基于两阶段预测-检测框架的地铁列车早期故障预警研究

《Neurocomputing》：A two-stage framework for early failure detection in predictive maintenance: A case study on metro train

本研究针对预测性维护(PdM)中传统异常检测方法反应滞后、预警时间不足的难题，提出了一种创新的两阶段早期故障检测框架。该研究将时间序列预测与异常检测相结合，通过对地铁列车辅助动力单元(APU)传感器数据进行未来1、3、6小时预测，并应用12种先进异常检测算法进行评估。结果表明，该框架能在中短期预测范围内实现与实时检测相当的故障识别性能，其中集成学习和深度学习模型对预测不确定性表现出强鲁棒性。这项工作为工业设备从被动维护向主动预警转变提供了可行方案，对提升关键基础设施运行安全与维护效率具有重要意义。

　　

在城市轨道交通系统高效运转的背后，潜藏着设备突发故障导致的运营中断风险。传统预测性维护(Predictive Maintenance, PdM)多采用实时异常检测技术，只能在故障发生时或发生后发出警报，留给维护人员的响应时间十分有限。这种"事后诸葛亮"式的维护模式，难以满足地铁等关键基础设施对安全性和连续性的高要求。能否让故障预警再提前几个小时？这成为工业界和学术界共同关注的挑战。

发表在《Neurocomputing》上的这项研究，创新性地提出了一种两阶段早期故障检测框架。研究人员别出心裁地将时间序列预测和异常检测两个相对独立的技术领域进行串联，形成"预测-检测"的流水线作业模式。第一阶段采用CNN-LSTM混合模型预测传感器未来值，第二阶段直接将传统异常检测算法应用于预测数据，实现故障的提前识别。

研究团队选取地铁列车辅助动力单元(Auxiliary Power Unit, APU)作为验证案例，这个位于车顶的关键部件负责为制动、车门等系统提供压缩空气，一旦故障将导致列车立即停运。研究使用了包含16个传感器信号的MetroPT数据集，重点分析其中6个模拟信号（如压缩机压力TP2、油温Oil_temp等）和3个数字信号。通过比较12种来自不同方法族的异常检测算法在1小时、3小时、6小时三个预测水平上的表现，并采用准确率、精确度、召回率等5个指标进行全面评估。

关键技术方法包括：采用CNN-LSTM混合架构进行多变量时间序列预测，使用PyOD库中的12种异常检测算法（包括基于距离、密度、重构、集成等方法），通过5折交叉验证确保结果稳健性，并利用Optuna进行超参数优化。实验采用顺序分割方式（40%训练、30%验证、30%测试）以避免数据泄露。

研究结果呈现多个重要发现：

预测精度随视野延长而降低

研究通过平均绝对误差(MAE)和均方根误差(RMSE)评估预测性能，发现所有传感器信号的预测误差都随预测视野延长而增加。例如，Motor_cur信号的RMSE从1小时预测的0.7872增加到6小时预测的0.8514。统计检验（Wilcoxon符号秩检验）证实了不同预测视野间误差差异的显著性（p=0.0039）。值得注意的是，不同传感器的可预测性存在明显差异，DV_pressure和Towers信号最容易预测，而Motor_cur和H1信号预测挑战最大。

预测信号支持有效异常检测

研究证实了框架的核心假设：基于预测信号的异常检测是可行的。在1小时和3小时预测视野下，多数算法保持了与实时检测相近的性能。例如XGBOD算法在6小时预测视野下仍能保持0.86以上的F1分数和0.88以上的精确度。这表明中短期预测能够为故障检测提供可靠的数据基础。

预测视野影响检测效果

随着预测视野延长，异常检测性能呈现下降趋势，但这种下降因算法而异。精确度和召回率在6小时视野下下降最为明显，而准确度和特异性相对稳定。这种差异反映了预测不确定性对不同检测指标的不均衡影响。

算法鲁棒性存在显著差异

ensemble-based方法（如XGBOD、IForest）和reconstruction-based方法（如AutoEncoder、VAE）对预测不确定性表现出较强耐受性。特别是XGBOD在各个预测视野下都保持稳定性能。相反，基于距离和密度的方法（如CBLOF、KDE）在长预测视野下性能下降显著，如CBLOF在6小时预测下的精确度从0.26降至0.06。

研究结论指出，这种两阶段框架成功将故障检测从实时模式转变为预警模式，为预防性维护提供了宝贵的时间窗口。虽然预测不确定性会导致检测性能随预测视野延长而下降，但通过选择合适的算法（如集成学习和重构方法），可以在保持可接受性能的前提下实现1-6小时的早期预警。该研究的创新点在于将预测和检测解耦的模块化设计，增强了框架的灵活性和适应性，为不同工业场景的早期故障检测提供了通用解决方案。

值得注意的是，研究也揭示了预警时间与检测准确性之间的权衡关系，以及不同算法对不确定性的敏感度差异，这为后续研究指明了方向。未来工作可着眼于改进预测模型以降低不确定性，开发更鲁棒的异常检测算法，以及探索多时间尺度融合的预警策略，进一步提升早期故障检测的可靠性和实用性。

这项研究的意义不仅在于为地铁系统提供了具体的故障预警方案，更在于建立了一种可扩展的早期故障检测范式，对提升整个工业领域的设备管理水平和运行可靠性具有重要参考价值。