《Measurement and Control》：Multi-scale wavelet feature fusion with transformer for fault diagnosis of 25?Hz phase-sensitive track circuit
编辑推荐：
针对25 Hz相敏轨道电路长时间序列数据中存在的长距离依赖建模困难、故障特征提取能力弱以及少数类故障样本有限导致的严重类不平衡问题，研究人员提出一种融合离散小波变换（Discrete Wavelet Transform，DWT）与Transformer编码器的
针对25 Hz相敏轨道电路长时间序列数据中存在的长距离依赖建模困难、故障特征提取能力弱以及少数类故障样本有限导致的严重类不平衡问题，研究人员提出一种融合离散小波变换（Discrete Wavelet Transform，DWT）与Transformer编码器的故障诊断模型WT-Transformer。首先，对原始轨道电路信号进行多尺度离散小波分解，提取反映全局长期趋势与故障引起的局部突变特征；采用基于Minimax准则的软阈值去噪方法抑制噪声干扰，同时保留关键故障信息。其次，将小波增强信号与原始信号沿样本维度拼接，丰富特征多样性并提升少数类故障的可辨识性；引入正弦-余弦位置编码以提供信号的时间结构信息。最后，构建含多头自注意力、前馈网络与残差连接的Transformer编码器，捕捉长距离时间依赖并增强特征表示能力。在模拟故障数据集上的实验结果表明，所提模型在轨道电路故障诊断中取得优越性能，尤其在少样本罕见故障分类上表现突出，验证了小波变换与时间-频率特征增强的有效性，为长序列轨道电路数据的智能故障诊断提供可行且高效的解决方案。
研究背景方面，轨道电路作为铁路信号系统的核心组件，承担列车占用检测与钢轨完整性监测功能，其故障直接影响行车安全。现有诊断方法分为知识驱动、模型驱动、信号处理与机器学习四类，其中深度学习虽能自动提取非线性特征，但卷积神经网络（Convolutional Neural Network，CNN）与长短期记忆网络（Long Short-Term Memory，LSTM）难以建模长序列远距离依赖；且25 Hz相敏轨道电路故障样本极少、正常样本主导，类不平衡导致少数故障易被忽略；既有研究多聚焦ZPW-2000系列，25 Hz相敏轨道电路诊断研究不足。为此，研究人员以25 Hz相敏轨道电路为对象，提出WT-Transformer模型，旨在解决少样本类不平衡下的特征增强与长程依赖建模问题，成果发表于《Measurement and Control》。
关键技术方法上，研究人员自建模拟故障数据系统，构建含2种正常态与29种故障态、共80000条样本（每条12通道×720时间点）的数据集；采用多尺度离散小波变换（DWT）以db4基函数、2层分解、Minimax软阈值去噪提取趋势与突变特征，将小波重构信号与原始信号样本拼接扩样至160000条；使用正弦-余弦位置编码注入时序信息，堆叠多头自注意力（Multi-Head Self-Attention）与前馈网络（Feed-Forward Network，FFN）的Transformer编码器分类，对照CNN、LSTM、CNN-LSTM基线。
研究结果部分， Operating principle of 25 Hz phase-sensitive track circuits 小节指出，25 Hz相敏轨道电路通过发送端220 V/50 Hz交流电经25 Hz屏柜转为110 V/25 Hz局部电压UJ与220 V/25 Hz轨道电压UG（相位差90°），经室外传输与接收端继电器GJ励磁判定调整态或分路态；传感器采集电压电流动态数据，因故障率低致真实故障样本稀缺，研究人员归纳30类典型故障并建立基于物理机制的模拟样本库。 The model 小节阐明WT-Transformer由小波编码器与Transformer编码器两模块构成：小波编码器完成多尺度分解、自适应阈值去噪与逆变换重构；Transformer编码器捕获增强序列的长程依赖。 Wavelet-based encoder 小节中，Wavelet basis functions 比较Daubechies（dbN）、Symlets（symN）、Coiflets（coifN），选db4兼顾正交性与计算效率；Signal decomposition 以递归低通L、高通H滤波下采样得Aj与Dj分量，AJ表全局趋势、Dj表局部瞬变；Wavelet threshold denoising 采用软阈值函数ηsoft(Dj,λj)=sign(Dj)(|Dj|?λj)|Dj|≥λj，λj由Minimax准则λj=σ√(2ln n)·median(|Dj|)/0.6745确定，优于Sqtwolog与Heursure；Signal reconstruction 经上采样与重构滤波器h、g叠加得x′(t)。 Fault diagnosis model 小节中，Multi-Scale fault feature attention mechanism 以增强序列为Q、K、V计算Attention(Q,K,V)=softmax(QKT/√dk)V；Multi-head self-attention mechanism 并行h头捕捉子空间依赖；Positional encoding 用PE(pos,2i)=sin(pos/100002i/d)、PE(pos,2i+1)=cos(pos/100002i/d)注入位置；Feedforward neural networks and residual connections 以两层全连接加ReLU与残差归一层稳定训练。 Experiments 小节里，Data collection 说明样本规模与(80000,12,720)结构；Feature extraction based on wavelet transform 通过信噪比（Signal-to-Noise Ratio，SNR）与稀疏指数（Sparsity Index，SI）筛选，db4+2层+Minimax软阈值获最高SNR与最低SI；Samples concatenation and parameter configuration 拼接后样本翻倍至160000，Transformer训练1000 epoch、batch 64、双GTX3090；Performance metrics 以准确率、混淆矩阵、少数类召回评估，WT-Transformer总准确率领先CNN/LSTM/CNN-LSTM，罕见故障F类识别率显著提升。
讨论与结论部分，研究人员总结：现有方法三类局限——长程依赖捕捉不足、少数类特征增强缺失、25 Hz相敏轨道电路研究薄弱；WT-Transformer通过DWT多尺度去噪增强弱故障特征，样本拼接缓解类不平衡，Transformer编码器显式建模长距离时序关联，在模拟集上验证对少样本故障的分类优势；该工作为强周期、高噪声、瞬变微弱的轨道电路信号提供领域适配的智能诊断路径，较通用自监督时频方法（如TFDDP、TFDDCF）更贴合工程场景，具备车站信号安全应用价值。
