборке составляет около 85 %, а остальные 15 % имеют шум или пропуски различной степени, что задаёт верхнюю границу характеристик модели. На анкерных участках с низким качеством данных (датчики эксплуатируются более 3 лет без калибровки) точность оценки снижается примерно на 5 процентных пунктов. В части обобщающей способности модель подтверждена на секционных изоляторах типа FQX-25 и разъединителях типа GW-27.5, однако переносимость на другие типы (например, FQX-35 и GN-27.5) проверена недостаточно — хотя режимы отказов двух типов оборудования имеют общие черты, параметры деградации и пороги различаются, поэтому перенос без дообучения (zero-shot) может дать потерю точности около 10—15 %.

В части вычислений в реальном времени вычислительная нагрузка усовершенствованного комплексирования D-S и прогнозирования по схеме Винера и LSTM на стороне шлюза удовлетворяет требованиям реального времени (<50 мс), однако вывод сети BiLSTM при комплексировании на уровне признаков на процессоре ARM занимает около 80 мс; при увеличении числа устройств в анкерном участке (>30 единиц) вычислительной мощности шлюза может оказаться недостаточно, что потребует квантования модели или оптимизации отсечением связей (pruning). По сравнению с пятиэтапной структурой PdM, предложенной Hamza и др. [6], данный метод более конкретен в части комплексирования данных и количественной оценки неопределённости: структура Hamza задаёт разделение этапов, но не даёт алгоритма комплексирования, тогда как усовершенствованный алгоритм D-S и облачная модель в настоящей работе обеспечивают вычислимый вариант комплексирования.

В части масштабируемости стоимость аппаратных средств датчиков на километр контролируемого участка в настоящее время составляет около 120 тыс. юаней (полное покрытие датчиками шести классов), объём передачи данных — около 500 МБ в сутки на анкерный участок, что предъявляет определённые требования к полосе пропускания канала связи и к облачному хранению. На участках с ограниченным финансированием развёртывание может быть ранжировано по важности оборудования: на критичных анкерных участках обеспечивается полное покрытие шестью источниками, на обычных участках развёртываются только три малозатратных источника — электрический, тепловизионный и видеоданные, что позволяет пожертвовать небольшой частью точности ради экономической целесообразности. Доступность данных ускоренных испытаний на старение является ещё одним практическим ограничением. Калибровка порога деградации L и априорных значений параметров процесса Винера опирается на ускоренные испытания на старение, которые отличаются большой длительностью (обычно 6—12 месяцев) и высокой стоимостью (около 50 тыс. юаней на единицу оборудования); для снятых с производства старых моделей получить образцы для испытаний затруднительно, и тогда L приходится задавать по опыту экспертов, что вносит субъективную неопределённость.

Глава 9. Заключение и перспективы

В настоящей работе для решения задачи оценки технического состояния и прогнозирования отказов секционных изоляторов и разъединителей контактной сети высокоскоростных железных дорог построена полная техническая структура — от сбора данных из нескольких источников и комплексирования разнородных данных до оценки технического состояния и прогнозирования остаточного ресурса. Основные результаты и количественные выводы приведены ниже.

(1) Создана система сбора разнородных данных от шести источников и трёхуровневая сенсорная сеть для двух типов оборудования; за счёт синхронизации времени по IEEE 1588 PTP и извлечения признаков в нескольких масштабах решены проблемы асимметрии частот и различия размерностей, что обеспечило последующее комплексирование стандартизированными входными признаками, согласованными по времени и пространству.

(2) Предложен усовершенствованный алгоритм комплексирования на основе теории свидетельств Демпстера—Шейфера (D-S), использующий расстояние между свидетельствами и облачную модель. На 32 тестовых образцах с высоким конфликтом правильность решения усовершенствованного D-S составила 87.5 %, что на 34.4 процентного пункта выше, чем у классического D-S (53.1 %); точность комплексированной оценки на полной тестовой выборке составила 93.6 %, что на 12.8 процентного пункта выше лучшего единичного источника.

(3) Разработан метод комплексированного прогнозирования с адаптивным взвешиванием процесса Винера и сети LSTM. MAPE комплексированного прогноза составила 8.7 %, что на 5.3 процентного пункта ниже, чем у одной модели Винера, и на 2.5 процентного пункта ниже, чем у одной сети LSTM; охват 90 % доверительного интервала — 91.2 %, что удовлетворяет требованиям надёжности инженерного прогнозирования.

(4) На двух типах оборудования подтверждена универсальность предложенной структуры по отношению к разным устройствам. Время локализации отказа сокращено с 4.2 ч до 1.5 ч (снижение на 64 %), а окно предупреждения об отказе обеспечивает упреждение примерно на 72 ч по сравнению с традиционной пороговой сигнализацией, что даёт количественную основу для перехода от планово-предупредительного ремонта к обслуживанию по фактическому состоянию.

Дальнейшие исследования будут развиваться по трём направлениям. Первое — перенос обучения: использование предварительно обученной модели на уже проверенном оборудовании и адаптация предметной области (например, выравнивание по CORAL или ограничение MMD) для снижения потребности в размеченных данных по новым типам оборудования, с целью достижения приемлемой точности прогноза (MAPE < 15 %) при ≤50 образцах целевой области. Второе — интеграция с цифровым двойником: построение многодисциплинарной (multiphysics) симуляционной модели-двойника секционного изолятора и разъединителя для проигрывания в виртуальной среде траекторий деградации при «гипотетических режимах» работы и дополнения измеренных данных отсутствующими образцами экстремальных режимов. Третье — развёртывание интеллектуальных функций на периферии: сжатие моделей комплексирования, оценки и прогнозирования до 5 МБ и менее за счёт дистилляции знаний и квантования INT8 с размещением на процессоре ARM на стороне шлюза, что замыкает весь цикл вывода на периферии и снижает зависимость от облачной связи; кроме того, предполагается ввести механизм федеративного обучения — совместное обучение на данных нескольких станций без обмена исходными данными, что позволяет расширить объём обучающей выборки при соблюдении требований конфиденциальности и информационной безопасности.

Список литературы

[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] Тан Тао, Го Кай, Чэнь Гуансюн и др. Метод обнаружения дефектов арматуры контактной сети на основе RCID-YOLOv5s[J]. Journal of the China Railway Society, 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] Чэнь Чжицзе, Чжан Цзе, Хань Чживэй и др. Обзор исследований технологий мониторинга контактной сети высокоскоростных железных дорог[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] Юго-Западный университет Цзяотун. Техническое решение системы PHM для оборудования контактной сети высокоскоростных железных дорог[R]. Чэнду: Юго-Западный университет Цзяотун, 2023.

[8] Государственное управление железных дорог КНР. Технические нормы системы контроля и мониторинга эксплуатации контактной сети высокоскоростных железных дорог (система 6C)[TB/T 2076—2020][S]. Пекин: Китайское железнодорожное издательство, 2020.

[9] Ли Мин, Ван Юн, Чжан Лян и др. Комплексная оценка технического состояния трансформатора на основе усовершенствованной теории свидетельств D-S[J]. Power System Protection and Control, 2021, 49(15): 108-115.

[10] Ляо Жуйцзинь, Ван Цянь, Го Ханьсяо и др. Прогнозирование остаточного ресурса бумажно-масляной изоляции на основе процесса Винера[J]. Proceedings of the CSEE, 2020, 40(12): 4038-4047.

[11] Чжан Вэй, Лю Чжиган, Юй Лун и др. Применение динамической ансамблевой модели CNN-LSTM-AM для прогнозирования деградации оборудования[J]. Journal of Mechanical Engineering, 2023, 59(7): 215-224.

[12] Чжао Синь, Ли Цзянь, Чэнь Вэйгэнь и др. Диагностика неисправностей трансформатора на основе комплексирования данных из нескольких источников с помощью BiLSTM[J]. High Voltage Engineering, 2022, 48(6): 2234-2243.

[13] Гао Шибинь, Ван Тао, Чэнь Танлун и др. Интеллектуальная система технического обслуживания железнодорожных тяговых подстанций на основе взаимодействия «облако — сеть — периферия — терминал»[J]. Journal of the China Railway Society, 2022, 44(5): 38-46.

[14] Лю Ян, Чэнь Миньу, Чжан Хай и др. Применение комбинированной модели FFT-LSTM для диагностики неисправностей электрооборудования[J]. Electric Power Automation Equipment, 2026, 46(2): 156-163.

[15] Ван Сяодун, Ли Жуй, Чэнь Чжицян и др. Анализ текущего состояния и мер по совершенствованию обслуживания секционных изоляторов высокоскоростных железных дорог[J]. Railway Quality Control, 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] Ли Дэи, Мэн Хайцзюнь, Ши Сюэмэй. Облака принадлежности и генераторы облаков принадлежности[J]. Journal of Computer Research and Development, 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.