多模态特征融合下转辙机退化状态预测OA

转辙机作为铁路信号系统的关键基础设备之一,其运行状态直接关系到行车安全,预测其退化状态可以避免因转辙机老化故障导致的安全问题。因此,本文提出一种多模态融合退化预测模型(multi-modal fusion-based degradation prediction model,MMF-BiLSTM)。首先,对功率信号进行变分模态分解(variational mode decomposition,VMD),计算各模态的模糊熵(fuzzy entropy,FE),并将FE序列输入自编码器进行训练,构建能够表征退化状态的健康指数(health index,HI);同时将HI序列与FE序列输入门控循环单元(gated recurrent unit,GRU)提取时序退化特征。其次,使用格拉姆角场将一维的转辙机功率信号转为二维图像,用卷积神经网络(convolutional neural network,CNN)提取局部特征,并输入至轻量化Transformer编码器中提取全局空间特征,利用其自注意力机制捕捉序列中的长期依赖关系。最后,将时序退化特征与全局空间特征在特征层进行融合,并输入双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)实现退化状态预测,构建由一维时间序列和二维图像组成的多模态建模框架。考虑到实际工况中转辙机功率信号数据存在数据不平衡问题,引入数据增强技术,并基于增强后的数据,利用所提出预测模型对转辙机的退化状态进行预测,以提升模型在工程实际应用中的泛化能力和预测精度。以S700K转辙机为对象,采用平均绝对误差、平均绝对百分比误差、均方根误差、决定系数作为评价指标。实验结果表明,所提出的MMF-BiLSTM模型相较于仅使用一维信号的GRU、LSTM、Transformer、ELM、SVM以及使用二维信号的GADF-CNN-BiLSTM在预测精度方面更优,特别是在平均绝对误差和决定系数上,可实现对转辙机性能退化状态的精准预测,为铁路信号设备智能运维提供技术支撑。