ISSN 1673-0291 CN 11-5258/U
时间序列异常检测因数据特性、算法需求和应用场景的复杂性而面临诸多挑战，本文对时间序列异常检测进行系统性综述.首先，从数据特性、算法需求和应用场景3个层面出发，系统分析时间序列异常检测任务的复杂性和挑战.其次，总结时间序列中的点异常、片段异常和变量间关联异常，详细阐述各类异常的定义及检测方法.再次，回顾并分析传统统计方法、机器学习方法及深度学习方法在时间序列异常检测中的应用，讨论它们的适用性与局限性.然后，整理常用时间序列异常检测数据集，分析各数据集的应用场景及特点.最后，从异常定位、异常分类、前兆预测、可解释性、与大模型结合5个方面对时间序列异常检测未来的研究方向进行讨论.研究结果表明，目前时间序列异常检测仍然存在数据稀缺、异常多样、概念漂移等关键问题有待解决，并且未来异常检测任务将会朝着异常定位、异常预测等更加细节领域发展.
针对现有无监督异常检测方法普遍存在特征提取不充分和不能有效关注异常区域导致检测性能下降的问题，提出一种基于通用视觉大模型——视觉变换器（Vision Transformer，ViT）与注意力增强的无监督异常检测方法.首先，利用预训练的通用视觉ViT模型对输入图像进行特征提取.其次，为进一步增强模型对异常区域的关注度，引入通道与空间注意力模块（Convolutional Block Attention Module，CBAM），在特征提取阶段自适应调整特征权重，以更精准地捕捉局部异常信息.最后，本文在MVTec工业数据集与自制钢缆异常数据集上进行了大量实验，全面评估所提方法的检测性能.实验结果表明：所提方法在无监督异常检测任务上优于同期多种主流方法.在钢缆异常数据集上，所提方法的图像级受试者特征曲线下面积（Image-wise Area Under ROC，Image-wise AUROC）和F1-Score平均值分别达到88.1%和80.8%，较基准Fastflow算法提升了11.7%和7.8%.
针对当前道岔区轨道状态检查方法存在的人工依赖程度高、检测效率低下以及二维视觉检测具有缺失深度信息的局限性等问题，提出基于多尺度融合策略的道岔点云分割方法（Point-Bidirectional Encoder Representations from Transformers-Turnout，Point-BERT-T）.首先，在道岔局部点云编码过程中采用不同大小的球半径进行分组，并融合不同半径球体空间内点的特征，形成具有空间层次性的混合特征表达，融合后的特征包含道岔的不同尺度信息，能够优化对铁路基础设施的高效识别和分割，提升铁路道岔的三维点云数据识别能力和下游病害及形变检测能力；其次，在数据预处理阶段采用随机旋转平移和非均匀切分策略，有效模拟实际扫描采集过程中存在的随机性数据，增强模型在不同数据采集条件下的鲁棒性；最后，为验证本文方法的有效性，将改进方法与已有方法进行对比实验.研究结果表明：较现有方法Point-BERT，提出的Point-BERT-T方法在道岔点云分割性能上提高了1.9%，在分割难度较高的心轨和翼轨上的分割交并比（Intersection over Union，IoU）分别提升了4.7%和5.6%，在三维铁路道岔点云数据的语义分割任务中，有效实现了准确且鲁棒的分割.
针对目前铁路道岔故障率高、维护效率低、健康状态难以预测等问题，以S700K型道岔转辙机为研究对象，提出一种基于一维卷积神经网络（One-dimensional Convolutional Neural Network， 1D-CNN）和Transformer模型结合的道岔健康状态预测方法.首先，采用1D-CNN对原始数据进行特征提取，训练得到10组特征；然后，通过特征评价选择其中最能反映道岔健康状态的5组特征，利用它们与道岔功率曲线的健康标签值共同进行Transformer模型训练，得到预测的健康指数；最后，为评估道岔转辙设备的健康状态，采用Fisher最优分割算法对健康阶段进行划分，确定最优健康阶数为3，并针对不同健康阶段的维护工作给出指导性意见.研究结果表明：1D-CNN和Transformer模型的结合具有较为突出的预测效果与泛化能力，Transformer模型较门控循环单元（Gated Recurrent Unit， GRU）、长短期记忆网络（Long Short-Term Memory， LSTM）等常用模型在处理长时间序列数据时具有更好的表现，采用所提组合模型能得到更为准确的道岔健康状态预测结果，其平均绝对误差（Mean Absolute Error， MAE）、均方根误差（Root Mean Square Error， RMSE）较1D-CNN和LSTM的组合模型分别减小31.2%、30.5%.
针对目前钢轨运输列车上随车人员监测钢轨轨端时，难以及时判断钢轨是否脱离紧固装置的问题，提出一种基于改进YOLOv5s的钢轨轨端检测算法.首先，采用轻量化的GhostNet主干网络替换原有的跨阶段局部网络（Cross Stage Partial Network，CSPNet），降低模型对于硬件资源的较高要求；其次，添加BiFomer与感受野注意力（Receptive Field Attention，RFA）机制，在弱化不相关背景区域的同时提高对钢轨轨端的定位能力；再次，使用损失函数SIoU替换函数CIoU，增强模型的泛化能力，使模型更快的收敛.最后，从检测正确率，检测速度等方面对算法进行验证和评价，并与单次多边框检测（Single Shot MultiBox Detector，SSD）、YOLOv8等算法进行对比.研究结果表明：改进后的检测算法对钢轨轨端检测的平均检测精度达到91.7%，平均检测时间为24 ms，相较于YOLOv5s原模型提高了5.3%，漏检误检情况得到了明显改善；改进后的算法能够在不同环境中实现对钢轨轨端的精准检测，在昏暗等不利环境下也具有良好的适应性，且每秒浮点运算次数较低，可部署在嵌入式设备RK3399中，能够更好地满足对钢轨轨端实时检测的需求.
为解决嵌入式设备实时处理海量铁路扣件视觉图像数据时无法兼顾精确度与检测速度的问题，提出一种基于特征分治与融合的轻量化实时检测模型.首先，利用基于空间与通道特征的分治混合注意力模块强化模型的特征提取能力，降低图像中复杂背景对目标的干扰；其次，提出一种二重分治特征融合方法，提升对不同大小目标的检测能力，同时在检测头（YOLO Head）的代价体构建方面，引入可变焦距损失函数（Varifocal Loss，VFL）代替YOLOX-Nano检测头的二值交叉熵损失函数，提高轻量化实时检测的精度；再次，使用随机Alpha-IoU（RAL） 损失函数动态调整参数，延缓算法的收敛速度从而优化模型的训练曲线，避免模型训练过程陷入局部最优解；最后，采集10 233个检测目标并划分为6种类型，选择YOLOX-Nano、Faster R-CNN及YOLOv8n等主流目标检测模型作为对比进行实验.实验结果表明：所提模型的每秒帧数（Frames Per Second， FPS）为60.24， 平均精度（Average Precision，AP）为83.40%， 较基线模型提高了3.24%；参数量为2.31 M， 较YOLOX-Tiny减少54.08%，浮点数计算量为1.99 G， 较YOLOX-Tiny减少69.15%.研究成果可为轻量级实时检测模型与计算系统提供参考.
针对输电线路所处复杂环境中异物目标尺度变化大、形状多变等特点导致的异物检测精度低以及模型复杂度高的问题，提出一种改进YOLOv8n的异物检测模型DLS-YOLOv8n.首先，使用可变形卷积瓶颈模块替换主干网络C2f模块中的瓶颈结构，加强模型对形状多变异物目标的特征提取能力，提高检测精度；其次，提出轻量级双向特征金字塔LBiFPN替换原模型的颈部网络，以降低模型参数量和计算量并提高网络对小目标的检测精度；再次，在模型检测头之前加入无参数注意力机制SimAM，提升模型在复杂环境下对目标的关注度；最后，为验证DLS-YOLOv8n模型的性能，在输电线异物数据集上进行消融实验与多项对比实验.实验结果表明：DLS-YOLOv8n在输电线异物目标数据集上的mAP达到97.1%，模型参数量为2.07 M，计算量为6.9 G，较原YOLOv8n模型的mAP提升1.6%，参数量和计算量分别降低31%和14%；与单次多框检测器（Single Shot MultiBox Detector， SSD）、YOLOv5s与YOLOv7-tiny等一阶段检测模型相比，所提模型复杂度最低且具有最高的检测精度.研究结果可为输电线路巡检领域提供参考和借鉴.
定期巡检绝缘子状态是保障电网安全运行的重要环节.针对航拍图像中绝缘子缺陷区域占比小和目标大小不一致造成的检测效果不理想的问题，提出一种基于特征精炼网络的绝缘子缺陷检测算法.首先，采用焦点调制网络（Focal Modulation Network，FocalNet）对不同粒度级别的空间上下文进行编码，并使用其与跨级部分通道的快速空间金字塔池化（Spatial Pyramid Pooling Faster Cross Stage Partial Channel，SPPFCSPC）共同构建特征提取主干，提高网络的特征提取能力；然后，设计增强特征自适应融合金字塔，提出定位信息补充分支以解决缺陷特征丢失问题，同时引入高效的多尺度注意力（Efficient Multi-Scale Attention， EMA）构建不同分辨率的丰富语义特征图；最后，采用特征精炼检测头提取和聚合绝缘子及缺陷的多尺度特征信息，生成更具辨别力的特征以用于检测不同尺度的目标.研究结果表明，特征精炼网络的均值平均精度（mean Average Precision，mAP）达到98.2%，能够对多尺度绝缘子及缺陷进行有效识别，为绝缘子航拍图像的多尺度检测提供参考.
针对高速铁路列车OD客流长时预测数据量大、预测难度高的特点，提出基于Informer模型的客流预测方法.首先，定义高速铁路列车OD客流预测问题内涵，设计包含数据获取、数据处理和客流预测的研究框架；其次，收集旅客列车运行图系统和客运大数据平台的历史数据，挖掘影响列车OD客流的关键特征；再次，构建列车OD客流预测的Informer模型，运用包含概率稀疏自注意力机制的解码器结构捕获不同列车OD客流数据的长期相关性，给予重要时间节点更高的关注度，借助解码器结构生成列车的预测客流态势；最后，以京沪高铁上海虹桥至北京南区段的高铁列车为例，基于Informer模型预测列车OD客流，验证方法的有效性.研究结果表明：Informer模型可以较为精准地预测各列车客流量，与Transformer模型、门控循环单元（Gated Recurrent Unit，GRU）模型和长短期记忆网络（Long Short-Term Memory，LSTM）模型相比，Informer模型在训练集上的准确率分别提升2.11%、6.97%和6.79%，在测试集上的准确率分别提升1.42%、7.19%和8.24%.研究结果可为高速铁路精细化客运组织提供列车OD客流数据支撑，对高铁客运组织优化提供参考.
针对观测器估计精度偏低及高速列车系统的强耦合、受外界扰动、参数时变等问题，提出一种基于补偿函数观测器的分数阶非奇异快速终端滑模控制算法（Compensating Function Observer-Fractional Order Non-singular Fast Terminal Sliding Mode Control，CFO-FONFTSMC），以提高高速列车速度控制的鲁棒性和控制精度.首先，建立高速列车纵向多质点动力学模型，设计高精度的补偿函数观测器对系统的总扰动进行实时估计并补偿；然后，设计一种带状态负指数控制律的分数阶非奇异快速终端滑模控制算法，用于对列车的运行曲线进行跟踪控制，并通过李雅普诺夫稳定性理论证明系统在有限时间内的收敛性；最后，以CRH3型高速列车参数和合肥站-蚌埠南站的实际线路为实例，分别跟踪理想运行曲线和节能优化运行曲线进行实验验证.仿真结果表明：所提算法跟踪理想运行速度曲线的平均误差为0.013 77 km/h，跟踪带干扰的节能优化运行速度曲线的平均误差为0.036 4 km/h，相较于基于扩张状态观测器的滑模和非奇异快速终端滑模控制方法，所提方法具有最小的跟踪误差和更高的跟踪精度，验证了其有效性和可行性，可为列车速度跟踪控制领域的研究提供参考.
针对考虑未知模型参数、不确定附加阻力、未知车间力和外界干扰等影响的高速列车速度跟踪控制问题，提出基于径向基函数（Radial basis function，RBF）神经网络的自适应非奇异快速终端滑模控制器.首先，考虑高速列车的非线性阻力和相邻车厢间的车间耦合作用力影响，建立高速列车多质点模型.其次，设计一种基于新型饱和函数的高速列车有限时间速度跟踪控制策略，引入非奇异快速终端滑模控制方法实现高速列车系统状态的有限时间收敛，改善高速列车速度跟踪的稳态精度和暂态性能.再次，设计基于RBF神经网络的自适应非奇异终端滑模跟踪控制策略，利用自适应技术实现对列车模型参数以及附加阻力、车间力等不确定性项上限的在线估计，并针对不连续切换控制项造成的抖振现象，引入RBF神经网络重映射非奇异快速终端滑模控制策略的切换控制项，同时设计权重系数的自适应更新律，实现连续切换，有效消除抖振现象所带来的影响.最后，基于Lyapunov稳定性理论证明高速列车速度跟踪控制系统的稳定性，以及系统状态的有限时间收敛性，并以CRH380B型动车组作为控制对象进行仿真验证.仿真结果表明：高速列车可以在有限时间内收敛并跟踪理想轨线，跟踪误差下降了49%，跟踪精度提高，能够为高速列车跟踪控制领域提供借鉴和参考.
针对现有城市轨道交通能耗异常检测方法存在精度不足、适应性差的问题，提出一种基于时序特征的地铁牵引能耗异常检测框架.首先，构建融合注意力机制的卷积神经网络（Convolutional Neural Networks， CNN）-长短期记忆模型（Long Short-Term Memory， LSTM）与极端梯度提升（Extreme Gradient Boosting，XGBoost）混合预测模型，通过特征提取与非线性集成策略提升能耗典型值预测精度；其次，设计基于密度的带有噪声的空间聚类应用算法与局部离群因子联合检测方法，实现动态阈值标定与异常因子量化；最后，基于某地铁线路实测数据集验证模型性能.研究结果表明：混合模型预测误差较传统LSTM降低47.3%，平均绝对百分比误差稳定在1.02%；采用本文算法后，异常检测模块准确率达到96.8%，较孤立森林算法提升了12.5%；本文算法对数据流中突发性波动具有鲁棒性.研究成果可为地铁能源管理提供异常定位与节能优化的参考依据，有效支撑轨道交通系统精细化能效管控.
针对变频交流电机轴电流模型中，采用直接法测试杂散电容时，其结果易受端口电容数据波动影响的问题，提出利用短接法测试杂散电容的方法.首先，分析了变频驱动系统电机轴电流的产生机理，阐述了电机集中参数轴电流模型及相关杂散电容参数.其次，采用直接法测试并提取电机杂散电容，研究了端口电容数据波动对杂散电容及其导数稳定性的影响.最后，提出利用短接法提取杂散电容，并分析了端口电容数据波动对该方法结果的影响.研究结果表明：直接法测试时，端口电容数据波动显著影响杂散电容及其导数的结果稳定性，表现为杂散电容变化存在间断点、稳定性差，其导函数波动性强；而短接法测试的杂散电容及其变化率则不受敏感区间影响，数据无波动，该方法更适合电机杂散电容的测试.
针对车载环视系统的多相机外参标定问题，本文提出一种基于交叉注意力机制的外参标定算法.首先通过残差卷积模块独立提取多视角图像的多尺度特征，以捕捉图像中的细节信息；其次，利用交叉注意力模块学习各相机图像的全局特征及其相邻相机图像之间的特征关系，从而增强特征表达能力；再次，通过特征融合模块整合残差卷积模块和交叉注意力模块的特征，并回归外参参数；最后，在两种数据集上从性能评价和消融实验角度对模型进行验证.研究结果表明：与现有基于车道线和纹理的外参标定算法相比，本文算法在不同环境下具有更好的泛化性和鲁棒性，其性能指标和鸟瞰图拼接可视化结果均有显著提升；与现有的外参标定算法相比，所提出算法在绝对重投影误差和绝对光度误差上分别达到3.1和16.7，相较于目前最优的深度学习算法弱监督外参参数标定网络（Weakly-supervised Extrinsic Self-calibration Network， WESNet）分别提升了8.82%和8.74%.该研究成果可为车载环视系统的外参在线标定提供技术支撑.
在可重构智能超表面（Reconfigurable Intelligent Surface，RIS）辅助的高铁毫米波无线通信系统中，为克服高速、高动态通信场景下电磁波的多普勒效应引起的频率偏移，对RIS辅助的多普勒频移补偿技术进行研究.首先，在时变3D Saleh-Valenzuela毫米波信道模型下，推导多普勒频移的表达式，以补偿级联链路多普勒频移为目标设计最优RIS相移矩阵；然后，考虑到估计车速时产生的误差，分析速度估计误差及其概率密度函数（Probability Density Function，PDF），由此计算得到残余多普勒误差并讨论其在研究场景中的影响；最后，为评估补偿后的系统性能，推导频谱效率（Spectral Efficiency，SE）和中断概率（Outage Probability，OP）的表达式，并通过仿真实验验证所提出方案的有效性.仿真结果表明：以多普勒频移最小化代替常见的接收功率最大化为优化目标，可以将多普勒频移完全消除；在RIS数量为322、基站天线高度为50 m的情况下，列车行驶到RIS附近时的SE增加了5.87 bit/（s·Hz）；当基站天线高度为30 m、50 m和70 m时，OP的变化范围在5×10-3和6×10-3之间.
针对现有环境感知技术在毫米波通信信号带宽受限条件下的性能表现尚未得到充分研究，且在复杂场景下存在计算复杂度高、实时性不足等问题，提出一种基于有限带宽毫米波通信信号的主动式环境地图构建算法，旨在实现环境地图的实时构建，从而提升通信系统的性能.首先，通过在移动端主动式自发自收毫米波通信信号，并获取回波的传播时延和角度信息，结合移动端姿态信息初步感知障碍物的坐标；其次，考虑毫米波通信信号有限带宽对地图分辨率的影响，采用栅格地图算法表征障碍物的空间位置，基于Bresenham算法计算空闲栅格，进而快速准确地构建环境地图，并通过设置不同的地图分辨率，进行了仿真实验，以分析不同地图分辨率条件下的地图构建结果；再次，统计并拟合了感知环境中到达角（Angle Of Arrival， AOA）的分布，以验证冯米塞斯（von Mises）分布的合理性；最后，将结果与基于激光雷达的基准地图进行对比，使用均方根误差（Root Mean Square Error， RMSE）验证精度，使用Jaccard相似度分析验证障碍物形状，并结合代码运行时长评估了算法的效率和系统性能.研究结果表明：所提算法在3 GHz带宽和25格/米分辨率下，地图构建达到最优性能，其中RMSE为9.294 3，Jaccard系数为0.625 4，代码运行时长为14.774 6 min，能够满足实时环境感知的需求；与500 MHz带宽和25格/米分辨率下的地图构建结果相比，RMSE、Jaccard系数、代码运行时长分别提升了56.1%、394.4%、70.6%.研究结果可以为未来高动态通信系统发展提供参考.
针对智能建造领域中遥控信号传输过程存在的通信时延高、可靠性低、稳定性差的问题，提出一种多链路低相关度的通信架构.首先，根据电波传播特性将感知信号与控制信号进行频谱分离，并分析隧道场景下不同频段的电波衰减规律.其次，在控制信号传输中，基于有限码长编码理论与Little定理，计算得到定误码率下信噪比、可达速率与信息帧长度的关系，建立隧道内低时延传输通信模型，设计适用于控制信号传输的帧结构，实现低时延通信收发机的设计.再次，在感知信号传输中，基于隧道内超高频频段电波传播规律及信号强度与通信带宽的对应关系，根据通信带宽要求通过查表的方式得到适用于感知信号传输的信号强度区间.最后，基于厂内远程遥控作业场景，以遥控信号低时延传输为目标进行相关实验.实验结果表明：控制信号传输通信时延均值为0.75 ms，感知信号传输通信时延≤200 ms，验证了所提出的隧道建造中遥控信号传输的通信架构及相关技术的有效性和可靠性.
针对温度、湿度等因素影响带来的高铁路基沉降问题，提出一种改进的蜣螂优化算法（My Improved Dung Beetle Optimization Algorithm， MIDBO）-反向传播（Back Propagation， BP）神经网络-自适应提升算法（Adaptive Boosting， Adaboost）组合预测模型.首先，为解决蜣螂优化算法易陷入局部最优和复杂工程应用效果不佳的缺陷，提出一种复合混沌映射、模拟退火算法、非线性指数动态权重系数多策略融合的MIDBO算法；然后，利用MIDBO算法对BP神经网络进行优化，再与Adaboost算法结合，建立了MIDBO-BP-Adaboost模型；最后，将不同模型应用于兰新高速铁路进行预测分析.研究结果表明：MIDBO算法有效优化了BP神经网络，提高了模型精度；Adaboost算法提高了模型的稳健性和泛化能力；与BP预测模型相比，MIDBO-BP-Adaboost模型的平均绝对误差、均方根误差、平均绝对百分比误差分别减小63.81%、63.84%、62.26%，拟合系数提高18.82%.研究成果可以为兰新高铁路基沉降预测提供参考.
