弓网状态评估与故障诊断一体化方法、系统及存储介质

本发明涉及轨道交通弓网运行监测与智能故障诊断，尤其涉及一种基于弱监督学习与序数支持向量机的弓网状态评估与故障诊断一体化方法、系统及存储介质。

背景技术：

1、弓网系统由受电弓与接触网组成，是轨道交通牵引供电的核心部件，其运行状态直接关系到受流质量、供电连续性以及列车运行安全。当弓网运行异常或局部故障未能被及时识别时，易导致供电中断、列车晚点甚至重大运营事故。随着弓网在线监测技术的持续应用，弓网运行过程中的状态信息获取能力不断增强，这为基于检测数据开展状态评估与故障诊断提供了基础。

2、近年来，围绕弓网状态检测的研究不断深入，已有研究可分为两类。一类侧重于故障或缺陷检测，主要针对燃弧、绝缘子、支撑装置、受电弓滑板及局部部件异常开展识别研究，这类研究提高了局部异常或典型缺陷的自动识别能力，但多数方法仍围绕单一故障现象或局部部件展开，难以直接反映弓网系统整体运行状态。另一类侧重于运行状态或风险分析，尝试通过概率风险建模、可靠性分析或关键状态量估计来刻画系统运行水平，这类研究能够从系统层面对弓网或接触网运行状态进行刻画，但通常更关注风险水平、故障传播关系或关键状态量估计，尚未充分解决在线检测场景下状态评估结果与具体故障类型之间的一致性表达问题。

3、因此，现有研究为弓网检测数据的利用提供了重要基础，但面向在线运维场景仍存在不足。首先弓网在线检测数据具有明显的多源异构特征，不同检测量在物理含义、量纲尺度和异常敏感性上存在显著差异，而有不少研究仍主要围绕单类特征或单类故障展开，尚未形成围绕弓网整体状态与典型故障的统一组织方式。其次，状态评估与故障诊断在现有研究中往往被分开处理，故障诊断通常可以依据规则或人工经验构造标签并开展监督学习，而状态评估更常依赖评分、赋权、聚类等离线方法，难以直接服务于在线识别。

技术实现思路

1、本发明的目的在于克服现有技术中弓网状态标签缺失、有序等级信息利用不足、小样本故障诊断精度低、状态与故障输出缺乏一致性的缺陷，提供一种弓网状态评估与故障诊断一体化方法，在无人工状态标签的条件下构建可靠的有序状态数据集，利用序数支持向量机实现有序状态精准评估，结合改进的小样本表格模型提升故障诊断性能，并通过一致性约束实现状态与故障的协同输出，提升弓网在线检测的准确性与工程可解释性。

2、为实现上述目的，本发明提供如下技术方案：

3、弓网状态评估与故障诊断一体化方法，包括以下步骤：

4、s1、车载弓网检测系统进行铁路沿线定位点处综合数据样本采集，构建定位点级数据集，所述综合数据包括弓网几何状态特征、动态接触特征、电气热状态特征以及定位工况信息；

5、s2、对所述定位点级数据集的原始数据进行预处理，包括样本有效性筛查、特征字段筛选、连续特征标准化处理、按定位点顺序对样本重排；

6、s3、建立弓网状态评估指标体系，并将弓网状态定义为健康、预警、故障三个等级；

7、s4、基于弓网运维工程规则生成样本的初始状态先验，并结合空间—时间—特征融合样本图，对定位点样本进行弱监督状态传播与标签修正，生成离线状态样本集；

8、s5、以所述离线状态样本集为监督信息训练ordinal svm模型；车载弓网检测系统采集最新待检测样本，将其输入训练完成的ordinal svm模型，输出对应状态等级；

9、s6、构建融合原型约束机制与类别平衡机制的改进tabm模型，采用贝叶斯优化对模型超参数进行全局寻优；将待检测样本输入由最优参数构建的改进tabm模型，输出故障类型；所述故障类型包括健康状态、导高异常、拉出值异常、坡度值异常、燃弧异常、硬点异常；

10、s7、对状态评估结果与故障诊断结果进行一致性约束下，当两类输出满足一致性约束时，直接输出原始结果；当两类输出存在冲突时，依据状态等级与故障类型的匹配关系进行修正或标记复核；输出定位点样本的最终状态等级与故障类型，形成联合判别结果。

11、进一步地，步骤s4具体包括以下步骤：

12、s41、基于弓网运维工程超限分级规则，对所有样本进行单指标规则与组合规则判定，生成初始状态先验，对满足明确规则条件的样本直接赋予确定状态标签，对处于临界区间或存在多规则冲突的样本赋予弱标签先验；

13、s42、分别构建表征同一检测序列内相邻样本之间连续性的空间关联图、表征相同站区相近位置样本在不同检测文件之间一致性的时间关联图、表征状态模式相近样本之间相似关系的特征关联图，对三类图加权融合得到统一样本图；并基于所述统一样本图构造归一化标签传播矩阵：

14、；

15、；

16、其中，为归一化标签传播矩阵，为统一样本图关联权重矩阵，为度矩阵，为矩阵的元素；为矩阵的元素，表示样本到样本的加权边；为统一样本图的节点数，即预处理后样本总数；

17、s43、以高置信确定状态标签样本为锚点，基于归一化标签传播矩阵迭代修正弱标签样本的状态响应，收敛后得到所有样本的最终状态标签，带有最终标签样本组成离线状态样本集；标签传播的迭代公式为：

18、；

19、其中，表示第次迭代的状态响应矩阵，为第次迭代的状态响应矩阵，为初始软标签先验矩阵，为传播系数。

20、进一步地，步骤s6中所述改进tabm故障诊断模型的总损失函数为：

21、；

22、其中，为总损失，为类别平衡分类损失，用于缓解类别不均衡；为原型约束损失，用于约束同类故障样本的隐空间表示向类别原型中心聚集；为原型约束项权重系数；

23、所述类别平衡分类损失的计算方式为：

24、；

25、其中，表示样本的真实故障类型标签，表示样本所属故障类型对应权重，大小与故障类型对应样本数相关，故障类型对应样本数越少对应权重越大；表示样本所属故障类型的诊断概率；

26、所述原型约束损失的计算方式为：

27、；

28、其中，为样本经共享特征提取器输出的隐表示，表示样本所属故障类型对应的原型向量；所述原型向量计算方式为：

29、；

30、其中，表示第类故障在隐空间的类别原型，为第类故障的样本集合，为对应样本数。

31、进一步地，步骤s6中贝叶斯优化的超参数包括tabm分支数、网络块维度、网络块数量、dropout率、学习率、权重衰减系数、批大小以及原型约束项权重系数。

32、进一步地，步骤s7中所述一致性约束规则为：

33、当状态评估结果输出为健康时，故障诊断结果应对应输出为健康状态；

34、当状态评估结果输出为预警时，故障诊断结果应对应输出为导高异常、拉出值异常；

35、当状态评估结果输出为故障时，故障诊断结果应对应输出坡度值异常、燃弧异常、硬点异常。

36、本发明还提供一种用于执行上述方法的弓网状态评估与故障诊断一体化系统，包括：

37、数据预处理模块，用于接受弓网检测系统采集的检测数据，对其进行预处理；

38、弱监督状态建模模块，用于工程规则先验、空间—时间—特征融合样本图构建以及弱监督状态传播与标签修正后；

39、有序状态评估模块，内置训练完成的ordinalsvm模型，用于输出待检测样本的状态等级；

40、小样本故障诊断模块，内置训练完成的改进tabm模型，所述改进tabm模型融合原型约束机制、类别平衡机制并经贝叶斯优化调参，用于输出待检测样本的故障类型；

41、联合判别输出模块，用于基于预设一致性约束对ordinalsvm模型输出的状态等级与改进tabm模型输出的故障类型进行一致性校验与冲突修正，输出定位点级联合判别结果。

42、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述弓网状态评估与故障诊断一体化方法。

43、本发明相较于现有技术具有以下有益效果：

44、（1）实现无人工标签下的可靠有序状态建模：本发明结合工程规则先验与时空特征融合图的标签传播算法，在无需人工标注状态的条件下，构建兼具工程合理性与数据分布一致性的有序状态数据集；解决了在线检测数据状态标签缺失的痛点；

45、（2）有序状态评估精度高、符合物理演化规律：本发明采用 ordinal svm 进行状态评估，充分利用状态等级的有序性，通过分层二分类方式约束判别边界，避免普通多分类模型的跨等级误判；实验结果显示，状态评估准确率达 0.9733，auc 达 0.9912，误判仅发生在相邻等级之间，与弓网状态渐进退化的物理特征高度契合；

46、（3）小样本不均衡场景下故障诊断性能优异：本发明对 tabm模型进行改进，引入原型约束机制增强同类故障表征的紧凑性，引入类别平衡机制缓解样本分布偏置，并通过贝叶斯优化实现超参数全局最优配置，有效提升了少数类故障的识别精度；

47、（4）一体化输出具备强工程可解释性：本发明构建状态—故障一致性联合判别机制，对状态等级与故障类型的匹配关系进行约束与修正，避免两类输出相互矛盾的问题，检测结果更符合工程认知，可直接支撑弓网在线运维与预防性检修决策。