一种基于动态-静态协同提示的增量学习方法，用于转向架关键部件的故障诊断

《Engineering Applications of Artificial Intelligence》：An incremental learning method based on dynamic-static collaborative prompts for fault diagnosis of critical components in bogies

　　谭洪创|苏一恒|谢苏超|李欣欣|严恩慈|曾耀|陈文斌|孔云广西大学制造系统与先进制造技术重点实验室，中国广西南宁摘要随着对高速铁路智能运行需求的增加，高速铁路转向架在多耦合运行条件下的非平稳性及分布式漂移现象愈发明显。随着使用时间的延长，关键转向架部件的故障严重程度不断变化，这就需要不断更新诊断模型。现有的类增量式故障诊断方法在训练新类别时容易遗忘旧类别或无法充分学习新类别，难以有效平衡稳定性与适应性。此外，在增量学习阶段对旧知识的利用往往较为固定，新旧类别特征之间缺乏有效交互。为解决这些问题，本文提出一种基于动静协同提示的增量式故障诊断方法，以实现稳定记忆与快速适应之间的协同平衡。首先，构建了混合卷积神经网络-Transformer网络作为核心框架，并引入可扩展的球面分布分类器，通过边界缩放优化类别间决策边界，提升模型的区分能力。随后设计了特征重放模块，将特征嵌入到提示向量中，以增强重放样本的相关性表达。最后提出了参数约束模块，采用敏感性弹性权重固化机制从静态上施加约束，从而保护关键参数免受历史任务的影响，实现快速适应。在三种高速铁路转向架数据集上的对比实验表明，与现有增量学习方法相比，DSCP具有更高的诊断精度。

引言高速铁路是现代轨道交通中的重要载体，其安全性和可靠性至关重要。在高速运行过程中，转向架作为关键的承重部件，负责支撑车体并驱动车轮（Duan等人，2025；Xu等人，2026；Tan等人，2023）。转向架包含众多机械部件，如轴箱轴承、齿轮传动系统以及减速齿轮，这些部件都直接影响铁路的平稳运行。在复杂的轨道条件与运行环境之下（Dai等人，2026），这些机械部件会遭受振动、冲击以及负载波动的影响。若不能及时处理故障，可能会导致设备损坏和运营事故（Tan等人，2021）。此外，高速列车转向架的振动信号具有显著的非线性和非平稳特性。随着使用时间的增加，部件的磨损和疲劳损伤会逐渐加剧，这可能会进一步改变故障模式。因此，针对关键转向架部件的诊断模型必须能够提取复杂信号并持续学习新的故障类型（Miao等人，2026）。

面对如此复杂的状况，传统的信号处理方法和浅层学习方法通常依赖于专家经验与特征工程，难以完全捕捉复杂信号中的非线性关系与非平稳特性。相比之下，深度学习能够自动从原始振动信号中学习多层次特征，更适用于处理转向架故障信号所具有的高维、非线性及非平稳特性（Yang等人，2025；Yin等人，2025）。其中，卷积神经网络因其强大的局部模式捕捉能力，已成为故障诊断领域常用的深度学习模型（Jia等人，2023）。例如，He等人（2025）提出了一种自适应卷积网络，用于在强噪声和多变负载条件下对高速列车转向架轴承进行故障诊断，从而提升了复杂运行条件下的特征提取能力。此外，Zhang等人（2025b）引入了基于高速列车转向架维护日志的TextCNN模块，进一步证明了卷积结构在局部模式识别方面的有效性。然而，实际的转向架振动信号覆盖的时间跨度较长，而卷积神经网络在捕捉长期时间依赖性方面存在局限。为解决这一问题，Transformer架构被引入故障诊断任务中，用以捕捉复杂振动信号中的长距离依赖关系。Liu等人（2025a）提出了具有自适应频率注意力机制的Transformer模型，提升了小样本条件下的性能。此外，Lu等人（2023）为了同时利用卷积神经网络的局部特征提取能力与Transformer的全局依赖建模优势，提出了CNN-Transformer模型并将其应用于故障诊断任务。在此基础上，Liu等人于2025a年和2025b年提出了基于软参数共享的长期与短期特征提取网络，并将其应用于长尾分布下的转向架故障诊断。

然而，现有的基于深度学习的故障诊断方法通常假设在训练阶段已包含所有故障类别，这难以满足高速列车转向架关键部件在长期使用过程中不断出现新故障类别的实际需求。由于累积磨损和疲劳损伤等因素，轻微损伤会逐渐发展为中等乃至严重损伤，从而形成新的损伤严重程度类别（Chen等人，2026；Wang等人，2026）。如果仅使用新故障数据更新模型而不保留旧故障的知识，模型就会遗忘旧类别的特征，导致诊断性能下降。增量学习使得模型无需重新训练即可持续适应新故障类别，是解决这一问题的有效方法。根据任务场景的不同，增量学习主要可分为三类：任务增量学习、领域增量学习以及类别增量学习（Huang等人，2025）。其中，任务增量学习通常假定在测试时已知任务标签；领域增量学习则着眼于同一组类别在不同分布环境下的适应问题（Han等人，2024）。而转向架关键部件故障的诊断面临着故障类型持续增加以及需要同时识别新旧类别的实际挑战。因此，本文重点研究类别增量学习，旨在构建一个连续的故障诊断框架。

针对故障诊断中的增量学习问题，人们提出了多种策略来减轻灾难性遗忘现象并促进新旧知识的融合。根据知识保留的方式，现有方法大致可分为基于重放的方法、基于正则化约束的方法、基于知识蒸馏的方法、基于动态结构的方法以及基于原型知识驱动的方法。其中，基于重放的方法通常通过保留历史样本或生成合成样本来保存旧类别的信息。例如，Guo等人（2025）建立了知识库来存储历史数据，并动态调整各类别的权重以实现增量学习。基于正则化约束的方法则通过限制关键参数来保护旧知识，典型的例子就是弹性权重冻结。知识蒸馏方法则利用新旧模型之间的特征关系来保持历史知识；例如，Wang等人（2023）提出了基于知识蒸馏与多任务共享分类器的增量诊断框架，而Xie等人（2025）进一步引入了特征蒸馏和数据蒸馏，以更好地保留旧类别知识。此外，基于动态结构的方法则通过扩展网络架构或引入特定任务的模块来适应新类别。例如，Zhang等人（2025a）采用了双分类器残差网络来减少任务边界漂移，提升新旧知识的融合效果。除了上述方法之外，基于原型约束的方法也被应用于增量故障诊断。Wan等人（2025）提出了一种基于形状原型的网络，该网络通过记忆距离矩阵存储关键特征，并利用先验知识来约束未知类别的表示。

总之，现有方法已在多个层面解决了增量学习中的遗忘问题，但仍存在一些局限性。其中，那些仅依赖重放方法的技术往往会产生较大的存储开销；动态架构方法则可能增加模型复杂性。此外，仅依靠单一的正则化或蒸馏策略，也难以充分平衡稳定性与适应性（Hu等人，2025）。另外，现有方法通常将旧类别知识视为相对静态的历史信息，缺乏对当前增量任务的动态指导，从而导致新旧故障类别特征之间的交互不足。为解决这一问题，本文提出了一种基于动静协同提示的增量学习方法。具体而言，DSCP在混合CNN-Transformer框架下运行，同时引入可扩展的球面分布分类器，以在增量学习阶段解决类别不平衡问题，并提升特征表示的独特性。在增量学习阶段，特征重放池用于存储关键特征，并动态嵌入提示向量以强化特征表示。此外，还采用了敏感性弹性权重固化机制，从参数层面约束过去任务中的关键参数，从而最小化学习新类别对现有知识的影响。本文的主要贡献如下：（1）提出了一种基于动静协同提示的类增量式故障诊断框架，通过结合动态特征调控与静态参数保留，从特征和参数两个层面缓解了稳定性与适应性之间的矛盾。（2）设计了动态提示增强型特征重放模块，通过保留旧类别的关键表示并嵌入可学习的提示向量，增强了新旧类别特征之间的交互。（3）提出了敏感性弹性权重固化机制，通过在参数层面约束与以往任务相关的关键参数，减少了新类别学习对旧类别知识的干扰。（4）引入了可扩展的球面分布分类器，将新类别与旧类别映射到统一的球面判别空间中，从而提高了不同故障类别之间的可分性。本文的其余部分结构如下：第2节介绍理论背景，阐述增量学习的基本方法以及CNN-Transformer模型；第3节介绍所采用的方法论；第4节通过三种类型的转向架轴承和齿轮实验验证所提出的方法；第5节对全文进行总结；第6节探讨该方法的局限性及未来研究方向。云空：软件。利益冲突声明作者声明，他们不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢我们感谢中南大学为这项工作提供的实验条件，此外，该研究还得到了广西自然科学基金（项目编号2026GXNSFBA00640230）和广西科技计划（项目编号GuikeAD25069080）的支持。