摘要
车轮平直缺陷会恶化正常的车轮-钢轨接触状态并引发周期性冲击，从而影响铁路车辆的运行稳定性和可靠性。在实际工程应用中，可用于诊断的故障样本数量有限。此外，在可变速度条件下，车辆振动响应中与故障相关的时间-频率特征随运行速度的变化而显著波动，这进一步增加了构建有标注训练数据集的难度。针对上述问题，本研究提出了一种基于物理条件去噪扩散概率模型（DDPM）的数据增强方法。从振动响应中提取冲击发生时刻和峰值幅值作为响应推导的物理条件，以表征车轮-钢轨冲击的时间分布和冲击强度的变化。随后，将这些物理条件转换为二维条件特征图并引入扩散生成过程中，使生成模型能够学习由工况变化引起的故障相关时间-频率特征的演化规律。利用车-轨动力学仿真数据集和缩尺车-轨试验台架数据集对所提方法进行了验证。与原始数据集相比，所提方法在仿真数据集上将诊断准确率从87.8%提高到94.4%，在缩尺车-轨试验台架数据集上将诊断准确率从69.2%提高到81.2%。结果表明，所提物理条件DDPM能够生成更好地保留冲击相关时间-频率特征的样本，并在有限故障样本条件下提升车轮平直缺陷的诊断性能。
