基于泄漏电流的机载绝缘子污染等级评估：采用二维融合GAF图像与DSC-CBAM-ResNet网络

《IEEE Transactions on Transportation Electrification》：Leakage Current-Based Contamination Level Evaluation of On-Board Insulators Using 2-D Fused GAF Images and DSC-CBAM-ResNet Network

针对电力机车绝缘子污染等级（CL）评估中传统方法依赖人工经验、效率低、准确率差等问题，提出基于Gramian angular field（GAF）-视觉显著性图（VSM）-加权最小二乘优化（WLSO）框架结合深度可分离卷积-通道注意力模块-ResNet18网络的新型评估方法。实验结果表明，该方法在复杂环境下具有高效检测能力，准确率达98.67%，AUC值0.9968，显著优于其他模型，验证了其优越性能和鲁棒性。

　　

摘要：

车载绝缘子是电力动车组（EMUs）电力系统的关键部件，准确评估其污染程度（CL）对于防止污染闪络事故和确保设备安全运行具有重要意义。目前的方法依赖于人工经验，这不仅效率低下，而且容易出错。本文提出了一种评估电力动车组车载绝缘子污染程度的新方法，旨在提高检测效率并适应复杂的现场环境。该方法结合了Gramian角场-视觉显著性图-加权最小二乘优化（GAF-VSM-WLSO）框架和深度可分离卷积-卷积块注意力模块-ResNet18（DSC-CBAM-ResNet18）网络。首先，通过上述复合框架将泄漏电流（LC）信号转换为2D彩色融合GAF图像，该图像能够捕捉全局结构和局部细节。然后构建一个复合模型，通过引入DSC模块来增强特征提取，以降低计算复杂性，并利用CBAM注意力机制突出关键特征。该模型采用焦点损失（FL）函数进行优化，以提高对难样本的分类准确性。消融研究和对比实验表明，融合图像在特征表示方面优于普通的2D图像。所提出的模型实现了98.67%的识别准确率，以及0.9867的F1分数和0.9968的多类AUC值，优于其他模型，证明了其在绝缘子污染程度评估方面的卓越性能和鲁棒性。

引言

随着高速铁路的快速发展，电力动车组（EMUs）已成为现代轨道交通的主要运输方式[1]、[2]。车载绝缘子是EMU电力系统的重要组成部分，在确保电力传输的稳定性和安全性方面发挥着重要作用。与普通绝缘子相比，EMU在运行过程中需要穿越多样的地理环境，导致车载绝缘子长期处于复杂条件下，包括高湿度、灰尘、污染物以及表面污染物的积累[3]。在潮湿环境中，污染严重的绝缘子甚至可能引发闪络[4]，威胁运行安全。因此，定期维护和清洁是确保车载绝缘子正常运行和延长使用寿命的有效方法[5]。然而，由于EMU绝缘子数量众多且停机维护时间较短，传统的人工清洁和维护方式不仅会消耗大量人力和物力资源，而且效率低下。此外，手动判断绝缘子的污染程度（CL）过于依赖经验，存在较高的误判风险。尽管标准GB/T 16434-1996[6]有效地划分了绝缘子表面的污染程度，如表I所示，但基于等效盐沉积密度（ESDD）的分类方法在实际应用中存在显著局限性。ESDD的测量是一个复杂且耗时的过程，主要适用于实验室环境[7]，难以满足快速现场诊断的需求。因此，迫切需要一种高效准确的诊断方法来评估车载绝缘子的污染程度。

表I绝缘子污染程度与等效盐沉积密度之间的对应关系

污染程度（CL）	CL1	CL2	CL3	CL4	CL5
ESDD（mg/cm2）	0.03	0.03–0.06	0.06–0.10	0.10–0.25	0.25