基于加权递归图的铁路客站旅服设备状态在线监测方法OA

针对铁路客站旅服设备现有的监测手段为人工巡检方式,实时性差、工作量大,导致设备故障难以实时被发现的问题,本研究提出一种基于加权递归图的铁路客站旅服设备状态在线监测方法。首先,通过部署智能断路器采集旅服设备状态切换前后的电流时序数据,利用加权递归图(weighted recurrence graph,WRG)构建电气特征扩展图,将一维电流序列转换为蕴含丰富特征的二维图像,突破了一维时序数据特征提取的局限。其次,为平衡识别精度与模型轻量化需求,构建了ShuffleNetv2-HAM分类模型。该模型集成Haar小波下采样(Haar wavelet downsampling,HWD)模块以有效捕捉图像多尺度纹理细节;引入混合局部通道注意力机制(mixed local channel attention,MLCA),自适应增强对故障相关区域特征的关注,提升识别灵敏度与鲁棒性;同时对核心Stage模块进行精简设计,显著降低计算开销和模型体积,满足现场部署的实时性要求。实验结果表明,加权递归图在特征表示对比中取得最优性能,其宏平均分数Fmacro达97.19%,显著优于格拉姆角场(89.08%)、马尔可夫转移场(75.88%)等时序图像化方法。基于该特征的ShuffleNetv2-HAM模型在6类典型旅服设备运行状态(含引导屏正常切换、卡死、闪烁、黑屏及广播扬声器正常播放、失音)识别任务中,宏平均分数Fmacro较一维时序分类方法最高提升约26%,较主流轻量化图像模型最高提升18.26%;在计算效率方面,ShuffleNetv2-HAM展现出显著的轻量化特性,模型参数量仅为1.61 M,浮点计算量低至1.73 GFLOPS,FPS达到1905.51,相较于对比模型参数量减少最多达57.4%,浮点计算量降低超过75%,展现出卓越的分类性能和轻量化特性。本研究提出的基于加权递归图和ShuffleNetv2-HAM模型的监测方法,为铁路客站设备运维智能化提供了技术支撑。