基于列车多模态运行数据的故障诊断方法及相关设备与流程

本发明属于轨道交通车辆智能运维与状态监测，具体涉及一种基于列车多模态运行数据的故障诊断方法及相关设备。

背景技术：

1、随着轨道交通系统向高速、重载与智能化方向发展，对列车运行安全性与运维效率的要求日益提高。故障诊断技术已从基于单一信号的离线分析，演进为依赖多模态数据融合的在线智能诊断。

2、在现有技术中，多模态融合已被广泛应用于列车状态监测与故障诊断。现有方法依据其融合权重的决策逻辑，主要可归纳为：基于注意力机制的特征融合（aff）：该方法属于“数据驱动”范式。其核心在于，利用深度神经网络（如注意力机制）自动学习不同模态特征之间的内在关联性，并基于此生成融合权重。这种方法的融合权重完全源自输入数据本身的统计特性，未能显式引入列车外部的物理运行状态（工况）作为决策依据。基于工况选择的固定模型（msm）：该方法属于“模型切换”范式。其核心在于，针对不同运行工况（如低速、中速、高速），预先训练多个独立的诊断模型。在线应用时，系统根据实时判定的工况类别，调用对应的预训练模型进行诊断。虽然该方法在宏观层面考虑了工况，但其每个子模型内部的融合规则是固定不变的，且在不同工况区域切换时可能产生决策不连续的问题。

3、然而，列车关键部件（如牵引电机、轴承）的故障表征与速度、负载等实时工况强相关。在应对复杂多变的运行工况时，aff方法的权重分配可能过度依赖数据内部的统计规律，而在工况剧烈变化时，这种数据关联可能与物理机理脱节，导致权重分配失准；msm方法则在工况连续变化的过渡阶段，可能因模型切换不匹配或决策跳跃而导致性能波动。

技术实现思路

1、有鉴于此，本发明提供了一种基于列车多模态运行数据的故障诊断方法及相关设备，用于解决现有技术因融合权重调整策略与外部物理运行环境（工况）脱钩、过度依赖数据内部统计关联，所导致的全工况（尤其是速度、负载等参数剧烈变化时）性能不稳定的问题。

2、为达上述之一或部分或全部目的或是其他目的，第一方面，本发明提出一种基于列车多模态运行数据的故障诊断方法，包括：获取列车的多模态运行数据和与所述多模态运行数据对应的实时运行工况参数，其中，所述多模态运行数据至少包括：由列车控制网络产生的离散状态数据、由部署于列车上的物理传感器采集的连续监测数据、以及由图像设备针对列车动作记录的监控数据，所述实时运行工况参数至少包括列车的运行速度与牵引负载档位；

3、对所述多模态运行数据按时间进行同步对齐处理，得到多模态同步数据，将多模态同步数据和所述实时运行工况参数输入预设特征交互网络，得到多模态联合特征向量和构建所述多模态联合特征向量的权重数据；

4、基于所述多模态联合特征向量和预设分类器获得初步诊断证据，并利用与所述权重数据对应的置信度因子对所述初步诊断证据进行融合，得到最终诊断结果。

5、可选地，所述将多模态同步数据和所述实时运行工况参数输入预设特征交互网络，得到多模态联合特征向量和构建所述多模态联合特征向量的权重数据的步骤，包括：

6、将多模态同步数据按模态类型输入所述预设特征交互网络的不同特征处理分支，得到不同模态的特征数据，所述预设特征交互网络至少包括用于处理振动或电流连续信号的第一特征处理分支、用于处理图像或视频数据的第二特征处理分支和用于处理列车网络离散状态数据的第三特征处理分支；

7、将所述实时运行工况参数输入所述预设特征交互网络的动态权重融合模块，得到用于构建所述多模态联合特征向量的权重数据；

8、将不同模态的特征数据输入所述动态权重融合模块，以使所述动态权重融合模块根据所述权重数据对不同模态的特征数据进行融合，得到多模态联合特征向量。

9、可选地，所述动态权重融合模块包括：权重动态分配层和动态特征交互层，所述权重动态分配层用于根据所述实时运行工况参数，通过权重计算公式计算用于构建所述多模态联合特征向量的权重数据，其中，所述权重计算公式的数学表征为：

10、

11、其中，为所述实时运行工况参数中的速度，为所述实时运行工况参数中的负载档位，与分别为对应于速度和负载档位的可训练权重矩阵，为模态m相关的偏置项，为预设的非线性激活函数，为归一化指数函数；

12、所述动态特征交互层用于根据所述权重数据对不同模态的特征数据进行融合，得到多模态联合特征向量。

13、可选地，所述将不同模态的特征数据输入所述动态权重融合模块，以使所述动态权重融合模块根据所述权重数据对不同模态的特征数据进行融合，得到多模态联合特征向量的步骤，包括：

14、将不同模态的特征数据输入所述动态权重融合模块，以使所述动态权重融合模块将不同模态的特征数据映射至同一个复数向量空间，得到不同模态的特征数据的映射值，所述动态权重融合模块根据所述权重数据对所述映射值进行融合，得到多模态联合特征向量。

15、可选地，在所述利用与所述权重数据对应的置信度因子对所述初步诊断证据进行融合的步骤之前，还包括：

16、根据所述权重数据和置信度因子计算公式计算与所述权重数据对应的置信度因子，所述置信度因子计算公式的数学表征为：

17、

18、其中，为可调的衰减系数。

19、可选地，所述方法，还包括：

20、根据所述最终诊断结果和预设故障知识图谱生成包括故障类型、故障位置及处置策略的诊断报告。

21、第二方面，本发明提供了一种基于列车多模态运行数据的故障诊断装置，所述装置包括：

22、数据采集模块，用于获取列车的多模态运行数据和与所述多模态运行数据对应的实时运行工况参数，其中，所述多模态运行数据至少包括：由列车控制网络产生的离散状态数据、由部署于列车上的物理传感器采集的连续监测数据、以及由图像设备针对列车动作记录的监控数据，所述实时运行工况参数至少包括列车的运行速度与牵引负载档位；

23、数据融合模块，用于对所述多模态运行数据按时间进行同步对齐处理，得到多模态同步数据，将多模态同步数据和所述实时运行工况参数输入预设特征交互网络，得到多模态联合特征向量和构建所述多模态联合特征向量的权重数据；

24、故障诊断模块，用于基于所述多模态联合特征向量和预设分类器获得初步诊断证据，并利用与所述权重数据对应的置信度因子对所述初步诊断证据进行融合，得到最终诊断结果。

25、第三方面，本技术提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如上述的基于列车多模态运行数据的故障诊断方法的步骤。

26、第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述的基于列车多模态运行数据的故障诊断方法的步骤。

27、实施本发明实施例，将具有如下有益效果：

28、构建一个以列车实时物理工况为唯一外部驱动信号的可训练权重映射模型，从而将融合权重的生成逻辑从依赖于数据内部统计关联的“隐含、被动调整”，根本性地转变为由外部物理环境直接驱动的“显式、主动映射”，使得整个融合诊断策略与设备运行的真实物理规律相耦合，提升准确性与鲁棒性。