特色应用
基于自动机器学习，利用运营中的振动声学数据对电车道岔和交叉口进行检验，以实现无需专门测量活动的连续磨损风险监测。
摘要
城市有轨电车轨道基础设施，尤其是道岔和交叉口（S&C），面临快速且不均匀分布的磨损，然而其状态评估仍主要依赖人工巡检，这往往速度慢、成本高且不安全。基于振动的监测方法是一种可行的替代方案，但目前大多针对干线铁路开发，而非城市有轨电车网络的特定几何结构，且通常依赖于昂贵的带标注磨损数据。本文提出了URITMIS方法，该方法使用安装在运营电车上的惯性测量系统（IMS）记录的振动声学数据，旨在无需在训练期间使用磨损标签即可评估道岔和交叉口的磨损状况。通过基于特征级线性调制（FiLM）条件和梯度反转对抗器抑制混淆因素，分别使用一年内运营监测中收集的133个道岔和75个交叉口数据，训练了自监督对比式一维卷积神经网络（CNN）编码器。基于嵌入异常计算磨损风险评分，并与28个道岔和14个交叉口的人工磨损测量结果进行验证。最终模型在交叉口上实现了中等程度的磨损排序相关性（ρ = 0.631），在道岔上实现了弱但具有统计显著性的相关性（ρ = 0.311）。结果表明，自监督振动嵌入可以支持对道岔和交叉口维护进行可靠的、可扩展的且无需标注的优先排序。
