面向重载铁路转向架类增量故障诊断的回放与几何正则化方法

《Measurement》：Replay and geometric regularization for class-incremental fault diagnosis of heavy-haul railway bogies

　　

- 将渐进式转向架故障表述为一种类增量任务。
- 开发了一种重放增强的转向架故障诊断方法。
- 非对称球面正则化提高了特征稳定性。
- 该方法在增量学习期间增强了类可分性。
- 该框架支持新出现的转向架故障的长期诊断。

引言

随着铁路运输不断向高速和重载方向发展，重载列车因单车载重量大、运输效率高而被广泛用于散装货物运输[1]。然而，在长期承受高载荷和复杂轨道条件的情况下，这些列车的运行安全性和可靠性面临日益严峻的挑战。作为核心承载和导向部件，转向架不仅承受显著的静载荷和动载荷，还缓解由轮轨相互作用引起的剧烈冲击和振动。其状态直接影响列车运行稳定性和安全性[2]。转向架（图1）通常采用多级悬挂和阻尼系统，以实现有效的载荷分配和隔振[3]。然而，在持续重载和恶劣运行环境下，弹簧容易发生疲劳断裂或刚度退化，而减震器可能因阀磨损或密封老化而失效[4]。这些常见故障会严重损害转向架的隔振和导向性能，降低轮轨接触力的安全余量，在极端情况下可能导致脱轨[5]。因此，可靠的故障诊断和转向架持续监测对重载列车的安全高效运行和维护至关重要。

近年来，传感器测量和信号处理技术的进步使得能够获取大规模振动和加速度数据，为转向架故障诊断的智能算法提供了坚实基础。现有研究表明，当所有故障类别预先已知时，卷积神经网络和基于序列的模型可以实现较高的诊断准确率[6]、[7]、[8]、[9]、[10]、[11]。为应对不同铁路线路或车队之间的分布差异，引入了联邦学习框架以在去中心化数据上实现协作建模[12]、[13]、[14]、[15]。此外，还探索了零样本和少样本学习方法以缓解罕见故障类型样本有限的问题[16]、[17]、[18]、[19]。

然而，大多数这些方法依赖于离线假设，即在初始模型训练期间所有故障类别均可访问。这一前提并不反映现实中的重载铁路运营情况。在实践中，故障类别，尤其是与减震器相关的故障，往往随时间推移依次出现。例如，一系弹簧的退化通常出现在服务早期，随后是一系弹簧疲劳，再到一系垂向和二系横向减震器故障[20]。因此，新的故障类型并非同时出现，而是在运行过程中逐渐显现。这种动态演变需要能够增量学习新故障类别的诊断模型，同时保持对先前遇到的故障类别的判别性能，这与人工智能中的类增量学习范式密切相关。

类增量学习最初在图像识别中开发[21]，最近已扩展到一维时间序列分析[22]。与静态离线数据集不同，故障诊断数据本质上是流式的：新样本和运行模式随时间不断出现。这种时间连续性自然契合类增量学习的持续学习机制。将类增量学习融入故障诊断不仅反映了其内在结构，还为处理故障的增量出现提供了有原则的解决方案。

对于故障诊断中的类增量学习，现有研究可大致分为几个主要方向。基于重放的方法保留或合成历史数据以减轻灾难性遗忘。例如，Han等人[23]开发了ZipNet，采用双可逆映射模块来重放先前学习的故障类型，并引入正交约束以增强类间可判别性。Wang等人[24]提出了一种基于轻量级扩展的连续学习方法用于列车传动系统故障诊断，使用哈希空间度量机制和知识增强-压缩策略以降低计算成本同时保持增量诊断性能。Guo等人[25]提出了CAFNet，通过示例重放来稳定新旧故障的识别，而Zhu等人[26]使用原型网络扩展嵌入空间并生成合成样本；基于正则化的方法在训练期间约束参数更新或特征表示以防止知识漂移。He等人[27]设计了一种增量更新机制来保持模型稳定性。基于表示或原型的方法专注于保持类间可分性并确保新旧类之间的兼容性。Yan等人[28]提出了一种前向和后向兼容的表示来实现这一目标；混合策略也已出现。Xie等人[29]将合成样本重放与双重蒸馏相结合，Hu等人[30]通过整合知识蒸馏与动态权重校正引入了自适应增量诊断模型。总体而言，这些方法代表了朝向实用类增量故障诊断的重大进展。

然而，直接将现有的类增量学习方法应用于重载转向架故障诊断时遇到了一些独特挑战。首先，当新故障类别依次引入时，模型容易发生灾难性遗忘，导致先前学习故障的识别准确率急剧下降。此外，转向架故障通常以单类别增量方式出现，导致严重的类别不平衡，这使基于传统交叉熵损失的学习过程不稳定[31]。最后，随着增量学习步骤的增加，学习的特征表示趋于漂移并失去类间可分性，逐步降低整体诊断性能[32]。

为解决这些挑战，本研究提出了一种针对重载列车转向架的新型类增量故障诊断框架，主要贡献有三点：

(1) 实现了基于经验回放的储层机制来保存先前故障类别的代表性样本，使模型能够持续学习新故障同时保留先前知识，并在有限内存约束下保持稳定的长期诊断性能。

(2) 采用二元交叉熵损失函数来解耦输出通道，确保在顺序引入故障类别时的稳定收敛。与传统的基于softmax的交叉熵相比，这种形式平衡了新旧类之间的梯度贡献，尤其是在极端类别不平衡下。

(3) 专门设计了非对称球面正则化项来约束特征范数的过度增长并增强故障类之间的角度可分性。这种几何约束在增量学习阶段稳定了特征空间，提高了类间判别力，增强了故障诊断的鲁棒性。

类增量学习在故障诊断中的应用

如前所述，类增量学习是持续学习的一个突出分支，旨在有效获取新引入类别的知识同时保持模型对先前学习类别的识别能力。与传统的离线学习不同，类增量学习假设训练数据以顺序阶段交付，每个阶段包含来自不同且逐步扩展的类别集合的样本。设第t阶段的训练集定义为：Dt={(xi, yi)}i=1Nt，其中yi∈Ct，Dt

框架概述

为了提高对所提出类增量故障诊断框架的清晰理解和认识，本小节提供了训练过程的概述。如图3所示，训练过程组织为顺序增量会话，每个会话引入新出现的故障类别。在每个会话中，通过经验回放和几何正则化技术的协同整合来保存先前学习类别的知识。

数据采集

为评估所提出的类增量故障诊断框架，本研究使用了两个数据集。第一个数据集是SIMPACK基础的重载转向架数据集，在本工作中构建，作为在目标重载铁路转向架悬挂故障场景下评估所提出方法的主要数据集。第二个数据集是HTBF数据集[35]、[36]，作为额外数据集用于进一步检验方法的泛化能力和噪声鲁棒性。

结论

本研究提出了一个针对重载铁路转向架的类增量故障诊断框架。通过整合经验回放、BCE损失和ASR，所提出的框架有效减轻了灾难性遗忘，同时在新故障类别出现时保持判别性特征表示。这些组件的组合实现了稳定性和可塑性之间的平衡权衡，这对于动态演变环境中的长期自适应诊断至关重要。

作者贡献声明

张小蒙：撰写初稿，可视化，软件，方法学，调查，形式分析，数据整理，概念化。秦娜：撰写审阅与编辑，监督，项目管理，资金获取，概念化。黄德清：撰写审阅与编辑，验证，方法学，形式分析。王凯云：验证，资源，调查，资金获取。蔡丽：可视化，验证，数据整理。郭佳源：撰写审阅与编辑。

利益冲突声明

作者声明没有已知的竞争性经济利益或个人关系可能影响本文报告的工作。

致谢

本研究由中国国家自然科学基金资助（编号62573366和52388102）和中国国家重点研发计划资助（编号2023YFB3307100）。

张小蒙|秦娜|黄德清|王凯云|蔡丽|郭佳源