一种高速铁路轨道电路故障检测方法与流程

本发明涉及铁路故障诊断，具体涉及一种基于多源异构语义驱动时空大语言模型的高速铁路轨道电路故障检测方法。

背景技术：

1、轨道电路是高速铁路信号系统的关键组成部分，用于检测列车占用状态并传输控制信息，其正常运行直接关系到行车安全、列车调度及运营效率。然而，轨道电路在实际运行过程中易受多种因素影响发生故障，可能导致误占或漏报，引发严重的安全风险和服务中断。因此，开发准确且及时的轨道电路故障诊断方法具有重要意义。

2、传统的轨道电路故障检测方法主要基于手工特征结合机器学习，如支持向量机svm、决策树dt等。这些方法高度依赖专家的专业知识进行特征工程，耗时费力，且仅针对电压、电流等单模态数据，无法充分利用多源异构监测数据中的互补信息，难以满足高精度、大规模、智能化的检测需求。

3、随着深度学习技术的发展，基于深度学习的故障检测方法逐渐涌现。这些方法能够自动提取特征，减少对手工特征的依赖，但大多基于单一数据源训练，忽视了集中信号监测系统csm与巡检列车数据之间的互补信息；同时，许多深度学习模型缺乏对空间传播及上下游耦合的系统化建模，且输出结果多为类概率，缺乏可解释性和可操作的维护指导，难以直接融入现场维护工作流程。

4、近年来，大语言模型llms和视觉-语言模型lvlms在工业故障检测领域展现出显著优势，但通用型大语言模型缺乏针对轨道电路机制与信号特性的专门优化，处理跨模态时间序列及多源同步的能力有限，在面对类别分布不平衡的监测数据时检测能力不足，难以满足轨道电路故障检测的实际需求。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于多源异构语义驱动时空大语言模型的高速铁路轨道电路故障检测方法，以解决现有方法中存在的信号分布异质、数据严重不平衡以及跨时间、空间和语义域统一建模不足的问题，提升轨道电路故障检测的精度、鲁棒性和可解释性。

2、本发明采用的技术方案是，一种高速铁路轨道电路故障检测方法，所述的故障检测方法基于多源异构语义驱动时空大语言模型实现，包括以下步骤：

3、a、数据采集与预处理，通过集中信号监测系统和综合检测列车采集轨道电路的多通道监测数据以及维护日志数据，对所述多通道监测数据进行滑动窗口分割和归一化处理；

4、b、构建rtc-stllm大语言模型，所述模型包括时空语义学习器stsl、语义融合桥sfb和语义推理头srh；

5、c、时空语义特征提取，用时空语义学习器stsl对预处理后的多通道监测数据进行处理，构建拓扑感知的结构化张量，划分时间-拓扑子区域并进行信息聚合，引入分类令牌并结合位置编码形成初始序列，通过自适应多头时间-拓扑交互机制提取时空语义特征；

6、d、多源语义融合，用所述语义融合桥sfb将时空语义特征与维护日志数据中提取的语言语义进行双投影对齐，通过基于余弦相似度的自适应相关性校准机制实现多源异构语义的融合；

7、e、故障推理与输出，用语义推理头srh基于融合后的语义表示，结合时空指令调优进行自回归推理，输出故障检测结果及对应的维护建议；

8、f、模型优化，采用多目标学习策略，联合优化故障分类损失、跨模态对齐损失和自回归生成损失，迭代更新rtc-stllm大语言模型。

9、步骤a中，滑动窗口分割的具体方式为，在连续的、代表单个运行模式的区间内应用长度为h、步长为s的滑动窗口，得到子序列，其中，表示第个滑动窗口截取后得到的子序列样本，表示滑动窗口的编号，表示第个滑动窗口的起始采样时刻，，表示滑动步长，表示窗口长度，表示窗口内的时间采样索引；表示测量通道编号，；表示测量通道数；表示由实数元素构成的维矩阵空间，t为原始序列长度；

10、所述归一化处理为对每个子序列内部应用窗口级、通道级的最小值至最大值归一化，公式为：

11、      式1，

12、式1中， 表示第个滑动窗口覆盖的时间索引范围；表示该窗口范围内的任一采样时刻索引；表示第个测量通道在时刻的原始观测值，为防止分母为零而引入的正数。

13、步骤c中，构建拓扑感知的结构化张量的具体过程为：定义带分配矩阵，其列集互不相交且宽度为δ，对于第 i 个通道，其分配的列集为，表示第个测量通道在结构化张量宽度维度中对应的列索引集合，即第个通道被映射到的空间带状区域，参数表示每个通道在结构化表示中占据的列宽，n为正整数，

14、矩阵b的二进制元素由以下方式分配：

15、，表示带分配矩阵中第行、第列的元素，用于描述第个测量通道是否被映射到结构化宽度维度中的第列，表示结构化张量在空间宽度维度上的总列数。

16、步骤c中，自适应多头时间-拓扑交互机制提取时空语义特征是采用低秩适配策略lora，对查询、键和值的投影进行参数调制，公式为

17、          式2，

18、式2中，、、分别表示第个注意力头对应的查询向量、键向量和值向量；表示第层输入的时空语义特征表示；、、分别表示查询、键和值的预训练投影权重矩阵，、、分别表示对查询、键和值投影矩阵引入的低秩增量更新项。

19、步骤d中，双投影对齐的具体过程为：通过多层感知机mlp将时空语义特征el和维护日志上下文嵌入t分别投影到共享的潜在维度df，投影公式为：

20、     式3，

21、      式4，

22、式3和式4中，表示由空语义特征映射得到的潜在空间语义表示；表示空间语义映射函数；和分别表示空间语义映射网络中第一层和第二层的权重矩阵；和分别表示对应层的偏置向量；表示门控激活函数，用于增强非线性表达能力；表示由维护日志上下文嵌入映射得到的潜在文本语义表示；表示文本语义映射函数；和分别表示文本语义映射网络中第一层和第二层的权重矩阵；和分别表示对应层的偏置向量。

23、步骤d中，基于余弦相似度的自适应相关性校准机制的计算过程为：对归一化后的嵌入和计算跨模态相似性矩阵，通过加权语义聚合得到融合表示，其中α为可学习系数， 和分别表示经过归一化处理后的空间语义表示和文本语义表示，表示跨模态相似性矩阵，用于度量空间语义特征与维护日志文本特征之间的语义相关程度； 表示向量的二范数。

24、步骤e中，所述时空指令调优的指令信息包括时间信息、空间信息和任务信息，时间信息包括数据记录的时间段和采样间隔，空间信息包括监测点位置及组件拓扑关系，任务信息为故障检测及维护建议生成任务。

25、步骤f中，多目标学习的总损失函数为：

26、        式5，

27、式5中，、 和  分别为各子任务的权重系数， 为分类损失，la为双向对比对齐损失，lag为token级别的自回归损失。

28、本发明的有益效果是：

29、1、本发明构建的rtc-stllm模型实现了端到端的时空语义融合，通过时空语义学习器捕捉监测数据中的时间动态和传感器拓扑关系，有效解决了现有方法缺乏对空间传播及上下游耦合系统化建模的问题；

30、2、语义融合桥实现了多源异构语义的对齐与融合，将集中信号监测系统数据与维护日志语义统一到共享表示中，充分利用了多源数据的互补价值，提升了模型对异构信号的适应能力；

31、3、引入时空指令调优和低秩适配策略，增强了模型的可解释性和对少数故障的检测能力，在数据严重不平衡的情况下仍能保持较高的检测精度和鲁棒性；

32、4、模型输出结果为可解释的故障描述和可操作的维护建议，能够直接融入现场维护工作流程，提升铁路智能维护的效率和安全性；

33、5、实验验证表明，本发明方法在准确率、宏观精度、宏观召回率和宏观f1分数等关键指标上均优于现有十种代表性方法，具有良好的实际应用前景。