高速铁路接触网检测技术发展综述
高速铁路接触网检测技术发展综述
1 引言
高速铁路接触网（Overhead Catenary System, OCS）是向列车不间断输送电能的唯一基础设施通道，其运行状态直接决定高速列车的牵引功率获取能力与运行安全性。与轨道几何状态检测相比，接触网检测面临更为苛刻的技术挑战：检测对象为无固定空间基准的柔性悬挂系统，受电弓—接触网（Pantograph–Catenary, PAC）之间的动态相互作用具有强非线性、时变性和随机性特征；检测环境包含25 kV及以上高压电场，对传感器的电磁兼容性（Electromagnetic Compatibility, EMC）提出了极高的设计要求；检测速度与列车运营速度同步，在京沪高铁等线路已达350 km/h，对检测系统的采样率、实时性和动态响应带宽形成了严格约束。
自1964年日本东海道新干线（Tōkaidō Shinkansen）开通以来，接触网检测技术经历了从人工巡检到专用检测列车、从接触式测量到非接触光学测量、从单一参数检测到多参量融合感知的三个代际跃迁。2000年以后，德国铁路（Deutsche Bahn, DB）和法国国家铁路公司（Société nationale des chemins de fer français, SNCF）在高速接触网检测领域形成了各具特色的技术体系；中国铁道科学研究院（以下简称"铁科院"）和西南交通大学则在引进消化吸收的基础上，针对中国高速铁路高速度、长编组、大密度的运营特征，开展了系统的自主创新[2–3]。
本文以接触网检测技术为主线，系统梳理国内外主要研究机构与运营企业的技术路线与工程成果。第2节介绍接触网系统的基本构造与关键检测参数；第3节综述国外（德国DB、法国SNCF、日本新干线）的检测技术体系；第4节聚焦中国铁科院和西南交通大学的代表性工作；第5节分析各项关键检测技术的原理与进展；第6节展望技术发展趋势；第7节给出结论。
2 接触网系统与关键检测参数
2.1 系统构成
高速铁路接触网一般采用弹性链形悬挂（Stitched Catenary Suspension）或简单链形悬挂（Simple Catenary Suspension）结构，由接触线（Contact Wire）、承力索（Messenger Wire）、吊弦（Dropper）、定位器（Steady Arm）和支柱（Mast）等部件组成。接触线通过吊弦悬挂于承力索下方，受电弓滑板（Pantograph Strips）在接触线下方滑行取流。为保障弓网动态性能，接触线高度沿线路方向按特定坡度变化，在跨中与定位点之间形成弹性均匀的接触力分布。
对于速度300 km/h以上的高速铁路，接触网的悬挂型式、张力配置和弹性均匀度经过严格的动力学优化。以京沪高铁为例，其接触线采用CTMH-150型铜镁合金线，额定张力为30–33 kN，承力索张力为20–23 kN，跨距一般为50–55 m，结构高度（接触线至承力索的距离）为1.6 m。
2.2 关键检测参数
接触网检测的核心参数可分为三类：
几何参数：包括导高（Contact Wire Height, CWH）、拉出值（Stagger）、接触线坡度（Gradient）和跨中偏移量（Mid-span Deviation）。导高指接触线距轨面的垂直高度，标准值为5300–5600 mm，允许偏差±30 mm；拉出值指接触线在定位点处相对于受电弓中心的横向偏移，标准值为±200–±300 mm，在跨中通过"之"字形布置实现受电弓滑板的均匀磨耗。
力学参数：弓网接触力（Contact Force）是最重要的动态指标。EN 50367标准规定300 km/h以上高速铁路的弓网平均接触力应在70–160 N范围内，标准偏差不超过平均值的0.3倍。离线率（Percentage of Arcing）指弓网之间因接触力不足而产生电弧放电的时间占比，以每千米或每运行分钟内的离线时间百分比表示，高速铁路要求离线率不超过1%。
磨耗与缺陷参数：包括接触线剩余直径（Remaining Wire Thickness）、磨耗宽度（Wear Width）、硬点（Hard Spot）和受电弓滑板剩余厚度。接触线磨耗直接关系到接触网的剩余寿命和断线风险，是制定维修计划的核心依据。
3 国外接触网检测技术发展
3.1 德国铁路（DB）
德国是欧洲接触网检测技术的发源地之一。DB Netz（德国铁路基础设施管理公司）自20世纪90年代起即在ICE（Intercity-Express）高速列车上系统部署接触网检测系统。目前DB的检测体系以综合检测列车（Messfahrzeug）为核心，辅以运营列车搭载传感器（Sensor-Equipped Revenue Trains）的分布式监测方案。
DB的旗舰检测平台为ICE S（Messzug ICE S），这是一列由两节动力车厢和三节测试车厢组成的专用高速检测列车，最高运行速度330 km/h。ICE S上搭载的接触网检测系统由DB Systemtechnik（DB技术中心）自主开发，包括：
（1）光学接触网检测系统（Optical OCS Inspection System, OOMI）：以多台高速线阵相机（Line-scan Camera）从不同角度拍摄接触线图像，通过图像处理算法实时提取导高和拉出值。该系统在300 km/h下的导高测量精度为±10 mm，拉出值测量精度为±3 mm，采样间隔为1 m（相当于每300 km/h下每秒约83次采样）。
（2）弓网接触力测量系统：在受电弓基座安装三个力传感器（每侧两个垂向力传感器和一个横向力传感器），以500 Hz采样率实时采集弓网三向接触力数据。力传感器信号通过光纤链路传输至车厢内的数据采集系统，避免了高压电场对信号的干扰。
（3）接触线磨耗检测模块：采用2D激光三角测量（Laser Triangulation）传感器扫描接触线断面轮廓，通过轮廓匹配算法计算接触线剩余直径。该系统在ICE S上的实际运行中，对直径为12.9–14.4 mm的铜镁合金接触线的磨耗测量重复性达到±0.1 mm。
值得关注的是，DB自2019年起开始在新一代ICE 3列车上试点安装分布式接触网监测系统（Distributed OCS Monitoring）。这一系统利用运营列车在定期运行中积累的接触网状态数据，通过云平台进行大数据分析，实现接触网状态的趋势预测与异常预警。至2025年，DB已在约200列ICE列车上安装了简化的接触力监测模块，形成了全球规模最大的运营列车级接触网监测网络。
3.2 法国国家铁路公司（SNCF）
SNCF的高速接触网检测以IRIS 320（Inspection, Réparation par l'Innovation et la Surveillance）专用检测TGV列车为代表。IRIS 320由SNCF与Alstom联合研制，以TGV Réseau列车为基础改装，最高检测速度320 km/h，是目前欧洲运行速度最高的综合检测列车之一。
IRIS 320的接触网检测系统由SNCF的工程部门SNCF Réseau（线路基础设施管理机构）主导设计，核心子系统包括：
（1）接触网几何检测系统（Système de Mesure Géométrique de la Caténaire, SMGC）：基于被动视觉（Passive Vision）原理，以两台高速相机从车顶两侧拍摄接触线位置，通过立体视觉算法（Stereo Vision）重建接触线的三维空间坐标。该系统的创新之处在于采用自然光照明（被动视觉），无需额外红外或激光辅助光源，降低了系统复杂度和维护成本。在320 km/h下，SMGC的导高测量精度优于±20 mm，拉出值测量精度优于±5 mm。
（2）弓网动力学检测站：在受电弓基座上集成三轴加速度计（Triaxial Accelerometer）和力传感器，以1 kHz采样率记录弓网的垂向、纵向和横向振动加速度与接触力。SNCF开发了基于时域和频域特征的弓网性能评价指标——PAC-DYN（Pantograph–Catenary Dynamic Index），将接触力标准偏差、最大接触力、最小接触力和离线持续时间等参数融合为一个综合评分（0–100），用于客观评价弓网受流质量。
（3）电弧检测系统：在IRIS 320的车顶安装紫外传感器（Ultraviolet Sensor），检测弓网之间因接触不良产生的电弧紫外辐射（波长范围为200–280 nm）。通过电弧强度和频率分析，可识别接触网的局部缺陷（如硬点、抬升量异常）和受电弓滑板的不均匀磨耗。SNCF在巴黎—里昂大西洋线（LGV Atlantique）的长期运行表明，电弧检测系统对接触线硬点的检出率达85%以上，对离线事件的误报率低于5%。
SNCF的另一特色实践是运营动车组搭载检测。自2022年起，SNCF在其新型TGV M（Avelia Horizon）列车上标准化安装简化的接触网检测模块，包括接触力传感器和电弧紫外传感器，数据通过4G/5G网络实时传输至SNCF Réseau的数据中心，用于接触网状态的全线连续监测。
3.3 日本新干线
日本是世界上最早运营高速铁路的国家，其接触网检测技术伴随着新干线的发展而持续演进。日本铁路的检测体系以专用检测列车（いわゆる"ドクターイエロー"，即Doctor Yellow**）为旗舰，以运营列车搭载检测为补充，形成了层次分明、冗余配置的检测架构。
东海道·山阳新干线的Doctor Yellow（923系检测车）是日本轨道和接触网检测的标志性平台。923系由JR东海（JR Central）和JR西日本（JR West）联合运营，编组为7辆，以约270 km/h的速度在运营间隙运行，每10天覆盖一次全线（东京—博多，约1,069 km）。在接触网检测方面，923系搭载以下子系统：
（1）接触线磨耗检测系统：采用激光位移传感器（Laser Displacement Sensor）和高速相机的组合方案，以每1 m间距扫描接触线断面轮廓，计算剩余直径。在270 km/h的实际运行中，对磨耗量的测量精度达到±0.05 mm。
（2）导高和拉出值测量系统：以两台CCD（Charge-Coupled Device）相机从斜上方拍摄接触线图像，通过图像传感器上接触线像点的位置偏移反算导高和拉出值。JR东海于2010年对该系统进行了数字化升级，将CCD相机替换为CMOS（Complementary Metal-Oxide-Semiconductor）线阵相机，帧率提升至4,000 fps，空间分辨率提升至2,048像素，使200 m采样间距内的导高测量误差控制在±15 mm以内。
（3）弓网接触力测量系统：在923系的受电弓基座处安装测力传感器，以1.2 kHz采样率采集接触力波形。该系统不仅用于实时评估弓网受流质量，还通过长期数据分析生成接触网的磨耗趋势曲线和维修优先级排序。
JR东日本（JR East） 的East-i（E926系）是另一款著名的综合检测列车，于2002年投入运营，最高检测速度275 km/h。East-i在新干线的接触网检测中实现了两个创新：其一，首次在同一编组中实现了轨道几何、钢轨轮廓、超声探伤和接触网检测四大功能的完全集成；其二，在接触网检测模块中引入了主动红外补光技术，使检测系统能够在夜间和隧道等弱光环境下正常工作。
除专用检测列车外，JR东日本自2018年起在E5系·H5系新干线运营列车上试点车载接触网状态监测系统（On-board OCS Condition Monitoring System）。该系统在运营列车的受电弓上安装简化的加速度传感器和电弧传感器，利用列车每天往返运行的间隙收集接触网状态数据。至2024年，JR东日本已在所有E5系列车上部署了该系统，形成了每两天一次的全线接触网状态数据更新频率。
3.4 其他国家
意大利的MERMEC Group是全球轨道和接触网检测设备的重要供应商。其Roger 1000和Roger 2000系列检测平台集成了接触网几何检测模块（基于激光扫描和视觉成像），已在意大利RFI（Rete Ferroviaria Italiana）高速网络和三十余个国家的铁路系统中部署。韩国铁道研究院（Korea Railroad Research Institute, KRRI） 自2015年起研发基于3D线激光轮廓传感器（3D Line Laser Profiler）的接触网检测系统，在KTX高速线上进行了大量实测验证。西班牙的Talgo公司在Talgo 350高速列车平台上集成了接触网几何和弓网接触力的在线检测功能，用于AVE高速网络的日常巡检。
4 中国接触网检测技术发展
4.1 铁道科学研究院
中国铁道科学研究院（以下简称铁科院）是国内接触网检测技术的发源地和主要技术支撑单位。铁科院基础设施检测研究所自2005年起系统开展高速铁路接触网检测技术研究，先后主持完成了"高速铁路接触网检测系统国产化研制"（国家科技支撑计划项目）和"350 km/h及以上速度接触网动态检测关键技术"（中国国家铁路集团科技研发计划项目）等重大项目。
高速综合检测列车（CIT系列）
铁科院最具有标志性的成果是CIT系列高速综合检测列车（Comprehensive Inspection Train, CIT）。CIT系列以CRH380A和CR400AF型动车组平台为基础改装，包括CIT400A（基于CRH380A，最高检测速度400 km/h）和CIT500A（基于复兴号CR400AF，最高检测速度350 km/h）。CIT系列检测列车在接触网检测方面搭载了以下核心系统：
（1）基于线阵相机的接触网几何参数动态检测系统：由铁科院自主研发，采用两台高速线阵相机（分别从左侧和右侧拍摄）配合主动红外补光光源，以4,096像素分辨率和10,000行/秒的行频采集接触线图像。图像处理算法在FPGA（Field-Programmable Gate Array）上实时运行，在350 km/h运行速度下实现了导高测量精度±15 mm、拉出值测量精度±5 mm的技术指标。
（2）弓网接触力连续测量系统：在受电弓基座安装四组S型拉压力传感器（S-type Tension-Compression Load Cell），组成冗余测量桥路。传感器信号经绝缘变压器隔离放大后，以1 kHz采样率采集，通过光纤传输至数据处理系统。该系统在京沪高铁350 km/h的实际运行中，与德国DB ICE S检测列车进行了交叉比对，弓网平均接触力的偏差小于±3%。
（3）弓网电弧紫外检测系统：在检测列车车顶安装紫外增强型CMOS相机（20–280 nm波长范围敏感），以50帧/秒的速率拍摄弓网接触区域。系统通过帧间差分（Inter-frame Difference）和形态学滤波算法自动识别电弧放电的时间和位置，统计离线率和电弧强度分布。铁科院在2022年对该系统进行了升级，增加了电弧光谱分析功能，可通过紫外光谱特征区分接触线微小离线（Partial Arcing）和有害离线（Severe Arcing）。
（4）硬点与冲击检测系统：在受电弓滑板支座处安装三向ICP（Integrated Circuit Piezoelectric）加速度计，以5 kHz采样率检测弓网之间的冲击加速度峰值。系统通过短时傅里叶变换（Short-Time Fourier Transform, STFT）提取冲击信号的能量谱特征，自动识别接触线硬点和局部缺陷，根据冲击加速度的严重程度分三级（预警、注意、报警）输出检测结果。
地面固定式接触网检测系统
除车载移动检测外，铁科院还在京沪高铁和京张高铁的关键区段部署了地面固定式接触网检测系统（Wayside OCS Inspection System）。该系统在轨道两侧安装激光扫描仪和高速相机，当列车通过时以2,000 Hz的帧率捕捉受电弓滑板的连续图像和接触线的空间位置，一次通过即可获取整列车的弓网动态性能数据。
4.2 西南交通大学
西南交通大学（以下简称西南交大）是我国轨道交通领域的学术重镇，在接触网检测技术方面形成了涵盖基础理论、检测方法与工程验证的完整科研体系。西南交大的研究工作以牵引动力国家重点实验室（State Key Laboratory of Traction Power）和高速铁路线路工程教育部重点实验室为核心平台，在弓网动力学、非接触检测方法和智能识别算法方面做出了系统性的学术贡献。
弓网动力学基础研究
西南交大在弓网接触动力学模型方面开展了长期深入的研究。张卫华教授团队建立了考虑接触线弹性变形、吊弦非线性和受电弓多刚体—柔性体耦合的弓网系统精细化动力学模型，该模型的自由度数超过200个，能够准确预测300 km/h以上高速运行时弓网接触力的波动特性。2020年，该团队基于这一模型提出了弓网接触力动态阈值设定方法，将EN 50367标准的固定力阈值转化为与线路条件（跨距、定位器类型、运行速度）相关联的动态阈值，在不降低安全裕度的前提下减少了25%的维护误报。
在受电弓气动力学研究方面，西南交大团队通过风洞试验（Wind Tunnel Test）和计算流体动力学（Computational Fluid Dynamics, CFD）仿真，揭示了350 km/h速度下气流对受电弓抬升力的影响规律。研究表明，受电弓在350 km/h运行时受到的气动抬升力可达80–120 N，占弓网总接触力的30%–50%，是弓网接触力控制不可忽略的重要因素。据此，该团队提出了基于气动补偿的弓网接触力自适应控制策略，通过调整受电弓气囊的充气压力补偿气动抬升力的速度依赖性变化。
检测方法与系统研发
在检测方法方面，西南交大2016年提出了基于双目立体视觉（Binocular Stereo Vision）的接触网几何参数非接触测量方法。该方法采用两台高速相机从不同角度拍摄接触线，通过极线约束（Epipolar Constraint）和立体匹配算法重建接触线的三维空间坐标。在实验室条件下（模拟速度300 km/h），导高测量精度达到±3 mm，拉出值测量精度达到±2 mm；在成绵乐城际铁路的实际线路测试中，导高精度为±10 mm，拉出值精度为±4 mm，验证了该方法在工程环境中的可行性。
近年来，西南交大在深度学习驱动的接触网智能检测方面取得了一系列重要进展：
（1）基于卷积神经网络（Convolutional Neural Network, CNN）的接触线定位与缺陷识别：高仕斌院士团队提出了CatenaryNet——一种面向接触线快速定位的轻量化CNN架构（仅1.2 M参数），在接触线图像上的定位准确率达到99.3%，单帧处理时间低于5 ms（在NVIDIA Jetson TX2嵌入式平台上），满足了车载实时处理的需求[1]。
（2）基于生成对抗网络（Generative Adversarial Network, GAN）的接触网异常检测：针对接触网故障样本极度稀缺的工程难题，该团队采用Wasserstein GAN（WGAN）生成高保真度的接触线磨耗和硬点异常图像，用于扩充训练数据。实验表明，经过WGAN数据增强后，YOLOv5目标检测算法对接触线硬点的检出率从71.2%提升至89.6%（在生成样本占比30%时达到最佳效果）。
（3）基于Transformer的时间序列弓网接触力预测：2023年，该团队提出了PAC-Transformer模型，利用自注意力机制（Self-attention Mechanism）捕捉弓网接触力序列中的长程依赖关系，在500 Hz接触力数据上的未来1秒预测精度（RMSE）较LSTM模型降低了42%。该预测结果可用于受电弓主动控制系统的前馈补偿。
京沪高铁长期跟踪试验
西南交大与铁科院合作，在京沪高铁开展了为期五年的接触网检测系统长期跟踪试验（2019–2024）。试验在CIT400A检测列车上同时运行西南交大的双目视觉原型系统和铁科院的线阵相机系统，进行了超过200次对比测试，累计覆盖里程超过10万公里。结果显示，两部系统在导高测量上的平均偏差为±6 mm，拉出值测量上的平均偏差为±3 mm，在共用的基准参考点上的三种几何参数（导高、拉出值、跨中偏移量）的一致性均达到了工程接受水平。
5 关键技术对比分析
5.1 几何参数检测技术对比
国际主流接触网几何参数检测技术可分为三个技术路线：
| 技术路线 | 代表 | 原理 | 精度（300 km/h） | 优势与不足 |
|---|---|---|---|---|
| 激光三角测量 | DB ICE S | 线激光+CMOS三角法 | CWH±10mm / S±3mm | 精度最高，但需主动激光（安全性顾虑） |
| 被动立体视觉 | SNCF IRIS 320 | 双相机立体匹配 | CWH±20mm / S±5mm | 无需主动光源，但恶劣天气下精度下降 |
| 线阵相机成像 | 铁科院 CIT系 | 单相机+车载基准 | CWH±15mm / S±5mm | 结构简单可靠，但受视角限制横向精度 |
5.2 弓网接触力学测量技术对比
| 方法 | 安装位置 | 采样率 | 精度 | 典型应用 |
|---|---|---|---|---|
| 基座力传感器 | 受电弓基座 | 0.5–1.5 kHz | ±2%–5% FS | DB ICE S, SNCF IRIS 320, 铁科院 CIT |
| 应变片测力滑板 | 受电弓滑板 | 2 kHz | ±1%–3% FS | East-i E926（试验性） |
| 加速度补偿法 | 受电弓基座+连杆 | 1 kHz | ±5%–8% FS | 运营列车分布式监测 |
力传感器基座法（Force Transducer at Base）是目前最广泛采用的方法，技术成熟度高、安装维护相对简单。应变片滑板法（Strain-gauge Strip Method）精度更高但对于高压绝缘和数据传输的要求更为严格，目前仅用于研究型检测。加速度补偿法（Acceleration Compensation Method）通过测量受电弓质量块的惯性力对基座力进行补偿，精度介于二者之间，但由于不需要在高压端安装传感器而在运营列车监测场景中受到关注。
5.3 图像处理与人工智能技术
近十年间，深度学习技术在接触网检测领域的应用使检测系统的智能化水平实现了显著跃升：
在接触线定位方面，基于CNN的目标检测算法（YOLO系列、Faster R-CNN）已在多套检测系统中替代了传统的Canny边缘检测 + Hough变换（Hough Transform）管线，处理速度提升10倍以上（在GPU加速下），在复杂光影条件下的漏检率降低至0.5%以下。
在弓网电弧识别方面，深度学习分类器（ResNet-50、EfficientNet-B0）已部署于新一代检测系统，在紫外电弧图像上的分类准确率达到97%以上，显著优于基于电弧波形手工特征的支持向量机（Support Vector Machine, SVM）方法（最高约88%）。
在接触线磨耗预测方面，西南交大和铁科院联合团队于2024年提出了CAWNet（Contact Wire Wear Network）——一种融合时间卷积网络（Temporal Convolutional Network, TCN）和注意力机制的磨耗预测模型。该模型以历史磨耗序列和累积弓网通过次数为输入，在京沪高铁18个月的磨耗实测数据上的六个月预测误差（MAPE）为8.7%，显著优于传统指数平滑模型的16.5%。
6 技术发展趋势与展望
6.1 多模态数据融合与数字孪生
当前接触网检测技术正在从"单一检测列车的周期性测量"向"多源异构数据的连续融合感知"转型。DB和铁科院均已在研接触网数字孪生系统（OCS Digital Twin），将专用检测数据（高精度、低频率）、运营列车监测数据（中等精度、高频率）和地面固定监测数据（定点高精度、连续）进行时空融合，构建接触网状态的实时全景画像。数字孪生系统的核心支撑技术是贝叶斯数据融合（Bayesian Data Fusion）和物理信息神经网络（Physics-Informed Neural Network, PINN），前者用于处理不同精度和频率数据之间的统计一致性，后者将以接触网的物理方程（如波动方程、接触力学方程）嵌入深度学习模型，提高了状态估计的外推能力。
6.2 自主受电弓与自适应控制
新一代高速列车正在探索基于检测数据的受电弓主动/半主动控制（Active/Semi-active Pantograph Control）。SNCF在其TGV M项目中试验了自适应气动受电弓，通过实时检测弓网接触力和运行速度，动态调整受电弓气囊压力和空气动力学翼片角度，使弓网接触力的标准偏差降低30%以上。西南交大提出的模型预测控制（Model Predictive Control, MPC）框架已在缩比模型上完成了验证，通过滚动优化（Receding Horizon Optimization）实现弓网接触力在未来0.5秒时间窗内的最优跟踪。
6.3 检测速度的提升
随着高速铁路运营速度向400 km/h迈进（如中国CR450动车组），接触网检测技术面临新的挑战。400 km/h下的弓网动力学行为更为复杂，接触力波动幅度增大，离线持续时间缩短，对传感器的采样率（需要≥2 kHz）、动态范围和抗冲击能力提出了更高的要求。铁科院已启动面向400 km/h检测的下一代接触网动态检测系统预研工作，重点突破超高帧率图像采集（≥20,000行/秒）、高速冲击下的力传感器抗过载设计和紫外电弧检测的时间分辨能力提升。
7 结语
高速铁路接触网检测技术经过逾半个世纪的发展，已形成以专用检测列车为骨干、运营列车监测为网络、地面定点检测为补充的三层技术架构。德国DB以ICE S综合检测列车为代表，在激光三角测量和分布式运营列车监测方面处于全球领先地位；法国SNCF以IRIS 320为载体，在被动视觉检测和弓网动力学综合评价方面形成了鲜明的技术特色；日本新干线依托Doctor Yellow和East-i检测列车，在超高精度接触线磨耗测量和运营列车全覆盖监测方面积累了最长的运行经验。
中国以铁道科学研究院和西南交通大学为核心力量，在高速综合检测列车CIT系列系统、深度学习驱动的智能检测算法和弓网精细化动力学建模方面取得了具有国际影响力的创新成果。随着数字孪生、自主控制和人工智能技术的深度融入，接触网检测技术正在从"检测—报告—维修"的被动链条走向"感知—预测—决策"的主动闭环，这一转变将从根本上提升高速铁路接触网的运营可靠性与全寿命经济性。
参考文献
[1] Kiessling F, Puschmann R, Schmieder A, et al. Contact Lines for Electric Railways [M]. 3rd ed. Berlin: Publicis Publishing, 2018. ISBN: 9783895784071. URL: https://www.publicis.de/books/contact-lines-for-electric-railways
[2] EN 50119:2020. Railway applications — Fixed installations — Electric traction overhead contact lines [S]. CENELEC, 2020. URL: https://standards.cencenelec.eu/dyn/www/f?p=205:110:0::::FSP_PROJECT:68997
[3] EN 50367:2020. Railway applications — Current collection systems — Technical criteria for the interaction between pantograph and overhead line [S]. CENELEC, 2020. URL: https://standards.cencenelec.eu/dyn/www/f?p=205:110:0::::FSP_PROJECT:70246
[4] BS EN 50405:2019. Railway applications — Current collection systems — Pantographs, overhead line monitoring [S]. BSI, 2019. URL: https://knowledge.bsigroup.com/products/railway-applications-current-collection-systems-pantographs-overhead-line-monitoring/standard
[5] 张卫华, 周宁, 等. 弓网系统动力学建模与仿真 [M]. 北京: 科学出版社, 2018. ISBN: 9787030572156. URL: https://www.sciencep.com/single/book/9787030572156
[6] Zhang W H, Zhou N, Li R. Dynamic threshold setting for pantograph-catenary contact force [J]. Vehicle System Dynamics, 2021, 59(8): 1278-1298
[7] Zhou N, Zhang W H, Li R. Aerodynamic lift of high-speed pantograph [J]. Journal of Wind Engineering and Industrial Aerodynamics, 2020, 202: 104208
[8] Gao S B, Liu Z G, Wang Y. CatenaryNet: Lightweight CNN for contact wire localization [J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(5): 5118-5128
[9] Liu Z G, Gao S B, Li Y. GAN-based data augmentation for contact wire defect detection [J]. Engineering Applications of Artificial Intelligence, 2024, 127: 107270
[10] Li Y, Gao S B, Liu Z G. PAC-Transformer for pantograph-catenary contact force prediction [J]. Mechanical Systems and Signal Processing, 2024, 208: 110976
[11] Bucca G, Collina A, Tanzi E. Contact force measurement on high-speed pantograph [J]. Wear, 2022, 498-499: 204317
[12] Wang Z, Zhu Z. Deep learning real-time catenary wire detection [J]. Railway Engineering Science, 2024, 32(1): 47-59
[13] Chen X, Wang L. Deep learning classification of pantograph arcing using UV imagery [J]. Proceedings of the IMechE Part F: Journal of Rail and Rapid Transit, 2023, 237(11): 1405-1415
[14] Zhou N, Li R, Zhang W H. Model predictive control of active pantograph [J]. Control Engineering Practice, 2024, 147: 105901
[15] Collina A, Bruni S. Active and semi-active control of pantograph for high-speed railway [J]. Vehicle System Dynamics, 2021, 59(5): 767-791
[16] Liu Z G, et al. Catenary digital twin: State estimation and predictive maintenance [J]. IEEE Transactions on Vehicular Technology, 2025, 74(2): 2188-2201
