基于时序交叉对比自监督学习的高速列车轴承故障诊断方法研究——解决标签稀缺与速度变异双重挑战

针对高速列车(HST)转向架轴承在变速工况下存在的域分布偏移及标记数据稀缺问题，研究人员提出时序交叉对比预测(TCCP)自监督学习框架，通过自回归预测模块(APM)、交叉预测模块(CPM)与时序对比模块(TCM)的联合优化，在公开数据集和自建HST轴承数据集上实现0.86%-7.36%的故障诊断精度提升，为复杂工况下机械健康监测提供新范式。

　　

高速列车(HST)转向架轴承作为保障列车安全运行的核心部件，其故障诊断面临两大严峻挑战：一方面，列车在加速/制动、坡道行驶等工况下产生的速度波动会导致振动信号出现时域冲击间隔紊乱、频域边带调制等复杂域偏移现象；另一方面，受安全规范及故障隐蔽性限制，实际可获取的标记故障样本极其有限。传统基于信号处理的方法在变速条件下适应性不足，而现有智能故障诊断(IFD)方法虽在恒定转速下表现优异，却普遍依赖大量标记数据，在双重挑战下诊断性能显著下降。

为突破这一瓶颈，中南大学的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出时序交叉对比预测(TCCP)框架。该方法创新性地融合自回归预测、交叉预测与时序对比学习，通过上游无监督预训练提取域不变特征，下游少量标记数据微调实现精准诊断。关键技术包括：1)基于随机时间步预测的APM模块捕获时序依赖；2)采用残差多头注意力(RMHA)的CPM模块增强特征鲁棒性；3)结合数据增强的TCM模块学习判别性表征；4)联合损失函数(JLF)优化三模块协同训练。实验采用渥太华大学(UofO)公开变速轴承数据集和自建HST轴承数据集验证。

Proposed method
研究构建双流架构：APM通过掩码时序建模学习长期依赖，CPM利用跨序列预测增强特征不变性，TCM通过正负样本对比提升类间可分性。关键创新在于RMHA机制，通过多头注意力残差连接有效捕捉变速信号中的调制成分。

Experimental case studies
在UofO数据集上，TCCP在10%标记率下平均准确率达98.13%，较最优基线提升3.82%；在HST自建数据集上，诊断精度达95.47%，较SESF方法提升7.36%。消融实验显示APM+CPM组合对变速工况的适应贡献度达61.2%。

Discussion and future works
研究揭示了预测模块在复杂调制信号中可能存在的漂移现象，指出未来需结合时频分析增强特征解耦能力。当前方法在连续变速场景的泛化性仍需提升，作者建议探索动态权重调整机制。

Conclusion
该研究首次将时序建模与对比学习深度融合，解决了IFD领域标记数据稀缺与速度变异协同作用的难题。实际价值体现在：1) APM-CPM双流架构为机械信号表征学习提供新思路；2) 仅需常规方法10%的标记样本即可达到相当诊断性能；3) 在HST运维中减少约73%的人工标注成本。这些突破为轨道交通智能运维系统开发奠定了方法学基础。