一种基于注意力驱动的多传感器信息融合网络，用于同时识别重型 locomotive 上多个耦合器所产生的力

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Shuffle attention-driven multi-sensor information fusion network for simultaneous identification of multiple coupler forces in heavy-haul locomotives

　　• 提出了一种新颖的多传感器信息融合网络，用于同时识别多个连接器力。• 从位移和加速度信号中提取了低频趋势和高频瞬变成分。• MCFI-Net在持续的压缩载荷和张力-压缩循环载荷下均得到了验证。• 所提出的方法在5500秒的持续时间内的识别稳定性明显优于其他方法。

引言
近年来，重型货运列车的轴载不断增大，列车编组长度增加，速度提高，以满足日益增长的批量货物运输需求并提高运营效率[1]，[2]。然而，这一趋势加剧了纵向动力学问题，从而严重影响了列车的运行安全。例如，在长而起伏的坡道上使用循环空气制动策略时，延迟的空气波传播导致车辆间的制动和释放无法精确同步，从而产生严重的纵向冲动[3]，[4]。这些冲动对连接器施加了巨大的循环纵向载荷。超过安全限值可能导致严重事故，包括缓冲器失效、连接器分离甚至脱轨[5]，[6]。因此，准确评估纵向冲动水平对于确保重型貨運列车的运行安全至关重要，而连接器力的监测是这一评估的关键前提。

在中国广泛运行的20,000吨级重型货运列车中，尤其是“1+1”分布式动力配置的列车，这种问题尤为突出。由于牵引波和制动波从两端传播的复合效应，中间的从动机车端承受的纵向力最为严重，使其成为监测的关键位置[7]。准确可靠地识别这些连接器力对于评估列车的纵向冲动水平至关重要。然而，传统的直接测量方法（如使用应变计）面临诸如制造繁琐、校准复杂以及在恶劣运行条件下的长期稳定性差等挑战，无法满足重型货运列车的实时监测需求[8]。鉴于这些限制，基于车载信号的间接测量方法作为一种有前景且可靠的替代方案应运而生，以克服直接传感的缺点，实现长期监测。最近的研究提出了一种基于连接器与车体之间的纵向相对位移（LRDCC）的智能连接器力识别方法，通过分析纵向力传输机制[9]。然而，这种方法存在两个主要局限性。首先，它对连接车厢的机车端连接器关注不足。这些连接器经历更复杂的力机制和缓冲器特性，导致更严重和多变的纵向冲动。其次，由于缓冲器装置的阻尼效应，LRDCC信号主要反映了连接器力的准静态和低频成分，使得在制动和释放等瞬变过程中产生的高频冲击成分难以准确表征[1]。然而，这些瞬态冲击波是触发连接器分离和潜在脱轨的关键因素。因此，结合反映低频趋势的连接器位移信号与表征高频冲击的车体纵向振动加速度信号，为准确识别从动机车中的多个连接器力提供了有希望的视角。

为了准确映射多源传感器信号到连接器力，数据驱动方法，特别是深度学习（DL）技术，提供了强大的解决方案[10]，[11]，[12]。利用强大的特征提取能力，这些基于DL的方法通过融合多源互补数据（包括振动、电流和声学信号）在齿轮箱和轴承等机械部件的故障诊断方面取得了显著成功[13]，[14]，[15]。具体来说，Chen等人[16]使用卷积神经网络（CNN）通过整合水平和垂直振动信号来评估行星齿轮箱的健康状况。Shao等人[17]通过联合分析分布在行星齿轮箱、平行齿轮箱和电机上的七个振动传感器的信号进行了故障诊断。除了单一模态的振动外，通过融合提供不同物理洞察的异构数据，在鲁棒性和准确性方面取得了显著飞跃[18]，[19]，[20]。例如，Karabacak等人[21]通过整合振动、声学和热学特征实现了磨损齿轮箱的高精度智能诊断，证明了随着特征来源的扩展，识别准确性显著提高。类似地，相关研究[22]表明，通过结合振动和声音信号可以实现涡轮泵滚动轴承的有效故障诊断。此外，Sun等人[23]通过完全融合红外热图像和声学数据提出了一种非接触式诊断方法，证明他们的方法即使在样本数据集小和噪声干扰严重的情况下也能获得令人满意的结果。这种多源信息融合范式已成功应用于车辆和轨道部件的状态监测和故障诊断。研究人员开发了基于多位置振动信号诊断列车轴承故障的方法[24]，以及使用温度、电流和电压信号诊断牵引变压器[25]和高速列车转向架[26]故障的方法。通过协同利用加速度和图像数据还进行了轨面缺陷检测[27]，[28]。这些研究表明，整合来自不同物理传感器的相互增强的信息能够更全面地表征复杂的机械系统行为，为准确识别多个连接器力提供了宝贵的见解。遗憾的是，尽管取得了这些进展，基于多源信息融合的重型货运机车连接器力识别仍然基本上未得到探索。此外，连接器力传输中的强非线性和多个物理变量之间的复杂耦合对准确识别提出了重大挑战。因此，开发一种能够自适应融合多源传感器信息的在线连接器力识别技术已成为一个关键且紧迫的研究方向。

上述基于DL的方法的一个共同缺点是它们在动态优先处理任务相关特征方面的能力有限，这可能导致噪声或无关信息与关键特征被平等对待，从而影响模型的准确性和鲁棒性。为了解决这个问题，注意力机制（AMs）已被纳入各种网络架构中，以适应性强调信息特征[29]，[30]，[31]。最近，Guo等人[32]结合了层次图建模和图注意力来捕捉异构多传感器数据之间的复杂相关性。Guo等人的另一项研究[33]开发了一个双通道特征聚集网络，其中基于交叉注意力的深度特征融合模块（DFFM）促进了不同特征通道之间的全局交互和信息融合。Liang等人[34]进一步将卷积块注意力模块（CBAM）集成到可分离残差网络（ResNet）中，以增强故障表示的区分能力，同时降低模型复杂性。然而，尽管这些方法在故障特征增强和融合方面有效，但它们主要关注机械设备的故障分类，并没有明确区分模态特定的表示学习与跨模态交互。对于连接器力识别来说，这种区分非常重要，因为它有助于有效整合位移和加速度信号中包含的互补信息。在现有的AMs中，混合注意力（SA）通过联合建模空间依赖性和通道间相关性，同时抑制冗余特征响应，提供了一种有效的模态特定特征细化机制[35]，[36]。SA及其变体在各种应用中证明了有效性。例如，[23]中提出的有限混合注意力模块已用于齿轮箱故障诊断，而标准SA已被广泛应用于物体检测和图像分割[37]，[38]，[39]。然而，传统的SA缺乏协调模内特征细化和跨模态交互的层次机制，限制了其充分利用位移和加速度信号的互补特性的能力。

鉴于此，本研究提出了一种新颖的SA驱动的多传感器信息融合网络，称为MCFI-Net，用于间接识别重型货运机车中的多个连接器力。提出的框架通过协调整合位移信号中主要包含的缓慢变化趋势信息和加速度信号中主要反映的局部瞬态冲击响应，实现了稳健的估计。这种双模态融合策略能够更全面地表示制动和释放过程中的复杂力传输特性。本研究的主要贡献总结如下：
1) 开发了一个分解的大核注意力块（DLKAB）来建模全局-局部特征依赖性。随后，根据不同的信号特性设计了模态特定的多尺度特征提取模块，并通过通道感知的多分支重新加权（C-MBR）模块进一步自适应地加权和细化提取的高级特征。
2) 设计了一个层次混合注意力（HSA）模块，以促进跨模态信息交互，从而增强任务相关特征表示，并有效整合来自异构信号的互补特征。随后使用基于点卷积（PWConv）的解码器同时识别多个连接器力。
3) 在五个具有代表性的现场测量数据集上进行了全面的实验评估，包括比较分析、消融研究和抗噪实验，证明了所提出的MCFI-Net具有卓越的识别准确性和强鲁棒性。

其余部分的组织结构如下。第2节简要介绍问题描述和理论背景。第3节详细阐述了所提出的MCFI-Net方法的架构和集成识别框架。第4节使用现场测量数据进行了比较实验、消融研究和抗噪鲁棒性分析，以验证所提出方法的有效性。最后，第5节总结了结论。

问题描述
如上所述，传统的基于应变计的直接测量连接器力的方法受到使用寿命短和准确性受限的制约，阻碍了长期实时监测。这些限制在长下坡坡道、梯度过渡区和小半径曲线等复杂轨道条件下更加严重，在这些条件下，从动机车会经历严重的交替张压载荷。这种动态交互会导致瞬变现象。

提出的方法
在本节中，我们首先概述了基于MCFI-Net方法的重型货运机车连接器力整体识别框架。随后，详细介绍了MCFI-Net架构中开发的三个关键组件。

实验结果和讨论
使用来自重型货运机车的现场测量数据验证了所提出的MCFI-Net方法在连接器力识别方面的有效性和可靠性。与最先进（SOTA）算法的对比表明了该模型的优越性能，而消融研究确认了其核心架构组件的必要性。该方法在各种噪声条件下的鲁棒性得到了充分验证。

结论
本文提出了一种新颖的混合注意力驱动的多传感器融合网络，称为MCFI-Net，用于间接识别重型货运机车中的多个连接器力。首先，开发了一个DLKAB来建模多传感器信号的全局-局部特征依赖性，同时保持高计算效率。然后设计了多尺度DWDConv和DWConv模块，以提取针对位移和加速度的不同物理特性定制的模态特定高级特征。

作者贡献声明
董茂勇：撰写——原始草案、软件、方法论、概念化。
陈世贤：撰写——审阅与编辑、资源获取、资金筹集。
李洪鹏：撰写——审阅与编辑、验证。
翟凯云：资金筹集、数据管理。
翟万能：监督、项目管理。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或可能影响本文工作的个人关系。

致谢
本工作得到了国家自然科学基金（项目编号52388102、52375133）、山西省重大科技项目（项目编号202501110101008）和四川省基础研究领军学者项目（项目编号2025JDKXJ0005）的支持。

董茂勇|陈世贤|李洪鹏|翟凯云|翟万能