一种基于超图神经网络的自监督评估方法，用于检测车辆电缆端子的绝缘状况，并考虑动态特征

《IEEE Transactions on Industrial Informatics》：A Self-Supervised Evaluation Approach of Insulation Condition for Vehicle Cable Terminals Using Hypergraph Neural Network With Dynamic Features

高速电力机车电缆终端绝缘状态评估面临动态特征提取难、标注数据不足等问题。本文提出基于超图神经网络的动态特征提取方法，通过构建带谱区分的图结构表征绝缘劣化趋势，结合自监督预训练模型与部分参数初始化，有效解决小样本标注难题。实验验证显示该方法绝缘状态识别准确率达99.01%，为牵引供电系统智能诊断提供可靠框架。

　　

摘要：

高速电力动车组（EMUs）作为国家经济的重要支柱、重大公共基础设施项目中的关键组成部分以及国家综合交通网络的基础，发挥着至关重要的作用。目前的检测方法在实现对电缆终端绝缘状况的有效在线监控方面存在困难，这主要是由于提取动态时间信号特征方面的挑战以及用于模式识别的标注数据集不足所致。本文提出了一种基于超图神经网络的自监督绝缘状态评估方法，该方法能够处理电缆终端的动态特征。首先，引入了一种利用光谱差异构建图结构的新方法，以表征电缆终端绝缘状态的动态特征和劣化趋势。为了解决现场标签有限的问题，将定义的超图神经网络嵌入到系统中，从而形成自监督超图神经网络。此外，通过使用从嵌入式自监督预训练模型中获取的部分参数来初始化微调后的超图模型。最终，该方法通过电缆终端的高频电流测试（HFCT）实验得到了验证。实验表明，该方法在评估电缆终端绝缘状况方面具有强大的特征表示能力和泛化能力，准确率可达到99.01%，为高速电力动车组牵引供电系统和工业预测性维护提供了可靠的故障诊断框架。

引言

高速电力动车组是国家经济发展的重要交通方式，在客运运输和资源交流中发挥着关键作用。车辆电缆是列车组中能量传输的核心组件，为列车的供电提供关键支持。由于绝缘结构复杂且运行环境恶劣，电缆终端成为电缆系统中绝缘结构最脆弱、故障最频繁的部分[1]。图1展示了高速电力动车组及其电缆终端的安装位置。因此，对电缆终端的绝缘状况进行评估和分析对于提前预警潜在故障和降低更换成本至关重要。提高电缆终端绝缘状态评估的准确性和可靠性对于确保高速电力动车组的可靠运行至关重要。图1.

(a) 高速电力动车组。(b) 电缆终端的安装位置。