基于改进TSDM和时序成像特征融合的转辙机故障诊断方法OA

转辙机作为铁路信号系统的关键设备,其故障诊断对保障铁路运营安全至关重要。然而,S700K转辙机故障诊断面临着严重的数据不平衡问题——故障样本仅占总数据的1%以下。这种极端不平衡带来了一系列连锁挑战:一方面,少量故障样本中的噪声会对模型训练产生放大效应;另一方面,稀缺的故障样本使得深度学习模型难以充分提取和学习故障特征,最终导致诊断准确率不高。针对上述挑战,本研究提出了一种基于改进时间序列扩散模型和时序成像特征融合的故障诊断方法。首先,构建转辙机序列扩散模型,通过引入峰值注意力机制和多样性变换策略,生成高质量故障样本以缓解数据不平衡;其次,采用格拉姆角差场和马尔可夫转移场2种时序成像技术,实现了对转辙机运行状态的全面表征;最后,提出改进的深度残差收缩网络,通过双流并行架构分别处理两种时序图像完成故障分类。实验结果表明,生成的故障样本在时频域均保持了原始信号的关键特征,方差频率值仅为0.1302,显著优于向量量化变分自编码器(1.4499)和时间序列生成对抗网络(1.3524)等现有方法。基于扩充后的平衡数据集,故障诊断准确率和精确率分别达到99.50%和99.62%,特别是对仅有少量样本的稀缺故障类型,召回率从84.62%提升至98%以上,充分验证了所提方法在解决数据不平衡问题和提升诊断性能方面的有效性。