面向重载铁路通信异常检测的物理感知时频自编码器
《Engineering Applications of Artificial Intelligence》:A physics-aware time-frequency autoencoder for anomaly detection in heavy-haul railway communications
【字体:
大
中
小
】
时间:2026年09月22日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
• 基于物理感知的时间-频率自编码器检测铁路通信异常。 • 幅度引导的相位扩散模型在圆形流形上重建相位。 • 记忆门控 MiniRocket 融合平衡局部形态与全局语义。 • 神经增强逆傅里叶重建保持物理一致性。 • 在六个数据集上的平均性能超出基线0.79个百分点。
**
• 基于物理感知的时间-频率自编码器检测铁路通信异常。 • 幅度引导的相位扩散模型在圆形流形上重建相位。 • 记忆门控 MiniRocket 融合平衡局部形态与全局语义。 • 神经增强逆傅里叶重建保持物理一致性。 • 在六个数据集上的平均性能超出基线0.79个百分点。
**引言**
重载铁路通信监测是人工智能的一项安全关键应用。分布式动力列车依靠无线通信来协调机车之间的牵引和制动指令,异步指令执行会增加纵向力并威胁运营安全(Huang等人,2018;Zhang,2021)。本文研究的铁路长期演进(LTE-R)系统运行于多径传播、遮挡和场景相关衰落显著的环境中,尤其是在隧道内(Zhao等人,2018)。一项关于朔黄铁路的最新实地研究进一步证明了在复杂运行条件下对长编组分布式动力列车进行在线监测和安全评估的重要性(Zhang等人,2026a)。
在本研究的朔黄运行数据中,机车无线重连分布式动力列车设备(DTE-L)的通信异常表现为瞬态突发、持续数秒至数分钟的中断以及持续性退化。对于车载保护系统,工程目标是在故障段期间触发可靠报警,使LTE模块能够在故障传播之前被重置或自动恢复。因此,实际问题不仅是提高异常判别能力,还要构建一个能够针对复杂铁路环境下持续通信状态变化做出稳健响应的AI监测模型。
由于此类故障的标注稀缺且监测序列表现出异构的时间模式,无监督时间序列异常检测(TSAD)提供了一个合适的数据驱动框架(Zamanzadeh Darban等人,2024;Yahya等人,2025)。现有深度TSAD方法可大致分为预测型、重建型、表示型和混合型(Zamanzadeh Darban等人,2024)。建模关联差异通过刻画异常时间依赖关系来提高异常判别能力(Xu等人,2022),而时间域和频率域的掩码结合对比学习和对抗学习则减轻了训练偏差和分布漂移(Wang等人,2025a)。这些进展加强了时间关联学习和在分布变化下的鲁棒性,但铁路通信异常涵盖瞬态干扰和持续性退化,仍需要有效的多尺度表示。
进一步的研究通过频率引导的时间分块(Wang等人,2025b)、多尺度对比表示学习(Yang等人,2023)和跨尺度关联与跨窗口上下文建模(Li等人,2025a)探索了多尺度建模。此外,最近的工作开发了高效的ROCKET家族变换:MiniRocket使用几乎确定性的固定膨胀卷积核提取多尺度时间序列特征(Dempster等人,2021)。MultiRocket通过额外的池化算子和一阶差分进一步丰富这些特征(Tan等人,2022)。MiniRocket特征也已应用于有监督的流域峰值模式检测(Haq等人,2024)以及在变工况下的有监督和无监督结构损伤检测(Schackmann等人,2025)。这些研究表明固定MiniRocket特征能高效提取局部模式,但与历史上下文的状态依赖协调仍然有限。因此,基于GRU的门控可能适应性地融合局部形态与在变化通信状态下学到的全局表示。
另一方面,频率域建模为TSAD提供了互补信息。现有方法使用抗噪自适应时频融合(Huang等人,2026)和结合序列分解的时频分析(Zhang等人,2022a)。TFMAE将时间掩码与基于幅度的频率掩码相结合(Fang等人,2024),而其他方法选择主导傅里叶基(Chen等人,2024)或应用通道感知频率分块(Wu等人,2025)。这些方法主要利用频谱幅度、频段或隐式复数表示。经典信号处理研究表明,重要的信号特征可以在仅相位重建中保留,而从仅幅度重建则需要相位估计(Oppenheim和Lim,1981;Griffin和Lim,1984;Ni和Huo,2007)。如图1所示,相位偏差可能为通信系统状态的异常提供互补线索。最近的TSAD研究通过幅度和相位的联合重建(Fan等人,2023)以及时域数据与幅度和相位表示的融合(Liu等人,2024)纳入了频谱相位。然而,在扩散重建中使用圆形概率分布表示相位的随机建模在TSAD中仍有待探索。此外,由于解析iFFT将频谱预测误差传播到重建波形中,可学习的残差校正可能在这些误差被保留的同时进行补偿。
同时,扩散重建已与动态分解结合以建模不稳定序列(Wang等人,2023),以及与使用跨分辨率相关性的由粗到细扩散结合以捕获非平稳模式(Zhong等人,2025a)。物理引导分解将扩散重建条件化于高频和低频分量(Li等人,2025b),而自适应噪声调度和输入一致生成则改进了重建稳定性(Zhang等人,2026b)。在这些公式中,扩散定义为实值序列状态上的高斯转移,而对圆形支撑上频谱相位的显式建模仍有待探索。除相位建模外,基于重建的TSAD还面临异常输入也可能被良好重建的更广泛风险(Sun等人,2025)。结合重建与对比和对抗学习的研究表明,判别性目标可以改善泛化能力和对分布偏移的鲁棒性(Wang等人,2025a;Miao等人,2024)。这些发现促使将判别性语义学习与物理一致重建耦合在一起。
综上所述,现有研究在语义判别、多尺度表示、频率域分析和扩散重建方面取得了进展。基于这些进展和实际重建考虑,四个方向可以进一步增强铁路通信设备的异常检测:(1)跨尺度时间特征的自适应集成;(2)扩散重建中的频谱相位概率圆形建模;(3)解析iFFT重建中频谱预测误差的可学习补偿;以及(4)判别性语义学习与物理一致重建的互补优化。
据此,本研究开发并评估了Phy-TFMAE,一种物理感知相位扩散多尺度时间-频率自编码器。该模型结合了MiniRocket-GRU记忆门控、幅度引导的von Mises相位扩散以及由残差网络增强的解析iFFT。联合对比-对抗和重建目标将语义差异学习与物理一致的波形恢复耦合在一起。在五个公开TSAD数据集和从朔黄铁路采集的真实LTE-R运行数据集上进行了对比、消融和敏感性实验。本研究旨在提高瞬态和持续异常的检测能力,并支持重载铁路通信中的可靠设备状态监测。
本文的主要贡献总结如下:
• 我们将MiniRocket特征提取器与门控循环单元(GRU)记忆网络集成。前者高效地捕获跨多个尺度的局部波形特征,后者根据历史状态生成动态门控系数。这实现了对局部形态和全局语义特征的自适应融合。
• 我们在频率域相位重建中引入了受扩散启发的相位去噪模型。通过设计一个以频谱幅度为条件的扩散过程,该模型通过以当前频谱幅度为条件的去噪步骤在圆形域上重建相位。这提高了模型对设备状态序列中细微全局和局部变化的敏感性。
• 我们提出了一种神经增强的逆傅里叶变换重建模块。该模块将预测的幅度和相位组合成复数频谱,并通过将解析iFFT与可学习残差网络相结合进行可学习校正。这种方法在保持频率到时域映射物理一致性的同时改进了重建质量。
• 我们为Phy-TFMAE制定了一个统一目标,将对比表示学习和对抗正则化与相位感知的波形重建耦合在一起。这一公式在保留波形细节的同时加强了表示判别能力。
**相关工作**
早期TSAD方法难以在涉及强干扰、非平稳性和多变量耦合的复杂场景中有效表征数据的深层结构特征。随着深度学习的发展,研究人员提出了各种表示学习策略,通过构建高维特征空间来建模正常数据分布,并从不同角度增强异常感知。这些策略包括全局表示……
**方法**
为解决现有方法在相位建模、动态多尺度特征融合和物理约束方面的局限性,我们提出了Phy-TFMAE,一种物理感知的多尺度时间-频率自编码器。从机器学习角度看,MiniRocket提取预定义的多尺度局部特征,GRU学习依赖于历史的融合权重,Transformer捕获全局时间依赖关系,而相位去噪器和残差MLP则细化频域和时域重建。
**数据集描述与参数设置**
Phy-TFMAE在五个公开基准数据集和一个真实的朔黄铁路数据集上进行评估,模型在每个数据集上分别训练和测试。这些公开数据集涵盖几个具有代表性的应用领域,包括深空系统(MSL和SMAP)、大规模服务器集群(PSM和SMD)以及关键的水处理基础设施(SWaT)。这些数据集广泛用于时间序列异常检测,并可与代表性基线方法进行对比。
**主要发现**
动态多尺度融合是Phy-TFMAE的基本组成部分。在消融研究中,移除MGF导致最大的性能下降。如图11所示,可视化结果表明GRU门控在信息融合中发挥了突出作用。门控权重在突变和状态转换附近增加,表明近期时间状态调节局部形态特征的贡献。
显式相位建模可以提供额外的视角并且……
**结论**
本文提出了Phy-TFMAE,一种用于重载铁路LTE-R无线重连状态监测的异常检测的物理感知相位扩散多尺度时间-频率自编码器。具体而言,Phy-TFMAE集成了记忆门控多尺度特征融合模块以自适应地组合局部形态特征与全局语义表示,一个基于von Mises分布的幅度引导相位扩散分支以建模圆形相位扰动,以及一个……
**CRediT作者贡献声明**
Chen Liu:写作–审阅与编辑,写作–初稿,可视化,验证,软件,方法学,形式分析,数据管理,概念构思。Peng Qi:写作–审阅与编辑,方法学,资金获取。Ruipeng Gao:写作–审阅与编辑,方法学,资金获取。Dan Tao:写作–审阅与编辑,监督,资源,资金获取。
**资金**
本工作得到了中央高校基本科研业务费(资助号:2025JBMC013)、国能朔黄铁路发展有限责任公司机车车辆部以及国家自然科学基金(资助号:62402027、62472023和62572041)的支持。
**利益冲突声明**
作者声明不存在已知的可能影响本文报告工作的竞争性经济利益或个人关系。
Chen Liu | Peng Qi | Ruipeng Gao | Dan Tao
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号